1.張首晟在穀歌演講: 量子計算, 人工智慧與區塊鏈;
本文據張首晟教授近日在穀歌的主題演講整理而成.
以下為演講全文:
謝謝各位前來. 我非常開心來到穀歌, 被Daya介紹同樣無比的榮幸. 在此之前, 我們已經彼此交流了很久, 今天我想跟你們分享一些個人的看法.
關於未來資訊技術內容, 包括: 量子計算, AI人工智慧, 區塊鏈. 特別是這三者的聯繫. 我相信目前學術界有很多學者已經在研究這幾方面的內容, 但有機會能來參加此次學術會議我還是相當興奮, 因為會議研究的主要內容是: 三者的內在聯繫.
首先跟大家分享一個 '古老的' 科學新發現.
多科學問題都對應著深刻的哲學問題, 我們存在於一個對立統一的世界中, 這個世界中有正數, 也有負數; 有借款也有貸款; 有陰也有陽; 有好人也有壞人; 天使也有魔鬼. 在現實生活中同樣也存在著對應的道理.
1928年, 其中一位全世界最著名的理論物理學家-狄拉克保羅, 嘗試將愛因斯坦相對論運用於量子力學. 在數學公式推導的過程中, 他遇到了不少的平方根計算. 隨後回想到自己高中時期的平方根問題, 9的平方根不僅等於3, 因為3的平方等於9, 有-3的平方也等於9. 所以當你對一個正數開方時會同時得到一個正數和一個負數.
狄拉克對開方得出的負數相當不解, 這件事對迪拉克產生了深遠的影響. 他預言世界上的所有物質, 都有正物質和反物質兩種形態. 如今在威斯敏斯特教堂, 你依舊能找到保留完好的迪拉克公式手稿.
2012年獲得的 '保羅狄拉克勳章' 是對我的研究工作最值得肯定. 就像我剛才講的一樣: 當你對一個數開方, 可以得到一正一負兩個數字, 存在負數是宇宙的一大規律. 也就是說只要是宇宙中的物質, 就一定存在反粒子. 現在看來這是一個再正常不過的完美等式. 但在1928年, 那個沒有反物質的年代, 提出這樣的理論很不容易. 比如當時的人認為: 電子的反粒子是一種質量相等但帶負電的粒子--質子, 雖然質子帶的電荷與電子相反, 但它的質量卻是電子的2000多倍所以那時根本沒有人相信他.
但你們猜他說什麼? 老子的公式如此超前, 你們這幫學渣還是先去練級吧. 人們確實去提升等級了. 狄拉克非常幸運, 五年之後, 在觀測宇宙輻射的時候 (地球上很難觀測到, 但宇宙中存在) , 科學家們捕捉到了反粒子, 並命名為正電子和電子質量相同但帶電相反.
我覺得這是人類曆史上一次偉大的假設. 前期假設很美好, 後期結果也很給力. 如今人類已經將反粒子應用於醫療方面, 比如著名的醫學成像技術--正電子層析成像技術, 就是利用了反粒子的理論研究出來的. 好萊塢也有很多類似的電影題材, 比如大家所熟知的達芬奇密碼的續集, 天使與魔鬼 (原著作者丹布朗, 主演湯姆漢克斯) 電影的高潮部分就是一段天使與魔鬼為爭奪反物質而展開的史詩般戰鬥.
宇宙中到處可見反物質, 如果你擁有了反物質或者反粒子, 滅霸估計都難奈你何. 但這一切都是基於一個美好的推論上, 但人類的好奇心從未停止. 在狄拉克的偉大假設之後, 又有一位偉大的物理學家走入了我們的視野: 埃托馬略安娜. 他提出了一個問題: 有沒有一種物質不含反粒子, 或者有沒有一種物質, 本身就是他自己的反物質. 他提出假設, 寫下等式. 但這次他沒有那麼幸運, 沒有人相信他, 沒有人見過這個公式, 他本人也比較失望. 從那以後, 這個問題就成了基礎科學中一個未解之謎.
我們有一個科學亟待解決問題列表. 比如在這個列表上有什麼是上帝粒子和波色子? 好在在2012年日內瓦的一個實驗室內上述問題有了答案. 再比如引力波, 它的提出人愛因斯坦就沒有狄拉克這麼幸運了. 100年後才被人們發現有引力波這種物質, 前兩年才得到證實引力波的存在. 這就是那個神奇的列表反物質粒子也在其中. 而諸如什麼物質的反物質是它本身這樣的問題也就是瑪麗安娜費米粒子問題, 一直在這個列表的最頂端.
也許尋找瑪麗安娜費米粒子是科學家們最感興趣的問題. 就像我剛才講的一樣. 瑪麗安娜非常失望, 因為沒有人相信他.
安娜是意大利人. 但他登上從納皮爾開往巴勒莫的渡船後從此消失. 這是科學界的一個未解之謎. 從他消失到今年已經整整80年了, 不過告訴大家一個 '好消息' : 不僅他消失了, 他撰寫的文獻也沒有找到. 這才是我今天的重點好嘛. 他當時是寫下了推導的公式, 但是沒有告訴任何人公式放置的地點. 這就是為什麼我們花了80年去尋找它的原因, 但我們在斯坦福的科研小組提出了在哪裡和怎樣找到這些粒子?
2010年至2015年前, 我們小組撰寫了三篇文獻. 第一篇就是準確預測粒子的位置. 令我們吃驚的是該粒子並不在大型的粒子加速器中, 而在我們常見的一種半導體器件中. 之前我已經介紹過了, 我們小組十年前發現的一種物質, 學名叫拓撲絕緣體, 在這種絕緣體中放一些磁性的摻雜劑. 拓撲絕緣體的材料是一些普通的絕緣體, 而磁性摻雜劑是鉻這種物質. 這樣在兩種物體的表面, 就會形成一個超導體. 我們認為在這種條件下, 能夠捕捉到瑪麗安娜費米粒子但僅僅這樣還遠遠不夠. 我們不僅要找出粒子存在的位置, 還需要找到需要測量的物理量, 好在常識幫到了我們. 一般情況下, 粒子都有兩面性, 像硬幣的兩面, 有正面, 有反面, 有正粒子, 有反粒子. 但是瑪麗安娜費米粒子只存在一種粒子: 只有正粒子, 沒有負粒子. 他就是傳說中的半粒子所以這個半粒子的概念, 將會在我接下來的量子計算演講中異常重要.
好了, 不管怎樣, 瑪麗安娜費米粒子是普通粒子的半粒子對於普通粒子都會存在一定的電導率或導電率. 這種電導率一般都能被量子能極化, 表現出零級一級二級等能級普通粒子的能級是離散的整數. 所以, 如果瑪麗安娜費米粒子半粒子那麼它表現出的能級特徵應該是普通等級的1/2能級3/2能級. 所以在半粒子這個系統中, 你能夠測量導電率, 但一定要在半能級的位置進行測量.
去年在與加州大學加州洛杉磯分校的同事合作中, 他們將我們提出的理論模型變為現實. 在理論研究的基礎上, 測量了瑪麗安娜費粒子的能量. 在一二這種整數能級的中間會有1/2這樣的半能級. 1/2能級就是瑪麗安娜費米粒子為半粒子的關鍵證據, 普通粒子整數能級. 瑪麗安娜費米粒子半步能級去年《科學》雜誌將該成果刊登後, 我們好好慶祝了一番.
在那個激動的時刻, 我又想起了曾經看過的電影--天使與魔鬼. 我覺得我們在天堂只找到了天使, 並沒有找到魔鬼, 所以我們稱該粒子為天使粒子. 所以說了這麼多, 到底有什麼用? 傳統的計算機已經相當強大, 但他們擅長的東西並不全面. 我給兩個超大的數字讓計算機做加法, 他秒秒鐘就算出來了. 例如穀歌雲, 他算得超級快. 但如果給計算機一個數字, 讓她產生兩個相關的數字. 比如15等於5×3, 但11就不能. 你可能說11等於1×11, 但是沒有意義. 如果給一個超級超級超級大的數字, 它分解成兩個相關的數字, 像分解15一樣, 或者像11不能分解, 傳統的計算機怕是要蒙圈了. 唯一的辦法就是進行海量的搜索, 從2開始一直搜索下去, 到永遠.
所以計算機運行的最大問題是什麼? 像穀歌雲這樣的計算, 本質就是一個尋找最優解的過程. 當機器尋找最優解時就會搜索所有的可能性, 包括尋找最短路徑等方式. 這個過程都要花費大量的時間做最佳化搜索, 這會消耗大量的時間. 這就是為什麼計算機還需要不斷更新迭代的原因?
讓我們進入到量子世界看看, 量子世界的秘密是什麼? 假設屏幕上有一對雙縫, 我用一把普通的手槍分別射擊雙縫子彈. 要麼通過左邊, 要麼通過右邊的縫隙. 在屏幕後方你將看到兩個彈痕, 左右各一個. 但如果你嘗試通過雙縫射擊兩個基本粒子, 情況就不一樣了. 背後看到的不是左右兩個彈痕, 而是一副複雜的幹涉圖樣. 當兩個粒子同時穿過雙縫, 幹涉圖樣產生, 他同時穿過左右兩個縫隙. 如果不是同時穿過, 幹涉則不能產生. 所以量子世界就是一個平行的世界: 兩個粒子同一時間同時穿過兩個縫隙.
很多人就在思考剛才的問題. 傳統計算機解決複雜問題的能力, 也許可以使用一台量子計算機, 同一時間同時搜索所有可能的答案. 也就是說, 理論上, 計算機可以同時搜索所有的可能答案, 然後立馬給你計算答案, 能夠這樣迅速的提高計算機的計算能力, 想想就好興奮呢!
我接下來跟大家分享一下人工智慧, 人工智慧也是一個基本概念, 60年代就已經提出來. 之所以今天人工智慧能夠有突飛猛進的發展, 主要是三個大的潮流的匯總. 根據摩爾定律的迭代, 每過18個月能夠翻倍, 如果用量子計算的話, 不只是按摩爾定律18個月翻倍, 而是完全從量變到質變的, 我們的計算能力在不斷增長, 和過去40年差不多. 另外互聯網和物聯網的產生, 造成大量的大數據, 大數據又是幫機器能夠真正學習, 再好的演算法, 再powerful的計算機沒有數據的話不能達成最佳的人工智慧, 另外也有智能演算法的發現, 並且有突飛猛進的變化.
但是整個人工智慧, 大家雖然看到它突飛猛進在改變, 但是我覺得還是處在非常早期, 它今後的前景還是非常廣闊. 為什麼這麼講呢? 做一個簡單的類比, 比如我們曾經看到鳥飛, 人也非常想飛, 但是早期學習飛行只是簡單的仿生, 我們在自己的手臂上綁上翅膀. 但這是簡單的仿生, 但真正達到飛行的境界是由於我們理解了飛行的第一性原理就是空氣動力學, 有了數學原理和數學方程之後就可以人為設計最佳的飛行, 就是現在的飛機飛得又高又快又好, 但是並不像鳥, 這是非常核心的一點. 可能現在人工智慧是在簡單地模仿人的神經元, 但是我們更應該思考的, 在這裡面有一個基礎科學重大突破的機會, 就是我們真正去理解那個智慧和智能的基本原理, 基本的數學原理, 這樣真正能夠使人工智慧有突飛猛進的變化.
另外大家經常問的到底用什麼樣的判據能夠真正衡量人工智慧達到人的標準? 大家可能聽說過圖靈測試, 圖靈測試是說人跟機器對話, 但是我們不知道大在背面到底是人還是機器. 整個對話的過程中, 你如果花了一天的時間根本感覺不出來, 那就是說機器人好像已經達到人的水平. 我是不太贊同, 雖然圖靈是一個偉大的計算機科學家, 但是我並不贊同這個判決. 人也是進化的過程, 人的很多情感並不是理性的情感, 要讓一個理性的機器學一個非理性的人的大腦可能並不是那麼容易, 比如你可能故意激怒機器人的話, 說不定它也不怎麼會理你.
所以我想提出一個新的判據, 機器怎麼說哪一天真正超越人的智力? 人最偉大的一點就是我們能夠做科學的發現, 最好的判據就是哪一天機器人真能夠做科學的發現, 人更好地知道科學發現, 那一天機器就超過人了.
最近我在人工智慧裡面寫了一篇文章, 將會在美國的科學院雜誌上發表, 題目叫 'Atom2Vec' , 人類最偉大的科學發現之一, 有相對論, 量子力學, 在化學裡面最偉大的發現就是元素周期表的發現. 今天的機器假定我們根本不知道元素周期表這件事情, 今天的機器在沒有任何輔導的情況下, 他自己能不能自動發現元素周期表? 我們輸入的就是所有存在的科學元素的名字, 把這些化合物的名字輸入這個演算法裡面, 結果這個機器自然地發現了元素周期表, 它可以做出人類認為最偉大的科學發現. 然後我們這個程序可以幫助我們發現新藥, 也可以用機器學習的辦法發現新的材料.
接下來我會再跟大家分享我最後一個題目區塊鏈, 人工智慧在突飛猛進發展, 但是人工智慧最缺少的是數據, 恰恰今天數據是處在完全中心壟斷的狀態裡面, 不能幫助機器合理地學習. 大家聽說在一個星期之前Facebook很多個人的數據被盜一樣, 至少在沒有被允許下就用. 在今天的世界個人會產生出很多的數據, 個人的基因數據, 醫療數據, 教育數據, 行為數據等. 但是很多這些數據都是掌握在中心機構裡面, 沒有達到真正的去中心化. 但是區塊鏈的產生就是能夠產生一個數據市場. 所以我理想的世界, 未來每人擁有自己所有的數據, 這是完全去中心化的儲存, 這樣黑客也不可能黑每個人的數據. 然後用一些加密的演算法在區塊鏈上真正能夠達到既保護個人的隱私, 又能夠做出良好的計算.
所以我把今後區塊鏈的整個理念用一句話來描寫, 叫 'In Math we trust' , 我們的信念建築在數學上. 這張表大家應該記得, 我看到很多人在照相, 某一天它肯定會為整個區塊鏈和整個IT領域裡面最基礎的, 它既是最基礎的數學, 又是能導致數據市場裡面保護個人隱私, 又能夠做出合理的統計性的計算. 比如有一種非常神奇的計算方法叫零知識證明, 它能夠向你證明我的數據是非常有價值的, 但是又不告訴你真正隱私的數據在哪.
我今天報告的題目主要是有一個核心的理念, 就是要使得IT真正能夠發展, 既需要物理學, 又需要數學. 深圳在應用方面做得不錯, 但是由於大學還不是在全世界範圍裡面最領先的大學, 但是我建議最核心的投資, 這一類的數學和物理, 跟IT領域真正有緊密的聯繫.
有了區塊鏈之後, 這個數據市場的產生, 我們也真正能夠使得社會變得更加公平, 我們現在社會最大的不公平是我們容易歧視一些少數派. 但是在機器學習的過程中最需要的就是那些少數派所擁有的數據. 如果今天機器學習的精準率達到90%了, 我要使90%達到99%, 它需要的不是已經學過的數據, 而是跟以前最不一樣的數據. 往往是少數派擁有的數據對機器學習來講是最有價值的. 一旦我們建築在區塊鏈的基礎上, 再加上這些奇妙的數學演算法之後, 我們就能夠真正達到數據市場, 在這個數據市場裡面, 這些少數派所擁有的數據是最可貴的. 這樣的話我們真正能夠把一個醜小鴨變成一個美天鵝, 因為醜小鴨並不是醜, 只是跟別人不一樣而已, 在這個世界裡面真正達成區塊鏈和人工智慧互相共存的世界理念, 它們是會最有價值的.
整個區塊鏈, 大家對它的認識還不是最根本的第一性原理的認識. 用最基本的物理學原理來講, 達到共識就是大家都同意同一個賬本, 就相當於在物理學裡面, 比如磁鐵本來是雜亂無章的, 但是到了鐵磁態裡面它們指向的方向都是同一樣的. 所以達到共識在自然世界裡面有, 在今天的人文世界裡面也有. 但這種現象是叫熵減的現象, 達到共識, 大家都朝一個方向的話, 這個狀態的熵是遠遠比雜亂無章的熵要小. 達到這個共識是非常難的, 因為熵總是在增的, 今天你要把它減是很難的事情. 在區塊鏈上能達到一個共識系統都是用一種演算法, 在這上面是需要消耗能量. 大家可能一開始不太理解為什麼這件事情聽起來不合理, 一些賬戶為什麼要耗費能量. 從物理學第二定理來講, 這是非常合理的一件事情, 因為達到共識本身是熵減, 但整個世界的熵一定要增加, 所以在達到共識的同時一定要把另外一些熵排除出去. 這種沒有中心化的機制跟自然世界裡面磁鐵從雜亂無章的狀態達到有序的鐵磁狀態非常相像, 這付出的代價也是必然的趨勢.
我在這裡跟大家分享, 我除了做斯坦福大學教授之外, 也是丹華資本創辦人, 我們主要的核心理念就是要把今天最前沿的科技和投資要緊密聯繫起來, 要用第一性原理的思維方式來理解今天的世界.
我另外想講的是我是來自學界, 我們在整個人工智慧領域裡面需要做兩個大的橋樑, 一個是要學界和產業界做緊密的聯繫, 在學界有最好的物理, 最好的數學和演算法的發現和發明. 在今年1月8日, 我非常榮幸在人民代表大會堂受到習總書記給我授予的中華人民共和國國際科技合作獎. 我們整個世界科學是最無止境, 最沒有國界的, 科學能真正把人類帶到超越國界的, 今天我們所要解決的人工智慧, 量子計算都是整個人類的問題. 所以我們一定要把我們的眼光不要放在自己的局部, 而是放眼整個全球和整個世界. 在這個過程中, 中國也是一個非常大的機遇, 大家都想回答的問題, 我們中國除了把應用科技做得好, 能不能在中國有真正原創科技的產生. 我今天跟大家介紹的這些都是最基本的物理和最基本的數學原理, 我們這方面能夠做好的話, 而且這些原理聽起來比較抽象, 比如熵增原理, 正負電子. 但是在最基本的層次上, 這是我們今天這個世界的奇妙, 它真正能夠給整個IT行業提供最基本的科學技術發展的前景. 謝謝大家.
需要我回答一些問題嗎?
'所以你提到共識, 以及工作證明系統取得共識, 通過分散以及通過增加統一性. '
'是的. '
'那它在空間統一系統怎麼取得呢? '
'好的, 事實上我認為在最後總會有些權衡. 我認為區塊鏈和那些密碼貨幣的未來, 會和我們現在的世界有類似. 現在的世界會有M0,M1,M2,不同層次, 所以我認為最基本的那一層. 全球通貨幣應該完全處在工作證明的基礎上. 因為之後你傾倒的統一性, 是完全透明的. 不僅僅是因為它必須在那兒, 但它也必須完全是透明的. 我認為最基本最根本的那一層, 狀態證明不會有用, 因為有太多勾結的可能性了. 你會丟失一些連結的東西, 但也得到一些未連結的東西, 會出現受賄行為, 所以我認為區塊鏈世界最令人激動的東西.
就是在最根本的那一層, 存在著完全客觀的東西, 而且只和真實世界連接,也就是能量. 不和狀態證明連接, 不然就會充斥著人類的不合理. 但我可以想象, 在更高層它們會有用, 但在最基本的層面. M1或M0這種的需要完全穩固的狀態
所以我還是認為工作證明, 或者還有另一種方法叫做空間時間證明, 空間證明. 以容量為基礎, 我認為它也是一種可量化的物理資源, 我認為那是最不應該被包含的人類的東西, 但也許它是被包含最多的.
我通常認為量子計算對於人工智慧來說是一種有用的搜索演算法, 所以人工智慧最有趣的方法之一. 所以我不是說這三種趨勢必須永遠在一起運作, 實際上它們可以通過競爭達到進步.
所以一方面量子計算和區塊鏈在互相競爭, 因為克裡托編碼演算法可能會被康普頓擊破. 但另一方面我也看到, 康普頓可以幫助人工智慧做最高效的搜索, 這也是人工智慧需要去做的. 所以這個關係很像我們生態環境中的共生關係.
我們不能用人類的想法來假設, 它們永遠會做相同的事. 我認為在競爭的過程中, 它們都會變得更強. '
'您提到全球性貨幣或M0或1, 我很好奇, 我知道您是一位理論物理學家, 但在執行過程中, 或拿iPhone舉例: 我的iPhone7, 碰到了iPhone6, 碰到了iPhone5, 但有一個金屬層的共識需要被達到, 那我實際上就和這個分散的系統達成一致. '
'對. '
'目前在密碼術中有許多碎片池, 流動性的舉證未被引用. 所以您是如何在我們現在所處的缺口上搭建橋樑的? '
'舉個例子, 比特幣區塊鏈和閃電網路之間的關係, 非常適合M1 M2的框架, 所以基本來說區塊鏈在工作證明下是完全客觀的, 所以它試圖在黨派間達到最普世的共識. 黨派互相間完全不認識, 但依舊需要談判和交流, 但當你真正考慮商業事務時, 也許我們兩個在過去十年已經作為合作夥伴合作愉快了, 那我們何必依舊當對方是陌生人一樣對待呢? 所以我們能做的是步入彼此的狀態頻道, 將我們的克拉多放在區塊鏈上, 但我們依舊做著非常非常快的交易, 但我們依舊每月挑一次擔子. 我認為這就像M0,M1,M2之間的關係, 閃電和比特幣之間的關係, 就像M0和M1的關係.
所以當你每上一層, 穩固會減少, 效率會提高, 但權衡來自我們的曆史, 我們已經有了信任的曆史了, 所以如果你有商業夥伴, 他們彼此熟悉, 他們完全不需要使用最大眾的穩固層. 他們可以構建更高的層面, 犧牲掉一些普遍性, 但是換來的是效率的提高. '
'我有一個關於天使粒子的問題'
'好的. '
'天使粒子不是陽性的? '
'對, 它是比特的一半. '
'聽起來像是實際領域中的認證元素, 當面臨自己的問題...'
'不, 在更精確的類比中它像一串複雜的數字可以被表達成兩個真實的數字, 所以複雜的數字就像粒子複雜成對的就像反素粒子. 如果你有真實的數字, 複雜成對的就和它自己一樣, 所以天使粒子更像是一個真實的數字. '
'我明白了. 我們認為這就是陰陽對比. '
'陰陽, 對. '
'那什麼會是中間要素,什麼會是天使...? '
'我認為類比僅僅是說, 這兒有一個即將到來的量子比特, 但是實際的計算, 在你做實際計算之前, 你在分裂它們, 但通過分裂, 它們已經是非局部的了, 它們纏在一起, 但經典幹擾物不是混亂的, 所以無法用經典幹擾物除掉它. 這就是為什麼拓撲量子計算機會這麼穩定. '
'是的. '
'好的, 所以將您演講的幾個主題結合起來: 如果你能夠管理量子計算機的能量, 然後如果我們能夠安全管理我們的數據, 通過隱私加密的方式能夠分享數據. '
'對的. '
'我想知道你怎麼看待穀歌的未來? 因為這像個真實存在的威脅. 如果任何人可以黑進一個做高效搜索運算的量子計算機. '
'是的. '
'然後他們就可以控制任何人的數據. '
'我認為唯一的方法是不要抵制改變, 而要擁抱改變. '
'對的. '
'所以你怎麼看穀歌在未來世界掌握這個技術? '
'事實上我有一個答案: 所以事實上, 我們可以進行以下的構想. 舉個例子, 我的個人數據, 我希望以安全的方式儲存它, 但依舊可以做一些運算. 我們知道穀歌雲盤在和亞馬遜雲盤競爭, 所以我們能做的是, 在亞馬遜雲盤儲存完全隨機的數字, 但在穀歌雲盤我儲存我的個人資訊, 加上我在亞馬遜雲盤儲存的隨機資訊, 所以如果我無法預測這兩個競爭得很激烈的實體不會有勾結, 他們不可能進行資訊交換, 那你就可以用多方安全計算的制度來做計算. 在不泄漏任何細節的情況下得到一個計算結果, 所以在這個世界上,集中實體依舊有用. 但為了讓它可行, 你必須假設雙方在競爭, 而不是勾結. '
'你好, 我覺得術語統一性的運用很有趣. 因為它似乎是個神秘的東西, 但同時也很有價值. 在熱力學中你可以在經典熱力學中擁有對數, 然後你就有了具有統一性的資訊理論, 然後你用能量做了類比, 這讓我想起一些免費能量. '
'對, 確實是這樣. 我認為區塊鏈世界確實從中提取了一些免費能量, 所以你基本上得到了一些東西, 但不管你得到了什麼能量的總量, 有用的數量, 你使用的能量減去你必須浪費的統一性. 所以今天你依舊能看到好多白人, 他們宣稱要創造奇蹟, 這類白人讓我想起了十八世紀時對於永動機的追求.
'我想知道你能夠進一步推測類比, 你需要一個溫度來讓它運作. '
'對對對. 事實上溫度出現得非常自然, 當你有一個節省的數量, 比如能量守恒時, 溫度概念自然就出現了. 因為無論何時你有一個隨機卻節約的系統, 這是最普通的, 被稱為玻爾茲曼分布. 所以溫度的引進很自然, 但我為什麼對這個這麼興奮, 是因為這是我第一次看到社會科學和自然科學的匯合, 它為社會科學世界提供了依靠, 所以我認為M0,M1,M2, 作為基礎船錨.
現在進入了自然科學, 我們能精確地看到統一性, 它被浪費了. 所以我們能知道為什麼它達到了共識, 然後你在它的基礎上構建更多人類的東西. 但最基本的層面, 現在是社會和自然科學間的共識, 從根本上減少了能量, 統一性和資訊. '
'非常感謝您花這麼多時間. 我認為在你的演講中, 你在說: 你會看到一個區塊鏈的第一層, 然後更多層面在此基礎上構建, 所以你覺得五花八門的項目和公司正在試圖構建他們自己的區塊鏈, 這和你的演講有什麼關聯? '
'我認為, 你提供了一些獨特的東西. 所以比特幣, 區塊鏈和定理差別很大, 所以由於作為信任的基礎層, 你不會想要普世的圖靈機. 因為也許它會被黑, 但你要在它的基礎上做更多的處理, 然後如果定理看起來更自然, 所以區塊鏈世界的演變, 會和生物物種進化很像. 你看到分支, 不同的物種, 如果他們分叉夠久, 也許他們就變成了不同的物種, 但永遠有最基礎的東西. 所有生物都是由細胞組成的, 所以這種基本的契約不會改變. 但對於組織來說, 不同的生物體由不同細胞組成的不同組織體, 那就有可能改變. '
'好的. 感謝您的講解. '
'我的問題是: 您覺得量子計算什麼時候能被實際應用? 在您的發現和研究出來之後, 然後當它被實際應用時, 你覺得它會只被特定的大公司掌握? '
'好的好的. 我認為量子計算研究, 最理想化的話應該開放使用. 我認為, 讓我聲明一下: 我知道很多公司都在嘗試, 但是公司化的基本要義, 是他們要保護股東的利益, 他們要保護他們的秘密, 但是對於這種能量巨大的, 且對於人類影響一無所知的東西來說, 我認為它最好在公開的大學研究中進行, , 而這也是我正在做的.
所以我處理量子計算機的方法, 有非常非常多的公司試圖加入我的量子計算機研究, 但我反對這個. '
'您對於量子計算機的運用有什麼預測呢? '
'包含還是不包含我的發明? 我認為如果你用這種方法嘗試, 會花很多很多時間, 你能夠想象嗎? 你需要七十個比特來服務一個有用的比特, 我認為不值得. 但用這種方法, 就值得. '
'好的我覺得我們快結束了, 我問最後一個問題: 關於你的天使費米子, 它改變了量子計算的任何其他要求嗎, 比如絕對零度? '
'不不不不, 它依舊運行, 大部分時候在低溫運行, 可惜的是我們的方法可以在室溫運行, 如果發現了能在室溫運行的超導體. 如果真的有實質性的改進, 我們可以把它降到低溫. '
'好的非常感謝, 張教授. ' 鳳凰網科技
2.教育部: 71所高校已設置人工智慧相關學科;
新華社杭州6月8日電 (記者 餘靖靜) 教育部近日印發《高等學校人工智慧創新行動計劃》, 提出中國高校要分 '三步走' , 2030年成為建設世界主要人工智慧創新中心的核心力量和人才高地.
教育部8日在位於杭州的浙江大學召開新聞發布會, 解讀《高等學校人工智慧創新行動計劃》 (以下簡稱 '《行動計劃》' ) . 教育部科學技術司司長雷朝滋說, 高校要聚焦並加強新一代人工智慧的基礎研究和核心關鍵技術研究, 其重點集中在大數據驅動知識學習, 跨媒體協同處理, 人機協同增強智能, 群體整合智能, 自主智能系統等方向.
雷朝滋說, 根據《行動計劃》, 高校人工智慧發展將分 '三步走' : 一是到2020年, 基本完成適應新一代人工智慧發展的高校科技創新體系和學科體系的優化布局; 二是到2025年, 高校在新一代人工智慧領域科技創新能力和人才培養質量顯著提升, 取得一批具有國際重要影響的原創成果, 有效支撐我國產業升級, 經濟轉型和智能社會建設; 三是到2030年, 高校成為建設世界主要人工智慧創新中心的核心力量和引領新一代人工智慧發展的人才高地, 為我國躋身創新型國家前列提供科技支撐和人才保障.
《行動計劃》同時提出 '實施 '人工智慧+' 行動' , 支援高校在智能教育, 智能製造, 智能醫療, 智能城市, 智能農業, 智能金融, 智能司法和國防安全等領域開展技術轉移和成果轉化, 特別要推動智能教育發展.
'人工智慧是引領未來的戰略性技術, 一定要切實認識和把握人工智慧發展的新機遇. ' 中國工程院院士, 中國工程院原常務副院長潘雲鶴說, 教育部和工程院即將開展智能教育領域的諮詢項目, 對未來教育範式變革提供諮詢建議. 基於大數據智能的個性化教育, 跨媒體學習, 終身學習等, 將推動教育目標和理念的改變, 乃至整個教育體系的改革創新.
據了解, 教育部目前已同意並支援浙江大學建設人工智慧協同創新中心, 加快建成我國人工智慧領域科技創新和人才培養的高地. 浙江大學校長吳朝暉說, 浙江大學將聚焦機器學習演算法, 大數據智能, 跨媒體感知計算, 混合增強智能, 人機協同智能等重大科學前沿問題, 加速構築人工智慧先發優勢, 服務國家戰略需求.
據介紹, 截至2017年12月, 全國共有71所高校圍繞人工智慧領域設置了86個二級學科或交叉學科. 教育部2018年認定首批612個 '新工科' 研究與實踐項目, 其中布局建設了57個人工智慧類項目.
3.華映資本季薇: 2018是一個沒有風口的投資期;
6月9日, 2018年華映資本年度大會在上海召開, 投資人, 被投企業代表, 行業專家及華映資本創始管理合伙人季薇, 合伙人劉獻明等高管共同出席了論壇會議, 分享華映九年的投資曆程.
作為中國最早的文化產業基金, 華映較早看準了文化+消費, 科技+產業等融合商業模式, 並全面開啟 '內容+' 布局, 目前是文化領域的 '頭部投資廠牌' .
本次大會以 '理想三旬' 為主題, 消費, 文娛, 內容等多行業被投企業就各自領域進行分享. 華映資本合伙人劉獻明表示, 在流量紅利時代基本結束的時候, 數據將成為第一生產資料, 技術創新是驅動下一輪商業變革最大的一個引擎.
通過《華映資本年度投資運營報告》, 華映資本創始管理合伙人季薇對如何尋找確信價值, 抓住兼具能力與雄心的優質創業項目進行了解答.
季薇表示, 過去的一年中, 風口頻現, 過度 '紛繁' 的熱點難成趨勢, 2018年又是金融監管的大年, 《資管新規》出台對於資金會有很多約束與界定. 但從數據上來看, 2018年Q1的投資又創新高. 這是由於資金資源在朝頭部的項目靠攏, 1%的投資案例佔據了30%的投資金額.
文娛, 消費領域的投資需要長期經營品牌, 無法一蹴而就, 並不是風口型的投資; 逐漸火熱的人工智慧, 區塊鏈在長時間發展之後, 逐漸在安防, 金融, 零售等行業有了較多應用和項目落地, 但這些熱點也需要長期培養, 長期的市場進步才能夠促其成長.
基於此, 季薇表示, 華映資本認為現在是一個沒有風口的投資期, 同時也是資本能夠青睞長線, 價值回歸機會的時代.
季薇預測, 未來十年中國將迎來品牌崛起的黃金十年. 無論從消費者角度, 創業團隊的成熟度, 還是從基礎設施, 上遊生產, 供應鏈到下遊支付, 物流基礎, 都已經非常完備, 品牌市場已經到達了快速爆發的階段.
她強調, 華映堅持的兩大投資驅動力在於用戶需求的變化升級與技術的創新變遷. 專業能力, 攢局能力與運營能力是華映著重養成的三大核心競爭力.
此外, 大會現場, 季薇分享了她在創投領域的信念: '如果創業是一段60個月波瀾壯闊的旅程, 那麼很可能是前59個月的 '波瀾' , 1個月的 '壯闊' , 堅持走到最後的企業才可能迎來曙光' .
2008年成立至今, 華映資本累計投資近150家企業, 已成功上市或併購退出項目20餘個. 被投項目中, 發生後續輪融資的案例超100例, 其中26家估值超5億元, 近2/3被投企業確認完成後續輪融資, 合計融資金額超60億. 界面
4.俄羅斯人工智慧預測: 2018世界盃德國奪冠, 俄羅斯難出線;
中新網6月9日消息, 據俄羅斯衛星網報道, 俄羅斯彼爾姆國立研究大學消息, 該校學生製造出的人工智慧(AI)預測德國隊將在2018年世界盃中奪冠.
5.AI醫療迎來中國時代
AI醫療迎來中國時代
來源: 經濟觀察報
倪浩
人工智慧的未來是醫療, 而中國有世界級命題. 命題決定科學工作的高度, 強烈的需求能夠助推技術的發展. 出身醫學又轉型做計算機, 擁有交叉學科背景的倪浩很清楚, 醫療行業需要人工智慧, 而中國場景的潛力巨大.
2017年1-11月, 全國醫療機構門急診量超73億, 平均每天就診人次超2100萬, 且仍處於持續增長中. 加上優質醫療資源分布不均, 區域醫療水平發展差異大, 只有以人工智慧賦能醫療機構, 進一步提升頂級醫療機構運行效率, 放大優質醫療資源服務能力, 提升基層醫療機構診療水平, 推進疾病診療均質化, 才能夠實現 '共同富裕, 全民健康' 的發展目標.
中國AI醫療的世界級命題
目前, 醫療人工智慧相關公司大致可分成三類. 第一類是如騰訊, 阿里的互聯網公司; 第二類是如飛利浦, 西門子的跨國公司; 第三類是資訊系統起家的廠家. 但依圖想做的醫療和這三類公司都不同.
企業若是以平台化思維做醫療, 例如將醫院的數據收集起來, 用戶把片子上傳到雲端獲得結果, 這樣的做法和臨床結合并不多. 但依圖強調的用戶體驗, 是如何讓用戶秒級得到系統的響應結果, 顯然平台化的做法不能實現這個目標.
而跨國企業就涉及環境的差異性. 美國作為全球樣板市場, 醫療國際巨頭頂尖的研發人員大多在美國. 而如今, 中國企業發展醫療人工智慧的優勢在於, 中美醫療行業的差異本身就決定中國對於醫療人工智慧的需求比美國強烈得多.
第一, 美國醫療水平不平衡不充分的問題比較弱. 醫生間的差異很小, 基本都要接受15年以上的教育, 且全科醫生體系發達, 地區間, 城鄉間醫療水平的差異, 不像中國縣級醫院的醫生跟上海三甲醫院醫生的差距那麼大. 而且美國醫生尊崇臨床醫學指南, 診療規範性較高, 醫療服務均質化較好, 中國這方面有差距.
第二, 美國對醫療人工智慧的需求不如中國迫切. 據世界銀行數據, 2015年中國衛生總支出佔GDP的6%, 而美國常年維持在17%以上. 美國2015年的GDP是17.4萬億美元, 折算成人民幣, 3億多人花掉了20萬億人民幣的醫療費. 而當年中國14億人在醫療上花費了4萬億. 不可否認的是, 中國政府對醫療衛生投入在持續增長, 但差距可觀. 美國整體醫療資源投入本就較充分, 對利用人工智慧來解決問題的需求顯得沒有那麼迫切.
第三, 美國發展醫療人工智慧的人力成本相對高. 醫療人工智慧必須跟醫療領域的專家協同合作, 而美國醫生是社會收入金字塔尖的人群, 平均年薪超過25萬美元. 反觀計算機從業者只有8萬美金, 技術公司很難請得起大量高水平的醫生一起開發產品.
因此, 中國醫療行業有世界級的命題. 無論是從技術還是臨床, 應用的深度和廣度來看, 中國醫療人工智慧已經走在世界前列. 其最大的優勢來源於國家蓬勃的發展速度, 加之人工智慧被提升到國家戰略高度, 而不僅是被當做一個應用創新. 以從業者的角度來看, 醫療人工智慧的中國時代一定會出現.
AI醫療的觸手
現階段中國社會發展不平衡不充分的問題, 同樣反映在醫療領域.
以腫瘤領域為例, 國家正大力鼓勵腫瘤高危人群進行早期癌症篩查. 但無法迅速增長的醫院容量, 滿足不了政策推動之後帶來的大量需求, 因此出現醫生資源不足的問題. 此外, 三甲醫院和基層醫院, 存在醫生水平, 設備水平等綜合實力差距大的問題, 經常會發生一些假陽性的案例. 如某患者在基層醫院檢查, 得出了癌症的結論, 但到頂級三甲醫院檢查後的結論可能完全不一樣. 不平衡和不充分的問題同樣發生在兒科領域. 兒科醫生資源的匱乏導致很多醫院取消兒科, 或是臨時調配其它科室醫生. 當年在醫學院求學, 幾乎沒人願意選擇兒科.
依圖是最早進行醫療人工智慧布局的企業之一, 在挑選方向時有兩個著重點, 一是看醫療領域需求有多高, 二是看臨床的價值有多大. 依圖選擇了腫瘤, 心腦血管疾病和兒科, 這也是目前對人工智慧需求最強的三個領域.
從2016年進軍醫療至今, 依圖的思路發生過一個轉變. 最初選擇的是肺癌篩查環節, 當篩查環節做得比較好之後, 便開始思考是否能夠在其它環節進行複製. 例如驗血或拍片之後, 醫生需要給出一個具體的結論, 這個環節裡, 醫生們得出結論的差距更明顯. 不僅如此, 臨床對於人工智慧的需求同樣巨大. 因此依圖的思路從原來服務於放射科, 超聲科, 檢驗科等科室, 轉變為布局服務臨床科室, 給呼吸科, 肝膽科, 腫瘤內科的醫生們提供人工智慧的產品. 此外, 依圖還將 '城市輻射農村' , 之前在頂級醫院落地, 今年會把系統往基層推.
AI醫療大數據
正是基於對行業深入地認知, 依圖才經常提到 '談演算法是外行的表現, 內行都談標準和數據' . 而對於數據的理解和處理是依圖能把人工智慧落地臨床的核心競爭力.
將醫療大數據理解通透最基礎也最重要. 並不是說, 把各處醫療數據集中起來就叫醫療大數據, 這樣只能成為 '醫療數據大' . 大數據的本質是支援從中進行數據的挖掘和洞察.
對於諸如臨床數據, 人口健康數據, 公共衛生數據等紛繁複雜的健康數據, 人工智慧可以發揮其強大的複雜文本數據解析能力, 醫學影像數據的降維與結構化能力, 質量分析與控制的提純能力, 多樣化治理的數據標準化能力.
摘出米飯中的沙子, 洗淨菜葉上的灰塵, 以合適的溫度, 高超的廚藝, 將雜亂無章的數據原料薈萃成一桌井然有序, 賞心悅目的醫療大數據盛宴.
當醫療大數據被理解並做到可用層面, 下一步就將建立迅速的複製能力, 一類病種的開發產品能夠遷移到另一類病種中, 加快開發速度.
依圖一直希望國家能夠成立健康大數據聯盟, 打通醫療大數據. 儘管中國在2010年之後已發展出了電子病曆, 每個患者都可以在醫院裡查到自己的病例. 但最大的問題是沒有打通, 在這家醫院看的病都能查到, 換一家就不行.
打通數據需要將數據進行集中存儲. 現在, 貴州有一個數據交易所, 如果交易所能夠開放衛計委的脫敏數據, 如貴州地區肺癌發病人群的數量, 區域分布, 病情進展等, 這將助益醫療大數據的研究.
在完成對於數據的解析和處理後, 人工智慧還將發揮強大的場景化應用構建能力, 如全維度的臨床科研數據製備, 診療標準化程度的提升, 中基層醫療供給的擴大等, 不斷提升醫療機構的臨床服務和科研能力, 最終建設成為智能醫院.
(作者系依圖醫療總裁, 本報記者陳伊凡整理)
連結
作為獨角獸企業, 成立於
2012年的依圖科技, 其人
工智能技術已服務於醫療健康, 城市公共安全, 金融等眾多領域. 2016年, 依圖科技進軍醫療, 成為唯一一家布局醫療的人工