李利鵬對(duì)于人工智能應(yīng)用的心得分享

人工智能分為幾個(gè)層面，首先是基礎(chǔ)層，要有大數(shù)據(jù)云計(jì)算，因?yàn)槟銛?shù)據(jù)量大的話，要放到云端去處理，大數(shù)據(jù)、云計(jì)算、GPU/FPGA等硬件加速、新形態(tài)神經(jīng)網(wǎng)絡(luò)芯片等計(jì)算能力提供商。在技術(shù)層就是做機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、增強(qiáng)學(xué)習(xí)等各種算法。應(yīng)用層就是各種各樣的各方面的應(yīng)用，智能廣告、智能診斷、自動(dòng)寫作、身份識(shí)別、智能投資顧問、智能助理、無人車、機(jī)器人等場(chǎng)景應(yīng)用。

講講到底什么是大數(shù)據(jù)，每天聽別人講數(shù)據(jù)的重要性，什么叫大數(shù)據(jù)？從數(shù)據(jù)定義上來講，如果說它是用傳統(tǒng)統(tǒng)計(jì)的方法處理結(jié)構(gòu)化的數(shù)據(jù)量再大也不是大數(shù)據(jù)，大數(shù)據(jù)的概念應(yīng)該是說它的來源是多元，它的結(jié)構(gòu)是異構(gòu)，是非結(jié)構(gòu)化的數(shù)據(jù)，它整個(gè)數(shù)據(jù)量不僅僅是大，而且是雜亂無章，按照信息論來說，熵大，信息量非常大，這才是大數(shù)據(jù)。大數(shù)據(jù)里面最重要的是相關(guān)性和因果性，很多人包括一些科學(xué)家，有些匪夷所思，非常模糊的對(duì)于大數(shù)據(jù)挖掘相關(guān)性的神奇能力的表述，這是不對(duì)的，僅僅挖掘出相關(guān)性不夠，還要分析因果性，A推出B或者B推出A，或者AB互相推出。你僅僅利用數(shù)據(jù)分析計(jì)算出他們之間是相關(guān)的，他們之間有某種模糊的不確定的聯(lián)系是不夠的。

比如說A和B，你可以挖掘出來A和B具有某種相關(guān)性，這是不夠的。這種隱約的曖昧的相關(guān)性在關(guān)鍵的交易場(chǎng)景中，你是無法用它來做參考的。我需要在股票交易當(dāng)中獲利，僅僅相關(guān)性是無法用股票交易算法做套利的。在做人工智能數(shù)據(jù)分析計(jì)算里面有很多種算法，我想說的是在很多種算法里面有的算法是在特定領(lǐng)域里面有用的，我先說一下算法，我的背景是計(jì)算理論邏輯的背景，我非常強(qiáng)調(diào)對(duì)于任何一個(gè)行業(yè)技術(shù)，從邏輯和理論根源的角度去分析挖掘里面的痛點(diǎn)。如果說你用機(jī)器學(xué)習(xí)或者神經(jīng)元網(wǎng)絡(luò)，你能不能計(jì)算出歸納偏置，也就是bias,如果不能夠就意味著你的算法是無法獲知確定性的黑盒子算法，雖然你的算法有用但是你沒有辦法證明你的算法是正確的，只有貝葉斯統(tǒng)計(jì)才是能夠計(jì)算出歸納偏置的?？茖W(xué)的判斷標(biāo)準(zhǔn)是什么，貝葉斯里面還有另外一種分層貝葉斯，現(xiàn)在流行的深度學(xué)習(xí)是神經(jīng)元網(wǎng)絡(luò)里面分成多層，貝葉斯網(wǎng)絡(luò)也可以屬于多層，而且因?yàn)樨惾~斯網(wǎng)絡(luò)能夠用來挖掘數(shù)據(jù)背后隱含的關(guān)系，那么貝葉斯網(wǎng)絡(luò)可以做出一些深度學(xué)習(xí)做不了的事情。比如說大規(guī)模傳染病如SARS的傳播節(jié)點(diǎn)的挖掘，比如說像SARS,禽流感，如果從北京出發(fā)，中間經(jīng)過了武漢、鄭州、濟(jì)南，但是有些城市的傳播節(jié)點(diǎn)從傳染病的統(tǒng)計(jì)信息圖和數(shù)據(jù)里面看是沒有的，這種情況下只有用分層貝葉斯網(wǎng)絡(luò)，可以挖掘出傳染病隱藏的傳播節(jié)點(diǎn)，可以挖掘出隱藏節(jié)點(diǎn)間的關(guān)系，而且可以挖掘出隱藏節(jié)點(diǎn)后面的下一層節(jié)點(diǎn)，根據(jù)傳染病統(tǒng)計(jì)的數(shù)據(jù)，只有用一種方法可以挖掘出隱含的關(guān)系和節(jié)點(diǎn)，其他的深度學(xué)習(xí)機(jī)器學(xué)習(xí)的方法全都不管用。

剛才說到概率圖，我們知道現(xiàn)在業(yè)界在自然語言理解的研究里面機(jī)器學(xué)習(xí)用得最好，就是它能用大量的數(shù)據(jù)來做機(jī)器翻譯，但是僅僅利用傳統(tǒng)的機(jī)器翻譯，傳統(tǒng)的這種統(tǒng)計(jì)學(xué)意義上的這種方法去尋找大規(guī)模數(shù)據(jù)上的對(duì)應(yīng)關(guān)系，這是不夠的。學(xué)者們最新的研究引用概率圖計(jì)算去做自然語言理解和做機(jī)器學(xué)習(xí)，能夠取得更好的翻譯效果。

最近有一個(gè)著名的爭(zhēng)論，深度學(xué)習(xí)是在顛覆一切。意思是說有了深度學(xué)習(xí)什么都能干，這里面有另外的問題，煉金術(shù)好還是化學(xué)好，如果不能非常明確的確定證明它的結(jié)論正確性，不能夠證明它的結(jié)果的確定性，那么它就是一種煉金術(shù)，煉金術(shù)后面每一個(gè)元素是怎么反應(yīng)的，它們反應(yīng)的化學(xué)規(guī)律揭示清楚，這就是科學(xué)。什么叫科學(xué)，科學(xué)的唯一的判定標(biāo)準(zhǔn)就是確定性，是否具有確定性，如果說你發(fā)現(xiàn)某一條規(guī)律，繁雜無章的這種狀況面前，具有某種確定性，只有這種規(guī)律是確定的，你所發(fā)現(xiàn)的規(guī)律是真的科學(xué)的，如果說不確定，那就不是科學(xué)了。數(shù)據(jù)科學(xué)是否成立？現(xiàn)在大家都在熱炒，全世界都在炒作，大數(shù)據(jù)人工智能數(shù)據(jù)科學(xué)，如果說數(shù)據(jù)科學(xué)的判斷標(biāo)準(zhǔn)僅僅是用統(tǒng)計(jì)學(xué)的這種方法，無法確定正確性與否的方法來判斷的話，那就不是一個(gè)科學(xué)，他僅僅一個(gè)統(tǒng)計(jì)學(xué)結(jié)果，統(tǒng)計(jì)學(xué)在科學(xué)上來講，統(tǒng)計(jì)學(xué)并不被所有的學(xué)者認(rèn)為是科學(xué)，因?yàn)樗锩嬗须S機(jī)性。

我們現(xiàn)在說大數(shù)據(jù)小數(shù)據(jù)和零數(shù)據(jù)，現(xiàn)在很多公司宣傳說人工智能發(fā)展的關(guān)鍵是是否擁有大數(shù)據(jù)，這句話是錯(cuò)的。我們擁有大數(shù)據(jù)就有大的優(yōu)勢(shì)，沒有數(shù)據(jù)就無法發(fā)展人工智能，這句話是錯(cuò)的。阿爾法零在規(guī)則確定信息完全的情況下，是不需要數(shù)據(jù)的。不需要任何數(shù)據(jù)，就可以去寫這個(gè)程序，在阿爾法狗開始研究的時(shí)候，系統(tǒng)需要用棋手對(duì)弈的大量歷史數(shù)據(jù)去學(xué)習(xí)，那是因?yàn)楫?dāng)時(shí)的研究者還沒有意識(shí)到這種場(chǎng)景下的道理，對(duì)于規(guī)則明確信息完全的這樣的博弈場(chǎng)景，比如說像圍棋、象棋，這里面不需要數(shù)據(jù)。有人說谷歌的阿爾法狗沒有什么了不起的，人的智慧學(xué)得更快，圍棋的維數(shù)一改變，谷歌的下棋程序就不能使用了，這是錯(cuò)的，無論圍棋多少維，人工智能程序都應(yīng)該可以自適應(yīng)，應(yīng)該可以完全戰(zhàn)勝人類沒有問題。在規(guī)則確定，信息不完全的情況下，像麻將，軍棋，德州撲克，信息不完全的情況下，人工智能程序處理是很難的，需要計(jì)算博弈的勝負(fù)的概率，比前面的圍棋難很多。我們?cè)谧鋈斯ぶ悄苎芯康臅r(shí)候，要看具體的博弈場(chǎng)景，有的場(chǎng)景下即便沒有那么多的數(shù)據(jù)，只要我們搞清楚數(shù)據(jù)背后的原理，可以利用對(duì)抗性網(wǎng)絡(luò)讓系統(tǒng)自己生成數(shù)據(jù)，去在策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)上訓(xùn)練。

很多人都忽悠說大數(shù)據(jù)是信息時(shí)代的石油，大數(shù)據(jù)是不是信息時(shí)代的石油？石油是不是可替代性的？如果說大數(shù)據(jù)在每一個(gè)場(chǎng)景都是必然的，需要的，那他就是石油，如果說很多應(yīng)用場(chǎng)景不同的情況下，重要性不是一概而論的，那就不是信息時(shí)代的石油。小數(shù)據(jù)小樣本學(xué)習(xí)才是人工智能真正的重點(diǎn)，為什么？我們可以觀察嬰兒，嬰兒在學(xué)習(xí)新的知識(shí)的時(shí)候，他沒有通過大數(shù)據(jù)去學(xué)習(xí)，他很簡(jiǎn)單的只要見過幾次就認(rèn)識(shí)了，這就是小樣本學(xué)習(xí)。為什么人具有小樣本學(xué)習(xí)的能力，機(jī)器不具備這種小樣本的學(xué)習(xí)能力，這里面最根本的原因是人是經(jīng)過幾十億年遺傳進(jìn)化而來最高等的生物，人的生理結(jié)構(gòu)，人的遺傳信息里面就包含了某些先天性的知識(shí)，而且人具有常識(shí)，具有對(duì)于自然界和社會(huì)的常識(shí)，常識(shí)才是人工智能發(fā)展的最核心和最根本的問題，也是人工智能發(fā)展最大的困難。怎么樣讓人工智能對(duì)常識(shí)獲得認(rèn)識(shí)和理解？常識(shí)的構(gòu)建，常識(shí)的范圍太廣了，我們對(duì)于整個(gè)社會(huì)，對(duì)于整個(gè)物理世界的所有認(rèn)識(shí)，都叫做常識(shí)，也就意味著要想建立常識(shí)，終極來講對(duì)客觀世界包括物理世界和人類社會(huì)的所有知識(shí)整合起來，來建立這樣一個(gè)開放性的無所不包的知識(shí)模型。

開放性的問題就是如果說你要建立一個(gè)通用的人工智能對(duì)話機(jī)器人，我們往往發(fā)現(xiàn)答非所問，比如說像小冰，聊兩句之后，答非所問，不知所云。像機(jī)器人助手在行業(yè)應(yīng)用里面，結(jié)合具體的行業(yè)知識(shí)去做機(jī)器人行業(yè)問答助手是比較好的。

最新的人工智能的科研方向就是把傳統(tǒng)的符號(hào)邏輯，我們稱之為符號(hào)主義，專家系統(tǒng)和規(guī)則系統(tǒng)跟連接主義，機(jī)器學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)，把兩種方法結(jié)合起來去應(yīng)用。比如說google deepmind研發(fā)的神經(jīng)元網(wǎng)絡(luò)圖靈機(jī)，學(xué)習(xí)出來一個(gè)新的圖靈機(jī)，可以用來做簡(jiǎn)單的推理，用于一些大數(shù)據(jù)里面的規(guī)則挖掘和推理有不錯(cuò)的效果。再一個(gè)比如說有的朋友在做自然語言理解，就是讓機(jī)器理解人的語言，他們是把計(jì)算語言學(xué)規(guī)則系統(tǒng)與機(jī)器學(xué)習(xí)相結(jié)合，他們做得效果非常好。曾經(jīng)有一個(gè)笑話說機(jī)器學(xué)習(xí)興起來后，計(jì)算語言學(xué)家就成了自然語言理解的發(fā)展障礙，開除一個(gè)就進(jìn)步一些，計(jì)算語言學(xué)家是自然語言理解發(fā)展的障礙嗎？不對(duì)。計(jì)算語言學(xué)被拋棄了一段時(shí)間之后，當(dāng)自然語言理解遇到瓶頸的時(shí)候，機(jī)器學(xué)習(xí)根自然語言學(xué)的規(guī)則系統(tǒng)結(jié)合起來，這是目前最新的研究趨勢(shì)和方向，取得了很好的效果。

機(jī)器人里面的眼睛是用機(jī)器視覺圖像處理，聽聲音回答用得是語音識(shí)別或者語音合成，機(jī)器人只有運(yùn)動(dòng)狀態(tài)控制是跟人工智能有關(guān)的，但是它是一個(gè)典型的機(jī)器證明問題，這里面機(jī)器人有很多的關(guān)節(jié)，要計(jì)算每個(gè)關(guān)節(jié)的狀態(tài)平衡態(tài)，是多元的非線性代數(shù)連續(xù)方程組，典型的機(jī)器證明問題，三角化后求解一個(gè)多項(xiàng)式解。所以大家如果認(rèn)為機(jī)器人代表了人工智能那是錯(cuò)的。

我們?cè)賮碚f一下深度學(xué)習(xí)和機(jī)器學(xué)習(xí)及控制系統(tǒng)之間的區(qū)別，這一輪人工智能火爆起來就是因?yàn)镃NN用來處理人臉識(shí)別的圖象，CNN最早的是模擬貓的眼睛處理圖像的視覺相關(guān)部分的神經(jīng)和大腦結(jié)構(gòu)，它是天然的比較適合用來處理圖像。時(shí)序神經(jīng)網(wǎng)絡(luò)RNN，因?yàn)榻灰最悎?chǎng)景有下單和成交時(shí)序，適合于股票期貨交易算法，長(zhǎng)短時(shí)神經(jīng)元網(wǎng)絡(luò)族LSTMfamily，適用于語音識(shí)別，科大訊飛的核心語音識(shí)別算法就是屬于一個(gè)變形的LSTM算法。級(jí)聯(lián)隨機(jī)森林 cascade random forest，適合于決策，最高法和某大型國(guó)有科研機(jī)構(gòu)合作的智慧司法項(xiàng)目去年底找到我們外包做人工智能模擬法官判案決策邏輯。量子熱力學(xué)模擬退火算法，它也不屬于深度學(xué)習(xí)，當(dāng)我們?cè)诔?jí)復(fù)雜的系統(tǒng)里面，想計(jì)算系統(tǒng)的狀態(tài)代價(jià)函數(shù)的全局最小點(diǎn)，這種特別復(fù)雜的情況下，有時(shí)候用梯度下降算法容易陷在局部最小點(diǎn)跳不出來，就要用這種算法。

輔助駕駛和自動(dòng)駕駛中黑盒子算法的安全性問題。特斯拉最開始的時(shí)候，他的廣告宣傳片是自動(dòng)駕駛，在迪拜，一個(gè)人坐上車后面的座位什么都不用管了，后來把廣告撤了，因?yàn)槌隽巳嗣鹿?。你要讓車?shí)現(xiàn)自動(dòng)駕駛，圖象識(shí)別現(xiàn)在用的是黑箱子算法，沒有辦法去解答，圖象識(shí)別的每個(gè)層面，每層是什么意義，圖象識(shí)別的正確性如何，即便識(shí)別的精度很高也不知道什么時(shí)候失效，沒有辦法去確定圖像識(shí)別算法的正確性，只能說它是有用的有效的。還有一個(gè)方面，駕駛系統(tǒng)不僅僅是圖象識(shí)別系統(tǒng)，還是一個(gè)決策系統(tǒng)。比如說舉個(gè)例子，一個(gè)自動(dòng)駕駛系統(tǒng)，駕駛員坐上去了，天然的駕駛系統(tǒng)就是要保護(hù)駕駛員。遇到一種場(chǎng)景，駕駛員坐在自動(dòng)駕駛的車上，前面有緊急情況，車有一種選擇是撞上欄桿，車毀駕駛員受傷，還有一種選擇是前邊有一個(gè)高端人士，比如是一個(gè)高級(jí)學(xué)者，還有一個(gè)選擇是另外一邊站著幾個(gè)所謂的普通人，作為自動(dòng)駕駛系統(tǒng)，他應(yīng)該選擇撞誰或者選擇保護(hù)駕駛員嗎？這是決策系統(tǒng)的問題，需要在各種可能性之間進(jìn)行博弈和決策，而生命是平等的。還有生命的神圣性問題，現(xiàn)有的自動(dòng)駕駛系統(tǒng)里面，沒有辦法確定算法什么時(shí)候失效，某種情況下，即便概率很低，很有可能讓一個(gè)人坐在自動(dòng)駕駛的車上出現(xiàn)交通事故，出了人命。即便自動(dòng)駕駛降低了車禍的概率，這種概率很低，我們作為乘客把命運(yùn)交給他們不確定正確與否的算法和系統(tǒng)手里，自動(dòng)駕駛的乘客生命是可以確定性的被自動(dòng)駕駛的安全或者不安全性隨機(jī)的失效，低概率但是確定性的剝奪他們的生命。誰賦予了這個(gè)權(quán)力，我們要看待自動(dòng)駕駛的問題，它分為幾個(gè)等級(jí)，L1到L4。有單目、雙目輔助駕駛(adas),激光雷達(dá)，微波雷達(dá)，慣性導(dǎo)航儀的引入，這種情況下用它來做L3級(jí)別的自動(dòng)駕駛，這是可行和靠譜的，如果做L4完全自動(dòng)駕駛只能用于沒有人的港口，如果突然走出來一個(gè)行人，怎么決策，在復(fù)雜的路況下怎么做自動(dòng)駕駛的決策，這種是目前的技術(shù)不能做到的。

人工智能可以做所有的事情嗎？在很多應(yīng)用程序里面，它是什么樣的應(yīng)用環(huán)境需要被考慮進(jìn)去，很多時(shí)候是一個(gè)博弈場(chǎng)景。廣告算法中的博弈，比如說google,百度，exchange等廣告平臺(tái)，廣告主，用戶，代理商，第三方技術(shù)服務(wù)商的博弈。我們?nèi)绻私獠┺闹械木鉅顟B(tài)，計(jì)算到均衡點(diǎn)，就可以進(jìn)行有引導(dǎo)的納什均衡。量化交易算法中股票期貨外匯交易市場(chǎng)的博弈，比如說交易所，交易各方的博弈，算法對(duì)交易趨勢(shì)的預(yù)測(cè)，利用及擾動(dòng)。這個(gè)算法引入了之后，算法引入的交易量大了，它把納什均衡破壞掉了，一個(gè)量化交易算法公開了被很多交易商使用之后，這個(gè)算法破壞了納什系統(tǒng)的狀態(tài)，而且對(duì)當(dāng)前的交易趨勢(shì)進(jìn)行了擾動(dòng)，效果就不好了。

在政治里面，在經(jīng)濟(jì)里面，也可以用到數(shù)據(jù)分析和引入博弈論。我們團(tuán)隊(duì)做過一些競(jìng)選的數(shù)據(jù)分析的探索。三年前我們新加坡的團(tuán)隊(duì)為印度***莫迪的競(jìng)選提供了一些數(shù)據(jù)分析服務(wù)，數(shù)據(jù)驅(qū)動(dòng)的選舉是可以做分析可以做預(yù)測(cè)的，選舉數(shù)據(jù)在源源不斷的更新，但是對(duì)于政治博弈，人工智能無法確定它的結(jié)果。全球治理，國(guó)家治理，宏觀經(jīng)濟(jì)模型中各項(xiàng)數(shù)據(jù)指標(biāo)的內(nèi)在關(guān)系和博弈，選舉，政治局勢(shì)的監(jiān)測(cè)，分析，預(yù)測(cè)，這些都可以用到數(shù)據(jù)分析，而且每一個(gè)復(fù)雜系統(tǒng)都可以考慮博弈動(dòng)力學(xué)，都是復(fù)雜的博弈系統(tǒng)，包含很多博弈子系統(tǒng)，一個(gè)復(fù)雜系統(tǒng)中每一個(gè)博弈子系統(tǒng)也會(huì)有平衡態(tài)，整個(gè)系統(tǒng)構(gòu)成子博弈精煉納什均衡，系統(tǒng)的狀態(tài)會(huì)從一個(gè)舊的納什均衡，演進(jìn)到新的納什均衡。但是數(shù)據(jù)驅(qū)動(dòng)的選舉的預(yù)測(cè)分析有可行性，而隱規(guī)則驅(qū)動(dòng)的政治結(jié)果預(yù)測(cè)只能判斷可能性而不能判斷結(jié)果的確定性。

人工智能里面發(fā)展最關(guān)鍵的部分是語義和知識(shí)圖譜，這個(gè)世界是否是可計(jì)算的？計(jì)算機(jī)科學(xué)、物理學(xué)、哲學(xué)能不能統(tǒng)一起來？圖像識(shí)別，語音識(shí)別，物體識(shí)別，自然語言處理，機(jī)器翻譯，社會(huì)問題，金融科技，算法交易等開放性問題，都需要知識(shí)圖譜和語義識(shí)別，知識(shí)圖譜是符號(hào)邏輯的碩果僅存與再發(fā)揚(yáng)。圖像識(shí)別和語音識(shí)別達(dá)到了一定精度后要想再進(jìn)步1%都很難，因?yàn)檫M(jìn)一步的識(shí)別需要判斷語義?；趯?shí)體及關(guān)系的知識(shí)圖譜的構(gòu)建，要考慮到語義在高階邏輯上的不可判定性，在高級(jí)邏輯上語義是不可判定的，而且很久之前哥德爾不完全定理就證明了人類用的計(jì)算機(jī)，其根本是一個(gè)演繹邏輯系統(tǒng)，是有缺陷的。很多計(jì)算問題都是NP問題，NP=P？問題的多項(xiàng)式時(shí)間內(nèi)的可計(jì)算性研究，及Karp 21類典型NPC問題的多項(xiàng)式時(shí)間轉(zhuǎn)化和等價(jià)，這些計(jì)算理論問題，需要?dú)w納邏輯與演繹邏輯結(jié)合，對(duì)于邏輯系統(tǒng)進(jìn)行補(bǔ)充和統(tǒng)一。

在自然界有概率，有隨機(jī)性，但是也有概率分布，有概率密度分布，統(tǒng)計(jì)學(xué)有概率的隨機(jī)性，而概率密度分布是研究這種隨機(jī)分布的確定性的。人工智能在計(jì)算狀態(tài)方程的時(shí)候有概率密度分布PDF函數(shù)，在計(jì)算理論和密碼學(xué)理論里面，有計(jì)算NPC的多項(xiàng)式時(shí)間求解中概率密度分布函數(shù)的應(yīng)用。量子物理中多量子體間作用的波函數(shù)與人工智能算法中張量網(wǎng)絡(luò)有對(duì)應(yīng)關(guān)系。人類知識(shí)系統(tǒng)與物理世界的語言描述和邏輯要統(tǒng)一，如果說你要建一個(gè)通用的完美的人工智能，你就要解決這個(gè)問題。哲學(xué)上的休謨問題，你能否用一些基本的原理來推導(dǎo)出社會(huì)上一切問題的道德性和正確性的判定？如果我們建立完美的人工智能，也就意味著我們要了解所有知識(shí)和邏輯，做到符號(hào)，代數(shù)，計(jì)算的統(tǒng)一，這個(gè)意義上來講，科學(xué)的發(fā)展最終要反哺哲學(xué)。

量子計(jì)算機(jī)和人工智能沒有任何關(guān)系。有人說量子計(jì)算機(jī)的量子算法可以很快破解RSA加密帶來了驚恐，但是這個(gè)僅僅在理論上有奇效，實(shí)際不可行。因?yàn)樗枰浅６啵瑹o窮無盡的量子位來實(shí)現(xiàn)，但是量子位的增加是很難的工作。跟傳統(tǒng)計(jì)算機(jī)的比特位的增加不一樣，量子位的擴(kuò)展對(duì)于量子態(tài)的測(cè)量和容錯(cuò)，糾錯(cuò)的難度是指數(shù)型增長(zhǎng)，位數(shù)越多，糾錯(cuò)難度越大。量子計(jì)算機(jī)當(dāng)前最新研究進(jìn)展是十幾個(gè)量子位。當(dāng)前各大公司所有公布的經(jīng)典量子計(jì)算機(jī)都是量子模擬，都不是真實(shí)的實(shí)現(xiàn)，Google支持的Dwave是非經(jīng)典量子計(jì)算機(jī)，真正有前景的是量子熱力學(xué)模擬退火，真正有前景的就是這種，包括日本有一個(gè)基于Ising模型研發(fā)的非經(jīng)典量子計(jì)算機(jī)，Ising模型里面出過兩個(gè)諾貝爾獎(jiǎng)的獲得者，如果誰能夠計(jì)算三維Ising模型就能夠再獲得一個(gè)諾貝爾獎(jiǎng)。用Ising模型在常溫下就可以做量子熱力學(xué)模擬退火芯片。量子模擬退火可以用于人工智能的組合優(yōu)化，機(jī)器學(xué)習(xí)中狀態(tài)方程的計(jì)算與量子模擬退火計(jì)算機(jī)結(jié)合的核心是添加隨機(jī)數(shù)生成器和數(shù)據(jù)的交互傳輸。

我們公司各方面發(fā)展還行，現(xiàn)在最高的日收入是接近100萬美金，量化廣告，量化金融，金融科技我們也做了不少研發(fā)，我們是某個(gè)全國(guó)性股份制商業(yè)銀行的智慧銀行的項(xiàng)目主要開發(fā)者，包括反欺詐、大數(shù)據(jù)、企業(yè)風(fēng)控和個(gè)人風(fēng)控，企業(yè)授信，個(gè)人授信都是我們做的，我們?cè)谥悄芩痉ɡ镒龅淖詈诵牡木褪侨斯ぶ悄苣M法官判案，中國(guó)的法律規(guī)定量刑范圍有一些互相沖突的條款，在各個(gè)地方規(guī)定也有一些不一樣，過去的判案案例里面有可能受到某些因素影響或者主審法官個(gè)人對(duì)法律的理解不到位，包括量刑范圍和立功減刑。如果僅僅把歷史上的案件統(tǒng)計(jì)一下根據(jù)統(tǒng)計(jì)規(guī)律指導(dǎo)法官進(jìn)行新的判案是不靠譜的。我們也參與其他的事情比較多。今天的分享，主要是希望引起對(duì)于人工智能和大數(shù)據(jù)基礎(chǔ)理論和原創(chuàng)性技術(shù)研究的關(guān)注。謝謝大家！