本文主要是介绍指南 | 写给正在填报志愿并对CS/AI感兴趣的2019考生们,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
本文转载自清华大学计算机系自然语言处理实验室刘知远副教授
本文约5400字,建议阅读10分钟。
本文是在计算机专业日益火爆的当下,解答考生和家长们普遍好奇的问题,帮助考生更加理性地选择专业,希望更多真正喜欢CS/AI的考生选好学校选对专业。
本文为的是在计算机专业日益火爆的当下,解答考生和家长们普遍好奇的问题,帮助考生更加理性地选择专业,希望更多真正喜欢CS/AI的考生选好学校选对专业。
而这一年里,国内CS/AI方向又有很多新的变化,最明显的是各大高校纷纷设立人工智能学院,开始招收人工智能专业本科生。最近又要开始新的一轮填报志愿,我又来蹭个热点,花了些时间整理出这篇短文,聊聊人工智能是什么、学什么、怎么学、以及去哪儿学的问题。
Q:人工智能是什么?
A:人工智能(Artificial Intelligence,AI)是一门年轻的学科,从1956年达特茅斯会议正式提出AI名称至今不过65年;从阿兰图灵1950年提出判断机器是否能够思考的图灵测试至今也不过70年时间。AI的70年发展史汇集了来自数学、计算机科学、逻辑学、哲学、神经科学、语言学等不同领域学者的努力,是典型的交叉学科。同时,从整体来看AI仍然是计算机科学技术的主要分支。
人工智能是什么?简言之,人工智能学科是利用计算机实现人类智能。人类智能并没有公认的定义与界限,实际上也随着AI的发展而有所变化。某项人类技能被计算机所掌握后,人们往往不再认为它代表人类"真正"的智能。例如,1997年IBM深蓝战胜人类国际象棋冠军卡斯帕罗夫后,就有评论说IBM计算机只是在暴力搜索,不是真正的智能,that's not thinking!这种现象又被称为"AI Effect"。
AI Effect
https://link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/AI_effect
所以,人工智能总是聚焦在那些尚未被计算机破解的人类智能能力上。比较简单的人类智能已经被解决了,例如计数能力有了计算器,数据记忆和查询有了数据库,下棋能力有了下棋软件,剩下的是那些困难的高级智能。简单而言,如果我们把大脑看做一个黑盒,它能够接受外部世界的刺激信号,大脑处理这些信号产生输出反馈,人类智能正体现在这些"刺激-反馈"的对应中。针对不同刺激信号和反馈处理的复杂性,AI下面有很多专门的领域开展相关研究和探索。目前,公认的AI核心课题包括:机器学习、计算机视觉、自然语言处理、语音处理、知识表示与计算、推理与规划,等等,并在此基础上支持着许多重要应用场景如无人驾驶(无人车)、机器人等。
机器学习:旨在让计算机具备自动学习的能力,能够解决分类、聚类、回归、关联分析等任务。目前主流是从大规模数据中自动学习和总结规律,从而能够对新的数据进行预测,也被称为统计机器学习。简单地讲,机器学习是从大量"刺激-反馈"数据中自动总结规律的技术。
计算机视觉:旨在让计算机理解和处理图像数据(包括图片、视频等),使计算机掌握"看"的能力。图像是典型的无结构数据,由像素组成,如何从一幅图像中自动识别不同层次的对象(如轮廓、人脸、场景等)及其复杂关联,是计算机视觉面临的挑战问题。
语音处理:旨在让计算机理解、处理和生成人类语音,使计算机掌握"听"和“说”的能力。语音也是一种典型的无结构序列数据,看似简单的一维语音信号包含着丰富的信息如内容、意图、身份、情感、信道、场景、干扰等。以语音识别为例,目前在深度学习技术的支持下,普通场景的语音转文本的效果已经得到广泛应用。而在多人、方言、强噪、远场等挑战场景下,语音识别效果还需要进一步提升。
自然语言处理:旨在让计算机理解和处理人类语言。与C++、Java等人工设计的编程语言不同,人类语言是大自然的产物,因此被称为"自然语言"。人类语言也是典型的无结构数据,由字词组合而成,如何理解一句话、一篇文章甚至一本书的意思,也是人工智能面临的挑战问题。由于语言是人类特有的传递丰富信息和知识、表达复杂思想和情绪的载体,甚至被认为是人类思考的重要工具,因此自然语言处理问题更接近人类高级认知智能,有很多重要的开放问题。
知识表示与计算:人类对世界的认识积累形成了知识,知识是人类理解外部信息、实现各种智能能力的基础。近年来随着知识图谱的广泛应用,成为研究界和工业界关注的重点问题。
由于上述这些课题都关涉人类智能,所以互相密切关联、不分彼此,例如计算机视觉、语音识别和自然语言处理都是机器学习算法的重要应用场景,知识表示与计算也成为计算机视觉和自然语言处理方向的重要话题,等等。正因为年轻,这些方向都充满着活力,一方面最新技术日益深远地影响着人类社会生活的方方面面,同时学科体系和技术框架也在飞速地日新月异、推陈出新,现在去翻十年前的教材很多内容都显得过时了。
从学科设置来看,国内大学遵照教育部《学位授予和人才培养学科目录》来颁发学位。最初的计算机一级学科是"计算机科学与技术",下设"计算机系统结构"、"计算机软件与理论"、"计算机应用技术"三个二级学科,其中"计算机系统结构"对应高性能计算(超算)和计算机网络体系架构(互联网),后来单独成立出"网络空间安全"一级学科;"计算机软件与理论"对应软件工程和计算机理论科学等,后来单独成立出"软件工程"一级学科;而"计算机应用技术"则对应计算机的各类应用技术,很大程度上正沿着从信息化到自动化再到智能化的路线前进,可以想见,如果现在这波AI浪潮还能持续几年,单独成立"人工智能"一级学科也指日可待。
从研究配置来看,AI研究队伍主要分布在计算机、自动化、电子工程等信息科学相关院系中,这与AI起源有密切关系,计算机的奠基人图灵、冯诺依曼,自动化的主要理论基础"控制论"的奠基人维纳,以及电子工程和信号处理的主要组成"信息论"的奠基人香农,均为AI的创立贡献了思想。所以,计算机系主要从计算理论和计算机应用的角度研究AI,自动化系从自动控制的角度理解AI,电子工程系则从信号处理(将AI关心的视觉、文本、听觉等模态理解问题看做信号处理)的角度解读AI。
当然,在哲学、脑神经等其他领域也有从事人工智能探索的学者。不过总体而言,由于人工智能核心目标是探索如何将人类智能转化为可计算问题,因此它主要还是落在计算机领域。
如果希望对AI发展有比较通俗全面的了解,可以参考以下两本书:《人工智能狂潮》虽然标题名略显中2,内容比较扎实,浅显全面并及时涵盖到最近的深度学习浪潮;《人工智能简史》是华人尼克的大作,作者搜集的史料全面扎实,夹叙夹议有很多干货,读起来很过瘾,不过很多地方点到即止,如果没有相关背景知识很难看懂作者所指。
Q:人工智能学什么?
A:如前所述,人工智能大致还是一个计算机应用的课题。虽然这两年国内外已有很多高校开设了人工智能班和专业,课程设置还没有形成共识。我们可以从国内AI本科教育体系的先声——南京大学人工智能学院发布的《南京大学人工智能本科专业教育培养体系》做一些分析。
作为对比,这里列出清华大学计算机科学与技术系的选课指导清单,其中用红框标出了与人工智能有关的限选课程。
可以看到,人工智能需要学习的主要内容包括:
数学基础课:清华CS和南大AI都需要学习的有 微积分(或数学分析)、代数与几何、离散数学(或数理逻辑、图论等)、概率论。南大AI新增 最优化方法,这在清华CS为研究生课程。
学科基础课:清华CS和南大AI都需要学习的有 程序设计基础、数据结构、人工智能导论、计算机原理、数字电路、系统控制。南大AI新增 机器学习、知识表示、计算机视觉、自然语言处理 作为学科基础课,这在清华CS均为高年级选修课或研究生课程;清华CS需要额外学习 电路原理、信号处理、操作系统、编译原理、形式语言与自动机,这些被南大AI列为专业选修课。
专业选修课:南大AI设立了很多AI相关的专业选修课,如 自动规划、概率图模型、强化学习、神经网络、深度学习等,在清华CS均为人工智能方向研究生课程;而南大AI设立的很多认知科学、神经科学、计算金融、计算生物学、计算语言学等交叉课程,在清华则分散在各院系开设的课程。
由此可以总结,目前看AI本科专业核心课程的设置与计算机专业相比,重叠部分要远大于差异部分。可以看出南大在AI课程体系构建方面花费了大量心力,非常符合AI的当前发展特点。
所以,回到这个问题,人工智能学什么?建议就是以计算机核心课程(数学基础课、学科基础课)为学科主线,以 机器学习、知识表示、计算机视觉、自然语言处理 为学科特色,以学科交叉为辅助。因此,我们也可以说,无论是在以南京大学人工智能学院为代表的新成立的人工智能专业,还是以清华大学计算机系为代表的计算机专业,都可以完成对人工智能基础知识的学习。不同之处在于,前者预置为学科基础课,后者则成为高年级时的可选方向(计算机系统结构、计算机软件与理论、计算机应用技术)之一的计算机应用技术,如下是该方向的专业限选课程列表,其中超过一半课程是AI相关。
如果对这些课程要学什么感兴趣,可以购买查阅《南京大学人工智能本科专业教育培养体系》或者使用搜索引擎检索相关介绍。
Q:人工智能怎么学?
A:清华大学章程明确提出"价值塑造、能力培养、知识传授"三位一体的育人模式,我认为这是高水平AI人才养成方式的最佳描述。
知识传授这层不必多说,师者传道受业解惑,在大学里通过课程讲授和课下实践,研习精通计算机和人工智能理论与技术,每位同学通过一门门课程成绩反映出的,正是专业知识掌握的水平。我想,绝大部分同学都能明白课程学习的重要性。然而,大学之道不仅于此,不然大学就不过是个专业技校。
在知识传授之上就要构筑能力培养,这对CS/AI专业而言尤其重要。计算机和人工智能是非常年轻的学科,正处在飞速发展的朝阳时期,学科知识更新换代很快,大部分最新知识根本无法在短时间内及时沉淀到教科书中。而进入教科书的那些知识,与实际应用场景往往已有较大距离。很多CS/AI高科技公司自身就站在学科最前沿,亟需有快速学习和独立解决开放问题能力的人才。这样,一方面要求同学有意识建立终身学习的理念,有较强的独立学习的能力;另一方面则要求同学注意通过实验室研究等方式锻炼科研创新能力。CS/AI同学们需要主动参与科研工作的全过程,树立专业志趣,培养独立学习的能力、自我学习的习惯、提出问题的意识、以及独立解决开放问题的能力,这是大学培养CS/AI高水平人才的必由之路。因此,大学教师在CS/AI开展高水平原创研究的能力,也一定程度上决定了他们对学生进行能力培养的水平。
最后一层价值塑造也许是最玄乎的,但更加重要。一个人在知识和能力确定的情况下,Ta的努力方向和坚持程度最终决定其成长的高度。找到在术业上的坚持方向,就是价值塑造的过程。这个过程绝不是简单粗暴的灌输和宣讲就能实现的,要有高水平的教师一起教学相长,有志存高远的同学共同努力拼搏,有各界奋斗的学长作为示范榜样,有校外海外的实践平台广开视野。实践出真知,只有自己多听多看多想,才能找到自己喜欢的、努力的方向,也才更有后劲坚持不懈。
所以,不管是人工智能、计算机专业还是其他什么专业,只要想把自己培养成为该领域的可堪大用之才,就需要从知识、能力和价值这三个层面来努力提升自己。
Q:人工智能去哪学?
A:上面说了这么多,接下来图穷匕见,再聊聊国内人工智能应该去哪里学。根据前面几个问题的回答,可以从师资水平、课程设置等方面来做判断,其中师资水平应该是最重要的因素,而课程设置、培养水平等与师资水平直接正相关。
如何判定AI师资水平,与QS、THE、US News、ARW�U等大学或学科排名相比,我更推荐UMass教授Emery Berger维护的高校计算机科学领域排名CSRankings,采用DBLP数据库中大学CS/AI教授在不同方向顶级会议上发表的论文数量进行排名,有客观确切数据支持,例如美国号称CS四大名校的Stanford、MIT、UCB和CMU就排在美国前四位。同时CSRankings工程和数据全部开源在github上,可以非常方便地进行检查、复现和扩展。
CSRankings
https://link.zhihu.com/?target=http%3A//csrankings.org/
CSRankings将CS划分为AI、Systems、Theory、Interdisciplinary Areas四个一级方向,每个方向有有若干子领域,例如AI就又下分General AI (AI总方向)、Computer Vision (计算机视觉)、Machine Learning & Data Mining(机器学习与数据挖掘)、Natural Language Processing(自然语言处理)、The Web & Information Retrieval(互联网与信息检索)。每个字领域只收录2-3个顶级会议,这主要是因为计算机科学技术由于发展比较快,所以学者们更重视通过国际会议论文发表最新成果进行学术交流,而不像其他领域那样主要是通过期刊发表最新研究成果。
由于CSRankings原网站没有提供中国单列的高校排名,国内学术网站AMiner做了一个改进版,除了提供中国高校单列名单外,还额外提供根据论文引用数量的排名。如果按照2009-2019十年间论文发表统计,我简单统计了国内AI/CS排名较高的高校(不含香港台湾高校、不考虑中科院)排序如下。同时表格还列出2016-2019近三年的排序数据,可以看到,最近几年国内高校AI进步神速,特别是清华AI已经跃居世界第一。
改进版
https://link.zhihu.com/?target=http%3A//csrankings.aminer.cn/
这个排序大致能够反映各大高校CS/AI专业的国际学术前沿整体水平,而且通过AI领域和CS整体的排名反差,可以观察到该高校AI方向的强势程度,例如复旦的AI排名高于其CS排名2位,哈工大AI排名高于CS排名3位等等,说明这两所大学的AI方向相对比较强势。而且,还可以看出,国内高校AI领域的世界排名明显超过CS整体的世界排名,说明国内高校在AI方面更接近世界前沿水平。
需要注意:
这个统计结果只能反映师资力量的一个侧面,而很多国内高校如北航、国防科大等在国家信息科学重大需求方面做出的巨大贡献如天河等,并无法客观反映到这个统计中。
由于CSRankings作者Emery Berger坚持只收录能招收博士的CS教授,因此那些在电子工程或自动华系等其他非CS系的教授没有被收录进来,从而导致该清单并不能完全反映各大高校的AI等领域的师资水平,但也正因为其只收录CS教授,也许对于我们评判这些高校的CS专业师资力量更有帮助。此外,部分高校可能存在教授列表不全等问题,而CSRankings接受修改申请,建议国内高校相关院系如果有遗漏CS教师的可以去申请更新。
CSRankings主要以高校为单位进行排序,前几天我组同学用CSRankings开源数据,对AI领域的国内C9高校学者进行了排序,可以看到前20的学者有7位清华、5位北大、2位南大、2位浙大、2位哈工大、2位复旦,可以从另一个侧面反映各高校的AI师资力量。
总之,我认为CSRankings是很好地定量了解各高校CS各领域研究实力和师资力量的平台,例如下面就是CSRankings提供的清北两校不同领域发表论文分布的饼状图。
Q:想来清华学人工智能去哪学?
A:通过上个问题可以看到,想在国内学习AI,高考分数够的话,清华大学是不二选择。如果想来清华学AI都有哪些选择呢?这里对清华与AI有关的专业大类做一个简单介绍:
专业大类
https://link.zhihu.com/?target=http%3A//www.join-tsinghua.edu.cn/publish/bzw2019/12173/index.html
计算机类:含交叉信息研究院的计算机科学实验班(姚班)、人工智能学堂班(智班)、计算机系、软件学院。如前所述,AI核心目标是探索如何将人类智能转化为可计算问题,主体落在计算机领域。所以清华计算机类是学习AI的首选。
自动化(与工业工程)类、电子信息类。如前所述,自动化的主要理论基础"控制论"的奠基人维纳,以及电子工程和信号处理的主要组成"信息论"的奠基人香农,均为AI的创立贡献了思想,所以自动化系从自动控制的角度理解AI,电子工程系从信号处理的角度解读AI,也与AI有密切关系。因此自动化类、电子信息类也是学习AI的可选方案。
数理类、文理通识类。数理类下的基础科学班以及文理通识类新雅书院,均支持同学自由选择未来发展方向。人工智能(特别是其中偏重基础理论的机器学习)是基科班同学的热门选择;而新雅书院也有大量同学选择计算机和人工智能方向。
其他工科类。清华是工科强校,在信息化和智能化的浪潮下,很多传统强势的工科方向近年来也开始努力开展智能化转型,如土木系的智能建造、电机系的智能电网,车辆学院的无人驾驶(成立了清华智能驾驶实验室)、精仪系的类脑器件(成立了清华类脑计算研究中心),可以说几乎每个工科大类都有深度参与智能化的研究方向。依托清华在信息技术上的优势,人工智能技术将为很多工科方向带来新的研究热点,共同造福人类社会。希望更多对AI感兴趣的同学来选择参与到这些交叉方向上来,让AI技术得到更快更广更深的应用。
文科类。清华的文科方向大多小而精,我由于从事一些交叉方向研究,所以与很多文科方向比较熟悉,例如社科学院有社科大数据的构建与研究,法学院致力于计算法学研究,中文系有计算语言学研究,外文系有语言认知研究,心理系有脑认知研究,美学院有信息交互设计和智能艺术创作研究,这些都与计算机和人工智能有密切联系,具有高度的文理交叉特点。所以,如果文科同学对人工智能感兴趣,也能在这些方向上充分感受清华的AI力量。
关于清华各院系和专业类的详细介绍,可以直接下载浏览《清华大学2019年本科招生报考指南》,简单搜索“智能”、“无人”、“类脑”等关键词,就可以找到哪些专业和院系在从事与人工智能有关的研究。
《清华大学2019年本科招生报考指南》
https://link.zhihu.com/?target=http%3A//www.join-tsinghua.edu.cn/publish/bzw2019/12156/20190617172028253709751/1560764793210.pdf
最后特别说明,这些仅为一家之言,不代表任何机构。我很乐意解答大家提出的更多通用问题,但不提供具体填报志愿的咨询。希望能帮上今年那些对CS/AI感兴趣的考生。衷心祝愿大家不畏浮云,理性判断,做好人生的重要选择。
编辑:王菁
校对:林亦霖
这篇关于指南 | 写给正在填报志愿并对CS/AI感兴趣的2019考生们的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!