11月7日，Yoshua Bengio 受邀参加微软亚洲研究院主办的第二十届“二十一世纪的计算”国际学术研讨会，给出了题为“深度学习通往人类水平 AI 的挑战”的演讲。 演讲中，Bengio 以去年发布在 arXiv 的研究计划论文“有意识先验”（The consciousness prior）为主旨，重申了他与 Yann Lecun 十年前提出的解纠缠（disentangle）观念：我们应该以“关键要素需要彼此解纠缠”为约束，学习用于描述整个世界的高维表征（unconscious state）、用于推理的低维特征（conscious state），以及从高维到低维的注意力机制——这正是深度学习通往人类水平 AI 的挑战。
微软亚洲研究院副院长周明主持了一场题为“人工智能的行业实践”的圆桌讨论，4位微软亚洲研究院的院友（科大讯飞副总裁李世鹏、字节跳动副总裁马维英、旷视首席科学家孙剑、清华大学教授徐迎庆）参与了讨论，大家就人工智能发展过程中的技术问题，对人们生活的影响，以及未来的发展方向等问题分享了自己的看法。
在微软亚洲研究院主办的第二十届“二十一世纪的计算”大会暨微软教育峰会上，1992 年图灵奖得主、微软新英格兰研究院技术院士Butler Lampson与我们分享了在计算机科学技术飞速发展并产生越来越大的社会影响力的今天，我们需要什么样的相关公共政策，来保证技术使用者的人身安全与信息安全。
图灵奖得主、清华大学交叉信息研究院教授兼院长姚期智做了题为“崛起中的量子计算”的主旨演讲。他从量子计算的历史和概念入手，为我们解释了量子计算机强大的原因以及目前的研究进展。未来，“量子计算+AI”将是新的时代主题，二者的结合也将绽放出新的火花。
在1979年之前，对意识的科学研究还是一个禁忌，直到1987年一位诺贝尔奖得主开始研究意识，1990年磁共振成像(fMRI)的发明使人们可以看到脑内血液流动的情况，意识研究才真正成为科学。意识研究，有哲学、神经科学、结构学等多种不同的范式。对于计算机科学可以对意识理论产生什么样的贡献，卡内基梅隆大学计算机科学系杰出教授Lenore Blum提出了一个可被验证的模型，通过全局分析模式研究大脑的结构，以剧院的类比来描述意识，并通过对大脑结构的研究来理解意识。
我们生活在一个令人激动的系统研究与创新时代。这些创新让计算机系统得以处理前所未见规模的数据和应付高度复杂的大型系统问题。在这些创新中，大规模分布式系统的进步以及其他相关系统领域诸如数据库系统、程序语言与编译器、理论与形式化方法、硬件与体系结构、安全与隐私和应用密码学的进步都起到了关键性的作用。然而，“无形”的系统因为其“看不见摸不着”的特点，很少成为媒体的焦点。究竟什么是计算机底层系统？一个好的计算机系统究竟意味着什么？面向未来的系统创新和设计需要面对怎样的技术挑战和技术战略前瞻？
人工智能备受关注、取得革命性进步背后的推手，其实是“机器学习”。 机器学习其实是一门多领域交叉学科，它涉及到计算机科学、概率统计、函数逼近论、最优化理论、控制论、决策论、算法复杂度理论、实验科学等多个学科。机器学习的具体定义也因此有许多不同的说法，分别以某个相关学科的视角切入。但总体上讲，其关注的核心问题是如何用计算的方法模拟类人的学习行为：从历史经验中获取规律（或模型），并将其应用到新的类似场景中。 那么，当我们谈机器学习时，到底在谈些什么？从业者需要掌握哪些前沿技术？未来，又有什么技术趋势值得期待？
对于离不开社交平台、电商、新闻阅读、生活服务的现代互联网用户来说，个性化推荐已经不是什么新鲜事儿。 随着信息技术和互联网行业的发展，信息过载成了人们处理信息的挑战。对于用户而言，如何在以指数增长的资源中快速、准确地定位到自己需要的内容是一个非常重要且极具挑战的事情。对于商家而言，如何把恰当的物品及时呈现给用户，从而促进交易量和经济增长，也是一件颇具难度的事情。推荐系统的诞生极大地缓解了这个困难。
识别图像对人类来说是件极容易的事情，但是对机器而言，这也经历了漫长岁月。 在计算机视觉领域，图像识别这几年的发展突飞猛进。而这些最新进展的背后推动力是深度学习。深度学习的成功主要得益于三个方面：大规模数据集的产生、强有力的模型的发展以及可用的大量计算资源。对于各种各样的图像识别任务，精心设计的深度神经网络已经远远超越了以前那些基于人工设计的图像特征的方法。 尽管到目前为止深度学习在图像识别方面已经取得了巨大成功，但在它进一步广泛应用之前，仍然有很多挑战需要我们去面对。与此同时，我们也看到了很多具有未来价值的研究方向。
如今，人工智能正在改变我们的生活，更在变革或颠覆着各行各业。人工智能在创造机遇的同时，也给人类世界带来了诸多挑战。未来的人工智能时代会是何种样貌？我们应当以怎样的姿态迎接这个科技时代？预见未来的最佳方式是参与创造未来，而参与创造的前提是对人工智能有全面而清晰的认知。在这里，我们不仅想讨论人工智能可以做什么，也想把更多眼光落在人工智能应该做什么，尝试去探索人工智能造福人类的最佳路径。
知识图谱作为一种特殊的图数据，不仅人类可以识别且对机器友好。信息检索、问答系统、推荐系统、电子商务、金融风控，这些生活中常见的应用场景都离不开知识图谱的支持。如何构建一个“多快好省”的知识服务系统？微软亚洲研究院机器学习组的研究员们基于自己的经验，给出了他们的建议。
在我们的生活中，用语音查询天气，用必应搜索信息，这些常见的场景都离不开一种应用广泛的数据存储方式——表格（table）。如果让表格更智能一些，将是怎么样的呢？在这篇文章中，微软亚洲研究院自然语言计算组将为我们介绍基于表格的自然语言理解与生成方向的一系列工作。
最近邻搜索算法能够帮助人们在海量数据中快速搜索到有效内容，但是想要将其应用于实际，则需要解决如何缩短搜索时间的问题。本文将为大家介绍两种减少搜索时间的方法。基于哈希的近似最近邻搜索的方法通过设计和优化哈希函数，减少计算的次数，从而缩短搜索时间。基于量化的近似最近邻搜索方法则通过聚类把向量集聚成若干类，每类里面的向量用对应的类中心来近似。
行为识别是计算机视觉领域的一个重要研究方向，在监控、自动驾驶等日常场景中具有广泛的应用前景。为了提升3D CNN在行为识别分析中的性能，微软亚洲研究院网络多媒体组在CVPR 2018上提出了一个简单而高效的3D/2D混合卷积模块（MiCT）。MiCT模块使3D CNN能够以更少的3D时空融合、更小的模型、更快的速度来提取到更深的视频时空特征，进而大幅提升行为识别的表现。
单纯的推荐结果和推荐结果+理由的组合，哪个更让你信服？长篇累牍的推荐语和言简意赅的关键词，你更愿意看哪个？这是人们每天都会面对的场景，也是可解释推荐系统研究需要不断优化的问题。在上一篇文章《可解释推荐系统：身怀绝技，一招击中用户心理》中，微软亚洲研究院的研究员王希廷和谢幸介绍了可解释推荐系统的分类、推荐解释生成方法以及面临的机遇和挑战。本文中，研究员从解释的目标出发，结合现有的方法流程，介绍了他们改进过的新的结构，最后也反思了研究有待改进的方向，为之后的研究提供思路。
2018年11月8日，微软亚洲研究院举行建院二十周年庆典，集中展示了微软亚洲研究院成立20年来走过的发展历程和取得的科研创新成果，以及产学研多方合作的最新进展。 面对技术领域突飞猛进的发展势头，微软亚洲研究院特别发布了一系列专家技术趋势解读文章，勾勒出计算机科学核心领域未来十年发展的重点方向。与此同时，微软亚洲研究院还展示了涵盖人工智能创作、机器认知智能、数据智能与开放平台、科技赋能等方向的26项技术原型和应用实例。
二十周年是一个里程碑，更是崭新的起点，我们以本次周年庆典活动为契机，回顾微软亚洲研究院过去的发展历程与丰硕成果，以更好地展望新的未来。
2018年11月6日，由微软亚洲研究院主办的第二十届“二十一世纪的计算”国际学术研讨会暨微软教育峰会在北京隆重召开。在教育部国际司和中外人文交流中心的指导和支持下，本届大会同时承担了“中国高校人工智能人才国际培养计划”2018年国际人工智能专家论坛的重任。教育部国际合作与交流司副司长方军、微软公司CEO萨提亚·纳德拉以及四位图灵奖获得者，携手全球计算机科学和人工智能领域的知名学者，与现场1,000多名中国高校师生，共同探讨科技前沿与行业影响。
时光荏苒，我与微软亚洲研究院结缘已经20年。我将自己职业生涯中的大部分时光献给了这所享誉中外的基础研究机构。 每每回想研究院走过的历程， 我都非常感恩大时代的机缘，让我们与中国波澜壮阔的改革开放进程同步，一起成长和壮大， 将努力和梦想融进事业发展中。
20年来，微软亚洲研究院发表了超过5,000篇科研论文，成为了世界上最受赞许的企业研究院。高质量的科学研究始终是我们取得成功的核心所在。
最新资讯
查看更多>知识图谱作为一种特殊的图数据，不仅人类可以识别且对机器友好。信息检索、问答系统、推荐系统、电子商务、金融风控，这些生活中常见的应用场景都离不开知识图谱的支持。如何构建一个“多快好省”的知识服务系统？微软亚洲研究院机器学习组的研究员们基于自己的经验，给出了他们的建议。
自虚拟现实（VR）和增强现实（AR）诞生之初，人们就对它们报以极大的关注。VR和AR以其逼真的沉浸感和交互性，被广泛应用于游戏、医疗、设计等诸多领域。当VR/AR与建筑设计相遇，又将带来什么样的新奇效果？来自哈佛大学设计学院的洪玉洁博士近期到访微软亚洲研究院，与我们分享了她在建筑设计领域进行的VR/AR应用探索。
最近邻搜索算法能够帮助人们在海量数据中快速搜索到有效内容，但是想要将其应用于实际，则需要解决如何缩短搜索时间的问题。本文将为大家介绍两种减少搜索时间的方法。基于哈希的近似最近邻搜索的方法通过设计和优化哈希函数，减少计算的次数，从而缩短搜索时间。基于量化的近似最近邻搜索方法则通过聚类把向量集聚成若干类，每类里面的向量用对应的类中心来近似。
人物特写
查看更多>
