人工智能论文发表数量限制

人工智能60年的历史中，一共经历了两代的发展。第一代人工智能，有时候称它作符号主义。他们提出了基于知识和经验的推理模型，用这个模型来模拟人类的理性智能行为，像推理、规划、决策等等。根据这个原理，需要在机器里面建立知识库和推理机制，利用这两者对人类的推理和思考行为进行模拟。图1 张钹院士在2020世界人工智能大会上演讲下面举一个例子，1971年左右，美国斯坦福大学根据这个原理建造的一个专家系统，叫做MYCIN系统，主要用来诊断血液传染病和开抗菌素处方。它把传染病专家的知识放在计算机里头，并且把医生诊断的过程（如何从症状推到疾病，然后进行处方）作为推理机制，也放在计算机里头。这样，计算机就可以帮助内科医生进行辅助诊断。因为内科医生一般不是传染病专家，因此利用这样的计算机辅助治疗系统可以帮助内科医生做出更好的、更准确的诊断和处方。利用这种原理做的人工智能系统，一个最有代表性的成果就是国际象棋程序IBM的深蓝。这个国际象棋程序，在1997年5月打败了世界冠军卡斯帕罗夫。图2 IBM深蓝与世界冠军卡斯帕罗夫下棋我们看一下，计算机的深蓝程序为什么可以打败人类的象棋大师呢？主要是三个要素，第一个要素是知识和经验，也就是说他利用了人类大师下过的70万盘棋局，还有全部的5-6只的残局。分析这些棋局，总结成为下棋的规则，并放进计算机。然后又通过大师和机器之间的对弈，调试评价函数中的参数，把大师的经验也放在程序里头。图3 IBM深蓝成功的原因第二个靠的是算法，使用阿尔法-贝塔剪枝算法，这个算法的速度很快。第三个是算力，IBM当时用的RS/6000SP2机器，每秒能够分析2亿步，平均每秒钟能够往前预测8-12步。一个有经验的象棋大师，一般只能往前看3-5步，机器的速度远超过人类，因此可以超过人类的下棋水平。图4 第一代人工智能的优势第一代人工智能的优势，在于它能够模仿人类的推理、思考的过程，因此是可解释的，跟人类的思考问题过程很一致。利用这个办法进行机器学习，就能够举一反三，所以这是第一代人工智能的优势。图5 第一代人工智能的局限但是第一代人工智能也存在着非常严重的缺陷，例如：这些知识都来自于专家。大家都知道专家的知识十分稀缺，也非常昂贵。而且通常要通过人工编程把它输进计算机，非常费时费力。同时有很多知识是很难表达的，比如说那些不确定的知识

近些年的科技方面在人工智能的的飞速发展，人工智能不仅给我们的日常生活带来了一些新鲜的亮点。神 经 猿 很好的，该学校为全国高职高校提供人工智能、大数据领域实训及学分课程以及高校人工智能实训室、实验室建设。 ..

首先是方向的确定：研究生报到注册后，应及时主动与导师联系，导师根据学生的意愿和科研工作的需要，确定研究生的研究方向、落实指导小组成员，并制定培养方案。研究生将根据研究方向归入对应的课题小组，参加课题小组的日常学术活动。二是论文的要求：对学术（或学位）论文的基本要求有如下9条。请各位研究生在开展学术研究工作中务必认真参照执行。（1）论文的主要内容，是叙述一套方法在一个特定场合中的应用（当然也可以针对特定领域的问题提出解决的方法、技术及实现算法）。（2）这套方法必须要有所创新或突破，并因而对学术界有所贡献。因此，它或者是解决既有问题的新方法，或者是既有方法的新应用，或者是以一个新的方法开启一整片新的应用领域。（3）在论文中，必须要有能力提出足够的证据来让读者信服：针对这个应用场合，你所提出来的方法确实有比文献中一切既有方法更优越之处，或则确是对所要解决的问题是行之有效的。（4）此外，你必须要能清楚指出这个方法在应用上的限制，并且提出充分证据来说服读者：任何应用场合，只要能够满足你所提出来的假设（前提）条件，你的方法就一定适用，而且你所描述的优点就一定会存在。（5）还必须要在论文中清楚指出这个方法的限制和可能的缺点（相对于其它文献上的既有方法，或者在其它应用场合里）。（6）行文风格上，它是一篇论证严谨，逻辑关系清晰，而且结构有条理的专业论述。也就是说，在方法的叙述过程，必须要清清楚楚地交代这个方法的应用程序以及所有仿真或实验结果的过程，使得这个专业领域内的任何读者，都有办法根据你的描述，在他的实验室下复制出你的研究成果，以便确定你的结论确实是可以“在任何时间、任何地点、任何人”都具有可重复性（可重复性是「科学」的根本要求）。（7）而且，你对这个方法的每一个步骤都必须要提供充分的理由说明「为什么非如此不可」，必要时要有清晰的论证分析。（8）最后，你的论文必须要在适当位置清楚注明所有和你所研究之题目相关的文献。而且，你必须要记得：只要是和你所研究的问题相关的学术文献（尤其是学术期刊论文），你都有必要全部找出来（如果漏掉就是你的过失），仔细读过。（9）第（2）款所谓“对学术界的贡献”，指的是：把你的所有研究成果扣除掉学术界已经发表过的所有成果（不管你实际上有没有参考过，没有参考过也算是你的重大过失），剩下的就是你的贡献。假如这个贡献太少，也构成你论文无法及格的充分理由。上面所叙述的条款要件中，除第（2）款之外，通通都是必须要做到的，因此没有好坏之分。一篇论文的好坏（评定标准），主要是看第（2）款所谓“对学术界的贡献”的多寡与重要性而定。一个判断论文的好坏有一个粗浅办法：假如你的研究成果可以在国外著名学术期刊（journals，而非magazines）上发表，通常就比一篇只能在国外学术会议（conferences）上发表的论文贡献多；一篇国外学术会议的论文又通常比无法发表的论文贡献多；在国际顶尖学术期刊上发表的论文通常比一篇二流的学术期刊论文贡献多。SCI有一种叫做ImpactFactor的指数，统计一个期刊每篇论文被引述的次数。通常这个次数（或指数）愈高，对学术界的影响力就愈大。以人工智能相关领域的期刊而言，ImpactFactor在1.0以上的期刊，都算是顶尖的期刊。这些期刊论文的作者，通常是国外顶尖学府的著名教授指导全球一流的博士生做出来的研究成果。 三、完成学位论文所需要的能力从前面的叙述可以归纳出来，完成学位论文所需要的能力包括以下数项，依它们的培养先后次序逐项讨论。（1）文献检索的能力：在给定（或自己拟定）的题目范围内，你必须有能力利用文献检索系统（尤其是国家图书馆博士学位论文检索系统、Compendex和SCI这三套论文数据索引系统），查出所有相关的论文，而无任何遗漏。你到底要用什么样的关键词和查所程序去保证你已经找出所有相关的文献？这是第一个大的挑战。每一组关键词（包含联集与交集）代表一个论文所构成的集合，假如你用的关键词不恰当，你可能找到的集合太小，没有涵盖所有的相关文献；假如你用的关键词太一般化，通常你找到的集合会太大，除了所有相关文献之外还加上好几十倍的毫不相关的文献。 （2）资料筛选的能力：即使你使用了恰当的搜寻策略，通常找到的文献集合都还是明显地比你所需要的集合大，而且通常文献比数大概在一两百篇或数百篇之间，而其中会和你的研究课题直接且密切相关的论文，通常只有廿、卅篇左右。你如何可以只读论文的题目、摘要、简介和结论，而还没有完全看懂内文，就准确地判断出这篇论文中是否有值得你进一步参考的内容，以便快速地把需要仔细读完的论文从数百篇降低到廿、卅篇？这考验着你从事资料筛选的能力。（3）期刊论文的阅读能力：期刊论文和大学课本截然不同。大学课本是循序渐进地从最基本的知识背景逐步交代出整套有系统的知识，中间没有任何的跳跃，只要你逐页读下去，就可以整本都读懂，不需要在去别的地方找参考数据。但是期刊论文是没头没尾的十几页文献，只交代最核心的创意，并援引许多其它论文的研究成果（但只注明文献出处，而完全没有交代其内容）。因此，要读懂一篇论文，一定要同时读懂数篇或十数篇被援引的其它论文。偏偏，这十几篇被援引的论文又各自援引十数篇其它论文。因此，相对于大学教科书而言，期刊论文是一个极端没有系统的知识，必须要靠读者自己从几十篇论文中撷取出相关的片段，自己组织成一个有系统的知识，然后才有办法开始阅读与吸收。要培养出这种自己组织知识的能力，需要在学校靠着大量而持续的时间去摸索、体会，而不可能只利用业余的零星时间去培养。（4）期刊论文的分析能力：为了确定你的学位论文研究成果确实比所有相关的学术期刊论文都更适合处理你所拟定的应用领域，首先你必须要有能力逐篇分析出所有相关期刊论文的优点与缺点，以及自己的研究成果的优点与缺点，然后再拿他们来做比较，总结出你的论文的优点和缺点（限制）。但是，好的期刊论文往往是国外著名学府的名师和一流的博士生共同的研究成果，假如你要在锁定的应用领域上超越他们，突出自己的优点，这基本上是一个极端困难的挑战。即使只是要找出他们的缺点，都已经是一个相当困难的工作了。研究生则必须要有进行精确批判的能力。但是，这个批判并非个人好恶或情绪化的批判，而是真的找得到充分理由去支持的批判。这个批判的能力，让你有能力自己找到自己的优、缺点，因此也有机会自己精益求精。其实，至少要能够完成这个能力，才勉强可以说你是有独立判断能力。（5）创新的能力：许多本科毕业的工程师也能创新，但是研究生的创新是和全世界同一个学术团体内所有的名师和博士生挑战。因此，两者是站在不同的比较基础上在进行的：前者往往是一个企业内部的闭门造车，后者是一个全球的开放性竞争。其次，工程师的创新往往是无法加以明确证明其适用条件，但是学术的创新却必须要能够在创新的同时厘清这个创新的有效条件。总之，如果说本科生的主要能力是吸收既有知识，那么研究生的主要能力应该是创造知识。 四、期刊论文的分析技巧与程序一般来讲，好的期刊论文有较多的创意。虽然读起来比较吃力，但收获较多而深入，因此比较值得花心思去分析。读论文之前，参考SCIImpactFactor及学长、导师的意见是必要的。一篇期刊论文，主要分成四个部分。（1）Abstract：说明这篇论文的主要贡献、方法特色与主要内容。最慢第二年上学期必须要学会只看Abstract和Introduction便可以判断出这篇论文的重点和你的研究有没有直接关联，从而决定要不要把它给读完。假如你有能力每三十篇论文只根据摘要和简介便能筛选出其中最密切相关的五篇论文，你就比别人的效率高五倍以上。以后不管是做事或做学术研究，都比别人有能力从更广泛的文献中挑出最值得参考的资料。（2）Introduction：Introduction的功能是介绍问题的背景和起源，交代前人在这个题目上已经有过的主要贡献，说清楚前人留下来的未解问题，以及在这个背景下这篇论文想解决的问题和它的重要性。对初学的学生而言，从这里可以了解以前研究的概况。通常如果对你的题目不熟时，先把跟你题目可能相关的论文收集个30～40篇，每篇都只读Abstract和Introduction，而不要读MainBody（正文），只在必要时稍微参考一下后面的Illustrativeexamples和Conclusions，直到你能回答下面这三个问题：（2A）在该领域内最常被引述的方法有哪些？（2B）这些方法可以分成哪些主要派别？（2C）每个派别的主要特色（含优点和缺点）是什么？问题是，你怎么去找到这最初的30～40篇论文？有一种期刊论文叫做reviewpaper，专门在一个题目下面整理出所有相关的论文，并且做简单的回顾。你可以在搜寻Compendex时在keywords中加一个review而筛选出这类论文。然后从相关的数篇reviewpaper开始，从中根据title与Abstract找出你认为跟你研究题目较相关的30～40篇论文。通常只要你反复读过该领域内30～40篇论文的Abstract和Introduction，你就应该可以从Introduction的评论中回答（2A）和（2B）这两个问题。尤其要记得，当你阅读的目的是要回答（2A）和（2B）这两个问题时，你一定要先挑那些Introduction写得比较有观念的论文念（很多论文的Introduction写得像流水帐，没有观念，这种论文刚开始时不要去读它）。假如你读过假如30～40篇论文的Abstract和Introduction之后，还是回答不了（2C），先做下述的工作。你先根据（2A）的答案，把该领域内最常被引述的论文找齐，再把他们根据（2B）的答案分成派别，每个派别按日期先后次序排好。然后，你每次只重新读一派的Abstract和Introduction（必要时简略参考正文，但目的只是读懂Introduction内与这派有关的陈述，而不需要真的看懂所有正文），照日期先后读，读的时候只企图回答一个问题：这一派的创意与主要诉求是什么？这样，你逐派逐派地把每一派的Abstract和Introduction给读完，总结出这一派主要的诉求、方法特色和优点（每一篇论文都会说出自己的优点，仔细读就不会漏掉）。其次，你再把这些论文拿出来，但是只读Introduction，认真回答下述问题：「每篇论文对其它派别有什么批评？」然后你把读到的重点逐一记录到各派别的「缺点」栏内。通过以上程序，你就应该可以掌握到（2A）、（2B）、和（2C）三个问题的答案。这时你对该领域内主要方法、文献之间的关系算是相当熟悉了，但是你还是只仔细读完Abstract和Introduction而已，正文则只是笼统读过。这时候，你已经掌握到该领域主要的论文，你可以用这些论文测试看看你用来搜寻该领域论文的keywords到底恰当不恰当，并且用修正过的keywords再搜寻一次论文，把该领域的主要文献补齐，也把原来30～40篇论文中后来发现关系较远的论文给筛选掉，只保留大概20篇左右确定跟你关系较近的文献。如果有把握，可以甚至删除一两个你不想用的派别（要有充分的理由），只保留两、三个派别（也要有充分的理由）继续做完以下工作。然后你应该利用（2C）的答案，再进一步回答一个问题（2D）：“这个领域内大家认为重要的关键问题有哪些？有哪些特性是大家重视的优点？有哪些特性是大家在意的缺点？这些优点与缺点通常在哪些应用场合时会比较被重视？在哪些应用场合时比较不会被重视？”然后，你就可以整理出这个领域（研究题目）主要的应用场合，以及这些应用场合上该注意的事项。最后，在你真正开始念论文的mainbody之前，你应该要先根据（2A）和（2C）的答案，把各派别内的论文整理在同一个档案夹里，并照时间先后次序排好。然后依照这些派别与你的研究方向的关系远近，一个派别一个派别地逐一把各派的mainbodies念完（一次念完一派）。（3）Mainbody（含simulationand/orexperimentalexamples）：在你第一次有系统地念某派别的论文mainbodies时，你只需要念懂：（3A）这篇论文的主要假设是什么（在什么条件下它是有效的），并且评估一下这些假设在现实条件下有多容易（或多难）成立。愈难成立的假设，愈不好用，参考价值也愈低。（3B）在这些假设下，这篇论文主要有什么好处。（3C）这些好处主要表现在哪些公式的哪些项目的简化上。至于整篇论文详细的推导过程，你不需要懂。除了三、五个关键的公式（最后在应用上要使用的公式，你可以从这里评估出这个方法使用上的方便程度或计算效率，以及在非理想情境下这些公式使用起来的可靠度或稳定性）之外，其它公式都不懂也没关系，公式之间的恒等式推导过程可以完全略过去。假如你要看公式，重点是看公式推导过程中引入的假设条件，而不是恒等式的转换。但是，在你开始根据前述问题念论文之前，你应该先把这派别所有的论文都拿出来，逐篇粗略地浏览过去（不要勉强自己每篇或每行都弄到懂，而是轻松地读，能懂就懂，不懂就不懂），从中挑出容易念懂的papers，以及经常被引述的论文。然后把这些论文照时间先后次序依序念下去。记得：你念的时候只要回答（3A）、（3B）、（3C）三个问题就好，不要念太细。这样念完以后，你应该把这一派的主要发展过程，主要假设、主要理论依据、以及主要的成果做一个完整的整理。其次，你还要在根据（2D）的答案以及这一派的主要假设，进一步回答下一个问题：（3D）这一派主要的缺点有哪些。最后，根据（3A）、（3B）、（3C）、（3D）的答案综合整理出：这一派最适合什么时候使用，最不适合什么场合使用。记住：回答完这些问题时，你还是不应该知道恒等式是怎么导出来的！当你是生手的时候，你要评估一个方法的优缺点时，往往必须要参考它的Examples。但是，要记得：老练的论文写作高手会故意只present成功的案例而遮掩失败的案例。所以，simulationexamplesand/orexperiments很棒不一定表示这方法真的很好。你必须要回到这个方法的基本假设上去，以及他在应用时所使用的主要公式（resultantequations）去，凭自己的思考能力，并且参考（2C）和（2D）的答案，自己问问看：当某某假设在某些实用场合上无法成立时，这个方法会不会出什么状况？猜一猜，预测一下这个方法应该会在哪些条件下（应用场合）表现优异，又会在哪些条件下（应用场合）出不良状况？根据这个猜测再检验一次simulationexamplesand/orexperiments，看它的长处与短处是不是确实在这些examples中充分被检验，且充分表现出来。那么，你什么时候才需要弄懂一篇论文所有的恒等式推导过程，或者把整篇论文细细读完？NEVER！你只需要把确定会用到的部分给完全搞懂就好，不确定会不会用到的部分，只需要了解它主要的点子就够了。研究生和大学生最主要的差别：大学生读什么都必须要从头到尾都懂，研究生只需要懂他用得着的部分就好了！大学生因为面对的知识是有固定的范围，所以他那样念。研究生面对的知识是没有范围的，因此他只需要懂他所需要的细腻度就够了。研究生必须学会选择性的阅读，而且必须锻炼出他选择时的准确度以及选择的速度，不要浪费时间去学用不着的细节知识！多吸收“点子”比较重要，而不是细部的知识。 五、论文阅读的补充说明研究生开始学读期刊论文时，最容易犯的毛病就是戒除不掉大学生的习惯：（1）老是想逐行读懂，有一行读不懂就受不了。（2）不敢发挥自己的想象，读论文像在读教科书，论文没写的就不会，瘫痪在那里；被导师逼着去自己猜测或想象时，老怕弄错作者的意思，神经绷紧，脑筋根本动不了。用大学生的心态读书，结果一定时间永远不够用。因此，每次读论文都一定要带着问题去读，每次读的时候都只是试图回答你要回答的问题。因此，一定是选择性地阅读，一定要逐渐由粗而细地一层一层去了解。上面所规划的读论文的次序，就是由粗而细，每读完一轮，你对这问题的知识就增加一层。根据这一层知识就可以问出下一层更细致的问题，再根据这些更细致的问题去重读，就可以理解到更多的内容。因此，一定是一整批一起读懂到某个层次，而不是逐篇逐篇地整篇一次读懂。这样读还有一个好处：第一轮读完后，可以根据第一轮所获得的知识判断出哪些论文与你的议题不相关，不相关的就不需要再读下去了。这样才可以从广泛的论文里逐层准确地筛选出你真正非懂不可的部分。不要读不会用到的东西，白费的力气必须被极小化！其实，绝大部分论文都只需要了解它的主要观念（这往往比较容易），而不需要了解它的详细推导过程（这反而比较费时）。其次，一整批一起读还有一个好处：同一派的观念，有的作者说得较易懂，有的说得不清楚。整批略读过一次之后，就可以规划出一个你以为比较容易懂的阅读次序，而不要硬碰硬地在那里撞墙壁。你可以从甲论文帮你弄懂乙论文的一个段落，没人说读懂甲论文只能靠甲论文的信息。所以，整批阅读很像在玩跳棋，你要去规划出你自己阅读时的「最省力路径」。 六、如何获取应用领域背景知识 应用领域知识是指非专业知识的知识。人工智能大多数研究课题是属于针对应用领域开展的研究工作，因此首先你必须了解你所要解决问题所在领域的背景知识。一般，由于这些背景知识仅仅是非专业性的，因此，重要的选择该领域权威的教科书或专著来读，一般不必阅读学术论文。阅读这些教科书或专著时，你需要针对你自己的目标来阅读，回答下面这三个问题：（5A）在该领域内最核心的知识有哪些？（5B）那些知识与你的研究背景相关？（5C）能够用来说明你的研究工作（含优点和缺点）的实例知识是什么？问题是，你怎么去把握这些领域知识选择？必要时，请询问这些领域的专家。 七、论文报告的要求与技巧报告一篇论文，要求做到以下部分（依报告次序排列）：（1）投影片第一页必须列出论文的题目、作者、论文出处与年份。（2）以下每一页投影片只能讲一个观念，不可以在一张投影片里讲两个观念。（3）说明这篇论文所研究的问题的重点，以及这个问题可能和哪些应用相关。（4）清楚交代这篇论文的主要假设，主要公式，与主要应用方式（以及应用上可能的解题流程）。（5）说明这篇论文的范例（simulationexamplesand/orexperiments），预测这个方法在不同场合时可能会有的准确度或好用的程度（6）你个人的分析、评价与批评，包括：（6A）这篇论文最主要的创意是什么？（6B）这些创意在应用上有什么好处？（6C）这些创意和应用上的好处是在哪些条件下才能成立？（6D）这篇论文最主要的缺点或局限是什么？（6E）这些缺点或局限在应用上有什么坏处？（6F）这些缺点和应用上的坏处是因为哪些因素而引入的？（6G）你建议学长学弟什么时候参考这篇论文的哪些部分（点子）？一般来讲，刚开始报告论文（第一年上学期）时只要做到能把前四项要素说清楚就好了，但是第一年结束后（暑假开始）必须要设法做到六项要素都能触及。第二年下学期开始的时候，必须要做到六项都能说清楚。注意：读论文和报告论文时，最重要的是它的创意和观念架构，而不是数学上恒等式推导过程的细节（顶多只要抓出关键的equation去弄懂以及说明清楚即可）。你报告观念与分析创意，别人容易听懂又觉得有趣；你讲恒等式，大家不耐烦又浪费时间。 八、对研究生毕业的指标要求 研究生要求申请毕业答辩，必须发表一定数量的论文（注意，导师必须为第一作者或通信作者方为有效,论文作者单位除了给出学生本人所属院系外，还应该列入“福建省仿脑智能系统重点实验室（厦门大学）”，对应的英文是：“Fujian Keylab. of The Brain-like Intelligent Systems（Xiamen University）”），并完成了导师规定的科研工作。具体规定如下：（1）硕士研究生要求起码发表1篇以上论文，论文必须是国内核心刊物的或被EI收录的学术会议的。（2）博士研究生要求起码发表2篇以上论文，论文必须是国内外学术期刊且被SCI或EI收录的。（3）所有的研究生，均必须完成导师指定的科研任务，并按照导师要求提交所有发表的学术论文副本、开发的源程序代码与系统说明报告、学位论文，以及其他应该提交的科研成果。 九、其他要求 研究生要主动接受导师及指导小组的指导，积极参加课题小组的各项学术活动，遵守人工智能研究所的规章制度，精诚团结、互相帮助、刻苦钻研、勤奋学习，高质量地开展科学研究与技术开发工作。这个上面的内容有些借鉴他人的，你也可以在网上再找找，或许有更好的学习计划也不一定。工作的话一般要熟悉人工智能基础知识，了解游戏中常用的 ai 算法，并能根据需求建立模型等等。其他的就要根据工作的需要了，比如你是找游戏设计方面的工作要求会设计 ai 行为模型，了解游戏中常用的 ai 算法。需要的公司一般是信息技术、科技、家电之类的公司，现在有真材实料的人还怕找不到工作？什么招聘网人才网不就是为大家准备的吗？你可以去招聘网看看也有助于对自己未来的一点打算和定位。人工智能的未来潜力还是很大的，祝你成功学习进步！

人工智能技术无论是在核心技术，还是典型应用上都已出现爆发式的进展。随着平台、算法、交互方式的不断更新和突破，人工智能技术的发展将主要以“AI+X”(为某一具体产业或行业)的形态得以呈现。所有这些智能系统的出现，并不意味着对应行业或职业的消亡，而仅仅意味着职业模式的部分改变。任何有助于让机器(尤其是计算机)模拟、延伸和扩展人类智能的理论、方法和技术，都可视为人工智能的范畴,展现出无比光明的发展前景。在我们生活方面，协助人类完成此前被认为必须由人完成的智能任务。人们将不仅生活在真实的物理空间，同样生活在网络空间。网络空间中的每个个体既有可能是人，也有可能是一个人工智能。在生产方面，未来人工智能有望在传统农业转型中发挥重要作用。例如，通过遥感卫星、无人机等监测我国耕地的宏观和微观情况，由人工智能自动决定(或向管理员推荐)最合适的种植方案，并综合调度各类农用机械、设备完成方案的执行，从而最大限度解放农业生产力。在制造业中，人工智能将可以协助设计人员完成产品的设计，在理想情况下，可以很大程度上弥补中高端设计人员短缺的现状，从而大大提高制造业的产品设计能力。同时，通过挖掘、学习大量的生产和供应链数据，人工智能还可望推动资源的优化配置，提升企业效率。在理想情况下，企业里人工智能将从产品设计、原材料购买方案、原材料分配、生产制造、用户反馈数据采集与分析等方面为企业提供全流程支持，推动我国制造业转型和升级。在生活服务方面，人工智能同样有望在教育、医疗、金融、出行、物流等领域发挥巨大作用。例如，医疗方面，可协助医务人员完成患者病情的初步筛查与分诊;医疗数据智能分析或智能的医疗影像处理技术可帮助医生制定治疗方案，并通过可穿戴式设备等传感器实时了解患者各项身体指征，观察治疗效果。在教育方面，一个教育类人工智能系统可以承担知识性教育的任务，从而使教师能将精力更多地集中于对学生系统思维能力、创新实践能力的培养。

“说实话，我很不喜欢「人工智障」这个词。”

在与掘金志的聊天中，一位从事计算机视觉方向的算法工程师多次表示，他讨厌这个词很久了，几乎是本能的反感，即便只是一种调侃，在他看来都是一种嘲讽。

这种嘲讽就好像是，一名路人，对着自己刚刚学会爬的孩子冷嘲热讽：这孩子真笨，连路都不会走。

他甚至坦言，如果身边有同事使用这个词自嘲，他会刻意与之保持距离，因为这种自嘲实属对自己的工作、对专业知识的“不尊重”。

拥有他这种技术性癖好的工程师不在少数，在掘金志询问的多个从业人员之中，都表达了类似观点：通常被问及人工智能水平时，类似表述以 「弱人工智能」 为准。

某负责品牌传播与公关的业务专员透露，如果在对外交流中使用了「人工智障」之类的词，被举报或是被公司发现，“直接影响绩效考核”，因为这类不专业的表述很可能导致负面的传播效果。

在与这些人的谈话中，掘金志发现，在AI圈内，从业者对于AI有着清晰的认知，在外宣的时候，对AI的负面化表述都较为严谨。

然而，在圈外，接二连三发生的各种AI事故，让大众对AI的真实能力产生诸多怀疑，关于人工智能变成人工智障的言论甚嚣尘上，唱衰人工智能的声音时常见诸报端。

表面上，这只是一场关于AI的舆论争议。但，其实质却是企业与大众对AI话语权的争夺，并会直接影响到AI的推广、落地与应用。

“如果大众无法对新技术形成有效的认知，那么新技术的推广则是非常缓慢的。” 某传媒大学在读研究生表示，大众对于新技术的接受能力是逐层递进的，这个进程很容易受到舆论影响，而负面舆论则存在一种 「爆破效应」 ，可能会直接摧毁此前建立起的「信任基础」。

比如自动驾驶，公众对其的信任基础很薄弱，出现多次事故之后，这种信任实际上已经消耗殆尽。

相关调研报告显示，自动驾驶一哥——特斯拉FSD在国内的激活率不足10%，甚至相当一部分人没有开通AP服务，即便在开通的人群中，也很少有人会使用AP功能。

这种现象固然有其客观原因（比如路侧数据不够、算法能力有限），但从舆论传播的角度看，自动驾驶的一次失误，比起传统 汽车 的十次车祸更加严重，从而也给自动驾驶的进一步落地，带来阻碍。

那么，如何给大众建立起对AI的有效认知，推动AI更快、更广泛地落地？

掘金志通过采访之后认为： 媒体报道、企业外宣、大众知识普及教育 ，是三个最主要的途径。而围绕着大众展开的各种「认知教育」，也注定是一场旷日持久的「攻坚战」。

人工智能应用有一个有趣的悖论： 当一种AI技术已经非常普及的时候，人们普遍不会认为这就是AI。

好比上世纪八九十年代，一台黑白电视机可能是划时代的象征，需要手动调频；但现在遥控型的彩色电视机成为标配，人们也不觉得这就算智能。又比如，小区停车场通过车牌识别进出、刷脸进入小区等，在近几年开始普及，但人们很少将之与AI联系起来，即便这里面实际上用了各种识别算法、芯片等等。

在大众的认知里，人工智能理所应当达到电影里机器人的水平，或者近似人一样地思考、行动。

“大众有时对于人工智能过于乐观，甚至高估。” 中国计量大学信息学院副教授、人工智能专业负责人杨力认为，作为走向 社会 的新技术，人们对AI的理解并不全面，认为AI应该无所不能，这种认知与实际并不相符。

在掘金志看来，大众对于人工智能的认知比较浅层，这主要表现在两个方面：

这种浅层认知很容易被诱导，而在一些不着边际的宣传之下，AI本身的能力被过分夸大，大众对AI产生盲目「自信」或高估。

“外行看热闹，内行看门道。”

杨力表示，以人脸识别为例，5年前可能人们会觉得很神秘、先进，但在经过消费类电子的普及之后，许多人觉得人脸识别已经没什么难度了。当他给学生们授课讲人脸识别时，同学们都觉得这已经是很成熟的技术，“并不新鲜，难度不大。”

但其实人脸识别距离高度智能化还有很长一段距离，在许多复杂场景下，很难捕捉到有效的人脸信息。并且，人脸识别在小规模（数据库较小）场景下效果很好，但当数据库非常大的时候，识别的准确率就没那么高了。

“大众由于缺少专业知识，很容易把复杂问题简单化，但从事AI研究的人对此却非常谨慎，普通人觉得简单的技术，从业者可能会觉得‘这个做不了，那个做不了’，简单而言， 就是望山跑死马的感觉。 ”

掘金志发现，由于缺少专业的通识教育，大众对于人工智能的了解渠道比较单一，多数是通过媒体报道、企业宣传这两种途径来触及AI，只有小部分人会自发研读相关书籍、学习课程，以增进了解。

从传播的角度看，如果受众获取信息的渠道有限，那么该信息渠道的控制人将具有信息传递的「控制权」，形成一种「舆论垄断」的局面，而信息在经过多次传播之下，极易「失真」。

实际上，这种「失真」是在所难免的。在AI的传播过程当中，形成了圈内和圈外两大群体，由于人工智能本身属于较高门槛的专业，圈内（企业）和圈外（普通受众）之间的连接，主要通过媒体来实现。

但媒体宣传存在问题是，许多从业者要么科班出身，要么跨界转型，真正懂AI的媒体人只有少数。并且媒体本身随着大数据、互联网技术的变化，进一步下沉到各平台，又造就了无数自媒体，形成了媒体界良莠不齐的局面。在流量导向的环境下，各种消息报道层出不穷，而这类信息又存在「放大效应」（比如标题过于惊乍），以至于大众接受到的信息与实际信息存在「误差」。

在人工智能最为火热的时候，不少AI企业为了拿融资、打知名度，纷纷投放广告、软文，宣传产品，造成人工智能已经能够大规模落地的假象。后来AI遇冷，大众对AI的调侃某种程度上可以看作是前期宣传过于猛烈的一种「反噬」。

当然，圈内也注意到大众传媒存在的局限，不少企业在重要的社交平台上都开辟了宣传渠道，但由于内容差异（比如太垂直、产品推广）或渠道差异，并不符合C端属性，多数AI企业无法直接建立起与大众的有效连接。

因此，在“企业-媒体-大众”这一传播链条下，由于大众传媒本身存在机制缺陷，导致大众很难在参差不齐的信息中，建立起对AI的有效认知。然而企业又不得不依赖大众传媒来宣传AI， 这种内在矛盾，是造成圈内与圈外对AI产生「认知差异」的重要原因。

“归根到底，还是AI人才太少。”在杨力看来，人才是推动产业发展的核心力量，当前AI处于爬坡阶段，技术本身的问题是造成大众对AI产生质疑的根本因素，舆论传播一定程度上加剧了这种影响。

解铃还须系铃人，不论是AI纵深发展，还是横向传播， 只有AI人才，可以给AI「正名」， 但现阶段的情况是，国内AI人才极度紧缺。

“应用型人才真的太少了。”杨力感叹道，当AI从空中楼阁走向田间地头，懂技术又懂行业的人“真的不多”。

而在工信部《人工智能产业人才发展报告（2019-2020）》（下称“报告”）里，预计我国人工智能产业内有效人才缺口达 30 万，而这仅是两年前的数据。实际上，在过去的两年里，根据掘金志观察，AI企业对人才的需求持续旺盛，整个AI产业的应用人才缺口进一步拉大。

作为技术/知识密集型产业，AI的人才准入门槛较高，对学历、工作经验非常看重。

根据报告，2019年AI企业发布的岗位中，仅有11.9%的岗位接受专科学历；也仅有5.4%的岗位接受1年以下工作经验的求职人才；接受提供应届生的岗位仅占3.3%。

这意味着要从事AI行业，基本上要求本科学历，同时，由于多数AI企业缺乏人力、资金和动力去培养应届毕业生（至少一年以上），企业对应届毕业生的需求并不旺盛，而更青睐那些拥有知识储备和实践经验的人才， 这种“排新”性质的招聘需求，又加重了人才短缺情况。

除此之外，AI对人才的专业性要求极强，尤其是算法研究、应用开发等岗位，60%以上岗位要求具备计算机、数学相关专业背景。

各种线性条件约束下，原本就短缺的AI人才，显得更加「紧俏」。

一位AI初创公司HR告诉掘金志，招人是一件很困难的事，“专业、学校、工作经历筛选下来，符合条件的人很少，加上公司要的是进来立马能产出的人，还要考虑薪资这些因素，优秀的人才很难招到；而走校招的话，优秀的毕业生早早被互联网、明星AI公司签下，剩下的也更青睐大公司。筛选去筛选来，选择真的不多。”

除了缺少与行业相结合的应用型人才以外，在杨力的观察之中，AI的另一个人才缺口， 是能够“扎下心来做基础性工作”的理论研究型人才。

根据斯坦福发布的《2022年人工智能报告》，虽然我国在AI 期刊论文的引用数、会议论文发表数量以及在人工智能专利申请数量上排名世界第一，但在AI会议论文被引数上却远落后于欧美。并且，一些创新性的基础理论、前沿 科技 的研究仍以欧美为主。

“很多人工智能的基础理论，都是由外国人/机构提出来的，比如现在比较火热的深度学习。”

杨力表示，这与我国人工智能起步较晚有很大关系，要弥补这样的差距，除了要加强对基础理论研究的资金、人才投入以外，也应该建立起标准的AI人才培养体系，为AI研究提供源源不断的人才活力。

“学校是培养人才的摇篮，理想的情况是， 一部分学生毕业以后从事理论研究，更多的毕业生进入行业，通过产学研联动，来推动AI的落地。”

掘金志了解到，当前我国人工智能产业已经初步形成“政产学研一体化”人才培 养生 态体系，但仍然处于起步阶段。2019年，人工智能专业正式获批列入本科专业名单，国内诸多高校开始自建或与企业共建人工智能学院（研究院），并开设AI专业。

然而，对于如何培养专业的AI人才，各大高校也正处于摸索之中，尚未形成行之有效的范式。

2019年，国内人工智能专业正式获批，被列入本科专业名单，但开办专业需要经过课程建设、实验条件、专业申报等流程，多数学校于近两年才开始正式招生。

换句话说，距离最早的一批AI本科生毕业，离毕业也还需要大概一到两年的时间。

如何把这一批新生培养成才，来填补当前存在的人才缺口，是一件并不容易的事情。此外，未来的第一批毕业生，其综合能力是否达标也极具象征意义。

“一方面，人工智能专业学的内容很难， 以前很多研究生阶段才开设的课程，现在放到本科阶段来学了， 对学生是一种压力，对老师的教学方式、技巧也带来挑战；另一方面，如何将人才培养与 社会 需求结合起来，让学生能够学以致用，也是难点。”

作为人工智能领域的资深学者，杨力在多年的执教生涯中，除了对AI有着深入的研究与思考外，也 探索 出了一些关于培养AI人才的「方法论」。

“首先要尊重学习规律。” 杨力告诉掘金志，AI本身对实践能力的要求较高，这就不能照搬传统学科的培养模式，即大一大二侧重于理论，大三大四侧重于专业。而应该理论和实践并用，先学习、再实践，在实践中学习，然后呈“螺旋式上升”。

在具体举措方面，他表示，可以通过成立 「科创小组」 的模式，鼓励学生以团队协作的方式参加各种学习竞赛、研究课题。

这种小组模式的优势在于：小组覆盖全体学生，通过团队协作，形成内部互帮互助的学习氛围，让成员都能参与到实践之中，成为一个「利益团体」；并且，小组的持续时间覆盖学生的整个大学生涯，所有成员都能共享「利益成果」。同时，小组成员之间互相帮助，从某种程度上也能给老师减轻压力。

“其次要因材施教，激发学生对AI的求知欲、 探索 欲。”

杨力表示，学生对AI的学习兴趣也呈现出明显的「二八定律」，即20%的学生求知欲很强，而80%的学生兴趣一般。

“对于这20%的学生，你只需要告诉他怎样做到最好，并且告诉他这个过程中需要注意的事项、细节，其余的无需太过关心；而对于80%的学生，他们的兴趣没那么高，就需要比较细致的指导，并且需要搭配一些「强制指派」，例如直接分配任务让他们参加。”

“再而，通过激励机制来刺激学生的创作灵感。”

比如，在课程设计时，将创新性纳入评分标准之中，以课程成绩来驱动学生进行创新。

例如，在做某个案例时，如果学生只是根据老师列的步骤照猫画虎，其成绩最高可能也就刚好及格，而剩下的分数则全靠个人创意和发挥。

“大多数学生需要老师给一些推力，而成绩就是最好的激励。”杨力表示，学生为了拿更高的绩点，便不得不“多费心思”，而不是敷衍了之，最终交上来的作品“往往有很多意想不到的亮点”。

“最后，教师与学生之间要形成良性互动的正循环。”

本科教学存在的一个普遍问题是，学生与教师之间的互动较弱，或者只存在于课堂之上，课外的联系非常少，“上课是师生，下课是路人”的情况并不少见。

在杨力看来，如果老师仅仅把教学当作是一种工作任务来完成，那么学生也会采取应付的态度。相反，如果老师富有责任感，学生也会受到其“以身作则的影响“，更有进取意识。

因而，老师可以通过带项目、线上线下互动等方式与学生沟通，来了解学生的需求，给自身的教学工作进行反馈，而这种反馈最终又将通过教学的方式来触及学生，形成「师生共赢」的局面。

除了培养AI人才方法论外，杨力也指出，培养人工智能专业人才需要 破除「唯研究生论」。

“读人工智能专业必须读研究生，不读研究生就没有前途。”

不少人持有这样的观点，但杨力却坚决表示反对。他认为，原来很多研究生的课程已经下放到本科来学，本科阶段的人才培养成体系之后，学生的理论、实践能力将能够满足AI行业的基本需求，一味追求研究生教育，只会造成AI圈越来越卷，无助于缓解行业人才短缺情况。

“当然，研究生教育也很重要，但研究生人才培养可能更应该倾向于基础理论方面， 而AI的规模化落地，需要更多应用型人才去推动。”

举个例子：很多传统制造业引进了人工智能，比如机械臂、自动化生产设备等，但由于缺少应用型人才，企业买回去的设备不知道该怎么使用，也不知道如何做到效益最大化，更不懂运营维护。

这样的岗位，并不需要从业者非常深厚的理论功底，而是有AI基础，又懂行业的人才。而在传统产业智能化升级过程中，类似的人才缺口非常大。

“实际上，当AI走向各行各业、落地之后，对人才的需求也会发生变化，而在本科阶段，通过理论学习加上与专业相关的 社会 实践，也能培养出优秀的人才。”

在刚结束的冬奥会上，杨力教授带领他的团队做了一个智能辅助技术，可通过视频来实现对选手动作进行回顾与分析，给裁判打分给予参考。

虽然只是一个比较简单的行为识别，模型并不精巧，市场上有很多AI公司具备开发该技术的能力。但让人欣慰的是，这个项目一经提出，学生们便踊跃参加，在导师的指引下，一步步挖掘数据、标注、建模、训练、测试，整个过程持续两周之久，大部分工作由学生完成，而且是在春节期间，有同学甚至因为出力不够而深感抱歉。

“Talk is cheap.”在杨力看来，这个项目别人有能力做，然而只有他们去落地实践了，并且整个项目由大一学生完成，过程远重于结果， 他们“代表着AI领域的新生力量。”

做这个项目也并非一帆风顺。

该项目的成员，中国计量大学信息学院 21级人工智能专业学生，蒋正阳告诉掘金志，小组在建模的时候，要么网络太大训练太慢，要么网络太小而不适合要求，难以达到预期目标。同时，训练也会遇到算力不够的情况。

经过多次失败尝试之后，小组不得不求助于杨力教授，后者补充了一种网络结构，该结构下，模型变得相对“较轻”，训练也可以符合预期。

最终，小组成功研发出“单板滑雪AI裁判技术”。该技术可在画面模糊、相机高速运动、长距离全景画面等复杂场景下，对运动员是否抓板进行精准识别，从而为裁判打分提供依据，助力「冬奥公平」。

“我们的专业知识有限，需要继续加强理论学习。通过这个项目，我们了解了从零开始做项目的过程、方法、难度，积累了经验。当然，最后看到项目跑出来的结果，内心还是很欣喜的。”蒋总结道。

杨力认为，遇到问题很正常，关键在于去行动、实践了。“人在学走的路上，会跌倒很多次，但不能因为跌倒，就只学爬，这样永远也不会走。”

这何尝不是国内AI发展的缩影。

在经历无人问津的韬光养晦期之后，国内AI于10年开始蓬勃发展，商汤、旷视、云从、依图等一众AI公司先后诞生，受到资本热捧，撑起国内AI的希望。但激情燃烧之后，随之而来的是行业落地难、商业化难、变现难等各种质疑。

如今的AI，正处于从爬到走的摸索期，磕磕碰碰、跌倒摔倒等时有发生，也被大众调侃成「人工智障」。

但杨力对此并不沮丧，反而感到乐观， 因为“有越来越多的企业、越来越多的人才参与到AI的发展、推广、落地之中”， 在“政产学研”模式的推动之下，AI也将被掀开神秘面纱，显露出最真实的样子，而大众在未来也会对AI形成一个“全面、客观”的认知。

在掘金志与多位AI从业者的交流过程中，几乎所有人都对AI充满希望，即便AI仍然处于「弱人工智能」阶段，他们仍然坚信，AI有着光明的未来。

“AI的浩海不止于边边角角，而在于改变世界。”开篇吐槽「人工智障」的那位工程师告诉掘金志，即便改变世界的路途，充满坎坷，但 “因为热爱，所以坚持。”

而对于大众的一些调侃和质疑，他迟疑了一下，回道：

“请给AI一些包容。”雷峰网雷峰网

三年硕士? 不是顶尖学校的话, 人工智能专业对口的工作不是太好找, 但是人工智能的应用也挺广的, 说不定什么时候工作中就用上了. 所以一般学校的话, 作为过来人, 我靠谱的说一下, 练练编程或者别的什么工作技能, 然后把人工智能的概念和名词搞熟了, 具体专精到什么程度其实无所谓啦, 毕业就好. 找工作的话那就是能找到啥公司, 就去做哪一行, 学校的专业就不要太看中了.

学习人工智能前景不错。人工智能是大趋势中关键环节，未来若干年中不可或缺。特别是我国人工智能弯道超车走在世界前列，技术这个东西是需要长期积累和探索验证的，后续才会有一个爆发过程，美国和日本都是如此。经过近几十年的积累，以后科技中国可能引领全球。

中国人工智能技术起步较晚，但是发展迅速，目前在专利数量以及企业数量等指标上已经处于世界领先地位。2013-2018年，全球人工智能领域的论文文献产出共30.5万篇，其中，中国发表7.4万篇，美国发表5.2万篇。在数量占比方面，2017年中国人工智能论文数量占比全球已经达27.7%。当前中美两国之间人工智能科研论文合作规模最大，是全球人工智能合作网络的中心，中美两国合作深刻影响全球人工智能发展。2019年中国AI芯片市场规模约为115.5亿元，在5G商用的普及和政策、技术等各因素的推动下，AI芯片有望在云计算、安防、消费电子、机器人等领域实现大规模商用，预计2021年AI芯片市场规模将达到436.8亿元。但值得注意的是，随着人工智能技术的加速普及，下游应用领域对AI算力和能耗的要求越来越高，传统冯诺依曼架构式芯片的瓶颈逐渐显露，AI芯片将朝着存算一体化方向发展。有分析师认为，存算一体AI芯片的发展前景虽受到广泛认可，但整体仍处在发展的起步阶段。从实现计算与存储的融合设计，到技术的落地、量产、规模化商用，还有较长阶段。能够率先实现技术、产品突破的企业将更容易获得资本、人才、市场的支持。世纪浪人：智慧筑基，源聚强国，深度分析中国人工智能发展概况我国人工智能发展全球论文占比情况（数据来源：艾媒数据中心）相关调查机构数据显示， 截至2017年12月31日，中国人工智能专利申请数达46284件。随着国家大力提倡、投入研发逐渐增加，人工智能运用到越来越多的行业领域，未来相关专利数量应当会持续增加，人工智能技术产业化发展前景向好。世纪浪人：智慧筑基，源聚强国，深度分析中国人工智能发展概况截止2017年我国人工智能专利申请数量（数据来源：艾媒数据中心）2018年中国人工智能领域共融资1311亿元，增长率超过100%，投资者看好人工智能行业的发展前景，资本将助力行业更好地发展。随着人工智能技术的进一步发展和落地，深度学习、数据挖掘、自动程序设计等领域也将在更多的应用场景中得到实现，人工智能技术产业化发展前景向好。1.中国步入技术驱动增长的高质量发展阶段，政策将持续加码推动芯片全面国产化中国数字经济产业已经成为驱动经济增长的新动能，2019年数字经济规模占GDP的比重达36.2%;作为数字经济产业底层基础的集成电路，却严重依赖进口，2020年前八个月，中国集成电路进口金额超过万亿元;未来政策将持续加码发展集成电路产业，实现芯片全面国产化。2.中国AI芯片有望引领国产芯片实现弯道超车，预计2023年中国AI芯片市场规模将突破千亿元5G基站、大数据中心、人工智能等新型基础建设的完善，促使AI芯片成为引领芯片行业未来发展的重要方向;政策、资本、技术、市场等多重因素将驱动AI芯片这一新赛道快速发展，中国芯片有望实现弯道超车;预计2023年中国AI芯片市场规模将超过千亿元。3.存算一体化AI芯片是未来主流方向，受益于下游需求的强劲驱动力而快速发展人工智能产业的成熟化发展驱动AI芯片由通用型向专用型发展，急剧增长的数据量对AI芯片的性能以及能耗提出了更高要求;能够兼具性能和成本的存算一体化AI芯片符合未来发展趋势，在下游需求的推动下有望快速发展。世纪浪人：智慧筑基，源聚强国，深度分析中国人工智能发展概况AI芯片概念描述直观图（来源：艾媒咨询）人工智能，作为计算机科学最前沿的发展方向，同时也是新一轮产业变革的核心驱动力，具有巨大的市场前景。面向人工智能应用的AI算法，除具有传统算法一般的性能特征，还具备处理大量非结构化数据、处理过程计算量大、参数量大等新特质，亟须强大的运算能力和高效的访存能力支撑。世纪浪人：智慧筑基，源聚强国，深度分析中国人工智能发展概况人工智能相关学科及关联关系（来源：艾媒咨询）4.中国人工智能未来热度持续目前中国整个人工智能产业规模仍在保持增长，同时国家也在不断出台各类人工智能产业扶持政策，资本市场对人工智能行业的投资热情不减，技术方面不断突破是产业增长的核心驱动力。未来人工智能产业的走向取决于算法的进步，由于算法的技术突破是决定人工智能上限的，所以未来人工智能企业拉开差距就在算法的技术突破上，谁能先在算法上取得成功，谁就能取得资本市场青睐，同时产业落地也会进一步提速。在算法方面，目前已经有深度学习和神经网络这样优秀的模型，但就目前国内人工智能算法的总体发展而言，工程学算法虽已取得阶段性突破，但基于认知层面的算法水平还亟待提高，这也是未来竞争的核心领域。虽然算法决定人工智能上限，但是目前的算法短时间内可能很难有所突破，所以算力也是目前人工智能企业竞争的一个重点方向，以目前的算力水平，主要实现商业化的人工智能技术为计算机视觉、智能语音等，未来若算力进一步突破包括算力的提升、生产成本的降低都会使人工智能技术的产业化进一步深入。