至顶网软件频道消息:
华盛顿大学计算机科学与工程学院毕业典礼——微软全球执行副总裁,微软人工智能及微软研究事业部负责人沈向洋博士与Ed Lazowska教授的合影
上周五,我有幸在美国华盛顿大学计算机科学与工程学院的年度毕业典礼致辞。在这样一个特殊的日子里,能和这群才华横溢的年轻人及其亲友一起庆祝,我深感荣幸。
我认为,在计算机领域,没有任何一个时代比现在更具有魔力。我成长于上世纪60年代的中国,那是一个技术突飞猛进的时代——人类进入太空、卫星发射、超音速飞机试飞。那时,虽然计算机才刚出现,但却已经成为许多重大突破的核心。
那时,我的父亲,一个高中数学教师,像大多数中国人一样,从来没见过计算机。但他们都听说过计算机,也知道它会很“大”,有可能会改变这个世界。父亲鼓励我在这个全新的领域里求学。我很幸运能来美国继续我的学业。
我们那一代的学生对人工智能非常着迷,致力于计算机视觉、语音识别和机器人科学等领域的研究。但当90年代,我从卡内基梅隆大学获得博士学位时,人工智能相关专业的毕业生却找不到好工作,因为那时人工智能还只是一个愿景。
然而,随着大数据、大规模计算能力以及先进机器学习的融合,现在的计算机科学毕业生,也许比其他专业的毕业生,更有机会加速创新,让我们的世界变得更美好。
所以我决定分享从量子计算、人工智能和混合现实三种技术中总结出的三种人生经验。
1.量子计算:拥抱未知
在微软,我们15年来在量子计算的研发中投入了很多。我们与全球顶级的技术人才一同提出了一种名为拓扑量子计算的方法。尽管我们做了很多努力,但目前我们还没有研发出第一个拓扑量子位。
但我坚信,我们一定会成功。除了物理学,我们可以从研究量子计算中学到很多。对我来说,它教给我的最重要的人生一课——当你在未知领域进行探索和发现时,要学会拥抱未知。
即使是这个时代最聪明的人也无法预测未来之路。1943年,伟大的IBM首席执行官Thomas J. Watson曾说过一句名言: “我认为,世界仅需要五台计算机。” 没有人真正知道未来会是什么样。所以你必须以开放心态,来调整自身,以最好的状态来迎接未来的未知和意外。
2.人工智能:拓宽视野
每当谈到人工智能,很多人会担心失业或人类被机器人取代。而我最担心的则是人工智能存在偏见。我们必须建立能够在我们这一多样化的世界中平等地倾听所有人的声音、识别所有的面孔的人工智能系统,从而为每个人创造最美好的未来。
但是,通过我们的数据集和数据模型,人工智能反映出的,是我们,作为一个社会,我们是有偏见的。那么,我们如何编写程序,来确保计算机不会承继或放大我们的缺点呢?这是一个超越技术本身、也不是单纯可以靠技术来解决的难题。
一切都要从我们人类自身开始:我们需要拓宽自己的视野,学会欣赏彼此间的差异。艾萨克·牛顿爵士曾说过:“我们造的墙太多,而桥太少。”
作为一个在两个国家成长,并领导跨国团队的人,我目睹了多样化团队如何取得最出色的成就。
所以,追求那些可以让你体验不同文化、扩展视野的工作。保持开放的心态,行万里路,不断向他人学习。最终,你能学会更好地思考。你也能够为每一个人创造、发明更好的东西。
3.混合现实:挑战想象力
有些读者可能已经用过微软的HoloLens混合现实。HoloLens是我最喜欢的产品之一,因为它代表了我所相信的计算机科学未来的多学科化——涵盖软件、硬件、芯片、光学、视觉、图形,以及更多。
但HoloLens给我们的人生启迪远不仅限于科技。HoloLens的宣传语总结得很好——当你改变你看待世界的方式时,你就改变了你所看到的世界。
我引用了这样一段给人启迪的话,来结束我的毕业典礼致辞:
“愿你得到启迪,以不同的视角去看待生活、追求新事物。
愿你得到启迪,追随自己的梦想,到未知的领域。
愿你得到启迪,探索你以为不可能中的可能。
想象力是我们唯一的束缚。”
我已经迫不及待地想看到这一代才华横溢的年轻人为我们的世界做出的贡献。致所有的2018届毕业生——祝贺你们,请记住:未来将由你们来创造。
华盛顿大学计算机科学与工程学院毕业典礼
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。