杜佳豪原创

2020/03/07 13:10

张倩参与

「打造中国人自己的开放 AI」：清华教授唐杰宣布成立AI新期刊

今天，清华大学计算机科学与技术系教授唐杰在社交媒体上宣布，他们成立了一个新期刊——《ai open》，专注 AI 的开放共享。该期刊的内容可以免费获取。此举得到了刘知远、刘群、马少平等国内研究者的支持。

在期刊官网，我们可以看到，《ai open》隶属于北京科爱森蓝文化传播有限公司，后者由中国科技出版传媒集团有限公司和爱思唯尔这两家世界领先的科学、技术和医学出版机构共同投资成立。

该期刊由唐杰教授担任主编。他是清华大学计算机科学与技术系长聘教授，研究兴趣包括社会网络分析、数据挖掘、机器学习和知识图谱等。2006 年，他还主持研发了研究者社会网络挖掘系统 AMiner。

《ai open》是一个共享 AI 理论与应用知识和前瞻性观点的免费开放平台。期刊接收的内容包括研究文章、综述论文、观点、交流性短文和技术说明，范围覆盖 AI 及其应用的方方面面。

期刊主题包括但不限于：深度学习与表征学习、图理论与图挖掘、知识图及其应用、自然语言处理、图像处理与分析等。此外，部分人脑研究主题也包含在内，如大脑连接和网络建模、认知行为、神经免疫学等。

期刊官方介绍：keaipublishing.com/en/journals/ai-open/

在 AI 领域，世界范围内已经有许多开放的会议、论文平台，为什么国内研究者还要专门成立一个开放 AI 期刊呢？这还要从 AI 一直以来的开放属性与当前日益封闭的全球学术氛围谈起。

一切为了「开放」

长期以来，开放的研究氛围一直是促进人工智能领域发展的关键因素，正是因为学界和业界参与者不断和快速地公开自己的研究结果和代码，人们才能够及时掌相关方向的最新进展，并在学术环境之外开展自己的研究。AI 社区的研究人员也一直在捍卫这种开放的氛围。

2017 年 11 月，Nature Research 宣布了旗下新子刊《Machine Intelligence》的发布计划，但这一计划很快就遭到了 AI 研究社区的抵制。原因在于，新子刊仍然遵从传统学术期刊的封闭、文章作者付费提交审核的模式，这与 AI 领域的开放文化产生了冲突。签署抵制联合声明的学者达到了数千名。

除了与传统出版机制的斗争外，AI 领域的开放文化还受到国际政治氛围的影响。

去年，不少学者因签证问题被 AI 学术会议举办国拒之门外。以 NeurIPS 2019 为例，去年 11 月，谷歌 AI 研究员 Timnit Gebru 在 Twitter 上表示，加拿大拒绝向计划参加 NeurIPS 和 Black in AI 研讨会的大量 AI 研究人员和研究学生发放旅行签证。在计划参加 Black in AI Workshop 的 44 位参与者中，有 15 位被拒绝签证。此外，NeurIPS Machine Learning for the Developing World workshop 的联合组织者 Tẹjúmádé Àfọ̀njá也被拒签。

在过去的两年里，这种因签证问题无法参会的问题层出不穷。为此，ICLR 组委会甚至将 2020 年的会议举办地选在了非洲。

参会受阻只是一个方面，国内学者在其他方面也面临着学术交流受阻的困扰。这也是《ai open》诞生的一大契机。

此外，随着国内学术研究机构与科技公司在 AI 研究领域的崛起，我们也迫切需要一个开放的 AI 交流平台。从数据上来看，中国在 AI 领域发表的论文数量早已超越美国。从 2007 年到 2017 年，中国的 AI 论文数量增长了 2 倍。而且根据去年美国数据、技术和公共政策交叉研究智库 Center for Data Innovation 发布的「全球 AI 实力报告」，中国在 AI 领域领先于欧盟，并且正快速缩小与美国的差距。

《ai open》可能只是一个开始。国内 AI 研究社区需要的不仅仅是《ai open》，还需要更多的 AI 开放交流平台。

入门清华大学唐杰ai openAI清华

1 1

相关数据

唐杰人物

唐杰是清华大学计算机系副教授。他以学术社交网络搜索系统Arnetminer而闻名，该系统于2006年3月推出，目前已吸引来自220个国家的2,766,356次独立IP访问。他的研究兴趣包括社交网络和数据挖掘。

来源：个人页面 Wikipedia

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.

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.

社会网络分析技术

社会网络分析方法是由社会学家根据数学方法﹑图论等发展起来的定量分析方法，近年来，该方法在职业流动、城市化对个体幸福的影响、世界政治和经济体系、国际贸易等领域广泛应用，并发挥了重要作用。社会网络分析是社会学领域比较成熟的分析方法，社会学家们利用它可以比较得心应手地来解释一些社会学问题。许多学科的专家如经济学、管理学等领域的学者们在新经济时代——知识经济时代，面临许多挑战时，开始考虑借鉴其他学科的研究方法，社会网络分析就是其中的一种。

来源：MBA智库

表征学习技术

在机器学习领域，表征学习（或特征学习）是一种将原始数据转换成为能够被机器学习有效开发的一种技术的集合。在特征学习算法出现之前，机器学习研究人员需要利用手动特征工程（manual feature learning）等技术从原始数据的领域知识（domain knowledge）建立特征，然后再部署相关的机器学习算法。虽然手动特征工程对于应用机器学习很有效，但它同时也是很困难、很昂贵、很耗时、并依赖于强大专业知识。特征学习弥补了这一点，它使得机器不仅能学习到数据的特征，并能利用这些特征来完成一个具体的任务。

来源：Wikipedia

知识图谱技术

知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。知识图谱这个概念最早由Google提出，主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎，知识图谱可用来更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候，搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月，家庭情况等等。

来源：机器之心

数据挖掘技术

数据挖掘（英语：data mining）是一个跨学科的计算机科学分支它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。数据挖掘过程的总体目标是从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用。

来源：维基百科

图像处理技术

图像处理是指对图像进行分析、加工和处理，使其满足视觉、心理或其他要求的技术。图像处理是信号处理在图像领域上的一个应用。目前大多数的图像均是以数字形式存储，因而图像处理很多情况下指数字图像处理。

来源：维基百科

自然语言处理技术

自然语言处理（英语：natural language processing，缩写作 NLP）是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

来源：维基百科