2020年3月8日，南京大学周志华教授带来题为“人工智能的内涵”的网络直播报告。本文是根据周教授的直播视频整理的图文，供大家参考。获取报告PDF文件请在本公众号回复关键词“周志华报告”。

谈到人工智能，大家可能首先想起来的都是电影和电视里的一些形象。我们做人工智能的经常会被人问这么一个问题：“比人类更聪明的人工智能什么时候能出现？”这个问题我们都会觉得很难回答。这是为什么呢？因为关于人工智能有着不同的看法。我们今天首先谈第一个问题，即我们讨论的是什么人工智能。今天的报告我要跟大家分享七个问题，但是每个都不会特别的长。

1 我们讨论的是什么人工智能

对人工智能有两种非常不太一样的看法，我们把它称为两种不同的人工智能。第一种叫做强人工智能。它研究的目的是研制出和人一样聪明，甚至比人更聪明的机器。这种观点在科幻界和文学界持有的比较多。那么这样的人造物有什么样的特征呢？第一是要有自主意识。在人工智能里面，当听到“自主”这个词的时候是非常令人震惊的一件事。它指的是这个人造物完全可以自己决定要去做什么，自己决定怎么做。也就是说它做事甚至可以脱离人的干预了。这是一种非常强的一个事情。第二是全面达到甚至超过人类的智能水平。这两个基本特征是强人工智能的观点所具有的。

另一种叫弱人工智能，它比较简单。让机器做事的时候聪明一点就好了。大家知道麻省理工学院在人工智能和计算机科学方面都是世界顶尖的。它的奠基人（也是人工智能最早的奠基人之一）Marvin Minsky教授，是很早的图灵奖得主。他曾经对人工智能做过这么一个定义。他说，“人工智能就是让机器来完成那些如果由人来做则需要智能的事情的科学”。这句话听起来好像比较绕。我们简单地来解读一下Minsky教授眼中的人工智能是什么样的。

第一，如果某件事情需要智能，我们通过机器来做，这就是人工智能。第二，没有要求全面达到人类的智能水平。第三只是要求做事，没有说必须要有自主意识甚至情感等等。就是说这个做是可以是由人来安排、指使机器去做，而不是由机器自主地去完成。所以实际上科学界和工程界研究人工智能的时候，主要持有的就是弱人工智能这种观点。

如果刚才说的还不是特别直观，我举一个比较容易理解的类比。在很多年之前，人类看到鸟在天上飞。那时候就会想能不能做一个东西帮助人飞起来。然后经过很多研究，特别是像空气动力学等等，我们现在有了飞机。

但是如果我们现在问一个问题：“飞机有没有鸟飞得更好？”这个问题和刚才问说什么时候有比人类更聪明的AI，其实是差不太多的。这样的问题我们还是很难回答。因为飞机到底有没有鸟飞得好呢？可能飞机比鸟飞得更高更稳，但是没有鸟飞得这么灵活。飞机也没有全面地具备鸟所具有的能力。现在我们通过受到鸟飞行的启发，做出来了飞机。它的飞行机制可能和鸟的飞行是完全不一样的。但不管怎么说，我们现在有一个东西能够帮助人类飞起来了。

实际上人工智能就有点像这么一回事。我们看到人有很多智能行为，希望能够受到这些行为的启发，能不能通过人造物做出一些智能工具，帮助我们更好地做事。这就是人工智能在努力的一个方向。人工智能今天之所以这么重要，正是因为我们能造出智能工具。这就好像我们能造出飞机一样。

造飞机的人绝对不会关心说飞机有没有意识，会不会觉得疼。也不会觉得关心飞机是不是全面达到了鸟的能力。比如说不会有人质疑飞机不对，因为它不会下蛋，所以飞机要往会下蛋这个方向去努力。我们可以看到人工智能是受智能的行为启发。研究和学习人工智能并不等于研究和学习智能。

作为科学家个人的兴趣往各个方面去探索，只要符合科学的伦理道德，都没有问题。然而教育所关心的人工智能的内容，一定是有助于为人类社会谋福祉的，有助于解决产业创新需求的，有助于学生未来职业发展的。把这几点考虑起来，关注的重点肯定是弱人工智能。

所以第一要明确的就是我们今天谈到的人工智能不是人造智能。因为很多社会大众会因为这个名字而产生一些误解，认为人工智能就是人造智能。在上世纪90年代，创造出“人工智能”这个词汇的John McCarthy教授（人工智能之父），在一个访谈中谈到他很后悔创造这个名字之后让大家有了很多遐想。

实际上这个学科不是在做人造智能，只是受智能行为的启发在做一些事。今天我们做的这些事主要是基于一些计算工具来实现的，所以更确切地说人工智能是受智能启发的计算（intelligence-inspired computing）。如果大家对人工智能本身感兴趣，可能要学习的是人工智能。如果对智能感兴趣，更关注的神经科学和认知科学，他们是真正地在研究智能。

2 人工智能学科是怎么发展的？

人工智能作为一个学科，我们肯定要问这个学科是怎么发展起来的？是不是这两年突然冒出来的？其实人工智能是一个已经有很长历史的学科。现在一般认为人工智能是在1956年诞生。1956年夏天在美国达特茅斯学院开了一个重要的会议。在这个会议上有很多学者当时就在讨论说，计算设备如果一直这样发展下去，会不会有一天使得我们能够做一些很聪明的事情。

2.1 人工智能的诞生

上世纪50年代最强大的计算机系统的计算能力比大家今天手里面的手机可能还要差很多。但是当时很多先驱们就已经开始非常前瞻性地思考这个问题。参加这个会议的有很多知名的学者，包括好几位图灵奖得主，还包括信息论之父香农等。发起人McCarthy教授，1971年的图灵奖得主就为这个学科起了一个名字，叫做人工智能。达特茅斯会议就标志着人工智能这个学科的诞生。

经过了64年，这个学科历史上发生了很多事情。如果非常简短地在几分钟时间里面给大家概括一下，说这个学科过去到底做过些什么，出现过什么？可能我们可以有不同的角度。但是有一个角度就是考虑这个学科，在某一个阶段所关心的最核心的问题是什么。从这个角度来说，我们大致可以把整个人工智能学科发展的历史划分为三个阶段。

2.2 第一阶段：推理期

第一个阶段称为推理期。大概是1956年到60年代中后期。1956年开始是因为达特茅斯会议。实际上很多研究工作在这之前就已经开始了。我们都知道数学是自然科学和工程科学的基础。特别是理工学科的很多人都对数学家有一种高度的崇拜，认为数学家非常聪明，因为他们能证明一些非常复杂的定理。而证明复杂定理这样一种能力，大家认为主要就是逻辑推理能力。所以在人工智能发展的第一个阶段，很多先驱就考虑如果能够把逻辑推理能力交给计算机系统，那么机器就能聪明起来。

这个阶段有很多非常重要的工作，其中有代表性的就是两位图灵奖得主赫伯特·西蒙和阿伦·纽厄尔研制出来的自动定理证明系统“Logic Theorist”。这个系统一定程度上达到了人类逻辑推理的巅峰能力。为什么这样说呢？大家知道我们现在认为数学很重要，它要是自然科学工程科学的基础。那数学的基础又是什么呢？在上个世纪中期很多伟大的逻辑学家在逻辑的基础之上，把整个数学大厦构建起来。

现在大家承认逻辑是数学的基础。而这里面有一个非常重要的工作，就是两位著名的逻辑学家罗素和怀特海。罗素大家都比较了解，中国很多文学作品（包括围城）里面都提到过他。他们两位写了一本书叫做《数学原理》，这本书在逻辑的基础上把整个数学大厦很好地建构起来。这个里面有很多的定理，把这些定理写出来，他们两个人花了十年时间。大家注意并不是所有定理都是他们自己去证明的。很多定理他们只是整理出来。但是这两位图灵奖得主做的自动定理证明系统只花了不到两个月的时间，就把所有的定理都证明出来。而且更了不起的是有一条定理2.85，程序证明的结果比书里面的结果还要巧妙。这个巧妙是说它更加短，更加容易被人读懂。

我们可以看到经过这么多年的努力，在60年代中后期的时候，人工智能程序在推理能力上已经达到或者说接近了人类的巅峰水平。但是系统有没有聪明起来呢？大家发现还没有，所以我们的前辈就开始反思了。有了逻辑推理能力好像还不是万能的。即便对数学家来说，能够证明复杂的定理，不光是因为他有逻辑推理能力，还需要有很多知识。

2.3 第二阶段：知识期

所以人工智能的研究很自然地就进入第二个阶段。这个阶段可以称为知识期，大概是上个世纪70年代到80年代中后期。在国内的话大概要到90年代中期。这个时期重要的一个驱动力就是希望把人类专家的知识总结出来交给计算机系统。比方1994年的图灵奖得主，长期担任美国空军首席科学家的爱德华·费根鲍姆教授，就领导做了一些重要的专家系统。

专家系统是什么呢？很明显就是把人类专家的知识总结起来，编码到计算机系统中去。比如说，如果做一个找矿石的系统，看到一个石头它是红色的，那么很可能它里面有铁。然后就可以学一条规则出来做“ If 石头是红的，then 这里面有铁”。把很多这样的领域知识写成规则之后，就可以很容易地把它编成变成程序。以后再碰到类似的问题，程序就可以处理它了。这样的专家系统在当时发挥了很大的作用，比如1994年图灵奖另一位获得者Raj Reddy教授，后来担任卡内基梅隆大学计算机学院院长，基于专家系统开发出了在美国做大规模的扫盲的一些系统，在现实应用中发挥了很大的作用。

但是后来大家发现，把知识总结出来交给系统其实很困难。为什么呢？第一，人类专家很容易解决问题，但是很难说出来到底是用了什么知识。各位高中同学可以回顾一下。你们可能很容易做出一些题目来，但是当你把这些题目的解法告诉你的同学的时候。其实你告诉他的和你当时解的过程可能已经不一样了。这就是知识不太容易总结。第二，在有些领域，特别是一些传统领域，师傅不愿意把东西全告诉学生，这样慢慢地很多知识就会失传。大家就发现这是知识工程的瓶颈。

2.4 第三阶段：学习期

那么怎么突破知识工程的瓶颈的？很多的专家前辈就开始思考，人类的知识到底是从哪儿来的？其实我们主要是通过学习获得的，所以人工智能自然就进入了第三个阶段。这个阶段大概从1990年代中期一直到今天。基本的出发点是希望让系统自己来学知识。这就使得机器学习这个领域现在变成了人工智能的主流核心领域。

图灵奖在过去十年，有三次授予在这个领域取得突出成就的学者。非常明显地体现出大家对这个领域的高度关注。因为作出了伟大成就，够格取得图灵奖的学者可能有不少。但是能不能得呢？还有很大的一个方面，就是大家认为这个领域到底现在有多么地重要。今天机器学习作为人工智能的主流，可以说它已经无处不在了。事实上只要我们有数据需要分析的地方，要通过计算机来做这种数据分析的地方，基本上都离不开机器学习。所以不管是互联网搜索还是人脸识别、指纹识别乃至于自动驾驶等等，背后都有机器学习等人工智能技术作支撑。

今天大家都知道人工智能非常热。大家经常看到三个词：人工智能、机器学习和深度学习。人工智能是一个大的学科。机器学习可以说是人工智能里面的核心领域。而大家在媒体上经常看到的深度学习这个词，它是机器学习里面的一个具体的技术分支。三者大概是这么一个互相包含的关系。

3 高水平的人工智能人才需要何种知识结构？

刚才我们讲了人工智能本身的内涵。我们现在要谈一谈，如果要培养高水平的人工智能人才，知识结构内涵是什么？理想中高水平的人工智能人才，需要什么样的知识结构？同学们以后要学人工智能，主要学些什么东西？

那关于这点，我们要从整个人工智能技术来求解任务的过程来看。人工智能里面通常会面对一些非常复杂的现实任务。人工智能核心分支是从计算机科学产生出来的。人工智能和计算机科学本身有什么比较大的区别呢？很重要的一点就是人工智能面临的问题通常是高度复杂性、高度不确定性的。

比方说我们要做一个网上的信息搜索，当你在搜索引擎里面输入一个查询词的时候，搜索引擎给你一个结果。你不仅不能够知道这个结果是不是最佳结果，甚至都不知道这个最佳结果离真正的最佳到底有多远？这样的问题其实是经典的计算机科学不太考虑的。

那么这样的问题我们怎么去解决它呢？首先我们要做一个现实抽象建模，把这个问题抽象成一个数学模型。在这个基础之上，我们要设计模型算法。再进一步，我们一定要通过程序代码把它实现出来。实现之后，为了让程序更好地解决问题，可能还要考虑一些软件硬件的知识对它做高效的扩展。大概就是这么一个流程。

从这个流程里面可以看到需要三个非常核心的内容。第一要有很好的数学基础。第二计算、程序功底要非常扎实。第三，要有全面的人工智能专业知识。下面我们把这几个方面分别来给大家缕一缕。

首先数学基础要好，这是因为我们碰到的现实问题可能千变万化，而我们所涉及的数学工具多种多样。到底用什么样的数学工具来刻画这样的问题，可能掌握数学工具能力的不一样，就给你解决这个问题的人来思考这个问题的角度带来了不同的选择。这件事情其实非常重要。我举一个例子，为什么数学非常重要？

比方说大家前面一段时间，如果看媒体报道可能看到过这么一个新闻。有一位顾客在一个销售网站上偶然浏览了一下纸钱。冥币。那后来这个网站呢，就不断地经常给他推寿衣，棺材啊这样的东西。那这位顾客非常的不高兴。那把这个问题提交给电商公司之后，他当然要去解决。这个问题是不是通过我们写几个规则？通过程序代码上改一改就能做呢，其实不是的。我们可以看一看这个行为，这位顾客浏览了一下纸钱。然后网站不断地给他推相关的棺材寿衣，他觉得很坏。但是另一个顾客一位女士看到一个包一个奢侈品。看到之后，这个网站不断地给她推新款的包，这位女士可能觉得很高兴。我们可以看看都是一个客户点了一个东西，网站不断地给他推相似的东西。为什么因为客户觉得很不好，另外一位觉得很好呢？这可能不是简单地在程序上稍微改一改就能做到。

要把这样的一个问题把它解决好。如果我们有很好的数学知识，我们就可以知道这两件事情，浏览冥币和浏览包，涉及到的数学上的概率分布是完全不一样的。浏览冥币这件事发生的很少，是在一个分布中比较尾巴的部分。而浏览一个包，发生了很多，它可能是一个分布中波峰的部分。所以对浏览冥币这件事可能要浏览好几次，我们再给他推，然后从这个角度这样的问题才可能得到解决。所以我们一般来说我们在人工智能方面我们可以涉及到很多的数学知识，其中特别重要的是线性代数，矩阵论，数学分析，概率统计，数理统计，以及最优化方法和数理逻辑。

是不是只有这些数学知识就够了呢？其实还有很多别的数学我们可能也能用上，比方说微分几何。这个应该是非常高级的数学知识了。在人工智能里面，有时候我们要求这种高维空间两个点之间的距离。是不是把这两个点连一条直线，把它距离量出来就行了呢？其实不是的，因为我们走的这条路必须要在曲面上去走，那么这时候你就不能直接用欧几里得公式去求距离了。这时候我们怎么做呢，借助微分几何里面一个非常基础的“流形”的概念，再加上计算机科学里面非常基础的Dijkstra算法，就能把这样的东西做出来。可见数学知识对人工智能学科来说是越多越好。

3.2 计算、程序功底扎实

从另外一个方面，是不是光学了数学就够了。那我去学数学，数学知识足够多了，学完了之后再来搞人工智能就应该很厉害了。其实人工智能还有另外一个同样重要，甚至更重要的方面，就是计算和程序的功底必须扎实。

比方说对一个复杂的现实任务，往往可以从多种不同的角度去抽象。这个抽象出来的问题是不是可计算的？从程序代码的角度是不是容易实现？从计算平台的角度是不是便于高效处理？这些方面我们都必须要思考，那这就不是简单的数学知识，而是涉及到整个计算机科学里面的核心知识，包括算法分析，程序设计，计算系统等等。特别是对一些现代的大型的人工智能程序，甚至连高维数组的存储顺序都要优化。这点大家可能不太容易想到，比方说我们要存1到10十个数。有时候顺着存还是反过来存都会对大型人工智能程序的效率产生巨大的影响。一个程序做的好，可能在0.5秒就会给你的查询提供反馈。而另外一个做的不好，可能要五分钟之后再给你反馈。从用户的角度，这就是完全不同了。

那光有了这两个方面够不够呢？其实还是不够，我们还需要有人工智能的专业知识。

3.3 人工智能专业知识体系

人工智能这个学科经过60多年的发展，已经形成了庞大的专业知识体系。比方说刚才我我给大家分享过人工智能这个学科的发展。三个主要的核心阶段的第一、第二个阶段，基本上融合成知识表示与处理。第三个阶段主要的内容是机器学习。所以这就形成了人工智能专业知识的内核基础。再往上就是支撑技术层，有模式识别，计算机视觉，自然语言处理，自动规划，多智能体系统等等。再往上在平台系统这一层，包括机器学习系统平台，比方说像Tensorflow啊等等，还有人工智能的程序设计，智能系统机器人。再往上还有交叉应用层。这里面提到的每一个词都可以说是一门专门的课程。因为这里面每一个词你甚至都可能可以找到一个上千页的教材。所以它的内容是非常非常大的。

4 在现有学科培养体系内能否达成

下面就要谈第四个问题，这样的人才在现在的学科培养体系下是不是就能做好了？因为如果做好的话，大家就不用来考我们人工智能学院，就在不同的院系去做就好了。

拿最接近的计算机学科为例。我们在几年之前曾经做过一个很详细的调查。把国内很多兄弟院校的课表拿过来研究。基本上在我们现在的教育体制下，本科毕业大概需要修满150个学分。这里面通识通修课大概会占到60个学分。毕业设计和创新创业课程大概15个学分。所以大家看还剩下75个学分。

而在这个75个学分里面呢，学科平台课加专业核心课大概55个学分。大家可以看我列出来这么一个简表。到此为止还没有出现任何一门人工智能的专门课程。但是在剩下的20个学分里面，整个计算机学科他不光要涉及人工智能，还需要涉及计算机网络，图形学，多媒体，软件等等。这样分摊下来真正到人工智能的专业课程大概只有两到三门了。在这个基础之上，要把前面各种人工智能专业知识都覆盖进去是很困难的一件事情。

甚至就算对数学类的课程来说，计算机学科和人工智能学科毕竟不太一样，它对数学知识的要求也还有比较大的距离。

所以我们调研的结论就是人工智能专业确实需要新的一个课程的培养体系。所以我们南京大学在这方面做了一些自己力所能及的工作。我们建立了“C9”高校中第一个人工智能学院。这件事其实是经过非常长期的人工智能科研教学方面的思考。规划了一个很完整的人工智能的课程体系。

我们的思路总结在中国高等教育杂志“创办一流大学人工智能教育的思考”这篇文章里面。我们现在设了两个方向：一个方向是机器学习与数据挖掘，一个方向是智能系统与应用。这主要是结合我们自己的师资队伍的一些优势来考虑的。我们18年招收了首届本科生，有80人。19年我们收了第二届本科生87人。因为我们的师资规模还不能够让我们接收太多的学生。但是实际上有很多很多同学希望进入这个学科。所以19年的时候我们招了首届研究生，硕士生有35人，博士生有九人。其中包括有在美国攻读学位的同学，通过考研再到我们人工智能学院来念书。当然我们自己的本科生后来上研究生的话可能会有更大的优势。

5 南大人工智能学院致力于培养什么样的人才？

还有个问题大家会关心的是，南大人工智能学院到底致力于培养什么样的人才？其实人工智能这个学科人才培养社会上早就开始了。如果在搜索引擎里面查一查人工智能培训，必应能够查到150多万条。如果用百度，查到的更多。这个数据还是比较早的。我们培养的是不是这些培训班能培养出来的人才呢？显然不是。

打一个类比，如果考虑建筑行业的人才，现在也是非常难得的人才，能够把砖搬得又快又好。但是作为南京大学这么一个高水平的大学，我们培养的人才肯定是往更高的标准去靠。我们希望培养出来的要么是类似于建筑设计师，土木工程师。更理想的是从学生中未来能够成长出建筑大师。简单来说，我们培养的目标是在人工智能领域具有源头创新能力的人才和能够解决企事业单位关键技术难题能力的人才。所以我们的人才培养定位在比较高水平比较尖端的范畴。

6 南大人工智能学院课程体系什么样？

下一个问题大家可能关心的就是那么到底我们是什么样的课程体系，有可能达到我们所希望的这件事呢？如果看看全世界，就可以发现其实人工智能的本科阶段开始的人才培养应该说是个新生事物。比方说美国的人工智能技术比我们中国要领先的很多，因为他们在上个世纪50年代就起步了。而我们基本上是到改革开放之后才开始严格的科学教育。特别是2000年之后，我们逐渐有和国际接轨的一些科学研究和人才培养机制。就算对美国来说，以往也主要是在考虑培养研究生以上的人才。

对于本科人才培养，2018年5月，卡内基梅隆大学宣布开设美国第一个人工智能本科专业。南京大学人工智能学院是2018年3月成立的，比CMU还早了两个月。这其实就意味着我们基本上不太可能直接把别人的课程体系借鉴过来。基本上和国际顶尖机构同步，要靠自己的探索。我们学院的老师还有相关学科老师都下了非常大的力气。我们真是认认真真来思考这件事儿。

人工智能本科专业要培养高水平人才的话，到底要有哪些课程来学习？特别是这些课程谁先随后，哪些内容讲多少？这是一个通盘考虑非常困难的一件事情。在教育部规定的学科体系下，学分是固定的。多上一门课就必须要减一门课。所以整个设计花了我们很多的功夫。我们在2019年5月，率先发布了国内第一个人工智能本科专业教育的培养体系。这是一整套为人工智能人才培养所设计的课程。我给大家简单的看看我们这里面的一些课程。在数学基础方面啊，必修课包括数学分析、高等代数、离散数学、概率论与数理统计、最优化方法和数理逻辑。那么我们在学科的必修课里面有人工智能导引等课程。针对南京大学我们自己做了两个专业方向：机器学习与数据挖掘，智能系统与应用。这两个方向分别有自己的核心课。

整个课程体系从必修课上来说，它和计算机学科必修课的重叠度甚至小于30%。我们这个课程体系其实和计算机学科都有这么大的差距。和别的学科会有更大的差距。所以学习人工智能还是从头学起会更好一些。这里面有一个特点，就是人工智能现在发展的阶段是机器学习为核心，所以我们课程体系里面也是机器学习居于核心地位。我们所有学生必须学机器学习导论，还有机器学习方向要学习的高级机器学习和一些选修课等等。

我们也可以看看国际上的一些讨论。其实最近国际上关于怎么开展计算机科学的教育和人工智能的教育也有很多的讨论。我这里面摘引中国计算机学会通讯上一篇最近的文章。这是美国和ACM这几个关于设计各个学校最主要的课程体系的一些顶尖的学者或者研究组做的一个探讨。我把里面最主要的一些话勾出来。他们就认为计算机教育工作者以前都认为计算机科学的核心是用数据结构和算法表示的人类可理解的抽象的集合。而随着机器学习的发展，这种情况发生了变化，现在机器学习是计算机科学的一个核心领域。

如何将机器学习的实践和理论主题整合到本科课程中？这是大家正在考虑的一个问题，2013年，ACM-IEEE，最知名最权威的关于计算机学科课程体系发布的机构。他们发布的最新的就是2013年的体系。在2013年这个体系中，机器学习仅在一些建议的选修课程中提及。而计算机科学中机器学习应用的迅速崛起表明需要重新考虑这样的指导性文件以及计算机教育课程的相应变化。所以我们南京大学人工智能学院在机器学习课程方面的设计，不光对人工智能学科，可能对整个计算机学科课程改革都有一定的探索的意义。

7 人工智能专业的就业？

各位同学更关心的最后一个问题就是人工智能专业学了之后就业怎么样？这个问题可能不用说太多，其实只要知道这么一句话：现在已经到了全球争抢人工智能人才的时代。

美国发展人工智能比中国早了很多年。但是就算对美国来说，培养出来的人工智能人才已经远远不够了。很多企业已经不能够停留在只从毕业生里面招人才的这种程度，更多的甚至开始挖大学里面的教授。比如说卡内基梅隆大学机器学习系主任M.Veloso教授就被摩根大通挖去做了副总裁。《终极算法》这本著名的书的作者，华盛顿大学的Pedro Domingos教授也被对冲基金公司DE Shaw挖去做副总裁。可以看到在美国著名的人工智能学科，特别是机器学习学科的教授，都被大企业挖走。教授们被挖走了，今后的人才靠什么人来培养？这是一个很大的问题。

我们南京大学还能够有一只比较优秀的教授队伍，应该说这对我们的人才培养提供了一个很好的条件。可能大家怀疑这些都是大牛，他们去向当然不愁，但我们一般学生呢。我这里面引述一个知名自媒体上的新闻，他说我们Lamda组研二学生全部被华为打包带走，硕士最低50万，博士100万。但是这个自媒体信息应该说不完全准确，因为我们组里面还有不少学生其实并没有去。但是它反映出来一个情况，就是人工智能学科的学生现在确实是供不应求。

刚才我跟大家强调的其实都是我们南京大学自己在做人工智能的时候的考虑。我们主要是在考虑人工智能本身，它的本原。现在经常在媒体上看到一个词是“人工智能+X”。很多人认为人工智能就是一个交叉学科，重点在交叉应用上。其实这可能是一个误解。

因为人工智能本身的内核，它是由本身自己的教学科研工作。人工智能交叉应用，也有它的教学科研工作。比方说，把人工智能运用到法律上去，有的兄弟院校就成立了人工智能法学院，这非常重要。包括中央音乐学院都有人工智能音乐系，这也非常重要。但是交叉应用的研究和学习和本身内核的研究学习不一样，两者不能互相取代。人工智能本身如果没有很深厚的基础去做交叉应用，那就是空中楼阁了。而我们南京大学人工智能学院，立足点重点就是在人工智能本身内核的研究和学习上。

信息化之后人类社会必然进入智能化，这应该说是个不可逆转的一个趋势。基于数据信息来提供智能辅助，让人类做事更容易，是所有人共同的愿望。一定程度上可以认为人工智能革命可以和蒸汽机工业革命相提并论。蒸汽机是帮助人类从繁重的体力劳动中解放出来。而人工智能会帮助我们从一些重复性比较强的简单智力劳动中解放出来。人工智能这个学科不是一个非常短暂出现的热门词汇。它已经经过了长达60多年的发展，已有庞大的知识体系。它和一些短期的热点是完全不一样的。

对于人工智能来说，机器学习是智能化的关键。今天我们要得到很多的智能行为，其实就是要得到数据的价值，这个背后都是要靠机器学习。

我们现在非常关键的是高水平人工智能人才奇缺，这个是世界性的问题。在这个时候学习人工智能应该说前景一片光明。南京大学人工智能学院就是认认真真地希望能够从源头做起，认真地做人才培养，为国家社会产业培养高水平的人工智能人才。所以欢迎大家去关注和支持南京大学人工智能学院。