Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

清华大学成立AI研究院:张钹院士任院长,Jeff Dean成为计算机学科顾问

6 月 28 日,在清华大学人工智能研究院成立仪式暨清华-谷歌 AI 学术研讨会开幕式上,清华大学副校长尤政宣布成立清华大学人工智能研究院。张钹院士担任新研究院的院长,与此同时,谷歌 AI 负责人 Jeff Dean 也成为了清华大学计算机学科顾问委员会委员。

在上午的发布会上,清华大学表示,新成立的研究院将致力于以人工智能理论和基础方法研究为核心,积极推进大跨度学科交叉融合,积极推进大范围技术与产业、学校与企业的融合。目前,国内高校在人工智能领域的教育投入正进入高速发展阶段。今年 3 月 6 日,南京大学成立了人工智能学院,著名学者周志华任院长,南大表示,该校将致力于建设一流的人工智能基础研究基地和人才培养基地。

作为国内高等学府中的翘楚,清华大学在人工智能领域的研究水平一直处于世界领先地位。在最新的计算机科学排名 CSRankings 网站(http://csrankings.org)上,清华大学在全球 AI 领域学术机构的排名中仅次于卡耐基梅隆大学(CMU),位居第二位。在前十名中的其他国内院校还有北京大学和中科院。不同于 US News 和 World Report 等学术排名,CSRankings 仅度量院校教员在计算机科学领域各大顶会上论文发表的数量。由于顶会论文发表难度较高,这种统计排名的方式被认为难以进行造假。

目前在 CSRankings 上的全球 AI 领域学术机构排名,统计数据截止日期:2018 年 6 月 24 日。

在 CSRankings AI 排名中,清华大学作出主要贡献的学者。排名第一的是计算机科学与技术系副研究员朱军。

根据清华大学师资简介,出任AI研究院院长的张钹是清华大学计算机系教授,中科院院士。1958 年毕业于清华大学自动控制系,同年留校任教至今。他在 2011 年获汉堡大学授予的自然科学荣誉博士,并现任微软亚洲研究院技术顾问。

张钹院士主要参与人工智能、人工神经网络机器学习等理论研究,以及这些理论应用于模式识别、知识工程与机器人等技术研究。在这些领域,张钹院士已发表 200 多篇学术论文和 5 篇(或章节)专著(中英文版),且专著获得国家教委高等学校出版社颁发的优秀学术专著特等奖。张钹院士的科研成果分别获得 ICL 欧洲人工智能奖、国家自然科学三等奖、国家科技进步三等奖、国家教委科技进步一、二等奖、电子工业部科技进步一等奖以及国防科工委科技进步一等奖奖励。此外,张钹院士还参与创建智能技术与系统国家重点实验室,于 1990‐1996 年担任该实验室主任。

在过去 30 多年中,张钹院士提出问题求解的商空间理论,在商空间数学模型的基础上,提出了多粒度空间之间相互转换、综合与推理的方法。此外,张院士还提出了问题分层求解的计算复杂性分析以及降低复杂性的方法。该理论与相应的新算法已经应用于不同领域,如统计启发式搜索、路径规划的拓扑降维法、基于关系矩阵的时间规划以及多粒度信息融合等,这些新算法均能显著降低计算复杂性。在人工神经网络上,张院士提出基于规划和基于点集覆盖的学习算法。这些自顶向下的结构学习方法比传统的自底向上的搜索方法在许多方面具有显著优越性。

根据 Google Scholar,张院士引用量最高的研究论文主要关注于神经网络的稳定性分析、神经网络的建模方法等,它们都是在深度学习崛起之前做的研究,由此可见张院士是较早研究这种层级表征模型的研究者。

产业清华大学张钹姚期智Jeff Dean谷歌
1
相关数据
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。

结构学习技术

结构化预测是监督学习,分类和回归的标准范式的一种推广。 所有这些可以被认为是找到一个能最大限度减少训练集损失的函数。

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。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

模式识别技术

模式识别(英语:Pattern recognition),就是通过计算机用数学技术方法来研究模式的自动处理和判读。 我们把环境与客体统称为“模式”。 随着计算机技术的发展,人类有可能研究复杂的信息处理过程。 信息处理过程的一个重要形式是生命体对环境及客体的识别。其概念与数据挖掘、机器学习类似。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

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)。

启发式搜索技术

计算机科学的两大基础目标,就是发现可证明其运行效率良好且可得最佳解或次佳解的算法。而启发式算法则试图一次提供一个或全部目标。例如它常能发现很不错的解,但也没办法证明它不会得到较坏的解;它通常可在合理时间解出答案,但也没办法知道它是否每次都可以这样的速度求解。

降维技术

降维算法是将 p+1 个系数的问题简化为 M+1 个系数的问题,其中 M<p。算法执行包括计算变量的 M 个不同线性组合或投射(projection)。然后这 M 个投射作为预测器通过最小二乘法拟合一个线性回归模型。两个主要的方法是主成分回归(principal component regression)和偏最小二乘法(partial least squares)。

推荐文章
暂无评论
暂无评论~