香港科技大学人工智能博士

香港科技大学（广州）已开启2021fall研究型硕士及博士入学申请。这已经是港科大广州校区第三年招生了，香港科技大学已经在2019-2020年先行招收了超过250名研究型研究生（Research Postgraate），在香港的清水湾校园授课，试行港科大（广州）拟设的课程、开展相关领域的研究。你想知道的香港科技大学（广州）招生计划，小编都已经整理好了，一起来看看吧。香港科技大学（广州）试点计划简介为配合香港科技大学(广州)在南沙设立分校的筹备工作，香港科技大学在清水湾校园推行广州试点计划，开始招收研究型研究生（RPg）。这些学生将在香港科技大学将设立的研究中心下进行跨学科研究。香港科技大学（广州）致力提供与香港科技大学相同质素和标准的教学环境，并以英语为基本语言。根据香港科技大学的要求，招收的学生来自不同的文化和背景，拥有不同的兴趣、观点、能力和创业精神。国际认可2020年THE世界年轻大学中位列第12019全球就业能力大学排名第102021QS世界大学排名位列世界第271.申请时间目标招收共150名学生（全日制博士及研究型硕士）申请截止时间：2020年12月1日（HKPFS申请截止）2021年6月1日（最终截止）入学时间：2021年9月2.申请要求一般要求：受认可的学士/硕士学位。语言要求：（满足其一即可）雅思6.5，均分不低于5.5托福550（纸考）/80（机考）及以上。*申请人在下列情况下无需提供雅思/托福成绩：第一语言是英语或在以英语为教学语言的学校获得学士及以上学位。3.申请专业研究领域包含：先进材料、大气与海洋工程、可持续能源及环境、人工智能、数据科学及分析、数字媒体及艺术、城市管理与设计、金融科技、智能运输、生物医学及生物医学工程等。详情了解各研究领域，可后台咨询小编。4.学费及奖学金学费：42100奖学金：图源自香港科技大学5.上课地点及毕业证学习地点：2022年以前在香港清水湾校区学习。在清水湾校区，学校为学生提供住宿。预计在2022年9月后搬至广州校区学习。毕业证书：将获得香港科技大学颁发的学位证书，同时获得香港科技大学（广州）颁发的毕业证书。小编提醒：目前各港澳高校硕士博士申请通道均已开放。早准备，早申请，早录取。

香港科技大学又双叒叕传出新消息，香港科技大学（广州）已开启2020fall研究型硕士及博士入学申请。这已经是港科大广州校区第二年招生了，香港科技大学已经在2019年先行招收了106名研究型研究生（Research Postgraate），在香港的清水湾校园授课，试行港科大（广州）拟设的课程、开展相关领域的研究。你想知道的香港科技大学（广州）招生计划，一起看看看吧。香港科技大学（广州）试点计划为配合香港科技大学(广州)在南沙设立分校的筹备工作，香港科技大学在清水湾校园推行广州试点计划，开始招收研究型研究生（RPg）。这些学生将在香港科技大学将设立的研究中心下进行跨学科研究。香港科技大学（广州）致力提供与香港科技大学相同质素和标准的教学环境，并以英语为基本语言。根据香港科技大学的要求，招收的学生来自不同的文化和背景，拥有不同的兴趣、观点、能力和创业精神。香港科技大学—国际认可2019年THE世界年轻大学中位列第12020QS世界大学排名位列世界322019全球就业能力大学排名第101.申请时间目标招收150名学生（全日制博士及研究型硕士）申请开始时间：2020年2月申请截止时间：2020年3月15日入学时间：2020年9月2.申请要求一般要求：受认可的学士/硕士学位。语言要求：雅思6.5，均分不低于5.5或托福550（纸考）/80（机考）及以上。*申请人在下列情况下无需提供雅思/托福成绩：第一语言是英语或在以英语为教学语言的学校获得学士及以上学位。3.申请专业研究领域包含：先进材料、大气与海洋工程、可持续能源及环境、人工智能、数据科学及分析、人工智能、数字媒体及艺术、城市治理与设计、创新政策与创业、金融科技、智能运输、智能制造、机器人、生物医学及生物医学工程等。来源于香港科技大学官网4.学费及奖学金学费：42100港币/年（暂定）奖学金：18030/月（暂定）*所有根据广州试点计划被录取的学生都将获得奖学金，不需要再递交申请。5.上课地点及毕业证学习地点：2020年9月—2022年在香港清水湾校区学习预计在2020年9月后搬至广州校区学习。毕业证书：将获得香港科技大学颁发的学位证书，同时获得香港科技大学（广州）颁发的毕业证书。

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。

前方发来最新消息，创新工场迎来与高校合作重要里程碑！3 月 20 日，香港科技大学和创新工场宣布成立计算机感知与智能控制联合实验室「Computer Perception and Intelligent Control Lab」，并签署合作备忘录。签约仪式现场联合实验室将由机器学习领域的国际专家张潼博士主导，担任联合实验室主任一职。值得一提的是，张潼博士已加盟创新工场，兼任科研合伙人。强强联手！探索校企合作新模式此次创新工场与香港科技大学的合作绝对足够重量级！作为国际知名的研究型大学，香港科技大学致力于发展尖端科技，一直以来高度重视并积极投入人工智能领域的研究工作。根据艾伦人工智能研究所发布的报告，在人工智能领域研究论文方面，香港科技大学进入被引用次数最多的中国学术机构前五名，被引用总次数超过 10 万次。除了拥有超强的学术实力，香港科技大学还关注人工智能技术成果的落地与应用，大力发展惠泽社会的人工智能项目，并于 2018 年 9 月设立香港首个人工智能研究中心。此外，香港科技大学在人才培养方面也是不遗余力，不仅长期为产业界输送优秀的人工智能领域人才，还孵化出了无人机领域的「独角兽」大疆科技等潜力股。香港科技大学理学院院长汪扬教授表示：「人工智能是港科大重要的研究发展领域之一, 其应用将大大改变人类未来的生活模式。港科大理学院有幸与创新工场合作, 开展多项具前曕性的研究项目, 希望为人工智能的进一步发展奠下新的基石。」根据备忘录，实验室计划开展的研究方向包括：机器学习基础理论与基础算法研究、计算机感知与智能控制研究。联合实验室由机器学习领域的国际专家张潼博士主导，张潼目前在香港科技大学计算机系和数学系任教。港科大和创新工场联合实验室主任张潼与创新工场人工智能工程院执行院长王咏刚在签约仪式上对此，香港科技大学和创新工场联合实验室主任张潼表示：「创新工场有丰富的产业界资源，可以从中抽象出很多有价值的研究问题。港科大创新工场联合实验室会基于这些问题在机器学习的基础理论和算法上进行研究，并打造计算机感知与智能控制的核心能力。我们一方面希望实验室能够研发出世界领先的 AI 技术，另一方面也会和创新工场合作把成果在产业界转化，最终孵化出成功的科技企业。我们希望探索校企合作的新模式，加强产学研结合，提高人才培养的质量和科技创新能力。」签约仪式现场，创新工场董事长兼 CEO 李开复博士还回忆了自己在卡内基梅隆大学攻读博士学位时做语音识别的研究，以及投身产业界多年后才见证这一技术迎来黄金时期这一经历。他坦言，正是这段经历让他明白，学术界和工业界之间沟通联系的重要性，以及产学界的确存在差异。同时，他还分享了多年前来访香港科技大学时，误把港科大硕士同学的研究海报认成是博士成果的趣事。他大力肯定了香港科技大学在学术研究领域的超前性，并表示对此次共建联合实验室感到兴奋。图为香港科技大学校长史维与李开复博士「作为中国首家『Tech VC』机构，创新工场一直关注人工智能领域的科研和人才培养。创新工场两年半前成立的人工智能工程院，就是面向人工智能领域的科研转化实验室和人才培养基地。此次合作体现出创新工场对于高校 AI 人才培养的一贯支持，给创新工场团队和香港科技大学提供了一个科研与产业结合的机会。希望双方能强强联合，在实验室的核心方向取得突破性进展，同时培养出一批国际化高素质的 AI 尖端人才。」李开复博士说道。大牛加盟！张潼任创新工场科研合伙人今天创新工场发布的另一则重磅官宣，则是张潼博士于 2019 年初已加盟创新工场，兼任科研合伙人。他将从 AI 科技发展方向的高度，对创新工场的科技类项目投资，以及创新工场 AI 工程院的 AI 研发项目、AI 人才培养项目等进行指导。张潼博士是机器学习领域的国际著名专家，拥有美国康奈尔大学数学和计算机双学士学位，以及斯坦福大学计算机硕士和博士学位，在香港科技大学数学系和计算机系任教。曾经担任美国新泽西州立大学终身教授，IBM 研究院研究员和雅虎研究院主任科学家，百度研究院副院长和大数据实验室负责人，腾讯 AI Lab 主任。张潼博士曾参加美国国家科学院大数据专家委员会，负责过多个美国国家科学基金资助的大数据研究项目。此外，他还是美国统计学会和国际数理统计学会 fellow，并担任 NIPS、ICML、COLT 等国际顶级机器学习会议主席或领域主席，以及 PAMI, JMLR, 和 Machine Learning Journal 等国际一流人工智能期刊编委，对 AI 的前沿技术有着深刻的洞察和全面的掌握，致力于 AI 技术在产业界的落地。李开复表示，人工智能四波浪潮的逐步落地将创造巨大商业机会，创新工场长期看好 AI 赛道，并会持续下注布局。张潼的加入将更进一步强化创新工场 Tech VC 的专业投资机构定位，提升创新工场在科技创业项目的投前评估、技术判断、投后技术赋能等环节的整体实力。

前方发来最新消息，创新工场迎来与高校合作重要里程碑！3 月 20 日，香港科技大学和创新工场宣布成立计算机感知与智能控制联合实验室「Computer Perception and Intelligent Control Lab」，并签署合作备忘录。签约仪式现场联合实验室将由机器学习领域的国际专家张潼博士主导，担任联合实验室主任一职。值得一提的是，张潼博士已加盟创新工场，兼任科研合伙人。强强联手！探索校企合作新模式此次创新工场与香港科技大学的合作绝对足够重量级！作为国际知名的研究型大学，香港科技大学致力于发展尖端科技，一直以来高度重视并积极投入人工智能领域的研究工作。根据艾伦人工智能研究所发布的报告，在人工智能领域研究论文方面，香港科技大学进入被引用次数最多的中国学术机构前五名，被引用总次数超过 10 万次。除了拥有超强的学术实力，香港科技大学还关注人工智能技术成果的落地与应用，大力发展惠泽社会的人工智能项目，并于 2018 年 9 月设立香港首个人工智能研究中心。此外，香港科技大学在人才培养方面也是不遗余力，不仅长期为产业界输送优秀的人工智能领域人才，还孵化出了无人机领域的「独角兽」大疆科技等潜力股。香港科技大学理学院院长汪扬教授表示：「人工智能是港科大重要的研究发展领域之一, 其应用将大大改变人类未来的生活模式。港科大理学院有幸与创新工场合作, 开展多项具前曕性的研究项目, 希望为人工智能的进一步发展奠下新的基石。」根据备忘录，实验室计划开展的研究方向包括：机器学习基础理论与基础算法研究、计算机感知与智能控制研究。联合实验室由机器学习领域的国际专家张潼博士主导，张潼目前在香港科技大学计算机系和数学系任教。港科大和创新工场联合实验室主任张潼与创新工场人工智能工程院执行院长王咏刚在签约仪式上对此，香港科技大学和创新工场联合实验室主任张潼表示：「创新工场有丰富的产业界资源，可以从中抽象出很多有价值的研究问题。港科大创新工场联合实验室会基于这些问题在机器学习的基础理论和算法上进行研究，并打造计算机感知与智能控制的核心能力。我们一方面希望实验室能够研发出世界领先的 AI 技术，另一方面也会和创新工场合作把成果在产业界转化，最终孵化出成功的科技企业。我们希望探索校企合作的新模式，加强产学研结合，提高人才培养的质量和科技创新能力。」签约仪式现场，创新工场董事长兼 CEO 李开复博士还回忆了自己在卡内基梅隆大学攻读博士学位时做语音识别的研究，以及投身产业界多年后才见证这一技术迎来黄金时期这一经历。他坦言，正是这段经历让他明白，学术界和工业界之间沟通联系的重要性，以及产学界的确存在差异。同时，他还分享了多年前来访香港科技大学时，误把港科大硕士同学的研究海报认成是博士成果的趣事。他大力肯定了香港科技大学在学术研究领域的超前性，并表示对此次共建联合实验室感到兴奋。图为香港科技大学校长史维与李开复博士「作为中国首家『Tech VC』机构，创新工场一直关注人工智能领域的科研和人才培养。创新工场两年半前成立的人工智能工程院，就是面向人工智能领域的科研转化实验室和人才培养基地。此次合作体现出创新工场对于高校 AI 人才培养的一贯支持，给创新工场团队和香港科技大学提供了一个科研与产业结合的机会。希望双方能强强联合，在实验室的核心方向取得突破性进展，同时培养出一批国际化高素质的 AI 尖端人才。」李开复博士说道。大牛加盟！张潼任创新工场科研合伙人今天创新工场发布的另一则重磅官宣，则是张潼博士于 2019 年初已加盟创新工场，兼任科研合伙人。他将从 AI 科技发展方向的高度，对创新工场的科技类项目投资，以及创新工场 AI 工程院的 AI 研发项目、AI 人才培养项目等进行指导。张潼博士是机器学习领域的国际著名专家，拥有美国康奈尔大学数学和计算机双学士学位，以及斯坦福大学计算机硕士和博士学位，在香港科技大学数学系和计算机系任教。曾经担任美国新泽西州立大学终身教授，IBM 研究院研究员和雅虎研究院主任科学家，百度研究院副院长和大数据实验室负责人，腾讯 AI Lab 主任。张潼博士曾参加美国国家科学院大数据专家委员会，负责过多个美国国家科学基金资助的大数据研究项目。此外，他还是美国统计学会和国际数理统计学会 fellow，并担任 NIPS、ICML、COLT 等国际顶级机器学习会议主席或领域主席，以及 PAMI, JMLR, 和 Machine Learning Journal 等国际一流人工智能期刊编委，对 AI 的前沿技术有着深刻的洞察和全面的掌握，致力于 AI 技术在产业界的落地。李开复表示，人工智能四波浪潮的逐步落地将创造巨大商业机会，创新工场长期看好 AI 赛道，并会持续下注布局。张潼的加入将更进一步强化创新工场 Tech VC 的专业投资机构定位，提升创新工场在科技创业项目的投前评估、技术判断、投后技术赋能等环节的整体实力。

· 根据2019年2月《粤港澳大湾区发展规划》培育壮大战略性新兴产业的指引，WeGene 与香港科技大学签署战略合作协议，推动人工智能技术与基因组大数据结合发展。· 基于港科大的人工智能与数据科学优势与WeGene的基因组数据积累，WeGene 、香港科技大学将共同研究开发适用于基因组研究与应用的人工智能方法和系统。2019年3月27日，香港——个人基因组服务与群体基因组研究公司微基因WeGene 与香港科技大学签署战略合作协议，宣布将共同研究并开发适用于基因组研究与应用的人工智能方法和系统，同时合作培养具备跨学科知识和能力的人才。签约仪式由香港科技大学数学系教授、健康数据分析中心主任杨灿教授主持，香港科技大学理学院院长汪扬教授、数学系系主任王筱平教授、数学系夏冬教授和鲍志刚教授，微基因WeGene CEO 陈钢博士、生物信息研发总监唐森威，以及 Illumina 大中华区市场经理林然博士等共同出席签约仪式。2019年2月18日，中共中央、国务院正式印发《粤港澳大湾区发展规划纲要》，在“构建具有国际竞争力的现代产业体系“中将基因检测作为十大重点培育产业之一。WeGene 长期致力于让东亚人群了解并受益于自己的个人基因组数据，并通过与基础研究和临床机构合作，推动群体基因组学发展。自2018年起，WeGene已与北京大学、中科院等基础研究机构，以及北京天坛医院、中南大学湘雅医院等临床机构展开了大规模群体基因组学的研究合作，逐步构建起基因组研究和应用的生态。WeGene 与香港科技大学在高性能的生物信息工具、多基因风险评分（PRS）模型、人类复杂性状预测等研究项目上，保持着紧密的合作，通过结合统计机器学习和深度学习方法，不断拓展个人基因组服务应用项目，引领了DTC基因检测产品和功能的发展方向。WeGene CEO 陈钢博士表示：“目前，基因组的应用和研究面临诸多挑战。在基因组数据分析领域，一方面基因组数据飞速积累，另一方面应用场景也更加丰富多样，这给基因组数据的分析带来了新的机遇和挑战。人工智能技术必将成为基因组研究和应用中不可或缺的关键技术。WeGene跟香港科技大学开展的研究合作已卓见成效。此次战略合作协议的签署，意味着WeGene将与香港科技大学展开更加全面深入的合作。”香港科技大学杨灿教授说：“我很高兴加入WeGene的科学顾问委员会，加深与WeGene的合作关系，并以此为契机研究新的机器学习与统计方法，更好地分析东亚人群的基因组数据。”香港科技大学一直十分注重研究与创新，在科学、技术、社会、商业及教育领域等各个层面，推展人工智能的全面发展。香港科技大学理学院院长汪扬教授表示：“香港科技大学在人工智能领域的研发优势与WeGene在群体基因组学领域积累的高质量数据相结合，将极大地推动医疗健康领域的发展。”香港科技大学数学系主任王筱平教授还表示：“香港科技大学数学系将大力发展数据科学与人工智能领域，并鼓励这方面的研究工作与实际产业深度结合。”随着粤港澳大湾区发展规划的出台，深港两地企业与科研领域的合作迎来了更为广泛的机遇。此次 WeGene 和香港科技大学的战略合作，拉开了深港两地大规模生物医药高新技术合作的序幕。关于微基因WeGene：成立于2014年，微基因WeGene是全球领先的个人基因组服务和群体基因组研究公司。汇聚了来自北京大学、耶鲁大学、华大基因、香港中文大学等研究机构的基因组学、人工智能和医学专家，微基因WeGene致力于通过高质量的DTC基因检测让每个人都能受益于了解自己的遗传信息，并以此为基础推动群体基因组学发展，为精准医疗构建起大规模的基因组数据基础。微基因WeGene在深圳和香港两地建设有医学检验实验室，并与中粮集团、天坛医院、北京大学等一起拓展个人基因组的应用场景和后续服务。同时，微基因WeGene积极推动大规模的中国人群基因组学研究，与复旦大学、中科院、北京大学、天坛医院等基础研究和临床机构在中国人群多样性、阿尔兹海默症等方面展开了大型合作研究，为相关疾病的研究与药物研发奠定数据基础。关于香港科技大学：香港科技大学（www.ust.hk）是国际知名的研究型大学，其科学、工程、商业管理及人文社会科学领域，均臻达世界一流水平。科大校园国际化，提供全人教育及跨学科研究，培育具国际视野、创业精神及创新思维的优秀人才。科大的研究于香港的大学教育资助委员会「2014研究评审工作」获得最多「世界领先」评级，亦于最新的《泰晤士高等教育全球年轻大学排名榜2018》中排行第一，而科大的毕业生在2017年度的全球大学就业能力调查排名第12位，位列大中华院校之首。

7月23日，网络盛传一张华为总裁办电子邮件的截图。截图显示，华为已制定2019届顶尖学生年薪制方案：8位2019届应届博士生年薪89.6万起，其中最高的达到了201万。这八位应届博士分别是：1、钟钊，博士年薪制方案：182－201万人民币／年2、秦通，博士年薪制方案：182－201万人民币／年3、李屹，博士年薪制方案：140．5－156．5万人民币／年4、管高扬，博士年薪制方案：140．5－156．5万人民币／年5、贾许亚，博士年薪制方案：89．6－100．8万入民币／年6、王承珂，博士年薪制方案：89．6－100．8万人民币／年7、林晗，博士年薪制方案：89．6－100．8万人民币／年8、何睿，博士年薪制方案：89．6－100．8万人民币／年这8名博士的年薪分为了三档，拿到最高档的是钟钊和秦通，年薪为182—201万人民币。从相关资料发现，在不排除重名的前提下，8位博士均出自北大、清华、中科大、港科大等知名学府。钟钊是中国科学院自动化研究所博士，本科毕业于华中科技大学，硕博中科院，攻读专业都是“模式识别与智能系统”，其导师刘成林是中科院自动化研究所副所长。据有关媒体报道称，刘成林认为“钟钊能获高薪是由于他研究的是深度学习，在人工智能领域应用广，再加上他独立研究能力强”。他表示，“现在整个人工智能领域都比较好找工作，给的薪水比较高。”秦通博士是浙江大学本科，香港科技大学机器人研究所博士。据悉，秦通学生时代就在IEEE TRO、ICRA、IROS、ECCV等国际顶级期刊和会议发表多篇论文，获得IEEE IROS2018最佳学生论文奖。去年10月，秦通还在网上开了公开课，专门讲“视觉惯导里程计时差的在线标定”。李屹为北京大学博士，研究方向为软件形式化验证；管高扬也为浙大本科和浙大博士，研究方向为物联网，竺可桢学院。贾许亚博士，清华大学，本科直博，计算机科学与技术系。王承珂博士，北京大学，电子信息科学类专业，2006年全国青少年信息学联赛一等奖。林晗博士，中国科学技术大学，计算机科学与技术学院。何睿博士，中国科学院，数学与系统科学研究院计算数学所，计算数学专业。（来源：建筑世家黄金屋整理） 从名单来看，基本上都是国内顶尖大学博士。实际上，华为也是各大高校优秀毕业生的理想去处。据统计，清华、北大、复旦等全国排名前10的高校中，2018年毕业生去向最集中的企业就是华为。在清华大学，华为共接收了167名毕业生，其中本科生2名、硕士生134名、博士生31名。但是也不得不思考一个问题，华为每年都招了大量的博士人才，但是最后又留下的多少？以高薪把优秀人才招进来，华为又能否留住呢？2019年初，华为心声社区曾发布了一份由任正非签发的华为内部邮件，深刻检讨了近年来华为员工中博士高层次人才离职率居高不下的原因。华为公司博士类员工近5年累计平均离职率为21．8％，入职时间越长累计离职率越高，华为2014年入职的博士经过4年，只有57％留在公司。而在华为工作的特招博士的离职情况则更令人担忧，离职率达33％－42％。特招博士主要来自于三类人群：国家重点实验室；已有成功项目研发实践经验的优秀博士；重点院校重点专业的优秀博士。对于这些人才，华为在校招时将他们定位为华为未来各领域内的技术领军人物。对于博士来说，去企业和去高校和科研机构哪一个更好是一个很难的抉择。企业的技术更加致力于实用，偏向应用型，并且技术到位能够拥有丰富的报酬，但同样压力和工作强度也大。高校的研究理论和应用皆有，但学术界掌握学科的话语权和社会威望。所以，企业也比较喜欢找一些大学的研究人员兼职做一些研究。不过，看到这8位博士的年薪还是很具有震撼力的。华为就是要塑造一种为人才不惜投入的形象，只有这样才能吸引更多的优秀技术类人才。对于一个技术公司来说，技术是公司立足的根本，而人才则是产生新技术的源泉。所以 ，华为的这种举动仍然证明了其大力招收科技人才，扩大科技竞争力的决心！

2月5日—7日，凤凰网财经峰会在北京举行，本次峰会以“破局与新生”为主题，梁振英、尚福林、殷勇、李扬、宋志平等多位政商学界嘉宾出席。在“2020凤凰网财经峰会”线上论坛上，香港科技大学工学院院长郑光廷表示，硬件与晶片平台在人工智能革命中扮演着非常关键的角色。在某些领域，机器学习跟人工智能演算法能达到的精度，超过了应用所需的精度。比如人脸辨识。这些精度的进展主要依靠的是大数据，但大数据的计算需要大量的计算资源及能耗，只有这些精度更上一层楼，才能开创更多其他新的应用。郑光廷指出，人工智能和机器学习硬件也不可避免地面临挑战。做人工智能机器学习的算法，训练一个模型需要几个礼拜，甚至更长时间，这意味着市场流失，能效低。市场迫切需要加速人工智能计算，而解决这些问题的关键是设计下一代的人工智能晶片。这种情况下市场就对设计晶片团队提出了更高的要求，新一代人工智能晶片在更高效的同时，要兼顾晶片的效用，增广晶片的用途，以提高市场利用率。郑光廷还表示，下一代人工智能芯片与硬体要能做大规模、高效率的数据处理。过去所有的计算处理器，都是以计算为中心，也就是要不断做计算，用少量数据支持计算。到了人工智能时代，数据成为主体，以内存为中心的体系结构是未来晶片的新体系结构，过去的结构是用数据去服务计算，未来将变成以计算服务数据。以下为郑光廷演讲实录：郑光廷：非常感谢凤凰网的邀请，很高兴出席2020凤凰网财经峰会，我想今天跟大家聊一聊《人工智能晶片未来：企业的芯》。一、微电子与集成电路在谈人工智能晶片之前，我想看一下微电子与集成电路这个大方向。集成电路与微电子是推动全球创新，具有战略地位的一个技术领域。首先，它是一个非常基础的领域，这代表做芯的长远科研是非常重要。其次，它的应用非常地广泛，从机器人到消费电子、到人工智能、到汽车、到航空航天、生物医学等等。如果在这方面能做出好的晶片以及微电子的技术，对于人类跟国家策略影响非常长久和远大。最后，它是一个人才密集的行业。这代表高等教育必须扮演很重要的角色，同时它的门槛非常地高，代表做短线是不行的，必须做长期的科研投入，那么长期经验及技术累积是必需的。这个过去大概有五年的时间，美国在这方面还是领先的，韩国、日本、中国大陆跟中国台湾都扮演一定的角色。中国通过过去十年的投入渐渐开始有一些成绩，但还有一条很长的路要走，中国必须要在这方面投入。不过这个领域很大，而今天我想谈的主要是人工智能硬件。大家已经看到这些年人工智能的应用，从交通到智慧城市、到金融科技、到医疗保健，到教育，人工智能的应用无所不在。这些应用都是在这个所谓人工智能基础设施上面，包括人工视觉、机器学习、自然语言处理，这些基础设施上面来做应用。而这些基础设施的演算法又是在晶片与硬件平台上面跑。二、智能硬件硬件与晶片平台扮演着什么样的角色？事实上，这些硬件平台在过去五到十年的人工智能革命中，扮演着非常关键的角色。在某些领域，机器学习、人工智能演算法能达到的精度，超过它应用所需要的精度。比如人脸辨识、目标测试、自然语言测试等。但这些精度的进展主要依靠的是大数据，而大数据的计算需要大量的计算资源及能耗。所以，这样的精度进展并不是免费的。不过，这些精度还需要更上一层楼，才能开创更多其他新的应用。继续靠目前的演算法就会需要大量的计算资源，而硬体资源是没有办法支撑人工智能需要精度的承载，所以必要的方向是设计新的硬件、新的晶片，能更配合智能计算的特性。简单讲，就是要改变这条曲线的斜率，能够用比较少量计算资源增加达到更高度的精度增加，这条路所需要的就是设计新人工智能晶片。目前，人工智能计算的晶片，大部分是仰赖图上这两类的处理器。比如，中央处理器跟图形处理器。这些处理器都是通用硬件，也就是写好软件的人就在这个通用硬件上面来跑，它们的灵活度很高，但问题是这些通用的处理器，设计硬体的时候不是专门用于人工智能的应用。如果增加它的效能，我们就应该设计像右边这样的专用集成电路、专用更高效的集成电路来配合人工智能的演算法。在过去五年左右，很多系统公司、应用公司都在走这条路；而从十年前开始，苹果就自己在设计自己的处理器。当然，我们香港科技大学出来的大疆等，也在设计它们的人工视觉芯片。比如，自驾车特斯拉，他们在设计自驾车专用的晶片。在每一个人工智能领域，系统公司都希望设计他们自己的专用晶片来加速其人工智能计算的速度及效能。事实上，不仅是大公司能够做，小公司甚至应用公司、系统公司都希望介入这块领域做专用晶片的设计。三、人工智能的价值链人工智能整个的价值链，从应用到软件到硬件。在应用方面，有各式各样的解决方案，比如在Fintech、教育、健康等方面所需要的解决方案并不一样，而从市场角度而言是非常碎片，需要行业的定制化。但这些领域需要的人工智能的支撑，所需要的演算法多半来自几家大的公司，比如谷歌、微软、百度，他们会提供算法的平台。在过去，这些算法就直接架在通用硬件上，比如中央处理器、图形处理器、CPU、GPU上面。这些也是大厂提供的一些平台，比如intel的NVIDIA、AMD的CPU、GPU，当然这些晶片都是在标准的制成技术上面，像台积电、像三星的制作。那我们刚刚谈到要加速人工智能计算这一块，产生了中间这一块专用晶片及加速器的市场，这块市场它事实上是非常新兴的，我们看到过去这五年左右，有非常多的新兴公司，包括大型的国际企业也都加入这一块，在设计下一代的专用人工智能晶片，这个机会无限。四、人工智能/机器学习硬件面临的主要挑战第一、做人工智能机器学习的算法，首先是速度太慢。通常训练一个模型需要几个礼拜，甚至几个月的时间。设计这样的晶片周期很长，同时也需要一个很大的团队，常常需要几百个人，甚至几千个人，而这常常意味着市场流失，能效低。第二、在技术上面，真正的问题是存储墙的问题。在做计算时，计算器跟内存，跟储存、存DATA这两边要沟通，它们的沟通之间的速度没有办法赶上计算的东西所需要的速度，所以这个存储墙面临的挑战越来越大，这是必须解决的。第三、做出来的模型就是机器学习出来的模型，数据量越来越大，难以存储分发。因此，解决这些问题的关键是设计下一代的人工智能晶片。简单而言，就是要做得更快速，更节能。设计晶片能用小型的设计团队在几个月内完成，同时设计出来的晶片的用途也不要只是为测定用途，能够增广晶片用途来增加市场。五、下一代的人工智能所需要的技术简单而言，人工智能芯片与硬体所要做的是能做大规模、高效率的数据处理。人工智能计算演算法的特性是，数据量越来越大，计算量是爆炸性的，但数据量的计算却呈现局部性下降趋势。因为数据量增加，每一个数据都要做计算，所以计算量有爆炸性。然而对于每一笔数据所做的计算，强度事实上是下降的。比如，我们需要做一个像蚂蚁雄兵一样的晶片，有很多很小的计算体来处理大量计算，每一个计算体去处理一些数据，但它们可以处理的数量总和是巨大的。但每一笔数据所需要的计算强度是很小的。所以不需要去设计一台狮子，虽然能力很强，但是叫狮子去做蚂蚁就能做的事，就是杀鸡用牛刀。过去所有的计算处理器，都是以计算为中心，也就是要不断做计算，然后用少量数据支持计算。到了人工智能时代，数据成为主体，以内存为中心的体系结构，才能处理大数据。以内存为中心的体系结构是未来晶片的新体系结构，也就是说，以数据去服务计算的结构，变成以计算去服务数据的结构。另外一个非常重要的方向是，非易失性存储器会起更重要的作用。在未来的人工智能晶片里，有很多的应用计算可以随时进行，有时候没有电要停下来，但又不希望把过去已经做完的计算完全丢失掉。当没有电或要暂时停止计算时，这个存储器能把目前的状况完全存下来，即使没有电资料也不会流失。很多新兴存储器技术，就是非易失性存储器，它在未来人工智能技术上扮演很重要的角色。另外一个必须要提的是，在设计下一代的人工智能晶片硬件时，不只是做电路设计，也不是做最新晋的器件。它必须要把算法、器件、电路设计、芯片架构及系统架构整个整合起来做整体的考量，以及做协调一致的努力，比如功能。如果设计的晶片要放在服务器、放在数据中心的计算系统里，它需要非常高效能，这个高效能就是考量。但是如果你的晶片是要放在移动端，放在传感器，放在物联网里面，那它高效能是主要的考量，这两类的晶片不可能用同样架构，也不可能用同样器件。第三类的功能，比如做Deep Learning、Neural network，神经形态计算系统。这时规模的扩展性成为最主要的考量，架构的考量远远超过电路设计跟器件的功能。比如，需要客制化。但客制化前先要想使用的场景与使用的特性，然后才能进一步决定体系结构层次的考量。另外，在器件上的考量也是根据需求功能。根据需求架构来做配合，在这方面我刚才也有提到，如何探索新兴非易失性存储器的适用性跟具有高效的利用性有非常多的新兴的存储技术来做配合。最后，我强调重点在于，设计下一代人工智能晶片内存储存器、计算处理器。还有在它们彼此之间的互联，必须做到无缝的异构集成，那这种集成本身就是一个最高指导原则跟技术。那了解决这些问题，绝对不是单一领域的人或是专注做电路设计的人能够完全开发出来。因这样的需要，香港成立了香港智能晶片与系统研发中心。而这是由香港科技大学、美国斯坦福大学、美国伊利诺伊州香槟大学、香港中文大学以及香港大学五所大学共同创立的一个智能晶片研发中心。我们的展望是希望能够支撑无所不在的人工智能。将来人们穿的衣服、戴的戒指、戴的珠宝、戴的手表、跑步的鞋子等，所有的物联网器材里面都可以存在人工智能的功能。达到这个愿景的晶片与硬体，第一，它要非常地小，第二，它的性能与效能要提升比现在最少是三个数量级以上。另外一方面，因为它的应用这么广，它客制化要求这么高，我们必须要能够加快设计这类人工智能晶片的效率，缩短从设计到量产的时间，不然无法赶上市场的需求，那设计成本也会过高。达到这样的展望，人工智能设计中心大概有四大策略：第一个，将一些新兴的技术跟目前主流硅晶片做无缝集成。这些新兴的技术包括，要探索新兴存储器的技术、硅光子技术，就是Silicon photonics技术，还有3D的Stacking技术，3D堆叠技术。这些技术结合目前硅、芯片的技术，让它们做异类集成，这是未来人工智能必须走的一个方向。第二个，以内存为中心的晶片结构。第三个，人工智能设计自动化的工具与设计方法。因为你一定要加快这个设计的时程，一定要有新的工具，也一定要有新的设计方法，来减少设计的人力跟设计的时间。最后一点，我要提的就是算法与硬件的协同设计跟协同优化。目前，在做人工智能跟机器学习算法时，我们是把它写成软体，然后在通用硬体上面，比如中央处理器、图形处理器这些通用硬件平台上来跑。这个就可以看出来说，两个颜色，上面软体是灰的，下面硬体是红色的。我们现在所做的这个人工智能晶片都是定制硬件加速器，让硬件来配合演算法跟人工智能计算的特性，这样能提供10到100倍可能优化的空间。接下来，因为硬件也有瓶颈，我们可以改变软体的算法，因为同一项工作可以用不同的算法去做，然后我们来看看硬件上面的瓶颈，进而来调整软件。这样从硬件上面去定制软件，软件再来配合硬件的调整，又可以增加一到两个数量级可能的优化。经过这样反复的优化，我们就可以做出特制化的晶片，比如专门为计算机视觉做出来的晶片，在这个图上看到的每个椭圆形画出来的就是一个结合演算法跟硬体的一个加速器。在机器学习上面也可以有一个特定的加速器，在自然语言处理上面有个加速器，这样可以提供我们两到四个数量级可能的优化空间，这就是我们做下一代人工智能的一个策略。根据这样的一个想法，我们定出来的目标、科研计划及设计的动因，组成了一个具有高度互补性而世界一流的专家团队，总共带有超过25个教授跟世界级的专家。他们是不同领域的专家，有些人是专门做电路设计的，有些人是器件上面的专家，有些人是算法上面的专家，有些人是计算机体系结构的专家。我们会组织一个超过100个人的团队，招收资深的研究人员、博士后、不同的工程师，希望能够在这个领域做更大的贡献。希望在人工智能晶片与硬件的设计上面，能有新的创新，做出更快速、更节能、更具拓展性，进而让小型的设计团队在很短时间内就能高效完成的设计。（文章来源：中华网财经）

导读2017年11月，旷视研究团队发表文章，称其在行人再识别（ReID）技术开发方面取得重大进展，通过一种新方法的运用，使机器在ReID上首次超越人类表现。2018年4月，云从科技也宣布在这一领域取得突破，称其在Market-1501, CUHK03, DukeMTMC-reID这三个最权威的衡量ReID技术的数据集上，相关核心指标均刷新了相关记录，在Market-1501上的首位命中率（Rank-1 Accuracy）达到96.6%，打破了阿里iDST在2018年1月创造的世界纪录。我们不难发现，近年来业界领先的AI公司，均在大力投入进行ReID技术开发研究，其根本原因，在于ReID技术的潜在商业价值已得到行业巨头们的广泛认可。那么，ReID究竟是一种怎样的技术，它经历了怎样的发展，又将如何在商业应用上大展身手呢？对此，苏州千视通视觉科技股份有限公司CTO胡大鹏博士，在香港人工智能中心撰写了如下文章，对ReID技术的出现、发展、难点、方向，和人脸识别、视频结构化、计算机视觉学的关系，以及千视通公司在ReID技术层面的研究方向、成果等，进行了深入浅出、生动直观的阐述。胡大鹏，香港科技大学计算机科学博士。历任微软亚研院博士后研究员、香港中文大学研究员、香港科技大学助理教授。曾任ASTRI（香港应用科学研究院） 首席研究员，在机器视觉技术产业转化和应用开发方面有着丰富经验。胡大鹏 千视通CTOReID的出现：为“跨镜找人”而生ReID 由以往没有太多人留意到现在开始有产品上的应用，经历了一段非常漫长的时间。由于最早期完全依赖于传统计算机视觉或机器学习的技术，所以基本上没有明显的突破。ReID 本身是一个非常难的问题，它是要从不同的视频之中，把同一个人识别出来。不同视频的光照条件、感兴趣区域的分辨率、角度的不同、遮挡普遍发生、穿着相近衣服的人等等，都会造成识别的困难。ReID与人脸识别：产品化道路更曲折首先，ReID 跟人脸识别，有着一个最大的不同。人脸的特征一般是有比较、有唯一性，而 ReID 在这一块是完全无法比拟的。特征的唯一性愈高，单靠这个特征去查找或定义一个人就会愈准确，也愈容易。所以，即使以往没有深度学习技术，人脸识别仍是可以做到一个很高水平的状态。当然，引入了深度学习之后，人脸识别这一块甚至超越人类。但 ReID 则是一个完全不同的问题，因为它的特征唯一性不高，同时有很多环境及外在因素影响着。先不讨论行人的衣服换了怎么办，即使行人没换衣服，当你走进金融商业区，满街都是西装上班族，即使你不懂什么是特征向量，我相信你用肉眼也无法在远处从一群人之中把一个人精准找出来。ReID 就是在面对着这样的一个问题：监控摄像头挂在远处，看到一大堆行人自由移动，多个摄像头架在不同的地方看着不同的区域，区域之间一般没有重叠，而ReID的目标，就是要把同一个行人在不同的摄像头内，重识别出来。这样的任务，在深度学习成为主流之前，接近不可能。所以，在学术圈之中，论文成果都是倾向于 proof-of-concept 而无法产品化。直到深度学习出现之后，所能提取的特征唯一性大大地提高了，才有了产品化的可能。ReID 视频结构化 计算机视觉学市场需求的出现，对ReID 的发展产生了最为重要的推动作用。当目标检测、分类、跟踪等技术都达到一定水平之后，结构化这个课题，在这三年间高度火热。结构化其实并不是一件新事物，在几十年前，计算机视觉学的学者本来就是有这个愿景。他们希望透过计算机视觉学的技术，把图片/视频内的东西完全分析并利用人工智能来理解场景内容。当中，分析的部分，就是结构化的广义说法。计算机视觉学的存在，本来就是为了这件事情，只是，因为每一个单一问题在以前看来都是极其困难的，所以才产生了不同的专门科目去针对性解决单一问题。直至深度学习的出现，把很多以前无法做好的问题都做好了，计算机视觉学才不知不觉的回归到其原点来：整个视频的主要内容都能分解并被结构化起来。不过，当我们面对着如此之多的数据，另外的一些问题也产生了。首先，数据量本身已经太大，而重复量更大，资料之间即使有关连性，也无法自动配上。其次，当需要查找资料时，发现根本无从着手。要解决这些问题，其中一个有效的方法就是：ReID。ReID: 让监控获得“大局观”ReID 全写是 Re-identification，顾名思义，就是把物件重新辨认或识别出来。对于监控领域来说，刚才提到的两个问题，引申出来在实际应用上，就是希望把不同视频内的物体关联起来，并可以透过有效的方法把物体找出来。解决前者，一、能减少物件重复性；二、能改善跟踪；三、能分析物体在区域内的行动路径；四、能分析个体之间的互动关系。解决后者，能够在海量的数据之中有效地把某人提取出来。这些都是监控行业多年以来的需求，能做到这样，整个监控操作才完整，才能看到大局。ReID现状：不完美之下，以应用创新然而，到目前为止，ReID仍然是不完美的，它最终的目的是要能达到 1-to-1 匹配的状态。可是，实际上是有误差的，而且，这个误差比起人脸识别技术上的要大得多，主要原因，便是前述的唯一性问题。另一个则是速度上的问题，要在产品上应用，快是必须的。在不完美之下，把技术应用到产品上，就要花很多功夫做应用创新。与其他顶尖的同行一样，千视通成立了自己的研究院（香港AI研究院），并投入了大量资源进行研究，在实际产品上，各方面的数据与同行各占优势。因为历史因素，千视通的团队作业其实更为紧密，即使在单一算法上有不完美的地方，也能在整体全局之下产生优化。例如，检测、跟踪、特征提取等等环节，是互相紧扣而全局优化的。典型的研究团队，其小组们都是各自做好自已的算法，在某一数据内刷出最高准确度。但这样的话，当算法拼在一起时，效能很多时候并不如理想。千视通的观点始终是，单一算法需要做好的同时，我们也同样重视产品的最终形态，毕竟，这才是用户真正能接触到的部分，也决定了产品的实用性。算法团队成员之间的认真沟通、算法团队与工程团队之间紧密合作、算法与算法之间的磨合、算法与工程之间的磨合，加起来，才会是千视通的产品。因为算法都是互相协同的，千视通的 ReID 可以在视频大数据结构化平台、图侦综合实战平台、视频图像研判平台、大数据合成作战平台等系统上真正用起来。千视通的所有技术，包括了 ReID 技术，都是自己原创研发，技术上我们参考了现时最新的技术并从中再突破，而方向则是清晰无误地要以落地为优先。ReID之生成：两种基本算法说起“行人再识别”，也即Person Re-identification，最大的难点在于，行人是非刚体。意思是，人不像汽车那样，从任何角度任何时间上看都是同一个型态。当人在走路时，手和脚都在摆动，还往往伴随有其他动作。面对这个问题，一般方法是把人的身体划分成不同部分，以不同的方法把这些部分检测出来，并进行局部特征提取。可是，任凭你怎样细化划分，该部分也会有某程度上的非刚体特性，这样仍是会对算法造成干扰。另一种比较准确的方法是考虑对齐，就是说，把两张将要比对的图片，以某种方法先对齐好，例如相同的头部位置和脚部位置，并在匹配时只考虑有用的部分。当然，说起来是这么简单，实际算法要做到这回事是一件进阶的事情，因为这部分一般会内嵌到神经网络。除此之外，业界一般会附加一些网络设计技巧再提高特征提取的准确度，例如使用多分支多任务网络，而最后再用 re-ranking来进一步提升准确度。千视通ReID算法创新：基于注意力架构的深度神经网络方案千视通所用的方法，概念上相近，都是尽可能考虑最重要的部分进行特征提取及比对。然而，我们提出基于注意力架构模型的深度神经网络方案来实现行人ReID。与传统的全局表征或设定好的局部分割不同，我们设计的主躯干网络不要求躯干位置的标注，模型能够从浅层视觉到高层语义的不同空间内自动捕捉关键区域，挖掘多尺度的注意力特征，自动实现行人肢体（如面部，上身及下身）的特征融合，对于姿态改变以及空间变化有着很好的鲁棒性，有效的完成行人搜索工作。在千视通在实际的产品则试时，发现即使不使用 re-ranking，对于 Market-1501 数据库，top-1 准确度也能达到 90%。虽然跟旷视的 94% 还是有差距，但不使用 re-ranking 也能达到这个水平，代表我们速度上会快很多，也同时减少计算资源的使用。原因是 re-ranking（例如现今常用的 k-recipical 方法）即使再简单，也需要消耗内存把某范围内的数据暂存，并进行分析和对比。而有不少算法是非常依赖 re-ranking 来达到高准确度。缺少了这个依赖，这使得我们的算法在实际产品内产生优势。ReID的下一步：分析之后，是理解千视通AI研究院在未来会进一步投入资源去研究行人行为及车辆行为。正如之前所述，计算机视觉学的最原始想法就是分析和理解场景。分析，我们已经做得很不错，可是，结构化数据所代表的高阶义意及意思是什么？业界还未有很明确的方向，更不论是产品。我们希望，透过行为分析，把理解这一块开一个窗口，使得结构化数据能再向前推进，令系统更有智慧。未来，并不单是人类去操作系统，而是系统有了理解能力之后，跟人类协作，为人类谋方便和幸福。