斯坦福大学人工智能博士

2019年12月8日,由中国教育三十人论坛主办的第六届年会在北京成功举办,中国教育三十人论坛成员及来自国内外的数十名专家学者在论坛上发表演讲,近500名关心教育的各界人士参加了本次论坛。技术如何改变教育生态?科技发展又给教育带来哪些挑战?本次论坛,中国教育三十人论坛成员及来自国内外的数十名专家学者围绕“科技发展与教育变革”的主题展开了一场思想风暴。中国教育三十人论坛成员、民进中央副主席、全国政协常委副秘书长、新教育实验发起人朱永新;中国教育三十人论坛学术顾问、北京师范大学教授顾明远;美国堪萨斯大学教育学院基金会杰出教授赵勇;斯坦福大学人工智能/机器人与未来教育中心主任、里兰学院联合创始人蒋里博士, 等多名国内外知名学者在论坛上发表了精彩演讲。其中,斯坦福大学人工智能/机器人与未来教育项目执行主任、里兰学院联合创始人蒋里博士做了题为《人工智能——未来教育的机遇与挑战》的主题演讲。在《人工智能——未来教育的机遇与挑战》的主题演讲中,蒋里博士指出,简单重复的体力和脑力劳动,在未来很大程度上会受到人工智能的冲击和影响。未来的孩子不仅要跟全世界最优秀的人竞争,还要跟具有人工智能的机器人竞争。蒋里博士强调,在未来的人工智能时代,孩子必须掌握斯坦福大学提出的“人工智能思维”的三大核心:第一,了解、掌握人工智能的基本原理,懂得人工智能是如何运作的。只有懂得人工智能工作的原理,才能更好地利用先进的科技来帮人类做事。第二,拥有能够区分人的智能和人工智能的能力。比如想象力、创造力、共情力以及解决问题的能力等。第三,能与人工智能协作的能力。未来孩子的出路不是和人工智能/机器人对抗,而是要学会与人工智能/机器人进行协作,让科技为我们所用。他提出,人工智能思维将是未来社会的常识,应该让学生们把学习人工智能及其相关知识提到和数学一样重要的位置。为此他在美国硅谷创立了里兰学院,目的就是能够让学生学习到全世界最前沿的科学技术知识。里兰学院在美国硅谷做过很多大胆的尝试,比如把小学、初中、高中的学生混龄地放在同一个教室,给他们讲授斯坦福研究生的人工智能课程,当然其中剔除掉了复杂的数学公式。最后实现证明基本上小学三年级以上的孩子都能听懂。除了把人工智能/机器人最前沿的知识带到美国小学的课堂,蒋里博士也受邀到中国最顶级的公立和私立学校,给学生们讲授人工智能、机器人的知识。不仅如此,蒋博士还带领里兰学院的成员到中国最偏远的、海拔3000多米的贫困地区的小学,给他们讲授最前沿的人工智能/机器人的知识,这些贫困地区的孩子也能理解。所以,蒋里博士提出,我们有必要提前15-20年让我们的孩子学习到全世界最前沿的科学技术知识,人工智能/机器人,设计思维等等的前沿知识,点燃孩子学习的内在驱动力,培养他们成为引领未来的人才。科技发展日新月异,未来时代将是人类与人工智能机器人并存的时代。在这教育转型的关键时刻,蒋里博士希望,新时代的孩子能熟练掌握“人工智能思维”的三点核心,把人工智能当作人类的工具,锻炼自己成为具有创造力和协作能力等核心竞争力的优秀人才。

PingWest品玩12月12日讯，斯坦福大学发布了2019人工智能索引报告（2019 AI Index Report）。这是斯坦福大学第三年发布该报告。以下是报告亮点：从1998年到2018年，同行评议的人工智能论文数量增长了300%以上，占同行评议期刊出版物的3%，占已发表会议论文的9%。中国现在每年出版的人工智能期刊和会议论文与欧洲一样多，早在2006年就已经超过美国。但美国出版物的领域加权引用影响仍比中国高出约50%。新加坡、瑞士、澳大利亚、以色列、荷兰和卢森堡人均在arXiv上发表的深度学习论文数量相对较高。超过32%的世界人工智能期刊引文来自东亚。超过40%的世界人工智能会议论文引文来自北美。2014-2018年间，北美占全球人工智能专利引用活动的60%以上。许多西欧国家，特别是荷兰和丹麦，以及阿根廷、加拿大和伊朗，研究人工智能研究的女性比例相对较高。出席人工智能会议的人数继续大幅增加。2019年，最大的NeurIPS预计有13500人参加，比2018年增长41%，比2012年增长800%。即使是像AAAI和CVPR这样的会议每年的出席率也增长了30%左右。WiML研讨会的参与者人数是2014年的8倍，AI4的校友人数也是2015年的20倍。这些增加反映出继续努力将妇女和代表性不足的群体纳入人工智能领域。在一年半的时间里，在云基础设施上训练大型图像分类系统所需的时间从2017年10月的约3小时减少到2019年7月的约88秒。同时，训练这样一个系统的费用也同样下降。在SuperGLUE和SQuAD2.0基准测试中获得的一些广泛的自然语言处理分类任务方面的进展非常迅速；在一些需要推理的NLP任务（如AI2推理挑战）或人类级别的概念学习任务（如Omniglot挑战）上的性能仍然较低。在2012年之前，人工智能的结果紧跟摩尔定律，每两年计算翻番。2012年后，计算每3.4个月翻一番。2015年至2019年，新加坡、巴西、澳大利亚、加拿大和印度的人工智能招聘增长最快。2019年，全球私人人工智能投资超过700亿美元，与人工智能相关的初创企业投资超过370亿美元，并购340亿美元，IPO 50亿美元，少数股权价值约20亿美元。在全球范围内，对人工智能初创企业的投资继续稳步上升。融资总额从2010年的13亿美元增至2018年的404亿美元（截至11月4日，2019年为374亿美元），年均增长率超过48%。去年，自动驾驶以77亿美元（占全球总投资的9.9%）获得了全球投资的最大份额，其次是药物、癌症和治疗（47亿美元，6.1%）、面部识别（47亿美元，6.0%）、视频内容（36亿美元，4.5%）和欺诈检测和财务（31亿美元，3.9%）。58%的受访大公司表示，2019年至少有一个职能或业务部门采用人工智能，高于2018年的47%。只有19%的受访大公司表示，他们的组织正在采取措施降低与算法可解释性相关的风险，13%的公司正在降低对公平和公正的风险，如算法偏见和歧视。全球范围内，人工智能和相关学科以及在线课程的招生人数都继续快速增长。在研究生教育阶段，人工智能迅速成为北美计算机科学博士生中最受欢迎的专业，其学生数量是第二受欢迎专业（安全/信息保证）的两倍多。2018年，超过21%的计算机科学博士毕业生专攻人工智能/机器学习。在美国和加拿大，在人工智能领域毕业的国际博士生数量继续增长，目前超过60%的博士生来自这些项目（2010年不到40%）。到目前为止，工业已经成为人工智能人才的最大消费群体。2018年，超过60%的人工智能博士毕业生进入了工业领域，高于2004年的20%。2018年，在美国，从事工业的人工智能博士毕业生人数是从事学术工作的两倍多。在美国，人工智能教师离开学术界从事工业的速度继续加快，2018年有40多人离开，高于2012年的15人，2004年则没有。按照性别划分，人工智能教师的多样化并没有显示出很大的进展，2018年，女性在新聘教师中所占比例不到20%。同样，自2010年以来，美国女性人工智能博士学位获得者的比例几乎保持在20%不变。2015-2018年间，加利福尼亚州测试自动驾驶的总行驶里程数和公司总数增长了7倍以上。2018年，加利福尼亚州为50多家公司和500多辆AVs公司颁发了测试许可证，行驶里程超过200万英里。全球央行通讯显示出对人工智能的浓厚兴趣，特别是来自英国央行、日本央行和美联储的兴趣。全世界国会记录、委员会报告和立法记录中与人工智能相关的立法显著增加。公平性、可解释性和可解释性被认为是59份人工智能伦理原则文件中最常提及的伦理挑战。在2018年年中至2019年年中确定的3600多篇关于道德和人工智能的全球新闻文章中，主要议题是人工智能道德使用、数据隐私、人脸识别的使用、算法偏差和大技术的作用的框架和指南。人工智能可以通过迄今为止确定的用例为17个联合国可持续发展目标（SDG）中的每一个做出贡献，这些用例涉及169个联合国可持续发展目标中的大约一半，但要大规模部署人工智能促进可持续发展，仍需克服瓶颈。

杉数科技的主营业务是运用深层次数据优化算法和复杂决策模型的求解能力，为企业在海量数据环境下解决复杂问题提供方案。目前已为京东、顺丰、滴滴等公司提供数据优化解决方案。本文共计2618字，阅读时间5分钟。记者 / 黎明编辑 / 赵力无论时代如何进步，技术如何发展，人类对智慧的追求从未停止。《三国演义》中，诸葛亮通过一次次极富前瞻性的决策，运筹帷幄，决胜千里。但人类要达到如此境界难度极大，因为决策过程中的变量既多且杂，充满不确定性。最初在二战时期用于军事的运筹学提供了切实可行的方法论，后来运筹学在金融、供应链方面的应用越来越多。“一个人在面对现实问题需要做决策时，通过数据总结出的规律可能很复杂，甚至相互制约，最后必须做建模优化和设计算法，找出最优决策，这就是运筹学的任务。”杉数科技联合创始人&CEO罗小渠表示。在罗小渠看来，运筹学能够将现实中的决策问题转化为数学模型，并用高效的优化算法得到最优解。如今，这门前沿学科正在走出教科书，应用到产业界，并获得商业化成果。杉数科技就是其在中国市场的开拓者。数据建模+优化求解，运筹学大显身手杉数科技成立于2016年7月，是一家人工智能决策公司，由斯坦福大学讲席教授叶荫宇和罗小渠、葛冬冬、王子卓、王曦四位斯坦福大学博士联合创立。杉数科技的主营业务是运用世界领先的深层次数据优化算法和复杂决策模型的求解能力，为企业在海量数据环境下解决复杂问题提供方案。 以物流行业为例，随着电商以及新零售的发展，物流作为基础产业对电商的发展起到了重要的支撑作用。通过新技术的运用，提高物流环节的效率并降低成本，是各大电商平台和传统物流企业的一致目标。在物流的各个环节中，有三个问题比较常见：一是区域的划分和选址，物流枢纽如何规划管理，配送区域如何划分，车队如何分工，这都直接关系到物流效率和成本；二是收益管理与定价，核心是如何根据不同服务制定产品线，设计最佳方案；三是运输优化，要求在全局统筹所有资源，提高运输效率。在以上三个问题中，涉及整体方案的规划、资源的调配以及各部门的协作。现实存在的问题是，物流周转周期长、成本高、效率低；仓储能力不足、管理混乱；物流配套基础设施落后等，这些都是供应链亟待优化的问题。“当一个决策目标受到多个决策变量影响，特别是这些因素之间还互相干扰时，从数据到实现决策的门槛就会更高。”罗小渠称。对企业而言，从数据到决策需要经历对数据的采集和管理、数据的规律性分析、决策分析这三个阶段，其中把数据转化为真正的决策方案最为关键。要在错综复杂的决策场景下实现上述目标，首先需要有效描述问题，其次是做出最优决策。“用数据来做决策其实有两个步骤，一个是精确恰当地建模，一个是迅速地求解。”数据建模就是用数学模型把问题描述并表达清楚，在上述物流的例子中，就是将物流环节中的实际问题抽象为数学模型，进行模型化描述和表达；优化求解就是利用数据模型找出“最优解”，做出最佳决策。罗小渠称，优化算法是人工智能领域中极其核心、难度极高的部分，而建模和求解这两点正是杉数科技的核心技术。杉数科技的三位联合创始人葛冬冬博士、王子卓博士、王曦博士均毕业于斯坦福大学管理科学与工程系，并且曾在Google、IBM、华为等公司参与数据分析和决策项目；罗小渠是斯坦福大学商学院博士，曾任创业黑马首席战略官，擅长战略、管理。利用技术手段解决供应链领域的决策问题，正是杉数科技将运筹学实际应用在物流行业的案例呈现。据罗小渠介绍，杉数科技为企业进行的选址服务，使得物流成本下降了40%，给企业提供的多维度、多目标、多场景的配送任务分配以及路线规划建议，能有效节省10%-25%的物流配送成本。定制化方案+标准化产品，掘金供应链领域杉数科技将服务重点定位在供应链领域，具体集中在与供应链紧密相关的物流、零售和快消三个行业上。在罗小渠看来，供应链领域涉及的变量多、决策过程复杂，同时供应链企业对效率提升的要求与日俱增，对第三方数据服务的需求也在增加。在具体打法上，杉数科技采取了两条腿走路的策略，一方面提供定制化的解决方案，另一方面推出标准化的产品。在与某啤酒厂商的合作中，杉数科技为其定制了城市大仓到门店各渠道的B2B补货配送优化方案。在传统模式下，厂商通过经验来判断承运部门需要多少辆车，这些车怎么进行区域分工，以及路径如何规划，有时候会出现订单分布不均衡、车辆利用效率不高、无法动态调整等问题。通过杉数科技的优化算法，啤酒厂商减少了人工以及用车数量，路径优化后缩短了配送时间，大大降低了运营成本。在与某出行企业合作的案例中，杉数科技通过数据建模，分析订单数据、城市POI信息、交通拥堵信息、天气信息等与用户出行相关的数据，能够准确预测特定区域未来某个时间段的出行供需缺口，提升订单匹配效率。库存管理是电商和零售中的关键环节，对企业运营能力有很高的要求。在杉数科技和某电商平台的合作中，杉数科技的定制化方案让电商平台的库存周转天数由29天缩短到24天，GMV也提升了1.9%。目前，杉数科技作为第三方技术提供方，为京东、顺丰、滴滴、永辉、万达、德邦等公司提供定制化的数据优化解决方案。去年，杉数科技也推出了模块化、标准化的产品。2016年8月，杉数科技获得了来自真格基金和北极光创投的天使轮融资，为2016年中国大数据方向天使轮估值和融资额最高值；2017年7月完成A轮融资，由高达投资领投，将门创投、联想创投跟投，融资额约4000万元。算法+模块+产品，一横一纵战略拓展行业边界如今，杉数科技已经形成了算法、模块、产品的三层架构。最底层是算法。杉数科技以项目制的形式，向外部企业输出技术方案，根据客户的具体需求提供定制化的解决方案。这是杉数科技最核心的优势所在，也是其最初试水商业化的路径。对于品牌厂商而言，相比自建技术团队，选择第三方技术服务的成本更低。中间层是模块。这就像乐高积木，通过基础模块的组装拼接，可以做出不同的产品。而在实际运用中，杉数科技先将算法模块化和具体化，再利用这些模块去自由拼接，根据用户需求得到不同的解决方案。相比纯技术层面的算法，模块已经实现了一定程度上的标准化。最上层是产品。产品实现了标准化，这更利于规模化扩张，可复制性强。杉数科技针对客户的固定需求，提供已经开发出的标准化产品，降低定制成本，满足中小型企业需求。这种三层架构，为杉数科技将抽象的技术商业化提供了便利，也形成了从项目到产品多层次提供技术服务的模式。战略上，杉数科技将其总结为“一横一纵”。“纵”指的是要在几个特定行业里深扎并拥有绝对优势，比如物流、零售、快消是目前杉数科技聚焦的三大行业；“横”指的是面向更为广泛的行业提供简单通用的技术工具，以求解算法技术为依托，杉数科技根据具体行业的需求，不断开发出相对标准化的产品，实现规模和边界的扩张。

2019年5月26日上午，由中央电化(电子信息化)教育馆主办，《中国电化教育》杂志社和北京市海淀区教育委员会承办的“2019年新媒体新技术教学应用研讨会暨第十二届全国中小学创新课堂教学实践观摩活动”在北京正式开幕。据了解，本次会议有超过2500名来自全国各地中小学的校长和科技骨干教师到场，有超过60万人在线观看直播。出席此次大会的领导有中央电教馆党委李萍副书记、教育部基础教育司装备与信息化处张权处长、教育部科技司信息化处任昌山副处长等。美国斯坦福大学人工智能、机器人与未来教育中心主任蒋里博士、北京师范大学副校长陈丽教授、北京市海淀区教委王方主任、教育部基础教育质量检测中心网络平台部张生主任在开幕式上做了主题发言。其中，美国斯坦福大学人工智能、机器人与未来教育中心执行主任蒋里博士做了题为《人工智能——未来教育的机遇与挑战》的专家报告。蒋里博士是美国斯坦福大学人工智能、机器人与未来教育中心主任，也是斯坦福大学全球创新设计联盟的联席主席。他是国际消费电子产品博览会(CES)创新大奖最高奖得主，也是美国林肯设计大赛的最高奖获得者。蒋里博士长期从事人工智能与机器人领域的研究，他当前的研究方向之一就是人工智能与机器人技术对于未来教育的冲击以及未来的孩子该如何应对。在《人工智能——未来教育的机遇与挑战》的主题报告中，蒋里博士强调，简单重复的体力和脑力劳动在未来一定程度上都会受到人工智能的冲击和影响。因此，未来的孩子不仅要跟全世界最优秀的人竞争，还要跟具备人工智能的机器人竞争。机器所具有的智能在处理信息和知识的数量和速度上都远超人类，因此，未来孩子的出路不是和人工智能与机器人对抗，而是要学会与人工智能、机器人进行协作，让科技为我们所用。在报告中，蒋里博士提出，在人工智能技术飞速发展的时代，未来的孩子必须要掌握“人工智能思维”的三大核心，才能在未来为自己赢得一席之地：第一，让孩子了解、掌握人工智能的基本原理，具备人工智能思维。未来的孩子只有懂得人工智能工作的原理，才能更好地利用先进的科技来帮我们做事。第二，让孩子拥有能够区分人的智能和人工智能的能力，比如共情力、创造力以及解决问题的能力等。第三，培养孩子能与人工智能协作的能力。未来时代，社会中将会有很多岗位需要人力与人工智能、机器人进行配合、协调工作，因此，培养孩子的协作能力也刻不容缓。互联网的高速发展、普及让信息无处不在、无孔不入。在这个信息大爆炸的时代，信息巨量生产并高速传播，但人类的大脑并没有办法处理如此庞大的信息数据。因此，未来时代将是人类与人工智能机器人并存的时代，孩子不仅需要了解、掌握人工智能，还要具备与人工智能协作的能力。最后，蒋里博士希望，未来的孩子能学会把人工智能当作人类思考的一种方式，锻炼自己成为具有创造力和协作能力等核心竞争力的复合型人才。

国内BAT都在积极的抢夺AI人才，从公开的数据来看，百度目前AI人才最多，是国内AI大牛聚集的重镇。雷锋网了解到，目前百度的AI人才中有超过20位核心高层，包括COO陆奇，e-staff张亚勤和王海峰，吴海锋、沈抖、李震宇、郑子斌、尹世明、杨涛等六位副总裁，还有景鲲、顾维灏、李莹、阮瑜等四位总经理，此外，还有世界级科学家Ken Ward Church、吴华、浣军、熊辉。在AI战略的开端，百度重金挖回的AI大牛中，吴恩达和陆奇是代表人物。 吴恩达是斯坦福大学计算机系和电子工程系副教授、人工智能实验室主任，后加入谷歌带领团队打造“谷歌大脑”。2014年5月16日，吴恩达加入百度，担任百度公司首席科学家，负责百度研究院的领导工作，尤其是Bai Brain计划。2017年其独自创业成立Deeplearning.ai。作为人工智能领域的旗帜性人物，吴恩达在百度期间吸引了大批AI人才进入百度。（陆奇） 如果说吴恩达的角色更偏向于科学家，那么陆奇则是管理经验更为丰富的多面手人才。陆奇是卡内基梅隆大学计算机科学博士，曾任雅虎执行副总裁、微软集团全球执行副总裁，是大陆华人在全球科技公司总部所任职位的最高级别。除了前面提到的百度从微软、谷歌、苹果等国外巨头挖回来的AI大牛以外，百度依靠其搜索和大数据基因，也自己培养了不少AI人才。例如，负责百度搜索业务的副总裁吴海锋、目前负责智能驾驶事业群组的副总裁李震宇、智能汽车事业部总经理顾维灏、百度地图事业部总经理李莹，这些都是在百度十年以上的老百度员工。此外，雷锋网了解到，百度目前还成立了 “云智学院”, 百度计划3年通过百度云智学院、百度技术学院为全球培养10万名AI工程师人才。从顶尖AI科学家、AI战略人才、AI产品人才到AI工程师，百度的AI人才矩阵已经逐步形成。

全球各国具有人工智能研究方向的大学数图一：全球各国具有人工智能研究方向的大学数目全球大学共有367所高校具有人工智能研究方向，这其中，美国占有168所，占全球份额的45.7%，加拿大、中国、印度、英国分别位于二、三、四名，但与美国相差较大。具有人工智能研究方向的大学实力排名图二：具有人工智能研究方向的大学实力排名TOP1:卡内基梅隆大学(CMU)TOP2:清华大学TOP3:康奈尔大学和斯坦福大学TOP5:北京大学TOP6:佐治亚理工学院TOP7:华盛顿大学TOP8:加州大学伯克利分校TOP9:马萨诸塞大学安姆斯特分校TOP10:麻省理工学院TOP24:浙江大学TOP51:南京大学全球实力排名中国高校占2所。全球大学人工智能研究排名图三：全球大学人工智能研究排名TOP1:卡内基梅隆大学TOP2:清华大学TOP3:牛津大学TOP4:北京大学TOP5:香港科技大学TOP6:新南威尔士大学TOP7:南洋理工大学TOP8:阿尔伯塔大学TOP9:南京大学TOP10:浙江大学全球研究排名中国高校占4所。中国高校AI前60排名图四：中国高校AI前60排名如果不想去世界顶级的大学学习人工智能，舍弃了欧美，如美国、加拿大、英国，在国内就要去上面这些大学进行本科阶段的学习，硕士研究生和博时研究生阶段的学习，最好还是去美国顶级院校学习，毕竟毕业之后的工作，要比国内丰富很多。人工智能企业拥有数量前五名图五：人工智能企业拥有数量前五名TOP1:美国，1078家TOP2:中国，592家TOP3:英国，138家TOP4:以色列，74家TOP5:加拿大，70家世界人工智能强国人口数世界人工智能强国人口占比图六：世界人工智能强国人口数与占比美国占地球人口4%，加拿大0.49%，英国0.89%，以色列0.12%，而中国占地球18.93%，资源很不均衡。看到这些数据，就应该明白，去美国学习人工智能，就能享受到优越的教育资源，一流的师资，高端的设备，最前沿的学术思想，在最顶尖的平台上才能越走越远，攀登科学高峰，不至于走弯路，走错路，这也是很多一流科学家曾经最明智的选择。

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）。

引述外媒报道，斯坦福大学发布了2019人工智能索引报告（2019 AI Index Report）。这是斯坦福大学第三年发布该报告。事实上，这个AI索引报告，内容涵盖了很多领域，以至于它的创建者（包括哈佛，斯坦福和OpenAI等机构）也发布了两个新工具，目的只是为了筛选他们从中获取的信息。一种工具用于搜索AI研究论文，另一种工具用于研究国家级研究和投资数据。以下是报告亮点：人工智能研究正在迅速发展。在1998年至2018年之间，关于AI的同行评审论文的发表数量增加了300％。出席会议的人数也激增；最大的提供商NeurIPS预计今年将有13,500名与会者，比2012年增长800％。人工智能教育同样受欢迎。在大学和在线学习机器学习课程的人数继续增加。数字很难总结，但是一个很好的指标是，人工智能是北美计算机科学专业毕业生中最受欢迎的专业。超过21％的CS博士选择专门研究AI，这是第二受欢迎的学科（安全/信息保证）的两倍多。在大多数指标上，美国仍是AI的全球领导者。尽管中国发表的AI论文数量超过任何其他国家，但在美国发表的论文影响更大，美国作者的论文比全球平均水平高40％。美国也将最大的资金用于私人AI投资（与中国相比略低于120亿美元，仅次于中国，全球为68亿美元），并且AI专利的申请数量超过任何其他国家（是排名第二的日本的三倍） ）。AI算法正在变得越来越快，训练起来也越来越便宜。除非可访问，否则研究毫无意义，因此特别欢迎此数据点。AI Index团队指出，在流行的数据集（ImageNet）上训练机器视觉算法所需的时间从2017年10月的大约3个小时减少到2019年7月的88秒。成本也从数千美元下降到两位数图。自动驾驶汽车获得了比任何人工智能领域更多的私人投资。全球私人投资中不到10％用于自动驾驶汽车，约为77亿美元。其次是医学研究和面部识别（两者都吸引了47亿美元），而增长最快的工业AI领域则不那么浮华：机器人流程自动化（2018年投资10亿美元）和供应链管理（超过5亿美元）。这一切令人印象深刻，但需要注意的一个重大问题：无论AI的提高速度如何，它都无法与流行文化和大肆宣传的头条新闻相提并论。这看起来似乎很古怪，甚至很明显，但是值得记住的是，尽管人工智能世界正在蓬勃发展，但人工智能本身仍然在某些重要方面受到限制。最好的证明来自AI Index报告中“人类绩效里程碑”的时间表；人工智能已经达到或超过人类水平的专业知识的历史。时间线始于1990年代，当时程序首先在跳棋和国际象棋上击败了人类，并随着最近的机器学习热潮而加速，列出了AI来临，被征服和征服的视频游戏和棋盘游戏（在2016年发布，在2018年发布Dota 2，等等。）。这与各种杂项任务混合在一起，例如2017年对人类皮肤癌图像进行分类，并在2018年进行中英文翻译。（许多专家对最后的成就一无所获，并指出AI翻译仍然落后人类。）尽管此内容令人印象深刻，但它不应该使您相信AI超级智能已近。首先，这些里程碑中的大多数来自在视频游戏和棋盘游戏中击败人类的领域-由于其清晰的规则和易于模拟的领域，特别适合AI培训。这样的培训通常依赖于AI代理将许多终生的工作投入到一个游戏中，并在太阳日中进行数百年的培训：这一事实突出了人类与计算机相比学习的速度。同样，每个成就都设置在一个域中。除了极少数例外，接受一项任务训练的AI系统无法将他们学到的知识转移到另一项任务上。一个超人的《星际争霸2》机器人将输给一个五岁的下象棋的人。尽管AI可以像肿瘤科医生一样准确地发现乳腺癌肿瘤，但对于肺癌却不能做到这一点（更不用说开处方或做出诊断了）。换句话说：AI系统是一次性使用的工具，而不是人类的备用智能。但还有另外一个，这并不意味着AI并不是有用的。如本报告所示，尽管机器学习有局限性，但它在资金，兴趣和技术成就方面仍在不断加速。人工智能可以通过迄今为止确定的用例为17个联合国可持续发展目标（SDG）中的每一个做出贡献，这些用例涉及169个联合国可持续发展目标中的大约一半，但要大规模部署人工智能促进可持续发展，仍需克服瓶颈。

如果您想学习人工智能(AI)并进行研究，我们已经列出了一些世界一流大学的清单，这些大学既提供本科学位又提供研究生学位，也提供人工智能(AI)的研究机会。1. 美国麻省理工学院在麻省理工学院有一个脑与认知科学(BCS)部门，其目的是反向通过研究大脑各级，从分子到突触，神经元，到电路，以算法工程师人的心，人的行为和认知。该系设有研究生，本科，学士后，博士后甚至夏季研究计划。如果您想成为深入研究神经网络并测试非侵入性措施，以战胜诸如阿尔茨海默氏症这样的记忆退化性疾病，那么这就是您的理想环境。毕竟，在MIT AI实验室中，开发了第一个情感AI – Kismet。除CS的其他研究领域外，还有MIT计算机科学与人工智能实验室致力于AI研究。实验室下的AI和ML研究区域本身包含21个研究小组，其中一些小组包括–临床决策小组，计算知觉和认知，创世纪小组等。主要研究人员，研究生，研究人员和同事等是该实验室的一部分。2. 卡内基梅隆大学(CMU)卡内基梅隆大学(Carnegie Mellon University)，简称CMU，坐落在美国宾夕法尼亚州的匹兹堡，是一所拥有13,600名在校学生和1,423名教职及科研人员的世界著名学府，美国25所新常春藤盟校之一。卡内基梅隆大学(CMU)以高度重视研究而闻名，是著名的研究机构之一。CMU于1989年负责使用神经网络制造出第一款自动驾驶汽车。它们拥有最先进的研究设施和财力，可以创造出能够使世界变得更好的技术。他们的目标是通过AI使地球更安全，更健康。CMU是第一个建立AI本科学位的人。他们还成立了一个称为AI堆栈委员会的组织–因为他们认为AI不仅是一回事，它是由多个技术模块构建而成的。每个区块都有指定的作业进行研究和研究。CMU拥有博士，硕士，本科及外展计划，您可以根据自己的需要尝试这些计划。在CMU理学院，他们有单独的研究部门，涉及人机交互，机器学习和机器人技术。3. 斯坦福大学自1962年以来，斯坦福大学一直在研究人工智能。斯坦福大学的AI实验室汇集了跨部门的教职员工和学生。例如，计算机科学和航空学系的学生共同努力，为无人飞机建立了分布式避免冲突系统。在斯坦福大学人工智能实验室提供个别课程- AI，ML，NLP与深度学习，实验机器人，等他们有讨论下AI科技论文一切每周的阅读群体。对于CS的本科专业，学生可以选择一个称为“轨道”的集中领域。人工智能和人机交互很少。斯坦福大学拥有AI硕士学位，同时还提供AI研究生证书。4. 加利福尼亚大学伯克利分校2016年，加利福尼亚大学伯克利分校(UCB)成立了人类兼容AI中心。它是阳光明媚的加利福尼亚州最古老的高等教育机构之一。UCB拥有著名的伯克利人工智能研究实验室-BAIR Lab，该实验室汇集了计算机视觉，NLP，机器人技术和机器学习领域的研究人员。BAIR正在努力将AI与其他科学学科和人文学科联系起来。UCB提供AI，ML，机器人操纵与交互，深度学习甚至神经计算等本科课程。一些研究生课程涉及高级机器人技术，人机交互算法和统计学习理论。您还可以从Berkeley EECS的许多与AI相关的课程中进行选择–电气工程与计算机科学。UCB在AI研究下运行着大大小小的项目。当前的项目包括建筑物内部自动3D建模，儿童问答软件等。5. 南洋理工大学南洋理工大学（NTU）是新加坡的一所自治大学。2018年1月，NTU校长Subra Suresh教授宣布了他的计划，旨在通过技术支持的解决方案将NTU转变为智能校园，以提供更好的学习/生活体验。对于亚洲学生来说，新加坡的NTU绝对是离家学习更可行的选择。NTU正在其智能园区的研究实验室中推动AI的前沿发展。南大提供数据科学与人工智能的本科学士学位。6. 哈佛大学哈佛大学的约翰·保尔森工程与应用科学学院(SEAS)和应用计算科学研究所拥有一系列专注于AI CS的研究生课程。SEAS成员与大学的同事合作，在多个领域进行研究。最近，哈佛大学建造了一种蟑螂启发的机器人。该HAMR -哈佛门诊微机器人-是一个多功能的机器人，可以实现高速奔跑，跳跃，攀爬，急转弯，远距离输送物资等操作。7. 爱丁堡大学爱丁堡大学一直在专注于人工智能。它提供了非常多的课程选择。他们旨在为您提供智能系统设计和构建方面的实践知识，以便您可以将自己的技能应用到各种职业环境中。AI的本科课程包括– AI的BSc和AI + CS的BSc。AI的研究生学位-AI的硕士学位 -属于计算与信息学的主题。您可以选择AI的MSc作为全日制1年制课程或非全日制2至3年制课程。他们甚至拥有博士学位。ML和计算神经科学课程。在爱丁堡，您可以选择全日制的5年制本科硕士课程(MInf)，该课程的重点是为CS，AI，认知科学以及语言学，神经科学，心理学和生物学方面的高级研究奠定坚实的基础。