纽约大学人工智能博士

东方科技论坛青年学者论坛：人工智能海外博士生研讨会 ，汇集了世界顶级高校的高年级博士生，专业覆盖当前人工智能的多个热点领域。会议委员会由顶尖青年学者组成，与会者经委员会精心挑选邀请，大部分是两年内即将毕业的博士在读学生，就读院校均为世界顶尖高校，如卡内基梅隆大学、斯坦福大学、麻省理工学院、加州大学伯克利分校、剑桥大学、纽约大学、华盛顿大学等。会议议程包括： 理论及核心算法 、 自然语言处理 、 计算机视觉 、 游戏及大众智能 、 人 工智能在创意艺术领域的应用 。本次活动由上海纽约大学数据科学研究中心与华院数据发起和承办，上海市人民政府、中国科学院和中国工程院主办，亚马逊云计算实验室协办。活动详情请参考官网： www.ai-flair.org请注意：本次活动对公众开放，但因活动席位有限，将优先接受有邀请码的客人。请点击文末“ 阅读原文 ”进行报名。本次活动也开设 网络直播 ，可扫文末 二维码 观看网络直播。 会议委员会何凯明， Facebook李沐，Amazon吕正东，Deeplycurious.ai田渊栋，FacebookDavid Wipf，微软研究院夏光宇，上海纽约大学张峥（委员会主席），上海纽约大学 演讲嘉宾陈天奇，华盛顿大学杜少雷，卡内基梅隆大学顾世翔，剑桥大学胡戎航，加州大学伯克利分校胡志挺，卡内基梅隆大学Natsumi Kato，筑波大学孔祥宇，北京大学彭昊，华盛顿大学Ravid Schwartz-Ziv，希伯来大学施正珊，斯坦福大学王敏捷，纽约大学赵俊博，纽约大学张雨倩，哥伦比亚大学周家骥，卡内基梅隆大学朱玉可，斯坦福大学 主讲嘉宾 李航，今日头条实验室主任李航现为今日头条实验室主任，曾任华为诺亚方舟实验室主任；1990-2001年，供职于NEC公司研究实验室；2001-2012年，在微软亚洲研究院工作；其研究领域包括信息检索、自然语言处理、统计机器学习和数据挖掘。 田渊栋，Facebook人工智能实验室研究员田渊栋现为Facebook人工智能实验室研究员；加入Facebook前，曾于2013-2014年担任谷歌X公司自动驾驶车小组的研究员与软件工程师。 David Wipf， 微软研究院首席研究员David Wipf目前是微软研究院位于北京的可视化计算小组首席研究员；其研究兴趣包括非凸优化、贝叶斯推理、稀疏/结构化算法和深度学习。 东方科技论坛青年学者论坛：人工智能海外博士生研讨会 时间: 12月20日-21日 地点: 上海纽约大学1504室 讲座语言: 英文 扫二维码观看网络直播 Scan QR Code to watch livestreaming

选自NYU机器之心编译参与：杜夏德、李泽南、曹瑞纽约大学的一项新研究发现，在言语工作记忆中，我们用来存储和处理信息的神经结构比我们之前所理解的要复杂的多，这种结构的发现会影响到人工智能系统的建立。人类用于言语工作记忆（vWM）中储存和处理信息的神经结构要比以前我们所理解的更加复杂，纽约大学的研究者们刚刚在Nature Neuroscience上发表了他们的新研究，这一发现对人工智能系统例如语音翻译工具的构建有着重要的意义。这项研究认为，在言语记忆工作中的信息处理过程包含了大脑中两个不同的网络，而不是以往认为的一个，这个发现可能会对打造语音翻译工具这样的人工智能系统产生影响。「我们的研究结果显示，当人类在思维中处理使用语音和语言信息时，至少有两个大脑网络是活跃的，」纽约大学神经科学副教授Bijan Pesaran说，他是这篇论文的作者之一。 过去的研究强调了单一的「中央执行机构」 如何监督存储在记忆工作的操作（manipulation）信息。据Pesaran的观察，这是一个非常重要的假设，因为目前的复制人类语音的人工智能系统通常都假设言语工作记忆中的计算都由一个单独的中心网络负责。「人工智能需要尽量模仿人类， 」Pesaran说。「通过更好的理解人脑的运行机制，我们可以提出更多提升人工智能系统的方法。我们的研究暗示了我们需要构建带有多个工作记忆网络的人工智能系统。」本文的第一作者是Greg Cogan，他曾经是纽约大学的一名博士后，现在来到了杜克大学；其他共同作者包括纽约大学Langone医学中心综合性癫痫中心主任Orrin Devinsky教授，纽约大学Langone神经外科系副教授Dan Friedman，和纽约大学神经系统助理教授Lucia Melloni。该研究旨在对这种思考、规划和创造性推理至关重要的工作记忆形式进行研究，并涉及了记忆中的语言形式转换，以及形成语言所需的信息。研究人员分析了耐药性颠病人类患者的治疗过程，对病人们的大脑活动进行了监测。具体来说，他们探究了这些病人在倾听和说话时大脑中的深层神经活动，尝试解答为什么病人的反应会出现一定时间的延迟。科学家们在实验中要求研究对象使用研究人员提供的规则，将他们听到的语音用自己的话复述出来。例如，有时患者会被告知要原文复述他们听到的内容，而在其他时间，研究人员指示患者听到声音后用不同的方式复述内容。研究人员将每一位患者大脑当中的神经活动进行了解码，患者采用了研究人员提供的规则，将他们听到的东西转化为所需要说的话。结果表明抑制工作记忆当中的操纵信息涉及到了两个大脑网络的运作。一个网络解码了指导患者表达的原则，也就是规则网络（the rule network）。令人惊讶的是，规则网络没有解码出怎样将听到的内容转化为表达内容的细节。使用这个规则将声音转化为言语的过程仅需要一秒钟，这就是转化网络（transformation network）。这个网络当中的活动能够跟踪输入（听到的内容）是如何渐渐转化为输出（所说的话）的。研究者同时表示，将你听到的一种语言进行翻译，再用另外一种语言表达出来，其中涉及到了一些类似的抽象原则。具有言语工作记忆（vWM）障碍的人学习一门新语言很困难。现代的智能机器在学习语言当中也存在着一些问题。Pesaran说：「创造更加智能系统的唯一途径就是对人类大脑和思维的运作进行更加全面的了解。」「人类工作记忆障碍的诊断和治疗涉及到心理学鉴定。以此类推，机器心理学可能也会在将来的某一天对机器智能障碍的诊断和治疗有帮助。这项研究对这种独特的人类智能、言语工作记忆形式进行了研究，提出了让人工智能进一步发展的新方向。」论文：Manipulating stored phonological input ring verbal working memory摘要：言语工作记忆（vWM）包含了音系感知输入中的存储和操纵信息。对 vWM 目前最具影响力的理论认为，全部处理任务由一个中央执行机构执行，信息存储则由两个互相联系的系统执行：语音输出是由可获取基于声音信息的音位输入缓冲器和和发音排练系统来控制的。然而，目前仍没有理论解释语言在大脑中的神经活动是如何被编码处理的。在本研究中，我们在受试者处理语音时的脑神经活动中成功读取了 vWM 内容。正如我们所猜测的，我们找到了包含语音感觉和发音运动表示的存储系统。然而，意料之外的是，我们发现这一处理过程不是由单一的中央处理机构进行，而是由两个任务不同的系统协作完成的。因此，我们认为，中央执行机构是由多个用于处理语音输入和形成语音输出的 vWM 子系统组成的。

如果你想关注某个领域的最新新闻和前沿科技，或许查看一些该领域的最有影响力的人的新闻和动态是一个非常好的捷径。下面列出的这些人要么是人工智能领域的顶级科学家，要么是在社交领域拥有大量的追随者，举足轻重。以下排名不分先后。一起看看吧。吴恩达吴恩达（1976-，英文名：Andrew Ng），华裔美国人，是斯坦福大学计算机科学系和电子工程系副教授，共同创立并领导Google Brain，曾担任百度的副总裁兼首席科学家，将该公司的人工智能小组发展到数千人。吴恩达也是在线教育平台Coursera的联合创始人。李飞飞李飞飞是斯坦福大学计算机科学副教授。她是斯坦福人工智能实验室和斯坦福视觉实验室的主任。2017年，她与人共同创办了AI4ALL，这是一家致力于提高人工智能多样性和包容性的非营利组织。她的工作领域是计算机视觉和认知神经科学。Martin FordMartin Ford是一位未来学家和作家，专注于人工智能和机器人技术对社会和经济的影响。他写了两本关于技术的书。他最近的一本《机器人的崛起：对未来的就业威胁》（2015年）是纽约时报的畅销书，并在2015年赢得了3万英镑的金融时报和麦肯锡商业年度奖。他在《隧道之光:自动化、加速技术和未来经济》( 2009年)中也谈到了自动化对结构性失业和加剧不平等的可能性。Nathan BenaichNathan是一家专注于智能系统和数据驱动型公司的投资者。他负责研究和应用AI。 致力于加速人工智能科学和应用的发展。Nathan还是视频理解公司TwentyBN的顾问。他在剑桥大学获得了计算与实验癌症生物学交叉的博士学位。Joanna Bryson是巴斯大学的终身副教授。她对自然和人工智能的结构和用途有着广泛的学术兴趣。她最为人所知的是她在系统人工智能和人工智能伦理方面的工作，这两项工作都是她在上世纪90年代的博士学位期间开始的，但她和她的同事们也发表了广泛的论文，涉及生物学、人类学、社会学、哲学、认知科学和政治学。在巴斯，她创立了智能系统研究小组，并领导他们的自然智能人工模型。Soumith Chintalasoumith Chintala是Facebook AI Research的研究员，他从事深度学习、强化学习、生成性图像模型、电子游戏代理和大规模高性能深度学习。在2014年8月加入Facebook之前，他在MuseAmi工作，在那里他针对移动设备构建了音乐和视觉深度学习模型。他拥有纽约大学计算机科学硕士学位，曾在Yann LeCun的纽约大学实验室建立行人检测、自然图像OCR、深度图像等深度学习模型。CyberCode双胞胎America和Penelope Lopez被称为“网络密码双胞胎”。作为在东洛杉矶出生和长大的拉美双胞胎姐妹，他们已经去过了许多城市，并在技术竞赛和黑客马拉松中获得了各种奖项，如NASA国际太空应用挑战赛、开发者峰会、HackForLA、IBM全球移动创新挑战赛等。现在，他们的使命是通过可穿戴技术和移动应用来让社区更安全。David Kenny是IBM Watson＆Cloud平台的高级副总裁。他曾担任The Weather Company的首席执行官，该公司于2016年被IBM收购。Kenny于2012年1月在Weather Company取代了Mike Kelly。他还是董事会主席。他是Akamai Technologies的总裁，并于2011年10月26日辞去了这个职位。在加入Akamai之前，Kenny在阳狮集团旗下的VivaKi从事数字广告工作。Elon MuskElon Reeve Musk是商业巨头，投资者和工程师。他是SpaceX公司的创始人、CEO和首席设计师，特斯拉公司的首席执行官和产品设计师;Neuralink的联合创始人兼首席执行官;以及PayPal的联合创始人。 2016年12月，他在《福布斯》全球最具影响力人物排行榜上排名第21位。截至2018年8月，他的净资产为202亿美元，被《福布斯》列为全球第46位富豪。Gary F. MarcusGary F. Marcus是一位科学家、作家和企业家。他的研究重点是自然和人工智能。Marcus是纽约大学心理学系的教授，也是后来被优步收购的机器学习公司Geometric Intelligence的创始人兼首席执行官。Mike是Uber ATG的数据科学主管，也是加州大学伯克利分校iSchool数据科学硕士项目的讲师。Mike曾领导海湾地区的几个数据科学家团队，担任intertart和Takt的首席数据科学家，以及MetaScale的数据科学总监。。Christopher Reaves MessinaChristopher Reaves Messina是一位美国技术布道者，是开源和开放标准的倡导者。Messina以提出在Twitter上使用哈希字符（＃）作为一种分组消息的方式而闻名。 从2016年到2017年，他曾在优步担任开发经验主管。Messina还因参与创建BarCamp、传播Firefox和共同协作运动而闻名。也是微格式和OAuth的积极支持者。Kirk BorneKirk Borne博士是总部位于美国弗吉尼亚州麦克林的全球技术咨询公司Booz Allen Hamilton的首席数据科学家和执行顾问(自2015年以来)。在这些职位上，他专注于数据科学，数据分析，数据挖掘，机器学习，机器智能和各种学科建模的应用。他还为多学科的科学家、建模者和数据科学家团队提供领导和指导;他还与许多外部组织、行业、机构和合作伙伴进行咨询，以使用大型数据存储库和机器学习来发现、决策支持和创新。Alex是一名人工智能专家，他已经在这个领域工作了近20年。他目前是creative . ai的联合创始人和总经理，creative . ai是一家为视觉设计师和艺术家打造更好工具的公司。他在模拟和计算机娱乐行业工作多年，将经典的人工智能算法应用于交互领域，并制造给设计人员使用的工具。他还联合举办了全球最大的人工智能创意产业大会(nucl.ai)，多年来，作为持续在线学习社区的一部分，他采访了数百位该领域的专家。Spiros Margaris在家族理财、高净值人士、机构客户以及创新和技术管理方面拥有超过20年的国际投资管理/研究经验。他是Arbidex、Glance Technologies、Datametrex AI、kapilendo.de、moneymeets.de、yieldgrowth.com以及F10金融科技孵化器和加速器的高级顾问。

【编者按】随着AI技术的成熟与发展，对AI人才的需求越来越大，很多学生也选择从事与人工智能相关的专业。美国各大高校是较早研究人工智能的，在全美排名前100的高校里，有近30所高校开设了计算机科学研究生专业，对于想要出国学习人工智能相关专业的“小虎斑”来说是很好的选择。智能观从中整理了2017年美国人工智能相关专业最好的20所大学（恰领英日前发布的全球AI领域人才报告中列出了中美排名前20的高校名单。我们根据其排名，将高校顺序做了调整），并附加地理位置与网址，以供同学们了解与选择。11.普渡大学（Pure University）位于：美国中北部印第安纳州西拉法叶市网址：www.pure.e/普渡大学位于美国中部地区，是印第安纳州国际学生（中国留学生比例最高，约39.8%）最多的大学。普渡大学于1962年创办了美国高校首个计算机科学系，并一直在同类专业中位居全美大学排名前20名，Wiki、模式识别、遥控技术等都诞生于此地，且拥有全美大学中最快的超级计算机。普渡大学提供机器智能跟踪专业计算机科学理学学士学位。在普渡，CS专业的本科生都可以选择人工智能、数据挖掘、机器学习、机器人以及一系列类似的课程。尽管人工智能方面的课程在美国大学中并不罕见，但是很少有学校能够像普渡一样为本科生也提供这么多的课程选择。2014年，蚂蚁金服将普渡大学计算机系终身副教授漆远请回国担任首席数据科学家，组建AI团队。12.密歇根大学 - 安娜堡分校（University of Michigan, Ann Arbor）位于：美国中西部密歇根州安娜堡市网址：https://www.umich.e/密歇根大学-安娜堡分校是位于美国密歇根州的一所著名公立大学。密歇根大学 - 安娜堡分校提供人工智能、机器人与视觉专业计算机科学理学学士学位，提供人工智能专业计算机科学与工程理硕士学位。在密歇根-安娜堡分校，值得注意的是与人工智能相关的学位并不是设立在工程学院下，而是设立在文学、科学和艺术学院下的。事实上，教学组意识到CS（计算机科学）的学生很多都需要学习许多CS以外的知识，因此为CS学生提供了非常多的各式各样的专业方向，比如生物信息学、经济与计算。13.加州理工学院（California Institute of Technology）位于：美国西部加州洛杉矶东北郊帕萨迪纳市网址：http://www.caltech.e/加州理工学院是世界著名私立研究型大学，与旧金山湾区的斯坦福大学、伯克利加大并列为美国西海岸的（理工科）学术重镇。虽然该校规模不大，但却容纳了50多个高级研究中心，研究领域涵盖人工智能、化学、地震学等，是全球最顶尖的大学之一。著名华人女科学家李飞飞在普利斯顿毕业后选择的就是加州理工学院人工智能和计算神经科学方向的博士课程。美国国家航空航天局的喷射推进实验室也由加州理工学院管理。这里还是美剧《生活大爆炸》的背景地。14.加州大学-洛杉矶分校（University of California, Los Angeles）位于：美国西部加州洛杉矶市网址：http://www.ucla.e加州大学-洛杉矶分校（UCLA）简称洛杉矶加大，是一所公立研究型大学。该校提供337个不同学科的学位，是全美培养尖端人才领域最广的大学之一。UCLA的计算机专业很出彩，世界上第一个互联网节点就是UCLA和斯坦福大学共同联通的。今年，该校的介入放射学的研究者们从“无人驾驶”中发现了一项前沿技术，研究专家们运用该人工智能技术，发明了一个介入放射学科的智能医疗助手。该助手能够与临床医师进行自由交流，迅速对一些常见的医疗问题给出有医学依据的回复。有了这一发明，医师可以方便地为患者介绍介入放射学治疗的基本概念以及患者在治疗方案中各个阶段的准确信息。此外，国内计算机视觉公司依图科技创始人朱珑获取的就是加州大学-洛杉矶分校统计学博士学位。15.圣何塞州立大学(San Jose State University)位于：美国西部加州圣何塞市网址：http://www.sjsu.e圣何塞州立大学是美西地区最顶尖的公立大学之一，其计算机系在当今美国大学教学排名中表现优异。毕业生大多可以在其所处地域的世界硅谷中心得到工作机会。许多硅谷公司甚至在学生junior和senior的学期提供许多相应科系的实习机会。根据LinkedIn统计的数据，入职谷歌等科技巨头公司的毕业生来源，前20就包括圣何塞州立大学。加州圣何塞州立大学的Margareta Ackerman，后来在Orbitwerks公司发明了一套称为ALYSIA的人工智能系统，可以处理英文短句，并把文字与音符关联在一起，用这种方式写完一整首歌。16.亚利桑那州立大学（Arizona State University）位于：美国西南部亚利桑那州凤凰城网址：https://www.asu.e亚利桑那州立大学（ASU）是美国著名的公立研究型大学，长年稳居美国研究型大学前列，被卡内基高等院校分类法归类为“高研究活动研究型大学”，是一所享有世界声誉的学府。2016年及2017年，该校连续两年被U.S. News & World Report 评为美国最具创新力大学，斯坦福大学和麻省理工学院分列二三位。亚利桑那州立大学教授Subbarao Kambhampati被选为美国人工智能学会（AAAI）主席。今年，22个计算机科学家团队的最新研究提出了一套能够根据不同分子的化学结构预测它们的气味的算法，不仅给人工智能视觉、听觉，还赋予人工智能嗅觉。Science报告称，由亚利桑那州立大学Richard Gerkin 领导的团队的模型在预测所有参与者平均如何评价气味上做得最好。对于人工智能道德思考方面，亚利桑那州立大学的“起源计划”负责运营了一个工作坊，名为“人工智能不良后果的展望及应对”。17.东北大学(Northeastern University)位于：美国东北部马萨诸塞州波士顿市网址：https://www.northeastern.e东北大学（NEU）是美国顶尖的私立研究型大学，在全球具有很高的声誉，其理工科毕业生在美国东北部公司的受欢迎程度仅次于麻省理工学院与哈佛大学。波士顿市新英格兰地区基本被公认为拥有美国最好的教育环境，东北大学就是其中一所知名大学，也是该地区国际学生（中国留学生比例最高）分布最多的大学。学校以企业合作课程(Co-op Program)最为突出，大约90%的东北大学本科生在就读期间完成了至少一期的Co-op项目。去年9月，美国东北大学政治学系助理教授尼克发表论文，详细介绍了他利用AI分析2012年美国大选前Twitter上的1亿条推文的过程。东北大学教授L. Perlovsky主编的期刊《生命物理学评论》主要刊登人工智能领域相关的学术研究成果，如机器人制造、人工智能系统开发等。18. 加州大学 - 圣地亚哥分校（University of California, San Diego）位于：美国加利福尼亚州圣地亚哥市拉荷亚社区网址：www.ucsd.e加州大学-圣地亚哥分校（UCSD）是一所位于美国加州的著名公立大学，位于南加州圣地亚哥市的拉荷亚社区。UCSD属于太平洋地区，该地区学术氛围十分浓厚，世界上最具影响力的公立大学系统也分布于此。太平洋地区包括加利福尼亚州和华盛顿州，UCSD是加利福尼亚州国际学生（中国学生比例最高）最多的五所学校之一。该学校对本科生、转校生以及研究生保障住房两年。加州大学-圣地亚哥分校提供人工智能专业计算机科学理学学士学位。在UCSD，所有CS专业的学生都有机会能够将人工智能作为他们的一个专业方向。在课程方面，UCSD提供包括搜索和推理、计算机视觉和图像处理等独立课程。神经网络之父Geoffrey Hinton就是加州大学-圣地亚哥分校的博士后。在那里，他和认知神经学先驱David Rumelhart 一起研究反向传播算法，并和约翰·惠勒的学生Terry Sejnowski 共同发明了玻尔兹曼机。19.马里兰大学（University of Maryland）位于：美国东部马里兰州王子乔治郡大学公园市网址：https://www.umd.e马里兰大学是美国南大西洋地区最好的大型研究型公立大学之一，学校因其卓越的教学及研究实力而享有盛誉，其科研及教研水平在全美均处于领先地位。马里兰大学下设13个学院，与美国的其他名校，如加州伯克利、加州洛杉矶、密歇根安娜堡和伊利诺大学等都有合作教学的计划。学校距离美国首都华盛顿特区13公里（8英里），所处地域位于美国首都华盛顿特区城市圈。马里兰大学-帕克分校提供计算机科学理学硕士学位，内置数据挖掘等课程。不久之前，马里兰大学获得了英伟达颁布的2017年度全球影响力大奖(Global Impact Awards)，该奖项表彰马里兰大学高等计算机研究所的研究人员创造的BEAGLE。BEAGLE是一个开源数据库和API，可以使用NVIDIA的GPU快速切割数据，通过对特定模型的精准计算，来加速对诸如DNA等生物序列数据的分析。20. 哥伦比亚大学（Columbia University in the City of New York）位于：美国东南部纽约州纽约市网址：www.columbia.e/哥伦比亚大学是一所位于美国纽约曼哈顿的世界著名私立研究型大学，属于中大西洋地区，该地区学术氛围好且专业广，拥有一流的学术环境和声名卓著的学者。纽约州在中国留学生最多的州中排名第二，其中，哥伦比亚大学是纽约州国际学生分布最多的学校之一，仅少于纽约大学。哥伦比亚大学提供计算机科学理学学士学位，内置人工智能跟踪课程。哥大的优势在于它提供了东海岸几乎最好的研究设施。比如机器人实验室、自然语言处理(NLP)实验室和计算机视觉实验室。在这些实验室里，你可以看到IBM的机械臂、3D工作台、可穿戴电脑的原型机等非常酷的东西。

新智元报道 来源：timdettmers.com作者：Tim Dettmers 编辑：木青【新智元导读】又到一年申请季。随着AI大热，计算机科学博士申请的竞争也变得激烈。如何选择学校？需要发多少论文？导师怎么选？GPA不够高怎么办……斩获CMU、斯坦福大学等名校博士offer的大神写出了史上最全分享帖，你在申请计算机科学博士时遇到的所有问题，这里都有答案。先简单秀一下手里的offer：我获得了斯坦福大学，华盛顿大学，伦敦大学学院，CMU和纽约大学的录取通知。收获是不是还算不错？我深入研究了我是如何在博士申请中取得成功的，于是写下这篇博客文章，和大家讨论，在博士申请中什么才是重要的，而什么又不是；我们应该如何选择和使用申请材料。这篇博客主要针对关注深度学习的博士应用以及自然语言处理，计算机视觉，强化学习和深度学习等相关领域的学生。我目前先假定你已经拥有相对竞争较强的个人资料，也就说你可能已经拥有一个或多个出版论文或刊物，并且你也已经与多人合作进行过研究。写这篇文章的目的是为了提高你申请成功的几率。如果你寻求更多关于博士入学的信息，我建议你先阅读以下这些资料：Academia StackExchange所有最高投票的问题和答案：https://academia.stackexchange.com/questions?sort=votes计算机科学专业博士完整录取过程，这是一位CMU老师写的：http://www.cs.cmu.e/~harchol/gradschooltalk.pdf博客文章《反思计算机科学专业招生》，这适合那些优秀但综合实力并没有那么拔尖的学生：https://da-data.blogspot.com/2015/03/reflecting-on-cs-graate-admissions.html。《如何写出一篇错误的计算机科学博士申请陈述》，反面教材可以用来参考：http://www.cs.cmu.e/~pavlo/blog/2015/10/how-to-write-a-bad-statement-for-a-computer-science-phd-admissions-application.html在接下来的文章中，我会：先定义一下申请过程中哪些是重要的影响因素；然后我们将深入研究申请材料以及如何思考这些问题；再来我将谈谈申请流程全文最主要的部分也是最后一部分将是选择学校：哪些学校对我来说门槛太高或哪些又不是那么值得你去？什么才能被称作是强大的博士申请背景？决定任何研究型大学录取的最重要因素是研究潜力：你有多大可能成为一名优秀的研究人员？主要的直接指标是研究潜力的重要性：业内大佬的建议：受人尊敬的教授高度评价你，所以人际关系很重要。研究经历：之前做过什么成功的研究、发表的论文（是否为第一作者和发表所属期刊、会议的声望）。其他间接因素有时可能有所帮助，不过作用并没有以上两个因素大，按重要性排序：本科大学背景：有些大学会很看重，其他一些大学并不care；工作/实习背景：例如以前曾在金融或Google，Facebook等公司工作过；智力：完美的GPA，完美的GRE与智力有些相关（或至少与你学习和理解的速度有关）；勇气/责任心：你在持续被拒绝、遭遇失望和失败的情况下都能表现得很好，如果你遇到并克服了困难，你可以将你的故事纳入自我陈述中。成就：赢得了数学或CS比赛。表彰：赢得了非常厉害的奖学金。擅长数学或工程学：为开源项目开发作出贡献或者使用过研究代码。家庭背景：父母是教授，赢在起跑线上如何准备计算机科学博士申请材料首先是推荐信对于推荐信，可以分为四个类别：强、好、弱和坏。请注意，录取老师在推荐信中寻找的主要内容是关于你有多少研究潜力。这部分的主要目的是让申请者了解什么是好或强的推荐信，根据这些信息，你可以找到更适合帮你写推荐信的人。非优质推荐信的特征：推荐人知道你的不良事迹并且把这些写到了推荐信里，特别是在美国，任何甚至略微有污点的过去都非常有风险；推荐人并不认识你（你上过ta的课，但ta对你没有留下任何印象）；推荐信内容很简短，只说你在课堂上表现很好；弱竞争力推荐信的特征：推荐人只在课堂上认识你；推荐人只能写一些关于你课上的表现；推荐人不评论你的研究；录取委员会或潜在的顾问都不认识推荐人。优质推荐信的特征：推荐人有一定名气，被录取委员会的部分人员知道；推荐人的姓名和工作至少被个人陈述中提到的一位潜在导师所知；推荐人与你一起做过科研；推荐人在轶事中提到了你出色的研究能力，这些事情证明了你的创造力、诚信、坚持和研究技巧；推荐人详细写了你如何发表研究报告；推荐人评论了你在实验室外的研究。强竞争力推荐信的特征：推荐人英语水平出色；推荐人因过去出色的推荐而闻名（之前推荐的学生非常优秀）；推荐人在轶事中提到了你出色的研究能力，这些事情证明了你的创造力、诚信、坚持和研究技巧；推荐人提到了你的其他能力，这些能力间接地帮助研究（工程技能，演讲技巧，人际关系技巧），并将这些技能包含在轶事中。请注意以下几点：轶事很重要，这需要推荐人真的了解你。那些招生老师也能读得津津有味，毕竟读故事比核对清单更有趣；这封推荐信不需要包含上述中的所有要素，那样会让推荐信变得很复杂；推荐信需要有侧重点。怎样界定你发表论文、刊物的含金量？是否为第一作者？发表的论文、刊物是研究经验和研究技能的直接证据。如果你作为第一作者出版，人们就知道你完成了大部分工作。如果你作为第二作者出版，人们知道你做了很大一部分工作（25％-50％）。如果你的名字是第三个或更晚，你的贡献会大打折扣，但你可能会经历整个研究过程以获得发布资格并获得大量的研究经验。如果你发表了几篇第一作者论文和一篇第三作者论文，这样就看起来非常好：它表明你可以完成团队合作。发表论文所属会议、期刊的威望：如果你在一个顶会上发表你的作品，人们就会知道：（1）你的作品质量很高; （2）你的工作可以被信任; （3）你目前的研究技能足以在大型的会议上发表；（4）你具有竞争力，可以在顶级会议的压力下保持高效。在你未来的导师看来，这有助于看到这一点：如果你有两个学生，一个已经在NeurIPS（A级）发表，一个发表在B级会议上，那么这说明第一个学生可能已准备好参与明年针对NeurIPS的研究项目，第二名学生则需要进一步准备。对于第二个学生，这个学生可能需要一年多的时间才能获得在A级会议上发表所需的研究技能。如果导师和学生之间的磨合压力较小，那么就更容易建立强大的专业关系，这使得彼此合作更容易和有趣。毕竟谁都愿意找有准备的士兵去一起打仗。因此，未来的导师将有充分的理由根据你在哪个会议上发布论文进行选择。如何撰写个人目的陈述对于大多数高校而言，目的陈述主要是为那些不想花太多时间审核资料的校方工作人员提供“过滤器”。你的写作可以展示你的思考方式，如何营销，你如何解释事物，但它也可以透露出你是懒惰的，不注意细节。对于某些机构（例如CMU）来说，个人陈述可能很重要。除此之外，个人陈述也是唯一可以解释你在某些情况下为何表现不佳的文件。例如，你可以解释你在读研究生的过程中遇到的任何特殊困难，或者它可以解释为什么你在大学的某些学期里没有做到这么好。个人陈述的结构应如下：1、在第一段，通过引人注目的开头介绍研究兴趣，使读者想要阅读更多。这是最重要的一点：如果你不能让读者对本段不感兴趣，他们不太可能专注于整本书的其余部分；2、你在研究生学习期间的研究经历（大约一页）；3、确定你将来要做的研究方向；4、确定选择导师以及选择原因；5、（可选）在适当的情况下解释情有可原的错误。在某些情况下，个人陈述可能非常重要。如果你表现出良好但不强或弱 的学术潜力，你就必须克服重大的困难才能做研究。然而，披露困难和弱点，如学习障碍和精神疾病，也可能是一把双刃剑：你可能让审核老师望而却步，也可能因为你坚持困境而表示同情和钦佩。如果你披露此类事实，则需要正确完成并且个人陈述需要非常精细化。如果你没有专人指导，请不要尝试这样做。毕竟你不只是在讲述如何克服经济困难完成学习，而是讲述你在患精神分裂症或双相情感障碍时遇到的困难。然而，如果你没有面对任何困难，不要编造毫无意义的故事：“作为一名白人、男性、上流社会的美国公民，我从很小的时候就被我的特权所困扰，我的学业表现受到了影响在这个过程中。“请不要这么拉仇恨，还是专注自己的研究能力吧。关于GRE、TOEFL、GPAGRE、TOEFL和GPA通常用作过滤标准。非常高的GPA可以成为良好指标，可以帮助那些质量不太高的推荐信和论文。但是如果你没有出版过论文，并且推荐信也很糟糕，4.0的GPA将无济于事，甚至可能还会起到反作用，因为它表明你专注于“无用”的课而不是研究。GRE和托福成绩是纯粹的过滤器：如果你有一个好的分数，你就不会被过滤掉。如果你有一个完美的GRE成绩，它可以帮助到一点点。高GRE成绩并不重要：我拿到了美国大学计算机科学专业TOP5中的三个：GRE成绩为语文159（81％），数学163（86％），写作5.0（93％）和托福120/120和GPA 8.1 / 10。任何高于3.5（满绩4.0）的GPA都可能会有所帮助。关于简历简历要列出你所做的事情。内容很重要，但内容也取决于你之前所做的事情，并且不能撒谎编经历。不要通过简单的方式或通过让你的简历看起来“漂亮”或“有创意”来“调整”你的简历，这是浪费时间。只需列出你所做的事情。了解一下申请程序（一）、如何向你的教授索取推荐信你可能需要写两封电子邮件：（1）只要问一下这个人是否可以给你一封好的或强烈的推荐信。经历丰富的推荐人如果认为他们不能给你写好的信，就会拒绝你的请求。在这种情况下，寻找其他人。（2）如果你的推荐人同意，她会要求你提供信件的一些信息。列出你和推荐人所有过的互动，让推荐人写得更生动：举个例子，需要写的是：“你在一次会议上告诉我，通过一些额外的工作，我们可以为NeurIPS截止日期做好准备。在接下来的两周内，我开发了一个改进的深度网络架构，开始撰写调查结果。接下来的一周，简扩展了我的代码以完成额外的任务。然后，我们有足够的结果将我们的工作提交给NeurIPS“不要写：“简和我在NeurIPS上发表了我们的研究。”（二）个人目的陈述尽早开始向有经验的人询问意见。如果你想透露你在读研究生的路上遇到的困难，你需要花很多时间在你的个人陈述中，你可以在你所有的申请材料中花最多的时间在这方面。也可以参考你之前申请大学时使用的个人陈述，这或许能帮你省不少时间。（三）在线申请尽早开始填写在线申请表。有些流程很复杂，需要一些时间来填写，如果你能尽早地提交，专注于写推荐信、院校选择和个人目的陈述，那就太棒了。另外，你应该准备足够的资金来做这些申请。整个过程可能花费高达1000美元。如果你没有足够的钱，请尽早向一些亲戚寻求帮助。想要读计算机科学博士，该如何选择学校？我可以考上顶尖学校吗？许多读这篇文章的人可能有着进入斯坦福大学，麻省理工学院，伯克利大学或CMU等顶尖学校的梦想。但这非常困难，竞争非常激烈。分享一下我申请的一所牛校的情况，以下几条都是申请这所牛校的人的背景条件：申请人中本科学校Top2的比例：38％Top4：52％Top20：73％每个国家的顶尖学校：84％至少4篇顶级会议论文：93％至少3篇顶级会议论文+最佳教师/青年科学家奖：98％也就说，84％的申请人来自一个国家的顶尖学校，另外你在顶级会议上的论文少于3篇，那么你进入上述学校的概率约为2％。如何入读顶尖学校？上述统计数据并不意味着你无法被这些学校录取，但这意味着如果你的个人资料太弱，你应该再花一年时间来完成梦想。例如，我将我的硕士学位延长了一年，以便进行一年的研究型实习。如果没有这份经历，我基本不可能进入这些学校。如果你的梦想是进入这些顶级学校之一，研究型实习是迄今为止最好的选择。即使你不一定想去这些顶尖学校，研究实习也没什么坏处。研究型实习将为你提供：提高研究技能，使你可以更轻松地开始攻读博士学位；测试博士或某个研究方向（NLP与计算机视觉与系统）是否适合你；一份好的甚至是竞争力强的推荐信（实习时间越长越好）；发表论文的机会。现实的学校选择你应该申请大约10-15所大学。如果你申请更多，那么你将面临着没有足够时间来真正完善你申请流程的危险。如果你申请的数量少，你会遇到手上无offer的危险。你应该有一个或两个备用大学，你被录取的几率> 75％。通常，你已经就读的大学是一个很好的候选，因为你的推荐人将导师所知。申请所有有希望入学的顶尖大学（> 10％的机会）。在剩下的大学里挑选一些你有意愿去的，你希望入学率会较高（25-33％），你应该至少备选3所这样的大学。这些大学通常是推荐人和你都希望与之合作的教授的所属大学，这时候人际关系就起到重要作用了。请注意，最好的导师不一定在顶尖学校。你可以在前20名以外的学校获得优秀的博士培养。但是，如果你考虑学术生涯，那么学校的级别将非常重要，你应该尝试在顶尖学校找到一名导师。选择大学主要是根据这所大学里的导师。确保每所大学都有多个你想要合作的导师。不要申请只有一位优秀导师的大学。如果你选择的专业范围太小，请扩大你感兴趣的区域。例如，如果你想进行深度学习和NLP，并且找不到足够的合适导师，请考虑计算机视觉或其他领域的一些导师。其他问题（一）注意：英国博士需要四年，美国博士需要6年在美国博士学位课程的前1-2年，你将完成不少课程，因为美国博士学位是为本科生设计的。相反，英国博士学位课程专为已经拥有（1年）硕士学位并且课程很少的学生而设计。具体区别如下：美国博士专为本科学生设计课程为1 - 2年，课程分散了研究的注意力，入学时有担保资金，即你有担任研究助理或助教的职位。英国博士专为硕士生设计课程为0.25 - 0.5年，你可以从头到尾专注于你的研究。资金方面可能有问题，通常取决于你的导师。这就是为什么在申请之前与潜在导师取得联系非常重要的原因。还要注意地区差异。如果你在美国学习，你也将陷入美国的研究泡沫。如果你在欧洲或亚洲学习也可能如此。如果你想加入欧洲的学术界，而且无法进入美国顶尖学校，那么申请大多数欧盟大学可能是更保险的选择。（二）博士需要硕士学位吗？在欧洲大陆，学士学位通常为3年，你需要硕士学位才能获得博士学位。在美国和英国，博士通常为4年，你可以在学士学位之后立即开始攻读博士学位。（三）工作经验很重要吗？如果你在着名的公司（谷歌、Facebook、麦肯锡、高盛等）工作，它尤其有用。如果它与软件工程相关，其他工作经验也有帮助，但任何研究经验（研究实习）都要比企业实习有用得多。只是一份好工作而没有研究经验，对你没有帮助。（四）如何挑选导师？查看他们最近出版的论文，从而找到共同的兴趣点。避免与最近没有发表论文的学者合作。在当前的研究中不需要重叠，但你应该对导师正在进行的研究感兴趣。查看他们之前的毕业生名单以及这些师兄师姐现在从事的职业，毕竟就业也是考量的一个重要指标。查一下导师是不是创业吗？他有多少学生？这些因素的组合可以给你暗示：这个导师忙不忙，他又有多少时间来指导你。根据你在研究方面的经验，你将需要一个或多或少有时间的导师。（五）我必须要拥有博士学位吗？如果你想在学术界工作，你需要博士学位。在商业中，一切都受供需关系的制约。未来几年，人工智能研究人员的供应将急剧增加。如果AI炒作崩溃，需求将会消退。这种情况可能与数据科学家在2018年面临的情况非常相似：公司只接受非常优秀的申请人，因为供应量大于需求量。在这种情况下，如果你想要转换工作或想要晋升，博士学位将会有很大的不同。你现在可能没有博士学位，但没有博士学位，如果你想转到另一个研究实验室，你可能会遇到问题（因为熟练的博士学位可能很高，而需求很低）。如果AI炒作没有崩溃（不太可能），那么你可以在没有博士学位的情况下轻松找到并转换工作。如果你对研究工程师的职位感到满意，那么博士学位对你来说可能毫无用处。由此，如果你不想做研究，就不要做博士学位。（六）我该在申请前请联系导师吗？不要对美国的教授这样做。在欧盟，有时需要在申请前联系可能的导师。如果你需要这样做，请尝试通过真正了解你导师的人介绍，例如，你的学士或硕士论文导师。如果你与这位导师没有私交，你还想写一封电子邮件的话，内容建议如下：你当前的导师是谁；关于你过去工作的总结（可选：你在哪里发表你的作品）；关于你可以以“想法：一句话解释这个想法”的形式向导师解释你想要的研究方向；如果你没有个人联系，你的潜在导师不太可能回复你。如果你没有人际资源并且你申请了欧盟（英国）大学，那么你可能需要试试申请其他地方。（七）如何为你的研究计划选择一个主题？研究提案的主题无关紧要。没有人会要求你做在研究提案中描述的工作。你可以根据在不同申请中重复使用的容易程度来选择你的研究提案主题。如果你不需要为不同的申请流程重写它，则可以节省大量时间。需要考虑的一件事：你对某个主题越熟悉，就越容易编写好的提案。参考链接：http://timdettmers.com/2018/11/26/phd-applications/新智元 AI 技术 + 产业社群招募中，欢迎对 AI 技术 + 产业落地感兴趣的同学，加小助手_2 入群；通过审核后我们将邀请进群，加入社群后务必修改群备注（姓名 - 公司 - 职位；专业群审核较严，敬请谅解）。

随着人工智能的崛起，人才缺口成为了热点话题。工信部相关发言人曾在2017年向媒体透露，我国人工智能人才缺口超过500万，而这一现象不单单只发生在中国，据腾讯发布的《全球人工智能人才白皮书》显示,全球AI领域的人才缺口达到百万量级，人才短缺已经成为了制约全球人工智能技术发展和应用落地的一大短板，面对稀缺的人才资源，科技巨头之间拉开人才争夺战，企业与高校通过合作加快人工智能领域的科技创新和人才培养。对此，本系列盘点了包括谷歌、Facebook、IBM、阿里巴巴、百度、京东、华为、科大讯飞、搜狗、商汤科技等在内的10家中外企业与高校在人工智能领域的合作案例，看校企之间如何强强联手，推动AI人才升级。IBM——麻省理工学院、北京理工大学、清华大学、北京大学等IBM同中外高校之间的合作一直十分活跃，随着人工智能技术崛起和商业落地，IBM开始加强AI领域的校企合作，去年，IBM 与麻省理工大学签署协议，将在未来十年内投资 2.4 亿美元打造MIT-IBM Waston 人工智能实验室，吸纳来自IBM和麻省理工大学的研究人员，该实验室的知识产权将由双方共同享有，部分技术将应用于 IBM 的产品和服务中。这一合作关系不仅可以联动起MIT的科学家和IBM的研究人员合作，还将促进MIT的AI人才成立AI初创公司来推动技术的产品化和商业化。在与国内院校合作方面，IBM是最早与教育部签署合作备忘录的跨国企业，在刚刚过去的“2018 IBM THINK 论坛（中国）暨大学教育合作峰会”上，针对教育部提出的“新工科”建设，IBM对外发布了84门精品在线技术课程和115项实验案例教程，技术领域包括人工智能与认知计算、数据科学与大数据技术、智能商务等，并加入信息技术新工科联盟，携手北京理工大学、清华大学、北京大学等10所高校共同筹建了“新工科联盟人工智能与认知计算教育工作委员会”，与高校一起共同推进人工智能等新技术的创新应用和人才培养。Facebook-纽约大学、清华大学、上海交通大学等Facebook在2013年重新组建了自己的人工智能实验室，并和纽约大学合作建立力于数据科学的新中心，来自纽约大学的博士生可申请到Facebook的人工智能实验室长期实习。2016年底，Facebook专注虚拟现实和人工智能领域研究的硬件研发实验室与美国17所顶尖院校签订了《赞助学术研究协议》，以推进与高校学术机构之间的项目合作，这些院校包括斯坦福大学、麻省理工学院、加州理工学院等顶尖计算机强校。随着中国人工智能研发能力的提升，Facebook开始加入中国人才的争夺战中，自2017年，Facebook加大力度吸引中国的人工智能人才，与上海交通大学、清华大学等国内知名学府展开合作，共同设计课程计划，吸引更多的国内人才资源。谷歌-牛津大学早在2014年，谷歌自收购人工智能初创公司DeepMind后，与牛津大学计算机科学系和工程系建立研究合作关系，合作内容包括资金支持、学生实习、联合讲座和工作室等，共享研究成果，分享知识技术。与此同时，谷歌还聘请了来自牛津大学的部分专家学者来帮助开发其DeepMind人工智能系统，其中部分专家仍然保留牛津大学教授的职称，这些来自牛津的专家团队与DeepMind一起研制出了后来的AlphaGo。与此同时，谷歌也一直与中国院校保持合作关系，2016年，谷歌与教育部签署了教育合作备忘录，推行包括大学生创新训练和双创教育等在内的产学合作协同育人项目，2017年，谷歌正式宣布成立AI中国中心以吸引中国人工智能领域的人才。阿里巴巴-南洋理工大学随着人工智能不断升温，人才流动频繁，国内科技企业纷纷开始人工智能人才布局，早在2014年，阿里就成立了AI研究机构iDST募集全球顶级科研人才。2017年，阿里宣布启动“NASA”计划，在未来20年组建独立研发部门，建立新的机制体制，储备核心科技。今年2月，阿里巴巴宣布将与新加坡南洋理工大学（NTU）共同建立一所人工智能领域的联合研究机构，专注于开发各种领域的人工智能应用，包括医疗保健，智能家居和城市交通。此次与南洋理工大学的合作是阿里在海外的首个联合研究中心，学术人才是其选择在该地设立中心的基础。百度-中国科学院大学、北京大学、西安交通大学等近年来，百度不断强调校企合作，在人工智能领域也开始展开与国内高校的紧密合作，2016年，百度与西安交通大学共建大数据创新人才平台、开设人工智能班，2017年，百度与中国科学院大学共同签署“百度-中国科学院大学战略合作框架协议”，在人工智能等多个科研领域展开合作，合作形式包括科学研究、人才培养、资源共享等方面。目前，百度已和北京大学、中国科学技术大学、中国科学院大学、西安交通大学、南京大学、北京航空航天大学签署了合作协议，与高校形成资源共享，加强人工智能人才在高校与企业之间的流动。当人工智能在全球范围内崛起，企业与高校之间将如何强强联手，共同推进人工智能的人才培养、技术创新和落地应用？ 2018年6月14日，由上海市经济和信息化委员会、上海市商务委员会、上海市长宁区人民政府指导，上海市长宁区青年联合会和亿欧公司联合主办，Y-CITY全球创新学院协办的“2018全球智能+新商业峰会——AI国际峰会”将邀请来自国内外人工智能领域的专家学者、代表企业、投资人出席会议，共同探讨海内外企业在人工智能领域的战略合作、人才布局、及商业落地趋势。欢迎各方参与支持，点击链接：详情请联系亿欧作者张婷（Tel:15757827603 Wechat：15757827603）

党的十九大报告指出，推动互联网、大数据、人工智能和实体经济深度融合。人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，对于打造新动能具有重要意义，正成为国际竞争的新焦点和经济发展的新引擎。作为人工智能发展的关键要素，人工智能人才的培养集聚已成为很多国家的战略重点。国家《新一代人工智能发展规划》指出，我国人工智能尖端人才远远不能满足需求，要把高端人才队伍建设作为人工智能发展的重中之重。高端人才是人工智能发展的关键和竞争焦点自1956年美国达特茅斯会议提出理念至今，人工智能几经起伏，直到最近几年，才终于进入快速突破和实际应用阶段。作为人类社会信息化的又一次高峰，人工智能正加速向各领域全面渗透，将重构生产、分配、交换、消费等经济活动环节，催生新技术、新产品、新产业。人工智能的发展阶段和技术路线倚重高端人才。当前，人工智能正在从实验室走向市场，处于产业大突破前的技术冲刺和应用摸索时期，部分技术和产业体系还未成熟。在这个阶段，能够推动技术突破和创造性应用的高端人才对产业发展起着至关重要的作用。可以说，人才的质量和数量决定着人工智能发展水平和潜力。对人才的争夺和培养是各国发展人工智能的重要策略。在各国发布的人工智能战略中，人才都是重要组成部分。美国白宫发布的《为人工智能的未来作好准备》以及《国家人工智能研发战略规划》中，对如何吸引人才着墨甚多。英国政府科学办公室发布的《人工智能、未来决策面临的机会和影响》也对如何保持英国的人工智能人才优势有特别说明；英国下议院科学技术委员会发布的《机器人技术与人工智能》调查报告中，对英国政府能否吸引人才从而保证英国在人工智能领域的领导力提出了敦促和质询。加拿大启动“泛加拿大人工智能战略”，重点提出增加加拿大人工智能领域的卓越学者和学生数量。人工智能高端人才出现全球性短缺人工智能人才出现了全球性短缺。从职位供求关系来看，根据某招聘平台统计，在全球范围内，通过该平台发布的人工智能职位数量从2014年接近5万个到2016年超过44万个。从人才薪酬来看，全球人才争夺处于“白热化”状态，人工智能人才的薪酬大幅度高于一般互联网人才。人工智能人才的稀缺是全球产业变革的结果。人工智能人才问题，本质上是新产业变革带来的劳动能力需求转换所导致的人才结构性短缺。作为新一轮产业变革的核心驱动力和通用技术平台，人工智能将推动各个领域的普遍智能化，在这一过程当中，需要大量既熟悉人工智能又了解具体领域的复合型人才。2010年前后，人工智能在海量数据、机器学习和高计算能力的推动下悄然兴起，2015年随着图形处理器（GPU）的广泛应用和大数据技术的迅猛发展而进入爆炸式增长阶段，人才需求的激增导致人才供应的整体短缺。大量资金的投入，也造成了资金多项目少的情况，没有足够的人才来承接市场和政府投入的资源。而此前很多人工智能相关专业处于“冷门”状态，培养的人才数量有限。目前的全球人工智能领军人才数量与质量均无法满足技术和产业发展的巨大需求。所以，不能仅把战略重点放在对全球存量人才的争夺上，要着手设计新的人才培养和人才发展计划。全球人工智能人才培养与发展呈现新趋势充足的高质量人才是人工智能深入发展的基础。从全球来看，人工智能人才培养和发展呈现一些新趋势。学科深度交叉融合。人工智能技术人才，主要包括机器学习（深度学习）、算法研究、芯片制造、图像识别、自然语言处理、语音识别、推荐系统、搜索引擎、机器人、无人驾驶等领域的专业技术人才，也包含智能医疗、智能安防、智能制造等应用人才。人工智能是一个综合性的研究领域，具有鲜明的学科融合特点。从区域来看，多学科的生态系统对人才培养至关重要。伦敦之所以能够拥有大量优秀的人工智能人才，与“伦敦-牛津-剑桥”密集的高校群和学科群生态密切相关。“伦敦—牛津—剑桥”这一黄金三角具有密集的教育研究资源和深厚底蕴。该地区拥有以牛津大学、剑桥大学、帝国理工大学和伦敦大学学院为中心的全世界最好的人工智能相关学科群，形成了良好的多学科生态。以阿兰·图灵研究所为代表的众多智能研究机构在技术实力上处于全球领先地位，这些高校和研究机构源源不断地培育出全球稀缺的人工智能人才。从高校内部来看，推动学科交叉是大势所趋。近日，人工智能研究领域的翘楚卡耐基梅隆大学（Carnegie Mellon University，CMU）宣布启动CMU AI计划，旨在整合校内所有人工智能研究资源，促进跨学院、跨学科的人工智能合作，从而更好地培养人工智能人才，开发人工智能产品。该计划通过解决现实问题来牵引跨学科合作，并把合作落到实处，值得借鉴。产学研深度融合。从研究内容和人才流动来看，科学家需要企业的数据和工程化能力，企业需要高校的研究人才，因此顶级人才得以在企业和高校间快速流动。谷歌等大公司聘请的高校优秀人才，大多还继续从事研究机构的工作。AlphaGo项目的负责人戴维·席尔瓦（David Silver），至今仍在伦敦大学学院任教，在赢得人机大战后他专门回到学校，为学生们复盘AlphaGo技术，使得高校的研究能够与实践应用同步。从培养模式来看，企业捐助研究，学生到企业实习，高校与产业界可以联合培养人才。Facebook与纽约大学合作建立了一个致力于数据科学的新中心，纽约大学的博士生可以申请在Facebook的人工智能实验室长期实习。从成果转化来看，人工智能领域算法创业的特点是技术成果转化周期非常短，基础研究成果甚至可以直接转化为创业项目。几个人的团队通过技术展示，常常就能融资几千万美金。而伦敦原有的积累和储备恰恰契合了以算法和人才为核心的人工智能创新创业的基本特点与规律。英国一些著名的人工智能公司，在单独成立之前都是作为大学的研究项目而存在。随着明星企业的不断出现，越来越多与这几所高校有关的人工智能人才加入创业行列，加速推动了伦敦地区的人工智能创业繁荣。企业成为人工智能人才培养的新阵地。很多企业开始建立自己的人才培养体系。如百度成立深度学习研究院（IDL），在硅谷成立硅谷人工智能实验室等，由此不断产生技术创新，并吸引更多的国际尖端技术人才。百度还将推出“人工智能Star计划”，通过资金、培训、市场、政策等措施扶持优秀的人工智能创业团队。我国人工智能高端人才的现状与挑战从国家层面来看，人工智能人才的分布与教育基础、企业数量、投资情况等紧密相关。在总量方面，美国优势明显，而高端人才则集中于美国、德国和英国。美国之所以能聚集全球最多的人工智能人才，很大程度上得益于发达的科技产业和雄厚的科研实力。据各方统计，美国的人工智能企业数量占全球人工智能企业总量的40%多，其中谷歌、微软、亚马逊、Facebook、IBM和英特尔等企业，更是整个行业的引领者。同时，美国拥有包括卡耐基梅隆大学、斯坦福大学以及麻省理工学院等数十家有影响力的人工智能科研院所。随着美国人工智能的发展，全球科技创新中心硅谷所在的加州，有着金融、媒体产业优势的纽约以及拥有人才优势的波士顿都成为了重要的人工智能中心。综合各方面研究报告，中国人工智能人才总量仅次于美国，但是高端人才较少，原创成果较少。中国人工智能人才主要集中在应用领域，而美国人工智能人才主要集中在基础领域和技术领域。美国在芯片、机器学习应用、自然语言处理、智能无人机、计算机视觉与图像等领域的相关人才都远远超过中国。我国的人工智能科研已经形成了较好的产出和实力，但原创性和有影响力的成果较少。我国在中文信息处理、语音合成与识别、语义理解、生物特征识别等领域处于世界领先水平，国际科技论文发表量和专利居世界第二，部分领域核心关键技术取得突破。2017年年初，由美国人工智能协会（American Association for Artificial Intelligence）组织的人工智能国际顶级会议AAAI大会，中国和美国的投稿数量分别占31%和30%。据统计，在2013年至2015年SCI收录的论文中，“深度学习”或“深度神经网络”的文章增长了约6倍，按照文章数量计算，美国已不再是世界第一；在增加“文章必须至少被引用过一次”条件后，中国在2014年和2015年都超过了美国。2017年的顶级人工智能会议NIPS（Neural Information Processing Systems，神经信息处理系统进展大会）录用文章600多篇，中国各高校共入选20多篇，而纽约大学就有10篇入选。我国的人工智能人才有以下几个特点：年轻生力军为主，资深人才短缺。据分析，中国人工智能人才在28岁至37岁年龄段的占总数的50%以上。相对而言，中国48岁及以上的资深人工智能人才占比较少，只有3.7%，而美国48岁以上的资深人才占比16.5%。这也是中国当前需要引进大量海外高端人才的原因。科技公司表现强劲。从国内来看，核心科技公司占据了大部分人才资源。相关数据显示，国内人工智能人才主要集中在百度、阿里巴巴、腾讯、科大讯飞等多家科技领军企业中。其他两类企业也吸纳了大量人才，一是不断涌现的人工智能创业公司，二是将人工智能融入自身业务的企业。跨国公司如微软亚洲研究院等，仍然是优秀人工智能人才的优先选项。高校仍有很大吸引力。尽管面临领军企业的人才争夺，国内高校对人工智能人才仍有很大的吸引力。数据显示，截至2016年年底，中国有10.7%的人工智能领域从业者曾在高校或研究所工作过，低于美国的26.7%。培养集聚人工智能高端人才的对策建议培养和集聚人工智能高端人才，要根据人工智能发展规律和趋势，加强顶层设计，综合施策。科学建设人工智能一级学科。在美国、英国等人工智能发展高地，著名院校大多设有人工智能相关专业和研究方向，而在中国，人工智能专业多分散于计算机和自动化等学科。建议按智能科学范畴建设一级学科，保持弹性和包容性，灵活设置二级学科。适当增加人工智能相关专业招生名额，多渠道筹措培养经费，加强人工智能研究的基础设施建设。鼓励深度交叉学科研究与人才培养。在重点区域打造优良的学科生态系统。可以借鉴伦敦的相关经验，在北京、上海等高校和学科丰富的地区，打造智能学科群。培养造就一大批具有国际水平的战略科技人才、科技领军人才、青年科技人才和高水平创新团队。把增强人工智能素养贯穿于整个教育和职业培训体系，培养各类综合人才。推进产学研合作的新培养模式，发挥领军企业的人才培养作用。鼓励企业创办研究机构，与学校联合建设实验室，培养人才。针对中国研究机构散而小的问题，成立公私合作的国际化、实体性、规模化的非营利性研究机构。鼓励研究人员在高校和企业之间流动。鼓励创业创新，促进人工智能成果转化和产业化。鼓励精准引进一流人才，鼓励企业和高校院所联合引进人才。引导国内创新人才、团队加强与全球顶尖人工智能研究机构的合作互动。积极引进国际一流的研究机构，加大研究合作的国际化水平。制定专门政策，实现人工智能高端人才精准引进，支持企业和高校联合引进世界一流领军人才。重点引进神经认知、机器学习、自动驾驶、智能机器人等国际顶尖科学家和高水平创新团队。抢抓新一轮海归人才潮机遇。大量美国、英国和日本的海归成为中国人工智能的重要力量。当前，我国人工智能发展势头强劲、市场广阔、资金充沛，要积极吸引海外相关人才回国创新创业，共同推动中国人工智能技术取得突破性进展。（作者：李辉，系上海市科学学研究所副研究员；王迎春，上海科技发展研究中心主任）

大数据文摘出品编译：杨威、李馨瑜1833年，英国经济学家William Forster Lloyd在一篇文章中，以牧牛为例，描述了一个深刻的发展问题：牧民们共享牧场，并各自决定牧牛的数量。每个人都想获得最大的利益，毫无克制，就会产生过度放牧的后果，牧场遭到破坏，并最终危及到每个人。在这个例子中，无私行为并不会带来短期利益：如果其他牧民是自私的，无论如何都会发生过度放牧的情况。用Lloyd的话说，这种“公地悲剧”是一种突出的社会困境，如果个人不加约束自身利益就会导致整个群体的不良后果。现在，用“公地悲剧”描述当前人工智能领域的发展再贴切不过，而在这一场景下，公司为牧民，教授为草。人工智能的狂热早已悄悄蔓延到了技术和金融领域，这些领域从国家顶尖大学聘请人工智能专家的数量迅速飙升。在薪酬上，大学毕竟无法与一些开出七位数工资的大公司以及非营利机构竞争。虽说钱不能代表一切。但对于一些教授来说，部分吸引力也来自于能够获取数据宝库和强大的计算能-这两个引擎推动了应用AI研究。工业生产的大规模问题也是一个巨大的吸引力。结果可以用一个词来概括：过度放牧。以华盛顿大学工程与计算机科学院为例，作为美国最好的计算机学院之一，其受到的打击最为严重。据统计，从事机器人技术，机器学习和自然语言处理的11名终身教职员工中，目前有8名目前正在休假，或者说他们至少有50％的时间花在亚马逊，Facebook Inc.，Apple Inc.，Nvidia Corp. ，DE Shaw＆Co以及艾伦AI研究所。斯坦福大学和卡内基梅隆大学等世界领先的人工智能研究和教育中心，最近也频频爆出人工智能研究人员离职的消息。更简单地说，几乎没有人工智能学术组织未受到波及，并且不止某些人遭受了工业界的侵袭。悲剧的是，这种情况同时也破坏了公司的长期利益。要理解为什么，就要搞懂教授工作中最独特的方面：辅导博士学生，这是一个学徒一般，极其缓慢并让一个人从智力上变革的过程。当这些获得博士学位的研究人员毕业后，部分将被公司招募，促进人工智能在业界的发展。另外一些博士毕业生将继续他们的学术生涯中，成为培养更多博士学位的教授。在这个历史悠久的更新机制中，人工智能教授变成了一种稀缺的公有资源，如牧草中的草一样，很容易被过度开发。为了防止学术人工智能研究的潜在崩溃，行业应该更加关注学术界的需求。将学术界与行业的互动视为一种谱系，全面挖掘教授的潜力。另一方面，包括谷歌、微软、Facebook，国际商业机器公司以及最近的摩根大通等公司，正在通过拨款和奖学金支持学术人工智能研究，没有任何附加条件。最可持续的模式介于这两个极端之间。在这种模式下，一位教授可以在其家乡大学和一家公司之间合理分配时间，同时履行其平常的学术责任。理想情况下，公司可以支持教授的学术研究并帮助他的学生。令人鼓舞的是，已经有一些公司一直在试验这种混合模型的变体。尽管目前谴责Facebook的高层成为了政治正确，但该公司由纽约大学教授Yann LeCun领导的人工智能研究部门，正在树立一个积极的榜样。Facebook最近在匹兹堡和西雅图分别开设了AI实验室，旨在不妨碍学术研究和教育的情况下“挖掘”当地教授。同样，谷歌上个月宣布将与普林斯顿大学合作在新泽西州普林斯顿开设一个人工智能实验室。博世（Bosch）人工智能研究中心刚刚在匹兹堡开设了一个实验室，作为与卡内基梅隆达成的一项非凡协议的一部分，博世支持该大学的人工智能研究成员在工作的同时，允许其新的人工智能研究首席科学家Zico Kolter继续从事教职。这是摆脱“公地悲剧”残酷逻辑一种比较有希望的途径。不同于劳埃德19世纪的假设，人工智能教授通常拥有比“草”更多的自主权。作为游戏中的玩家，我们可以成为解决方案的一部分。随着时间的推移，学者们可能会对与行业接触的可持续模式这一点提出自己的要求。相关报道：https://www.bloomberg.com/amp/opinion/articles/2019-01-07/tech-giants-gorging-on-ai-professors-is-bad-for-you

人工智能作为时下热门的研究领域，其对人类的贡献不言而喻，但是大家可能都会认为中美两国走在这一领域前列。就在美国当地时间3月27日，美国计算机协会（ACM）宣布，2018年图灵奖，计算机界最高奖项，相当于计算机的诺贝尔奖，颁发给了人工智能领域三巨头，约书亚·本吉奥（Youshua Bengio）、杰弗里·辛顿（Geoffery Hinton)和杨立昆（Yann LeCun），三人因为对于人工智能最重要的实现途径——深度学习的杰出贡献而携手获得这一奖项，并将共享100万美元的奖金。可以说，正是这三人的贡献才造就了当今人工智能行业百花齐放的现状，他们所提出的深度学习模型作为目前90%以上人工智能应用的底层实现方案，无时无刻不影响着我们的生活。约书亚·本吉奥，加拿大计算机科学家，1964年出生于法国巴黎，于加拿大麦克吉尔大学获博士学位，现任加拿大蒙特利尔大学计算机系终身教授，同时也是加拿大魁北克人工智能研究所Mila的主任。他对于人工智能的贡献在于对于深度学习的理论解释上，也是三巨头目前唯一一个留在学术界的。杰弗里·辛顿，加拿大计算机科学家，1947年出生于英国伦敦，于英国爱丁堡大学获博士学位，现任谷歌公司副总裁兼谷歌大脑首席研究员，同时兼任多伦多大学名誉教授。他对于人工智能的贡献在于深度学习模型设计及优化方法。杨立昆，美国计算机科学家，1960年出生于法国巴黎，在巴黎六大获得博士学位，曾经师从另一位得主辛顿进行博士后研究。现任Facebook AI研究院主任，纽约大学数据科学中心主任。他对于人工智能的贡献在于提出了卷积神经网络，用以解决计算机视觉问题。非常有趣的是，这三个人都和加拿大有关系，本吉奥和辛顿本身就是加拿大人，而杨立昆又曾在加拿大进行博士后研究，三人也长期活跃在加拿大学术界，被称为人工智能“加拿大黑手党”，所以说加拿大走在了人工智能的前列并非没有道理。当然中国也并非没有人获得过此项殊荣，现任清华大学教授的姚期智就曾在2000年获得过图灵奖，不过其贡献是在加密方面的。中国在人工智能领域能否有人能收获大奖，让我们拭目以待。