近日，教育部印發了《教育部關於公佈2018年度普通高等學校本科專業備案和審批結果的通知》，經申報、公示、審核等程序，根據普通高等學校專業設置與教學指導委員會評議結果，並徵求有關部門意見，確定新增審批專業名單，全國共有35所高校獲首批“人工智能專業”建設資格。

“高大全”的人工智能專業

2018年人工智能領域呈“井噴”式發展。AI技術必將引領新一輪的“科技和產業革命”。在這之前，教育界的變革必然首當其衝。

AI教育走進高校，這簡直是我離人工智障……

哦，不對！人工智能最近的一次。

以前我的夢想是嫁給年薪百萬的程序猿小哥哥

沒想到母胎單身到年老色衰

暴富還得靠寄幾呀！

於是我立下flag

本仙女要抓住時代機遇，走上人生巔峰！

在“人工智能”的春天，向“一個億”進發！

俗話說：

文能提筆安天下，學AI 能對抗宇宙爆炸

於是我堅定地打開了“西安交通大學”的官網

本想“弱雞先飛”，瞭解瞭解課程

結果！！！

這是西交大人工智能本科專業的課程群，什麼叫群？

“群”就是AI知識“全家桶”，他的真身是這樣的：

看完之後，大腦一陣抽搐。

數理統計？神經科學？機器人……學？

人工智能時代，我這樣的技術廢柴真的可以嗎？

人工智能專業獲批，相關高校必將緊鑼密鼓地進行課程體系建設。西安交通大學於1986年已經成立了人工智能與機器人研究所，其專業建設和人才培養體系已相當完備，為其他院校提供了良好參照。

課程建設應基於目前國內AI技術及產業現狀，通過用人單位對AI人才的培養要求進行衡量。浙江大學副教授、浙江大學計算機學院人工智能繫系主任楊洋創造性地提出，人工智能專業應遵循“專、通、交”為一體的課程模式。即：“核心課程中既要有‘專業化’課程（掌握系統而牢固人工智能專業知識）、也要有‘通識’課程（拓寬人工智能的知識面）以及體現若干專業學科知識匯聚的‘交叉’課程”（具備人工智能+X的知識能力）”。

人工智能是一項應用技術，一定要避免“理論”與“實踐”之間的“穀倉”。“人工智能+X”的應用模式將是未來人工智能專業教學的實踐方向。如：AI+交通、AI+醫療、AI+遊戲等。這一部分課程規劃，也將促進企業與學校之間的產學合作。企業為學校提供豐富的應用場景數據、平臺開發技術、實訓機會等；學校為企業培養具有廣泛適應能力和可持續競爭力的新型人才。

AI人才不是“程序猿”，也不是“工程獅”

要想成為高薪“香餑餑”，AI人才需要掌握哪些技能呢？

2017--2018人工智能產業人才發展報告| 圖片來源：即沃數據報告

我國目前仍處於數據智能階段，對 “數據分析與處理”、模型訓練與計算是核心，對R語言、Python、java等編程語言的掌握是基礎。因此既要掌握數學與統計知識如概率論、微積分等；同時也要精通計算機知識如程序設計、算法分析和系統等。

就人工智能產業佈局來看，我國人工智能技術與產業目前主要集中在芯片、工具和計算機視覺等方面。自然語言處理、計算機視覺和機器學習應用是國內外最炙手可熱的產業發展方向。因此需要加大對自然語言處理（NLP）、機器學習等任務的進一步關注。企業更需要適用於產業方向的技術人才。

創新工場人工智能工程院執行院長王詠剛認為：中國缺少創新頂尖AI人才，另一方面是缺少複合型人才如商業人才等。成功的AI人才至少要具備三種素質：除基本的計算機和數學技術外，還需“具備對頂級技術的追蹤能力”；第三是必須要有對算法在應用場景的需求意識。

因此雖然AI行業人才爭奪薪資喜人，但是依然面臨著人才短缺的窘境。AI所需“高精尖”人才不是由數據和技術搭建起來的，而是由對“人工”、“智能”和“倫理”問題的深入認識構建而成的。

“人工智能”的版本迭代

相較於傳統計算機教學中的“人工智能”，人工智能2.0更加貼近自身概念。

“人工”需精確的數據處理及計算能力

機器學習得以實現的基礎在於數據。訓練模型需要大量標準有效數據。這就要求對數據進行精細的清洗、採樣和拆分，以獲取高數量和高質量的標註數據。

因此，在以前的技術基礎上，機器學習對“概率論、統計學、逼近論、凸分析、算法複雜度”等數據分析和算法要求更為嚴格。作為人工智能實現的前“人工”階段，就需要大量的圖像採集、數據標註。這樣有利於形成有效的數據樣本，構建有效的數據模型，根據計算訓練不斷調優。

針對機器學習所面臨的分類、迴歸及聚類的問題，有不同的核心算法和模型。例如監督學習中的分類算法，就需要掌握決策樹、貝葉斯、SVM、邏輯迴歸等算法。給定任務的不同，應用技術也就有所區分。

由此可見，傳統數據處理技術和串行計算技術難以滿足目前“高精細”大數據處理的需求。“機器學習”階段對數據分析和計算的要求更高。圍繞數據處理階段，也產生了諸如“數據標註員”等新興行業。

“智能”得益於認知神經科學的協同

隨著2018圖靈獎在“深度學習”領域內的落地，“深度學習”及其相關算法已經成為驅動人工智能落地的中堅力量。

近年來，深度學習的算法不斷優化調整，從神經網絡（NN）到深度神經網絡（DNN）、卷積神經網絡（CNN）、遞歸神經網絡（RNN）等等。多種算法的實現不斷推進計算機視覺、語音識別、自然語言處理等領域的高速發展。

掌握算法是必要的，但還遠遠不夠。

“深度學習”的概念由GeoffreyHinton等人提出。其出發點是為了模仿和創造一個“類人腦”的複雜機器裝置。即試圖使機器模仿大腦神經元之間的依賴和信息傳遞方式。對人類基於神經系統的認知活動以及大腦的破譯，才是實現“智能”的關鍵點。

雖然大腦和計算機都能存儲和處理信息，但大腦的認識活動具有任意複雜性。大腦本身具有複雜且連貫有序的記憶結構、認知模式。某些思考活動符合“觸發機制”，具有隨機性和特殊性。這裡麵包含著更為複雜的想象機制、經驗機制等。

近代認知神經科學的發展為解釋“人腦”提供了可能。奇點大學校長、谷歌工程總監雷·庫茲韋爾在其《HOW TO CREATE A MIND》中提出了“思維模式識別理論”（Pattern Recongnition Theory of Mind,PRTM），大腦的感官知覺、認知及抽象概念的形成、推理行為及語言等，都是出於“大腦新皮質層”。大腦新皮質層分為6層，包含300億個神經元，又分別組成3億個模式識別器。

“人工神經網絡”的想法最初就源於對人腦處理信息過程的模擬。基於認知神經科學的不斷完善，國外現在已經能模擬包含160萬個視覺神經元的人腦視覺新皮質。可見將來，基於人腦感官、直覺的拆分和模擬訓練將為人工智能的發展提供更多模型。

要想實現真正意義上的“智能”，認知神經科學必須實現同步發展。

文科無用？“人”還需倫理加持

“人工智能”這一旨在實現“非生物”智能的技術，改變了人與人、人與自然之間的關係。AI技術的廣泛應用，也必將徹底改變生命科學、醫學、網絡信息安全以及環境生態等領域的存在關係問題。

當機器算法影響甚至決定人的認知和決策行為時，就存在一個“度”的問題。如何為“人工智能”打造“有限制的自由”，保證人類和機器互動活動的理性、公平和人性，就需要“倫理”問題的探討。

倫理困境：電車難題

從上世紀阿西莫夫機器人三定律的提出，到而今各個科技大國的技術立法。都是從機器的角度限制和反思機器。機器失控論、AI改變勞動關係、AI情感等倫理問題得到合理解釋和解決的前提是——“人的倫理”。

因為技術是中立的，智能算法由所人賦予。人工智能模型最初由人訓練，為計算機提供大量的標註數據。智能體通過對這些數據的自動感知，運用智能算法，進行分析決策，以達成人為其設定的目標和任務。

但人在數據標註和選擇、規則的代碼化等方面存在太多不可控因素。例如：過程不透明、不公平、等問題，往往會導致算法偏差，從而導致機器歧視等現實問題。例如美國Northpointe公司開發的犯罪評估算法COMPAS，可以對罪犯的犯罪風險進行評估，法官以此作出相應判決。但這一算法，被ProPublic指出有種族歧視之嫌。根據膚色和人種對犯罪指數的預判，無疑是“前人工”階段意識或潛意識的預設。

段偉文指出：解決人工智能的倫理問題，關鍵在於“如何用代碼編寫的算法，使人所倡導的價值取向與倫理規範得以嵌入到各種智能主體中，使其遵守道德規範並具有自主倫理抉擇能力”。事實上，不存在具有道德的代碼編法，最根本的在於“創造者”的道德法則。

“天地不仁，以萬物為芻狗”，但機器作為不受自然界“因果”關係制約的“擬生物”，其創造者“人”就務必向“仁”。人文社科帶給人的“完整性”，技術永遠無法替代。未來，人工智能需要“道德困境”的約束，隨著人工智能教學的發展，新的生命哲學也必將繁榮。

1. 段偉文：人工智能的道德代碼與倫理嵌入|人工智能的倫理尺度（一），光明理論

2. 創新工場王詠剛：中國的AI人才需求在兩方面存在缺口，億歐網

3. 鄭南寧、吳朝暉等《AI賦能人才先行——專家談人工智能專業建設與人才培養》，中國大學教學雜誌

4. 《2018年中國人工智能行業研究報告》，艾瑞網

5. 雷·庫茲韋爾著：《人工智能的未來》，浙江人民出版社，2016年3月