7月9-11日，2020世界人工智能大会云端峰会在沪召开。

本次大会共邀请到海内外近600位重磅嘉宾，涵盖产学研用多个领域，包括7位图灵奖得主、1位诺贝尔奖得主、39位院士在内的200多位专家学者以及国内外顶尖人工智能企业领袖。

在为期3天的活动中，他们将分享关于行业发展和人类未来的最新思考。

李彦宏：

公共卫生监测、新药研发、疾病诊断……未来，人工智能大有可为

在今天上午的开幕式主题演讲环节，百度公司创始人、董事长兼首席执行官李彦宏作为第一位演讲嘉宾发表了主题演讲。他认为，人工智能的发展将经历三个历史阶段，目前我们正处于第二阶段。

人工智能大有可为，让人类更好地掌握自己的命运

李彦宏表示，尽管过去几十年科技行业跌宕起伏，有繁荣也有箫条，有高潮也有低谷，但是总体上见证了科技公司对于人类社会的发展起到了推动作用。今年以来，新冠病毒肆虐全球，经济停滞，失业率大幅增加。作为企业家，我们不得不反思科技创新是否能在关键时刻让人类更好地掌握自己的命运。

现实情况是，我们没有能够在武汉封城的时候派遣大量无人车帮助人们解决日常生活问题，我们也没有能够通过生物计算快速找到新冠病毒的疫苗，我们还没有能够储备足够多基础技术和应用来应对未来相当长一段时间逆全球化的风险。我看到很多人对技术，尤其对AI技术产生了悲观的情绪。“但是，作为一个局中人，我知道人工智能在进步。”

百度发明的AI算法可以将此次新冠病毒全基因二级结构预测从55分钟缩短至27秒，提速120倍，意味着我们能够更快预测病毒变化趋势，制定有效防控措施，还可以提高疫苗研发效率。

百度人工智能多人体温快速检测方案，有效降低火车站、地铁等公共场所工作人员被感染的风险，由阿波罗无人驾驶系统支撑无接触送餐车和无人消杀作业车可以大幅减少避免交叉感染。

“我相信在公共卫生监测、新药研发和疾病诊断方面，未来，人工智能是大有可为的。”

李彦宏认为，人工智能可以提高检测灵敏性和准确性，缩短新药研发的周期，降低新药研发成本，提高医疗诊断的准确性和效率。这将使人类在面对健康问题时更加主动。我也相信国家倡导的新基建是以人工智能为核心的基础设施建设，将在交通、能源等领域大大提升效率，推动经济的增长。以车路协同为基础的智能交通基础设施建设，将能够提升15-30%的通行效率。这个基本上就意味着对于GDP绝对值2.4%-4.8%的增长，如果和增量相比可能意味着每年对于GDP大概有百分之几十增量的贡献。这只是智能交通一个领域，其实在能源等很多方向，AI都大有可为。

人工智能发展将经历三个阶段，目前处于第二阶段

李彦宏认为，AI发展会经历三个大历史阶段。

第一个阶段叫做技术的智能化。

人工智能在60多年前被提出，近十年来算法有着快速的迭代和创新，通过云计算、大数据这些赋能已经逐步发展成为新的技术平台，但是人工智能的科学家们主要的努力都集中在概念的导入、技术的探索，。并没有演变成为一种产业或者经济现象。

第二阶段叫做经济的智能化。

随着移动互联网的发展，人类产生的有效数据指数级上升，云计算的发展则提供了海量计算所需要的能力，加上经济和社会的普遍数字化和互联网化所创造的基础环境，人工智能终于可以开始在广泛的经济领域施展魔力。这个阶段又可以分为上下两个阶段：前半段，人工智能的发展主要是围绕通用能力的开发和作为一种资源的AI能力平台化，以及智能搜索和信息流的智能推荐这两个标志性行业应用；在后半段，人类的人工智能可以开始全面产业化，就是行业应用和商业化的全面普及。

第三个阶段是社会的智能化。

人工智能将从经济领域渗透到更加广泛的社会领域，全社会和全球范围内智能协作与制度的创新将是这个阶段的主要特点，最终的协作和变革又会对经济产生更加深远的影响，人类终将进入智能社会。

“目前，我们正处在经济智能化前半段向后半段过渡时期。”李彦宏认为，经过前半段发展，在全球范围内已经出现了少数几家通用AI平台和一些专注于某个垂直行业细分的AI平台，在信息搜索、信息流推荐、无人驾驶几个垂直行业上，人工智能已经证明或者初步证明，它对所在行业颠覆和重构的潜能。

李彦宏表示，百度将自己定位于专注于对外赋能的AI平台型公司，希望每一家企业，不管你有多小，都可以像用水、用电一样方便的使用平台能力和服务能力，从而快速实现AI化的转型。最终这会使每个普通消费者从中受益。

围绕这个定位百度确立了两个小目标：第一，到2030年智能云服务器数量达到500万台；第二，在未来5年中为全社会培养超过500万个AI人才。

李彦宏认为，目前人工智能所处的阶段也是一个容易产生迷茫的阶段，这是大多数颠覆性技术加速普及之前必经阶段，好像互联网2000年左右经历的那样。一些公司消失了，一些人永远离开了互联网行业。

“而这次疫情会成为一个契机，让人们产生对于掌握自己命运的紧迫感，同时也让我们看到人工智能不再遥远，就在我们身边，延长了我们的双手，强大了我们的大脑，丰富了我们的视觉，消除了时空的障碍。”李彦宏表示，迷雾终将散去，智能经济和智能社会终将成为现实，人类也终将会掌握自己的命运。

图灵奖得主姚期智：

深度学习、神经网络、密码学……人工智能绝对是跨学科行业

在今天的开幕式上，图灵奖获得者、中国科学院院士姚期智带来了题为《人工智能理论的新方向》的主题演讲。

姚期智介绍说：“我们观察周围，比如在今天的大会堂当中，我们就会看到AI领域以及应用的一些新进展。而所有这些其实是来自于一些基础科学，这些基础科学都来自于基础理论。所以对于我们来说，应该在理论创新方面有所突破，特别是在AI方面。”

他表示，AI现在面临的挑战，我们所面临的这些问题，都可以通过理论来分析，这种分析能够让我们更清楚地知道我们面临的到底是什么样的挑战，从而获得一些启迪和启示，找到寻求解决方案的方法。

现在的应用来自于过去的理论研究，现在做的理论研究在未来某一天会让我们获得巨大的进步。

姚期智通过一些例子介绍了在AI理论方面大家所关注的新进展以及值得探索的新方向。他表示，“人工智能绝对是一个跨学科的行业。有许多例证可以表明，在AI方面获得的一些巨大成果往往是因为一些看似完全不搭界学科之间的合作，这可能需要几十年的努力，因为没有其他学科科学家所取得的研究成果的话，在AI方面我们是不可能取得这么快的发展。”

第一个例子，深度学习和神经网络，这是很多现在AI应用的基础。

很多人没有预计到深度学习获得了成功，因为它很多年以来都没有什么进展，直到突然之间到达了一个点，几个要素结合在一起之后使得我们看到深度学习和神经网络有如此巨大的应用和影响。

但是为什么神经网络这么成功？神经网络的力量到底来自于哪里？很多人不知道为什么。

如果你能理解神经网络的成功，也许你就会知道如何来改善神经网络，并且取得下一个突破。

第二个例子，是关于人工智能和隐私之间的关系，也就是密码学，这是AI一个全新的领域。

姚期智说：“假定有很多不同的当事方，每个方面都有一些数据，你需要各方面数据结合在一起才能够通过AI挖掘到一些重要的结果，但是所有当事方所拥有的数据是秘密的，而且是非常有价值的，他不希望把自己的秘密给到第三方知道。

那我们是不是可以这样做，让计算的结果不需要去揭秘这个数据属于谁，甚至不必要揭秘这个数据，是否可以通过多方密码做法来实现这个结果？

我认为，其实可以通过密码学实现这个目标。

密码学的技术很早就已经开发出来了，当时应用得非常少，但那么多年之后，成本已大大下降，现行技术让我们有了实现的可能。”

对于很多人担心的是否会出现超级人工智能？

姚期智表示，“我们不知道超级人工智能会不会出现，但是伯克利大学的一位教授去年有一本书，讲了一个非常有意思的概念。他说，尽管我们不知道超级人工智能会不会来，但是我们最好做好准备。他提出了一些很好的方法论，让大家用一些非常具体的方法做好准备。”

SAP全球总裁柯睿安：

疫情让每个人都开始意识到数字化不再是一个选项而是必须的

智能技术推动企业数字化转型一直是人工智能发展的重要场景之一，SAP是这一领域的领先公司。仅在中国，SAP就已经为15000多家企业提供智能化服务。在人工智能深度赋能的时代，企业应当如何思考和布局？

在今天开幕式的主题演讲环节中， SAP全球首席执行官柯睿安（Christian Klein）通过视频方式作了《工业与智能融合：推动高质量发展》的主题演讲。他指出，疫情危机进一步证明了转型为智慧企业的重要性，也让每个人都开始意识到数字化不再是一个选项而是必须的。

危机进一步证明转型智慧企业的重要性

柯睿安指出，今年的疫情让全球经济遇到了过去75年来最大的变化，所有行业最前瞻的企业都碰到了供应链的问题，在日常运营当中遇到很多问题。

SAP非常高兴能支持中国朋友应对疫情，我们给湖北医院进行了捐款，我们用数字技术让武汉小企业实现经济复苏。此外，我们还免费提供了各种各样的解决方案，保证我们员工、客户和合作伙伴的安全和健康始终是我们的首要任务，我们正在尽一切努力确保客户业务连续性。

柯睿安通过“全息投影”亮相

柯睿安表示，经历了疫情后，企业运营如果有什么不同的话，那就是这场危机进一步证明了转型为智慧企业的重要性。最近每个人都开始意识到数字化不再是一个选项而是必须的。

那些已经在使用创新技术驱动商业模式创新和自动化的公司，在危机前更具韧性，在疫情期间也更具韧性。他们能够利用最新技术实时将洞察转化为行动，能够更快实现数据驱动的创新和流程自动化，实现新的业务模式，更快应对变化的世界。

人工智能不仅帮助企业改进现有产品，开发出新的产品。对于SAP来说，AI智能技术还能够运用于分析规划以及实时流程监测，也可以运用于供应链管理。“制造业当中，我们可以应对存货的短缺，可以把从采购到制造到交付服务的供应链进行数字化，把这些数字化流程中出现的数据与市场和销售数据财务规划模型相结合，可以比竞争对手更快更好。”柯睿安认为，要提高企业运营的智能化程度和经营业绩，最重要的是数据。的确，有些人工智能的服务是大家可以开箱即用已经训练好的，但人工智能真正的价值在于你利用自己的数据。

中国已经成为技术创新的热土

柯睿安表示，人工智能的使用，不仅能够提高企业的营收和利润，还能提供决策洞察，帮助经营者了解几个季度的业务情况、接下来的业务预测，并且驱动未来业务的发展。

目前SAP正在加强自己的技术平台建设，比如有效支持开放式生态系统建设。为了成为智慧企业，我们开发运用各种最新的人工智能技术，比如自动化机器学习、知识图谱和可解释人工智能等。

柯睿安通过“全息投影”亮相

“中国已经成为技术创新的热土。SAP在上海、在中国有很多业务，我们的主要开发实验室就是在上海。我们和工信部的合作已经持续十多年了。我们正在和中国工业互联网研究院进行合作研究，一起做关于机器学习、大数据、云计算和区块链方面共同的合作项目。我们要利用上海的创新能力、中国创新能力，我们期待继续扩大合作。” 柯睿安表示。

2018年度图领奖得主约书亚·本希奥：

用智能手机记录跟踪会给医疗防控带来帮助

近年来人工智能迅速发展，在很大程度上归功于深度学习为代表新理论提出，深度学习理论的三位奠基者因此获得2018年图灵奖。

本届人工智能大会首次邀请到深度学习三巨头之一，2018年度图灵奖得主蒙特利尔大学计算机学教授约书亚·本希奥。在今天开幕式的主题演讲环节中，约书亚·本希奥通过视频方式发表了《机器学习赋能智能手机预测新冠疫情传染性风险》的主题演讲，谈到了基于智能手机的传染性风险。

约书亚·本希奥认为，首先，新冠病毒的重要传播特征就是能够人传人。一个病例出现症状，但往往他在出现症状的前几天就开始具有传染性了。所以医疗机构和政府的疫情防控部门迫切希望进一步扩大检测报告内容。用人工进行操作是可以的，但问题是需要时间，这方面手机记录跟踪的信息可能会给医疗防控带来帮助。标准数据跟踪的问题是只考虑了一个人核酸检测阳性与否的两元化信息，你知道你测为阳性之后，很可能具有非常高传染性是几天之后的事，如果减少这段延误时间，可能大大减少病毒传播。

“我们希望疫情防控中对于症状的追踪不是简单两元的事，有时候症状不一样，症状严重程度也不同，你需要考虑到好多点。你现有病情的状况、年龄、性别都可能影响疾病的进程。另外从那些已经确诊的患者那里收到的信息，你接触过不同风险等级的人，这些信息和线索都需要进行整合。最好的办法就是用机器学习，把这些碎片信息整合起来，确定你是不是已经被传染了，或者处于传染的哪个阶段。” 约书亚·本希奥表示，如果做到了这一点，那些有危险的人就可以根据这些预测出来的传染性，向过去几天所有见过的人发个短信，告诉他们要小心一点、需要待在家里隔离，风险没有那么高的人则可以照常生活，而不需要接受强制隔离。

约书亚·本希奥表示，这种技术未必能够完全取代人工的信息跟踪，人工跟踪可以发现人工智能没有办法评估的东西。我们想利用手机数字接触跟踪方法来加强人工接触跟踪的工具，扩大范围。“手机收集数据的工具对于公共卫生管理来说是很珍贵，很有用的。公共卫生管理部门可以决定测试谁，风险更高的人或者有接触史的人是不是需要进行优先测试。这些技术可以提供很多重要信息，比如预测是不是有可能出现大疫情，在人们去医院之前就已经进行预测了，因为可以看到传染概率在某些地区已经大幅上升了，这对公共卫生是有意义的。”

约书亚·本希奥认为，如果已经知道了整个接触的图表，我们可以做远程预测，基于我们对每个人了解可以预测他的状态，有很多办法都需要某种形式的迭代，对应不同人的不同节点之间都可能会产生多次交流概率信息，直到针对每个人的风险能够达成一个共识。如果机器学习预测器足够简单，另一种做法就是使用联合学习，不需要拥有一个中央的训练服务器，每个人手机上都可以完成自我学习和培训。

手机之间传递的信息可以使一个人风险状况不断更新，每个人能够接受或者发送信息。为了能在手机端做预测，我们也需要训练手机端的预测器。同意分享数据的人可以通过一定的识别方式向服务器提供自己的数据，服务器并不知道这些数字来自谁的手机，你的姓名，只知道症状感受如何，知道这个人是否进行过核酸检测，阳性还是阴性。

风险预测器会接受以下的信息输入，包括调查问卷里面所填的信息，包含现在你有没有自身疾病、年龄性别、行为相关的信息，你在外面或者封闭空间或者工作场所有没有戴口罩，工作的地方有没有玻璃挡着，有没有坐过公共交通工具，家里住多少人，我们知道的这些都有可能影响你有没有受感染的因素，包括过去14天里面的每个数据，你能不能提供这些症状信息和核酸检测报告测试结果信息还有白天和多少人接触过，接触多久，相隔多少距离有交互和接触。当一个人发短信的时候我们就可以知道这个人风险水平有多高。

约书亚·本希奥表示，这个数据是一个可变的输入，根据你每天接触的数量，预测器输入数量也不同，这意味着需要用很多不同机器学习的方法。训练这些机器学习目的是为了什么？一个人向另外一个人发什么信息？比如爱丽丝在五天之前碰到鲍伯，她现在发现她被感染了。她应该给鲍伯发什么信息？最有用最相关的信息就是评估一下，爱丽丝5天之前遇到鲍伯时传染力有多少，我们想要预测每个人在过去14天里面每一天的传染力有多强，这些信息就可以发给他们过去14天所见的所有人。

“我们并不知道传染力，只是有一些类似概率的信息结果，我们并不一定确认如何能够确定正确的训练目标，即使测试结果里面也有假阳性和假阴性。幸运的是，在机器学习中间有一些基于潜在变量的方法可以用来处理这个问题。”