张一鸣全球思想盛筵演讲：新技术 新责任

作为人工智能的企业，应该永远恪守一条原则：必须对整个人类的未来充满责任感，充满善意。 12月1日，北京，今日头条举办了首届全球思想盛筵——人工智能与人类文明论坛。今日头条创始人、CEO张一鸣发表了峰会致辞，谈论了AI给全球带来的机遇和挑战，强调今日头条要做一家更负责任的高科技公司。今日头条希望人工智能能更好地服务于信息的创作与交流，最终造福全球用户，促进整个人类文明的交流。 以下为致辞全文。       感谢马利理事长的致辞，尊敬的各位来宾，早上好！Good morning, Ladies and gentlemen, Welcome to Beijing.   欢迎各位莅临由今日头条主办的全球思想盛筵——人工智能与人类文明论坛。我由衷感谢哈佛大学博克曼互联网和社会研究中心、清华大学公共管理学院、联合国UNICRI人工智能和机器中心的大力支持。   过去20年，人工智能一步一步从理论书籍上来到了现实世界。我五年前创立今日头条时候的初衷，是希望在信息时代加强人和信息的连接，我认为，文明，CIVILIZATION 的前提和标志，是信息的充分流通，今日头条也是最早把人工智能技术大规模应用于信息分发的公司。我们的愿景是做"最懂你的信息平台、连接人与信息、促进创作与交流"。当我们谈论信息的时候，不只是在谈股市信息、天气预报、交通路况，信息是整个人类文明的编码，是人类历史、今天、未来所有思考与表达的总和。信息是人类文明最重要的部分。   我们要实现自己的愿景，必须在全球范围内去解决三个问题：第一个是使用场景的问题，这本质上是一个市场问题；第二是技术问题，人工智能究竟能在多大程度上提升信息传播的信噪比；第三是规则问题，在连接人与信息的过程中，人工智能的法律、伦理边界到底是什么？   这是我们把今天论坛的主题定为"人工智能与人类文明"原因所在。于今日头条而言，我们希望人工智能能更好地服务于信息的创作与交流，从而促进整个人类文明的交流，希望今日头条成为一家更负责任的高科技公司。于整个人类而言，我们希望和全世界在拥抱人工智能带来的巨大机会的同时，也一起来直面人工智能给人类可能带来的不确定和风险。   我一直觉得，AI工程和航天工程，基因工程是人类文明发展的三大跨越式机遇。这三大工程，同时也会是冲击人类伦理和人类生存的三大挑战。   目前，AI正处在从实验室走向大规模商业化的早期阶段，很多人对它所带来的经济、法律、安全、伦理等问题开始担忧。   比如，AI可能会导致大规模失业；可能导致经济发展不平衡；可能会导致贫富差距加大；可能会让很多城市修改现行的交通法规；可能会完全颠覆教育、金融等等传统行业。   幸运的是，很多的风险才刚刚露出苗头，在这个和技术赛跑的时间窗口，我们应该从最早期开始将技术的研发和社会影响的研究同时推进，至少我认为一家负责任的人工智能科技公司应该这样。   在PC互联网时代，中国的互联网企业，是全球互联网技术的学习者和跟随者；在人工智能的时代，我们看到很多中国科技公司开始在应用层面，逼近甚至处于全球的领先水平成为全球的领先者。但我们在开拓全球市场同时，也有义务与全球各界一起去积极的思考新技术给全球带来的机遇和风险，做能为全球用户带来福祉的事情。   我们希望我们的技术最终能造福全球用户。要实现这个愿望，不仅仅是一家企业能做到的，而是需要全球不同领域的人士共同的努力。   为了让今日头条的人工智能技术能最终造福人类，我们需要凝聚全球顶级AI专家智慧，帮我们我们拓展视野，推进人工智能的研究与应用，并规范其发展，将更多的人文带到人工智能的应用中去。今天，我希望借助这个大会，宣布两件事情：   一是今日头条技术战略委员会的成立。我非常荣幸地邀请到三位科学家作为委员会的首批委员，他们是：图灵奖得主John E.Hopcroft教授，中国工程院院士、国家自然科学基金委员会副主任高文教授，中国科学院院士张钹教授。       二是今日头条研究院将与清华大学"创新治理协同创新中心"展开战略合作，助力国家创新治理体系建设，共同探索人工智能等新技术对社会经济及创新治理等方面带来的挑战及影响。   各位领导，各位学者，讨论人工智能的边界，就是在讨论人类文明的边界。关于人工智能的法律和伦理边界，我们可以去探讨，去辩论，但我觉得，作为人工智能的企业，应该永远恪守一条原则：必须对整个人类的未来充满责任感，充满善意。   再次欢迎各位的到来。谢谢大家。 ]]> 原文： http://ift.tt/2kdXNoq 机器知心

从论文发布、学术会议到创业，斯坦福发布了一份「AI指数」年度报告

人工智能指数（AI Index）是一个追踪 AI 动态和进展非营利性的项目，由斯坦福大学创立，旨在研究过去百年来的 AI 总体状况，目标是促进基于数据的 AI 的广泛交流和有效对话。这是 AI Index 的首届年度报告，从多个角度观察和汇报了人工智能中的动态和进展。这篇报告中的所有数据将在网站 aiindex.org 上开放。 目录 简介 人工智能一跃成为全球话语最前沿，吸引了来自从业者、行业领导者、政策制定者和大众的广泛注意力。今年各种新闻中不同的见解和争论表明 AI 受到广泛的调查、研究和应用。但是，AI 领域仍然在快速发展，甚至专家有时候都难以理解和追踪该领域的发展。 没有 AI 状态的相关数据，我们就只能在与 AI 相关的交流和决策中盲目行动。 人工智能指数（AI Index）是一个开放的、非营利性的追踪 AI 的动态和进展的项目，由斯坦福大学成立，旨在研究过去 100 年以来的 AI 总体状况。它的目标是促进基于数据的 AI 的广泛交流。这是 AI Index 的首届年度报告，在这篇报告中我们将从多个角度观察人工智能中的动态和进展。我们搜集了网上的免费数据，贡献了原始数据，并从数据序列的组合中提取出新的指标。 所有在这篇报告中用到的数据将会在 AI Index 的网站 aiindex.org 上开放。 领域活力 学术 1. 论文发表数 下图统计了发表在计算机科学领域，且子领域或标签为「Artificial Intelligence」的论文数量。 自 1996 年，年 AI 论文数量增加了 9 倍多。 下图展示的是各个领域内的论文增长速度，其中我们可以看到计算机科学领域下的的 AI 论文自 2010 年起增速就已经大大超过了计算机科学领域的增速和平均论文发表的增速。此外，如图所示自 1996 年来，计算机科学领域的论文发表数增长了 6 倍，而 AI 领域的论文数增长了 9 倍。 2. 课程注册人数 除了论文发表数以外，课程的参与人数也能体现这个领域的活力。以下展示的是注册斯坦福大学人工智能与机器学习导论课程的学生数量。 本报告之所以突出斯坦福大学导论课程注册数，是因为这一部分的数据最全。不过如下所示，其它高校的导论课程参与趋势也与斯坦福的趋势相似。 此外，本报告还着重关注机器学习导论课程的参与度，因为目前人工智能领域很多成果都是基于机器学习的算法与理论。 3. 参会情况 以下展示了人工智能领域顶会的参与情况，其中既有如 AAAI、IJCAI 和 ICML 那样的综合性会议，也有像 CVPR、ACL、ICRA 那样关注于计算机视觉、自然语言处理和机器人的顶会。 上图的参会人数同样展示了研究前沿从符号推理转向了机器学习与深度学习。下图展示了参会人数少于 1000 人的小型学术会议，其中我们需要注意的是 ICLR，该会议专注于深度学习领域，且第一次会议于 2013 年由深度学习先驱 Yann LeCun 及 Yoshua Bengio 主办。 ICLR 第一次会议就表示尽管表征学习或深度学习对于机器学习及包括视觉、语音、音频及 NLP 领域起着至关重要的作用，但目前还缺乏一个场所让学者们交流分享该领域所关心的话题，ICLR 的宗旨正是提供这样的场所。如下图所示，ICLR 的参会人数每年都有很大的提升。 尽管注意力近年来转移到了机器学习以及深度学习，但根据这些会议的发展趋势，我们发现仍有一小部分研究者继续在符号推理方法上进行探索。 工业 1. AI 创业公司 下图展示了由风投资本支持并开发 AI 系统的美国活跃创业公司的数量。 这一数量自 2000 年以来增加了 14 倍。 2. AI 创业基金 下图为在所有融资阶段上风投资本每年投资美国 AI 创业公司的金额。 这一金额自 2000 年以来增加了 6 倍。 3. 工作机会 下图分别展示了两个在线招聘网站 Indeed 和 Monster 上需要 AI 技能的工作数量的增长数据。通过标题和工作描述的关键词区分出需要 AI 技能的工作。 自 2013 年以来，在美国需要 AI 技能的工作比重增长了 4.5 倍。 Indeed.com 平台上报告的多个国家需要 AI 技能的工作比重的增长趋势。 注：虽然在加拿大和英国 AI 就业市场增长很快，但是 Indeed.com (http://indeed.com/) 报告它们在绝对规模上仍然只有美国 AI 就业市场的 5% 和 27%。 Monster 平台发布的一年内 AI 工作机会总数，按照所需的特定技能划分。 注：一个 AI 相关的工作可能出现计算两次的情况（属于不同的类别）。如，一个工作可能需要自然语言处理和计算机视觉技能。 4. 机器人进口 船运到北美和全球的工业机器人数量。 船运到北美和全球的工业机器人数量增长趋势。 开源软件 GitHub 项目统计 GitHub 上 TensorFlow 和 Scikit-Learn 软件包被收藏（star）的次数。二者都是深度学习和机器学习的常用软件包。 GitHub 上不同 AI & ML 软件包被收藏的次数。 注：GitHub 库的 Fork 数量遵循几乎同样的趋势（尽管，每个库的 fork 量和 star 量不同）。 技术表现 计算机视觉 1. 目标检测 LSVRC 竞赛中 AI 系统在目标检测任务上的性能表现。 图像标注的误差率从 2010 年的 28.5% 降至低于 2.5%。 2. 视觉问答（Visual Question Answering） 在开放式回答有关图像问题的任务中，AI 系统的性能。 注：VQA 1.0 数据集已经被 VQA 2.0 数据集超越，目前尚不明确 VQA 1.0 数据集未来将受到多少关注。 自然语言理解  1. 解析（Parsing） AI 系统在确定句子的句法结构任务中的性能。 2. 机器翻译 英德新闻互译任务中，AI 系统的表现随年度变化如下：  3. 问答（Question Answering） 从文档中找到问题答案的 AI 问答系统的年度表现变化如下： 4. 语音识别 语音识别 AI 系统的表现随年度变化如下： 报告全文链接：http://ift.tt/2zTKTDj ]]> 原文： http://ift.tt/2ALbsu6 机器知心