2018/09/05 10:21

“聚焦脑科学，引领新智能” —2018世界人工智能大会脑与智能科技主题论坛即将隆重开幕

2018世界人工智能大会脑与智能科技主题论坛——“智慧·融合：脑与智能科技之未来”将于2018年9月18日在上海国际会议中心国际厅隆重举行。本次大会主题论坛由世界人工智能大会组委会主办；中科院上海分院、中国神经科学学会、上海神经科学学会、上海脑科学与类脑研究中心承办；中国金融信息中心协办。汇聚了脑科学与智能科技领域的顶尖科学家、知名教授以及多家人工智能企业创始人，给与会观众带来学术价值极高的饕餮盛宴。

亮点一：脑科学与人工智能的融合

人工智能的发展，最早可以回溯到1946年世界第一台电子计算机ENIAC的诞生再到1950年著名的图灵理论，最后到1956年Dartmouth会议上“人工智能”被定义。若干年间，人工智能迎来了一个又一个发展黄金期。由1970年第一款感知神经网络软件和聊天软件被发明到1990年Hopfield神经网络和BP算法的提出再到2006年Hinton提出的深度学习技术以及图像语音识别领域的成功，使得世界从此进入了“智能+”时代。

人工智能未来的演进发展将分为计算智能、感知智能和认知智能，在此期间真正需要突破的是让计算机理解、思考、进行自我学习。通过深度神经网络、大数据和涟漪效应等一系列促进人工智能突破的成功因素，将脑科学与类脑研究和人工智能的发展紧密结合，真正将脑科学和人工智能从跨学科融合发展成“利在当代，功在千秋”的产业融合领航者。

亮点二：中科院引领脑与智能科技研究

人工智能已经成为新一轮产业变革的核心驱动力，正在对世界经济、社会进步和人类生活产生极其深刻的影响。举办世界人工智能大会，是共同谋划人工智能技术和产业发展的重要平台，也是推动互联网、大数据、人工智能和实体经济深度融合发展的重要举措。为了促进中国脑科学与智能科技研究交流与合作，扩大国际影响力，中国科学院作为国家战略科技力量，坚决贯彻落实党中央的重要指示决策，将聚焦脑科学与智能科技领域进行开创性、引领性研究，着力培养全球顶尖的专业科研团队，为我国建成脑科学与智能科技研究领域高地贡献力量。

亮点三：学术产业大咖观点碰撞

本次主题论坛聚焦于脑科学与智能科技领域，论坛邀请到脑科学与智能科技领域最前沿专家做主题报告，来分享最新的研究成果与技术实践。主题演讲不仅有师从著名天体物理学家霍金，全球人工智能计算机视觉领域奠基人，首位将“学习”引入计算机视觉领域的科学家、美国约翰霍普金斯大学教授——Alan Yuille教授他将带来：“Vision as Bayesian Inference. A Historical Perspective“的演讲题目，还有日本虚拟现实学会前会长、中科院上海微系统所特聘教授、东京工业大学名誉教授——Makoto Sato（佐藤诚）教授他的演讲题目：”Artificial Intelligence and Artificial Reality”，另外还有世界著名人工智能、机器学习和语音语言信号处理专家、Citadel首席人工智能官邓力教授将就“From Modeling Speech and Language to Modeling Financial Markets”这个题目进行讨论。值得一提的是人工智能公司Skymind联合创始人，CTO、开源框架 Deeplearning4j创始人、计算机科学家——Adam Gibson将围绕“AI Cloud” 领域发表题为：“Next Gen AI Infrastructure for the Public AI Cloud”的详解与讲述。

（从左至右分别是：Alan Yuille、佐藤诚、邓力、Adam Gibson）

除了大咖的演讲外，此次主题论坛还邀请到知名AI企业的CEO、创始人、科学家和教授等参加圆桌交流环节，分享关于“人工智能核心技术发展与政策创新”方面的最新见解，给广大参会者带去更多创新Idea。

他们分别是：

科大讯飞股份有限公司执行总裁——胡郁博士

中科寒武纪科技CEO、上海寒武纪创始人——陈天石博士；

UCloud首席执行官—季昕华；

欧洲科学院院士、上海交通大学教授、香港中文大学讲席教授——徐雷教授；

美国凯斯西储大学博士、上海联影医疗科技有限公司联席总裁——张强博士；

清华大学博士，北京主线科技有限公司创始人兼CEO——张天雷博士；

中科院上海微系统与信息技术研究所仿生视觉系统实验室主任——张晓林教授。

（从左至右分别是：陈天石、张天雷、张强、胡郁、徐雷、张晓林、季昕华）

在脑科学与智能科技高速发展的浪潮中，研究与应用应该达到协同发展。不断探寻智能技术边界，实现更多应用落地，培养更顶尖更优秀的智囊团队是国家未来在脑科学与智能科技领域要努力的方向，让AI技术更深入的贯彻我们的生活和工作，造福世界，造福人类。让我们期待2018世界人工智能大会，期待智慧·融合脑与智能科技主题论坛。期待9月的金秋，带给世界人工智能更大的惊喜！

大会官网：http://www.waic2018.com

脑与智能科技主题论坛网址：http://www.waic2018.com/forums-detail.html?id=14

脑与智能科技之未来主题论坛现已开始报名，数量有限，先到先得！（免费报名）

报名方式：

1.登录大会官方网站，进行注册；

2.点击如上主题论坛网址专属链接，点击即刻预约，选择邀请码预约，填写邀请码（75E284F82EB7），预约成功；

3.完善个人信息，领取证件方式，选择“快递到家或现场领取”保存。

主题论坛公众号：2018世界人工智能大会中科院分会

产业世界人工智能大会

相关技术

人工智能硬件深度学习

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

感知技术

知觉或感知是外界刺激作用于感官时，脑对外界的整体的看法和理解，为我们对外界的感官信息进行组织和解释。在认知科学中，也可看作一组程序，包括获取信息、理解信息、筛选信息、组织信息。与感觉不同，知觉反映的是由对象的各样属性及关系构成的整体。

来源：维基百科

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

神经科学技术

神经科学，又称神经生物学，是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。对人脑研究是个跨领域的范畴，当中涉及分子层面、细胞层面、神经小组、大型神经系统，如视觉神经系统、脑干、脑皮层。

来源：维基百科

虚拟现实技术

虚拟现实，简称虚拟技术，也称虚拟环境，是利用电脑模拟产生一个三维空间的虚拟世界，提供用户关于视觉等感官的模拟，让用户感觉仿佛身历其境，可以及时、没有限制地观察三维空间内的事物。用户进行位置移动时，电脑可以立即进行复杂的运算，将精确的三维世界视频传回产生临场感。

来源：维基百科

计算机视觉技术

计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

来源：机器之心

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

大数据技术技术

大数据，又称为巨量资料，指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

来源：维基百科

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域，它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性，目前的语音识别系统只能在一定的限制条件下获得满意的性能，或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

来源：What is Automatic Speech Recognition?

信号处理技术

信号处理涉及到信号的分析、合成和修改。信号被宽泛地定义为传递“关于某种现象的行为或属性的信息（如声音、图像和生物测量）”的函数。例如，信号处理技术用于提高信号传输的保真度、存储效率和主观质量，并在测量信号中强调或检测感兴趣的组件。我们熟悉的语音、图像都可以看做是一种信号形式。因此，对于语音、图像的增强、降噪、识别等等操作本质上都是信号处理。

来源：Roland Priemer (1991). Introductory Signal Processing. World Scientific. p. 1. ISBN 9971509199.

深度神经网络技术

深度神经网络（DNN）是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

来源：机器之心 Techopedia