大咖实录 亲眼见到这么多优秀的人，压力真的很大—中国35岁以下科技创新青年35人名单发布

颁奖典礼实录

35岁以下科技创新35人，代表了我们最杰出的一些创新者，他们是年轻人不到35岁。这些奖项它覆盖了像材料、生命科学、硬件、能源、交通和机器人制作领域，我们也探索了很多个人，很多优秀的代表，他们的理念就是为了重塑未来。我们的目标就是要真正的把他们找到，那些是最新的科技，哪些是优秀的创新者，他们已经对现有的技术进行了颠覆，或者有一些创新的技术能够解决现在的问题，我们奖赏这些天才人物。

这些创新者会给大家做一个简要的陈述和介绍来描述他们自己的成就，这些陈述呢，主要关注点是他们自己的行业兴趣点，分为三组，我们的第一组将会给大家带来关于人工智能领域方面的一些成果。

AI算法与AI

朱军（清华大学计算机科学与技术系副教授）：

人工智能大家已经看到了，它正在快速的改变我们的世界，从我们比较熟悉的互联网、金融到比较传统的智能制造，甚至到国家的安全、国防等各个领域，无不在受到人工智能的巨大影响，从技术上来看，人工智能的研究基本上可以分为几个层次，从几层面向人工智能的硬件。

比如说像专用的人工智能芯片到上层的理论、模型和算法，再到上层的编程库，甚至各种实现的工具，最上层是我们各种人工智能应用，比如说像无人驾驶车。

我的研究实际上主要是集中在人工智能的基础理论和方法，我们特别是关注贝叶斯人工智能的理论算法和相关的应用。在基础理论上，我和我的团队扩展了贝叶斯人工智能的理论技术，传统的贝叶斯方法，它已经有200多年的历史，那我们学校给它有两个维度的一个平面，还有先验或者释然。

我们的工作实际上是扩展了这个贝叶斯理论的基础，我们提出政治化的贝叶斯方法，还为这个贝叶斯方法提供了一个额外的维度，极大的提高了灵活性，我们也是基于这种思想，启发了很多有效的模型和算法。

进一步我们将这种里和算法实现研发了一个概率编程库，将繁琐的数学推导的过程变成直观计算可以执行的指令，我们称为珠算编程库，珠算到我们实现了最好的算法和模型，可以支持贝叶斯方法和深度学习的有机融合。

我们将理论方法用与多种场景，包括文本、图像、互联网上的网络数据等等，我们从大量的数据中学习有语义结构的信息，能够从大量的图像数据中学习生成模型、生成自然的场景，我们甚至可以做小样本分割的迁移。人工智能已经走到了很多领域，未来的人工智能将面临着更多的新的挑战。

大家知道我们的世界是一个开放的，是充满了很多的不确定性，另外真正存在这种对抗，甚至存在恶意的攻击，在很多场景下，比如说医疗，我们可能面临的是小数据的这种场景，然后我们可能现在方法，比如像深度学习它是一个黑箱，未来的人工智能我们相信它会通向鲁棒的可解释、对人可信的人工智能。我们觉得在实现未来人工智能的途径上，贝叶斯方法是一种有效的方法，甚至是一种引领性的方法。

清华大学朱军为人工智能提供一个贝叶斯的基础，谢谢！

楼天成（小马智行创始人兼CTO）：

我是小马智行初创公司的CTO，对于自动驾驶来说，我觉得自动驾驶非常幸运，因为作为技术它的成功不仅仅需要它能把理想变为现实，一个技术的成功，更需要它能够跟这个时代，人们对它的期待所相适应。而无人驾驶技术在初期、萌芽期已经得到民众广泛的关注，并一定程度改变了市场，比如民众从开始的怀疑替态度到满怀期待。比如政府从开始的观望态度到积极地制定各种政策予以支持，也包括各行各业专家的到来。

我相信这一切的一切都能够很有效，大大地加速无人驾驶技术的发展，使得它更早的一天能以更高效、更安全的方式出现在大家的面前。

作为人工智能的初创公司，小马智行是一个专注于全自动无人驾驶的初创公司，作为小马智行公司最幸运也最骄傲的一点，不过于我们有一支极具经验顶级无人驾驶的团队，团队的人才都是顶尖的无人驾驶、人工智能领域的人才，他们也包括我之前的朋友、同学。

跟朱教授一样，我个人也源自清华，提到这一点，刚好最近有一个片子叫《无问西东》，我想清华的精神并没有《无问西东》里这么浪漫。作为清华来说，我们更多是行胜于言的校训。整个小马智行团队会专注于最前沿无人技术解决方案的开发，希望一天我们也能够推动智能交通的发展，使得人们的出行变得更安全、更高效、更便捷、更经济。

刘霁（腾讯AI Lab专家研究员、美国罗切斯特大学助理教授）：

大家好，我来自腾讯的AI Lab，另外一个身份是罗切斯特大学的助理教授。我的研究方向是聚焦在大规模的机器学习，深度学习，包括强化学习、优化学习等等，今天我想聚焦在分布式的机器学习上面，希望给大家带来一些新的思考和一些新的想法。

当哪天我们打开手机的时候，我们可能会收到各种字样的请求，比如说很多ATP要求能够收集我们的个人数据，那我们这个时候会纠结，到底是同意还是不同意？

另外一个场景是我们经常可能会收到的推荐，我们不太满意，这个时候我们会想，AI的水平现在已经很高了，像我们的围棋，可以在让柯洁两子的情况下完爆柯洁。在这样的技术背景下，为什么一些简单的Task处理得并不是那么完美呢？这个可能并不是算法的问题，也不是模型的问题，其实是由于我们这种传统的中心化的数据，整合方式所带来的弊病。

那传统的方式通常来说需要把数据整合到一个中心点，在这个中心进行大量的训练，把模型返回形成一个闭环。那么这个过程当中，数据的收集其实是非常昂贵的，这就导致我们的数据量不一定够用，直接影响模型的性能。整个闭环过程时间会比较长，导致时效性也不是特别好。

最后一点特别重要的是，数据的policy受到了很大的影响，用户的数据失去了这种policy。我们为了避免这种问题，我们考虑了一种新型的结构，我们称为去中心化的结构。用户并不需要和中心节点进行交互，他只需要和模型进行交互，他只需要交互的是他们私人化、个性化的模型，而不是交互这个数据。这样的话，数据的私有性、隐私得到了非常好的保护。同时，我们有理论可以支持，这样的方法可以保证正确性和有效性。

在未来，我们坚信这种技术很有可能会对我们产生翻天覆地的影响。比如IT公司将来提供的是一种纯AI的解决方案，并不需要触碰用户的数据。而用户更放心的把数据不用分享出来，但是他可能加入这样一个大家庭里，充分享受大数据所带来的红利，而没有数据隐私的考虑。那么长期的应用医疗、互联网等等。

最后我想说，这种去中心化的方式，实际上是真正让AI无所不在，因为数据在哪计算就在哪，计算在哪智能就在哪，AI就在哪，谢谢！

徐颖（中科院光电所导航技术研究室副主任）：

大家好，我来自中国科学院。今天也非常荣幸能够到这里，受到我们主办方的鼓励和支持。

2017年是诞生了很多新技术的年代，有人把2017年叫做人工智能的新元年，当然它不能叫人工智能的元年，因为人工智能已经发展了很大一段时间。但是2017年由于人工智能技术有了一个新的突破，所以它重新走入了我们的视线。

也有一些人把2017年叫做商业航天的元年，因为在今年我们国家也诞生了很多商业航天的公司，包括做卫星、火箭和整个商业的航天链。

对我来讲，2017年也是一个非常值得纪念的年份，我是做北斗的，2017年是我开始从事北斗相关工作的第10年。大概在10年前，我第一次接触到北斗，那时候我们做的是北斗二代一期导航接收机。而到现在北斗系统已经开始了北斗三代的建设，并且已经开始大量组网的阶段。

预计将会在2018年左右，北斗三号系统能够覆盖“一带一路”地区。在2020年左右，北斗系统将会覆盖全球，真正实现中国的北斗、世界的北斗。所以，我们也很庆幸，我们遇上了一个好的时代，遇上了科技、北斗，也遇上了我国科技蓬勃发展的一个新时代。

今天的主题是35，其实35是一个比较尴尬的年纪，最近总被问人，你现在还35岁以下吗，还有多久？事实上如果这个到明年举行的话，我就只能参加MIT TR36了。但我非常庆幸的是，我参加的是科研工作，而科研工作整体上来讲，是一个寿命非常长的职业。

所以，我们还有很多的事可以做，包括基于低轨卫星导航增强系统，包括临近空间导航系统，临近空间作为飞机上不去，卫星下不来这样一个特殊的空间，他们当中有很多的科学问题还值得我们探索和研究。包括导航和通信深度融合的一些技术。

我们做所有这些，都希望有一天真正的实现以北斗为核心，能够在任何时间、任何地方，为任何人，通过任何手段提供可信导航服务的国家定位授时导航体系。我们也相信，我们将会在今后的工作当中不忘初心、继续努力，真正能够做出一些国家需要、人民有用的东西，谢谢大家！

Antoinette Matthews：感谢各位精彩的演讲，我们下一组，他们的工作在不断地改变我们对于科学的基础理解，包括我们的量子计算，接下来有请基础科研获奖人发言。

基础科研

陆朝阳（中国科学技术大学、中科院量子信息与量子科技创新研究院、教授）：

大家好，非常高兴有这个机会向大家介绍目前我和我的同事正在研究的量子物理和信息技术的一门交叉学科，叫做量子信息科学。

对很多人来说，量子物理学，听起来可能是和我们的生活没有很大关系的一门学科，但是，如果我们回顾一下量子力学发展百年历史的话，我们发现它其实就是已经催生了包括晶体管、激光在内的很多的创新性技术，极大的改变了我们的生活。那么这些技术的获得，是来源于第一次量子革命，主要是基于对量子系统的被动观测来时下的。

在最近的几十年，我们已经从被动观测进步到在实验室里面对单个光子、单个原子这些体系，进行主动操纵的阶段。

这样一个基础研究的进步，给信息技术带来了新的机遇，根据欧盟白皮书里面所称，把它叫做第二次量子革命，主要包括安全的量子通信、超快的量子计算和模拟等等。

不同于我们现在所使用的依赖于数学复杂度的加密系统，量子通信是借助于物理原理来保障一个信息的安全，目前我们国家在远距离和实用化的量子通信方面处在国际比较领先的水平。

量子通信目前已经走向了实用化和产业化的阶段，但是量子计算这个领域，是刚刚从基础研究开始迈向进入技术集成和集中公关的研发阶段。

根据量子计算实现的难度，我们可以把这个发展分为三个阶段。

第一，我们要发展出针对某些特定问题，比经典计算机算得快的量子机器，这也是国际上所称之为量子霸权的阶段。

第二，我们希望发展出一些有实用价值的量子模拟机，这里面的应用场景包括组合优化、量子化学、机器学习等等。

第三，最难的目标是实现通用的、可编程的量子计算机，因为它需要一个量子纠错，那我们在这三个阶段都做了非常系统的布局，比如说我们通过产生高品质的单光子源，做一个波色取样，在这方面能够来超越经典计算机。同时我们也通过研究超冷原子和超导两个体系，希望能够制造出（五年时间）一个实用的量子模拟机，并为最终实现通用的量子计算机打下基础。

何庆林（北京大学助理教授）：

我们现在所使用的电子计算机，基本上都是二进制的，指令和另外一两个状态进行计算，就像开关的“开”和“关”。但是在量子的世界里，这两个状态可以通过现行叠加而形成新的量子态，就像旋钮一样具有无穷多个状态进行计算。

这种线性叠加可以通过把两个粒子缠绕的办法实现，我们可以想象一下，我们把两个电子位置相互交换一下，这时候他们会形成一种新的电子态。当我们把这两个电子再交换一次时，他们又回到原来的电子态。因此电子是没有办法实现缠绕操作的。

然而自然界中还存在另外一种粒子任意子，每当两个任意子相互缠绕时，他们总能形成新的量子态。因此假如我们用任意子制作量子计算机的话，那么我们就能突破0和1的限制。多个任意子相互缠绕时，他们的缠绕模式将会千变万化，形成大量的量子态。因此，量子计算机具有传统计算机所不能媲美的计算能力。

可惜的是，自然界中所存在的任意子凤毛麟角。我们人类能加以利用的大多数只停留在理论阶段。1937年意大利理论物理学家埃托雷马约拉纳曾预言存在这么一种任意子，它自身就是它的反粒子，称为马约拉纳费米子，也是大家所熟知的天使粒子。

幸运的是，80年后的今天，我和团队成功的在固体电子器件中实现了马约拉纳费米子态。我们制备了由拓扑绝缘体和超导体所合成的复合电子器件，在一定的外加磁场情况下，我们可以建立马约拉纳费米子的高速公路。在这样的高速公路上，我们可以人为的对马约拉纳费米子态进行操作。比方我们可以允许两个马约拉纳费米子通过，或者只允许其中一个通过，甚至两个都不允许，另外我们还可以认为的控制他们运动方向。

以上这一系列的操作，将会建立于马约拉纳费米子为基础的量子计算机的基石。量子计算机的建立道阻且长，我们现在已经有了很好的开端，下一步我们将会建立马约拉纳费米子常要操作，把量子计算机变为现实。

王震（西北工业大学教授）：

我来自西北工业大学，今天很荣幸向你们汇报一下我个人的观点，关于我主要研究的方向是网络科学和数据科学。

网络科学和数据科学将为人工智能注入新的动力，这是我个人的一些观点，主要从学术认知、学术成果和学术评价。

首先我们明白什么是网络，网络是由节点和连接组成的系统，主要用来承载和传递信息的，在我们生活中存在各种各样的网络，各种各样的技术网络、生物网络以及人际交互网等。

那研究网络一是从网络的拓扑性能，二是动能性能来研究的。这两个方面是相辅相成的，最终的目的是对它进行调控为人类服务的。

那网络学科的态势是来自于下世纪50年代的图论，到2000年网络达到研究的高峰，主要是小世界属性和无源属性的提出，以及发展到现在超出了某一个单一学科的发展。这个时候大数据科学就为他注入了新的动力，尤其是多源信息和多源数据的融合。

那网络科学与数据科学，他们总的框架理论+数据以及到应用，可以从不同的层面，数据驱动、模型驱动和应用驱动。

目前网络数学、数据科学面临的挑战主要有两个方面。

1、空间属性。突破了传统的单一网络的设置，把系统的系统耦合在一起，构成多层耦合系统，比如说将电网和互联网耦合在一起，来研究它们的极联失效。

2、时间属性。他们的连接拓扑以及各种的属性，是根据需要来时刻变化的，最简单的应用是无人机编队网络根据需要来变化。

除了技术科研，我更注重于一些应用方向的研究，一是与我们学校的背景结合国防应用，包括军事物联网，天地一体化网络以及网络态势感知对抗，我们也有一些成果落地了。

二是民生方面的应用。天地一体化的交通，这个可以提供新的动力。互联网态势预测、态势计算等等。

那网络科学和数学，到底为人工智能注入什么新的动力？主要从行为决策两个方面来研究。

1、线下的行为决策。我们通过行为经济学实验和网络结合起来，以及脑科学结合起来，从行为决策、行为认知感知方面来研究。

2、线上的行为决策。我们基于各种各样的互联网大数据，主要从情感传播以及出行轨迹预测各方面。

简单总结一下，网络科学和数据科学必将为人工智能带来新的发展、新的方向、新的应用甚至是新的辉煌。

Antoinette Matthews：我非常震惊，我们的这些35岁以下的科技创新人，3分钟之内就完成了他们的演讲。我们知道数据无处不在，数据实时可现，我们有手机，手机里面有数据，我们下一轮的35岁以下的科技创新人，他们是负责大数据的。

数据挖掘、AI

戴文渊（第四范式创始人兼CEO）：

大概五六年前，我完成了百度的凤巢系统搭建，我们成功地把AI落地到了一个互联网的商业应用，我去过很多的地方，跟大家交流，给大家介绍我们做了什么事情，很多的公司。

我有一个感觉，大家都很羡慕这个技术，都很想要这个技术，而且我很清楚的知道，我们其实是可以帮助到他们的。但是这里面有一个很大的缺口，这个缺口就是说我们其实很难将这些技术应用到这些领域，而且我也不可能到每一个公司帮助他们去完成。

于是大概2013年开始我开始做一件事情，怎么样让AI慢慢变成一个不是那么科学家的事情，而是能够让更多地业务人员能够操作AI，就像我们教我们的孩子、教我们家里的小狗一样产生AI的技术。

今天第四范式要做的事情，我们称之为AI for everyone，我们把自己的愿景定位成这样。从2013年到今天，也不长不短的时间，我们做到了很多的事情，今天已经可以让公司里，甚至是公司的前台，用我们所开发的AI平台去产生类似今日头条或者是快手这样的千人千面的推荐，去产生金融领域的风控模型。

朱明杰（氪信创始人兼CEO）：

我是2004年从科大来到微软亚洲研究院，那一年在沈向洋老师（编者注：计算机视觉和图形学研究的世界级专家）的带领下，微软研究院上了《MIT Tech review》的头条，被评为“全世界最火的实验室”，那时候我就在那边。想不到10多年以后，还能赶上“TR35”的颁奖。

我们那时候做得事是用机器学习和数据挖掘的方法挖掘人的信息需求，互联网各种各样信息的需求，我们做了10多年，已经做得很好，现在突破性的东西其实已经很难。

从2015年之后，我在之前的研究院包括在其他互联网公司的伙伴们创立了氪信这家公司。我们要做得事其实很简单，刚才唐总也说了，我们要解决在金融里人金融需求的问题。

金融其实是一个非常人工不智能的行业，在中国绝大部分的人得不到很好、很合适金融的需求。而且在这个里面，它其实比一般的互联网还更加的难做，因为金融的风险和这个人的需求，里面的关系并不是一个简单的我在互联网上可以快速试错、迭代和容忍的一件事。

我们的伙伴们进入到金融领域里，用更智能的办法帮他们做更好的金融服务，让更多的人得到更合理的金融服务。我们这群人帮助最好的金融机构提升了他们的金融智能化水平，我们在去年也得到了中国最大央企也是金融集团招商局集团B轮的融资，我非常感谢他们的投入。这个事在中国方方面面的行业，都需要有技术能力的人，把在互联网领域里练就出来的智能能力帮助大家生活更加地美好！

吴海山（深知科技创始人兼CEO）：

深知科技是一个专注投资资讯的创业公司，今天我给大家分享一下，我们是如何使用数据来去分析中国的经济发展。

我之前是用计算机视觉来研究生物群体行为的科学家，我们是用计算机视觉跟踪的鱼群轨迹。我们想把每个人当成一个有经济行为的动物，我们手机每天产生的数据，就可以帮助我们来分析整个中国经济系统的发展。

我们主要使用了这样几种数据：

1、GPS定位数据。我们可以通过计算学习来分析出每个人在什么地方居住、在什么地方工作、在什么地方消费。

2、卫星的图像。我们可以通过深度学习算法，识别出工业园区、住宅楼、办公楼这些区域。

把这两个数据结合起来，我们就可以回答关于中国经济的三个重要问题。

1、中国的失业率是多少。我们知道有一个官方的公布失业率，这个数字无论GDP怎么严重，都是在4%。我们的数据给出了不一样的结果，我们发现整体的就业趋势是往下走，但是高科技板块增长得还不错。

2、中国的消费趋势是怎么样。我们知道中国现在是经济转型在从基础建设投资为主导，到以消费为主导，这个转型是什么样的，我们给出了两个板块的消费趋势。

汽车消费行业，我们发现整个中国的汽车趋势一直增长得很不错

餐饮行业，我们非常吃惊地发现，餐饮行业的消费趋势是下滑的，尤其是2014年反腐措施公布以后。

3、中国的房地产的重要问题，就是中国的鬼城、中国的空城到底在哪里。我们知道房地产在经济发展的时候，出现了很多类似的这种空城，我们第一次用我们的数据可以预估整个中国每个城市所有楼盘的空置率的状况，这样我们就可以检测出来这样的空城大概是什么样子的。

后来我们还发布了一个产品叫“空城计”，我们第一次用据展示了中国前20个空置率特别高的城市，在将来，我们认为我们的生活，可能会被各种各样的传感器所包围，包括我们今天用的手机、摄象头，到将来的物联网、卫星，甚至是机器人、无人车，所有的这些数据都可以帮助我们来分析我们复杂的经济系统。

我们公司的梦想就是我们想通过技术，让我们的经济系统变得更加简单、更加透明。大家可以通过这些媒体的报道关注我们的研究成果，谢谢大家！

能源与可持续发展

周欢萍（北京大学特聘研究员）：

我研究的方向是下一代光伏材料和技术。

我们知道能源问题一直是人类根本的问题，我们知道人类文明的发展史其实就是人类不断探索能源的一部历史。在众多的能源当中，太阳能由于丰富、清洁、可再生，受到人类的广泛关注。

从右边的图我们可以看到，太阳给予我们的能量其实可以点亮1000个地球。事实上人类对太阳能的探索，也从来没有停息过。从最开始200多年前贝克尔发现光生伏打电池，到上世纪初爱因斯坦在黑板上写下的电效应方程。

从上世纪50年代贝尔实验室发展了第一个可实际应用的太阳能电池到现在光伏电站大规模出现，我们知道光伏技术的发展日新月异、百花齐放。

在众多太阳能技术当中，2009年出现的一款叫钙钛矿太阳能电池的技术，可谓是光伏历史上的奇迹。这款电池用了短短不到10年的时间，走完了传统晶硅电池需要半个世纪走完的路。

钙钛矿太阳能电池技术得到如此迅猛的发展，不仅与它本身的光电性质有关，还跟它受到了全球范围内非常大的关注和研究力量相关。

我非常幸运踩在这个时间节点上，早期在博士后期间我就开展了钙钛矿太阳能电池的研究工作，目前回国建立了独立的实验室，正在开展高效、高稳定性的钙钛矿太阳能电池技术。我们曾经获得了最高效率的钙钛矿太阳能电池，目前也基本解决了稳定性。

在基础研究的同时，钙钛矿的产业化也得到了迅猛的发展，小组件、大组件、光伏电站，我们看到的很多的希望，特别值得骄傲的是，中国在钙钛矿太阳能电池产业化已经处于世界前列，我也致力于钙钛矿太阳能电池产业化进程中。此外钙钛矿太阳能电池也可以做成柔性、多彩、半透明，发展潜力非常广阔。

最后，我有一个梦想，我希望只要有阳光，无论在哪里的孩子都可以感受到明亮的灯光和纷繁的世界。很高兴，我正在向着这个方向努力，谢谢大家！

金虹（北京低碳清洁能源研究所项目管理办公室（PMO）主任）：

首先我想和大家分享两张照片，中国是一个富煤、贫油、少气的国家，因而存在一系列的环境问题。比如左边照片中展示的雾霾问题，但我认为这些挑战同样也是机遇。我的研究领域是清洁能源，我的工作就是加速清洁能源的成果转化，不断改善我们的环境。右边照片是我的3岁小家伙，希望通过我们的努力，让我们的孩子们都能拥有蓝天白云。

我今天演讲的题目是“做正确的事，正确的做事。”所谓做正确的事，是指我们要做对社会、国家、国计民生有重大影响的事，对我来讲就是清洁能源。我们根据中国四大能源挑战，来确立并细化我们的战略研发领域，包括分布式能源、水处理、功能材料、催化、氢能、煤炭清洁转化，我们根据项目的战略契合度和技术先进性，选择有亮点的新想法进行立项。

所谓正确的做事，是指我们要用最有效的工具，最有效的方法来进行最有效的研发。我们用的是一套自己定制的线上的门禁管理系统，通过帮助项目设定并完成一个个短期内可以实现的小目标，再通过一个一个的门进行前一阶段的回顾与下一阶段的展望。资源配置上，有一点像咱们的创业投资。当一开始给一个天使进行尝试，然后进入A轮、B轮等等。

通过我们做正确的事，正确的做事，我们不断布局优化清洁能源领域的投资战略组合，快速地对新想法进行尝试，最大限度的降低试错成本和时间，推动原始创新与成果转化，提高企业和国家的核心影响力。

2017年我们首次在央企研发机构中获得项目管理协会办法的“年度杰出PMO大奖”和“科研应用实践奖”。

我认为能源领域的创新，一定是未来创新大潮的核心领域，尤其在跨学科领域上。这当然不光包括技术上的春心，还包括技术管理上的创新。我们也正在思考，如何用我们这套项目管理体系在这些方面做一些什么贡献。

谢谢大家的聆听，我是金虹，我来自国家能源集团的低碳清洁能源研究所。

王旭（中国科学院生态环境研究中心副研究员）：

今天我的话题是水能源管理结构，大家知道我们对于水资源的利用，已经成为的一个核心的目标，来实现可持续发展，也是我们实现2030年联合国的SDG的重要目标之一，但是很清晰的是，我们的水资源管理，它的重要性已经得到了公认，但是我们相信它能够帮我们解决未来的很多挑战，因为水的这个元素，在水资源管理方面有50—100年的历史了，会给我们带来长期的影响力，但是我们应该基于未来的场景，而不是基于现在的场景，来规划未来的水资源管理。

首先我们要考虑的是水资源的保护，确保水资源公因的公平、公正，基于我们过去的创新成果实现公平分配，对于未来的公民来说，必须要能够提供大范围的环境效益，也包括水资源使用的效率或者是水循环使用，能源资源恢复或者是温室气体减缓，甚至是其他的一些经济效益，也应该为大家所预见。

所以我觉得这是一个革命性的选择，我们需要一个革命性、颠覆性的模式，实现水资源管理的创新，我们也要制定相应的标准，标准关注的是选择可持续性的一些选项。这就需要我们进行深入的分析，去确认哪些是成本效应最高的途径，我的研究领域之一，就是能够将我们的水资源管理体系和我们的数据体系结合在一起，我们做了深入的对比，提供了五大选择，这五大模式应该是进行综合利用的，除此之外，还是需要做出很多的努力，来应对当前的管理挑战，因为有70%的全球人口，现在都是城市中的居民了（2015数据）。

而且我们觉得我们的资源体系需要进一步地升级强化，已经一些最佳的之间经验，可以给提供范例，让我们实现可持续的未来，但是，就全球范围来看，还是需要在科技行业、商业界和社会力量进行通力的合作，才能够实现城市水资源利用，以及水资源革命性的管理的变化。

计算机视觉、AI

查正军（中国科技大学信息技术科学院教授、博士生导师）：

我的研究方向是多媒体智能分析和检索，大家知道图像视频等多媒体数据的规模日益庞大，在各行各业中发挥着越来越重要的作用，那如何有效地来利用这些图像视频的大数据，使数据真正地变成资源？那就需要研究图像视频的智能分析和检索技术了，这是分析和检索的流程，在这其中存在两大挑战。

第一，介于和用户系统之间的意图鸿沟。由于用户往往不能准确地去表达他的意图，系统也不能准确地理解用途，就造成了这么个意图鸿沟，导致我们平常搜索的检索结果，不能够满足我们的信息需求。

第二，存在于计算机所感知的数据底层特征，比如说图像的颜色、纹理、物体的形状等，和人类所认知的高层语意之间，导致我们的计算机难以直从数据看懂数据的含义。

为了应对这两个方面的挑战，我们做了一些努力，为了应对意图鸿沟，我们提出了若干贴合用户意图的图像视频的检索技术，在检索的流程中，设计新的反馈机制，引入轻量级的用户反馈，来帮助用户表达自己的意图，同时在检索的模型中，去挖掘和利用户的反馈，来帮助系统理解用户的意图，从而提出了检索的精度，帮助人类可以从图像视频、大数据当中找到自己感兴趣的信息。

为了应对这个语意鸿沟，我们就在融合上下文信息的分析方法上做了一些努力，我们知道虽然图像视频数据的模式复杂、语意多样，增大了分析的难度，但是有利的一面，数据当中隐含了很多的上下文关系，比如说多来源的数据互为补充，多模态的特征互为参考，多语意概念之间互相关联。因此我们提出了一系列的融合上下文关系的试想视频的分析的新方法，我们挖掘了语意概念的相关性、样本分布的结构性、多源数据的互补性等等，提高了分析的准确度，也就帮助计算机能够看得懂数据的内容，这是我们以前做的努力。

未来我们还将继续努力，未来的一个努力的方向就是如何来借鉴人脑的信息处理机制，发起脑起方式的视觉计算模型，借鉴人脑神经元之间丰富的连接结构，人脑的功能分区与协同的工作机理，借鉴了人脑的记忆和联想功能，来研究快速、准确、鲁棒、低耗的计算模型。

卢策吾（上海交通大学研究员、博士生导师）：

我今天的演讲题目是关于计算机视觉的基础研究，这是我一些基本的简介，我做得研究方向是计算机视觉。

大家可能知道随着深度学习的发展，现在计算机视觉取得了飞跃性的发展。我们可以看到计算机视觉，目前深度学习做的，很多情况下还是图像中的物体识别和物体层面的理解。其实这个图像中的深层语义理解远远超越物体级别。

大家看这张图，这是三只小松鼠，这是什么意思？如果只有计算机视觉，只能输出这三个框，其实我们很难理解里面深层次的语义。对于计算机视觉基础研究的人员来说，我们更关心在深度学习之后，我们能够更深刻挖掘视觉信号里一些深层语义信息。比如像这张图里，除了物体级别之外，我们还可以理解为很多深层次的意义。

比如往更深处讲，我们可以看到一些关键的点，比如一只松鼠握着另一只松鼠，它向另一只松鼠献花，一只松鼠盯着令一只松鼠。其实这个层面的语义分析还是挺难的，在于动词级别的语义对于我们来说是一个挑战，我在这做了很多的工作，有一些进展。

我们更深层次就是概念级别的，比如我们在这个层面我们其实看到两个很深层次的语义信息，叫做友谊和爱情。这种深层次的语义，对计算机视觉来说挑战更加的大了。

就是我们这样一批计算机视觉基础研究人员在这方面做出了一些基础性的研究，也取得了一定的结果，其实还任重道远。虽然现在深度学习非常蓬勃的发展，很多能够在Tech recognition级别做得很好，其实对于计算机视觉基础语义的深刻理解，还是需要很长的道路，需要做很多的研究工作。

很有幸我在斯坦福大学、AI人工智能实验室，以及在现在的上海交通大学建立自己独立的研究团队在做一些研究。可能这些内容比较抽象，可以分享一下我们在实验室做得一些成果。

比如这个是人的姿态的检测，这个能分析人的行为，这个代码公开，而且我们公开了Masrcn6个点的准确率，如果做过行研就知道Masrcn是我们现在很好的结果。

下面是关于情感的识别，其实情感的分析一直非常难。我们计算机视觉名词分析和对应到物体识别，动词分析可以分析到动作。这个相当于副词的识别，这个相当难，我们也做了一些基础性的工作，当然还是任重道远。

我们认为让机器能够真正看懂我们世界，道路还非常之远。希望在未来能做出更多的工作。

印奇（旷世科技创始人兼CEO）：

我刚才统计了一下，在过往的15个人里面，我们大概有超过一半以上是跟AI相关的，Face++算是AI行业的老兵，从2011年进入这个行业，从推动人脸识别技术突破，商业化落地，到现在希望提供更综合的计算机视觉的方案，到赋能更多的行业，我们很高兴地看到有更多地同行一起加入我们。

今天前面的这些教授们讲得更多偏技术，我想讲讲我们在六年时间里面对产业的看法。

我们觉得2018年人工智能这个行业可能经过了六七年的发展，会进入一个新的拐点，我们认为在未来的计算机视觉领域里面，比技术本身的突破更重要的是我们如何去寻找真正有价值、可以规模化、商业化的这样一些大的场景。因为只有场景的驱动，才能推动商业价值的变现，最后才能反向驱动技术的发展和革新。

在我们过去六年的时间里，我们把我们所做的事情，最终归纳到一个大的领域叫城市大脑。我们会发现，当我们谈到计算视觉的时候，终极的目标是打造机器的眼睛，眼睛就分为云和端。后面有我们AI的引擎去识别，前面是各种各样的摄象头和传感器，去应用到各种各样的行业。

当通过了20年的时间在互联网和移动互联网里面，本质上已经改造了很多的数字世界的时候，我们发现我们所居住的这个城市，无论是环境、交通、能源上，都有非常多亟待解决的问题。

所以在过去三年左右的时间里面，在以下的四个行业，真正把我们的人脸识别、图像识别的技术应用当中，可以简单给大家做一个介绍。大家听到最多的一个领域，是我们涉及到政府性的公共安防，把这样的摄象头布置在最重要的公共区域，已经可以极大的减少公共犯罪的发生。而旷视科技也非常幸运在中国的大部分的主流一二线城市有我们的系统在运行，这样的一些飞机场、火车站、地铁、公交的区域，正在默默地守护我们每天的日常生活，同时我们看到有一个非常大的机遇，是在我们和商业所发生的大的零售体系下，如何通过新的技术，对于顾客、商品的流通和每个店铺的UP值和运行效率是做优化的，同时在iPhoneX所带来的这种新一代的人脸解锁和3D的机遇下，我们也为国内大部分的厂商提供了在手机上如何把人工智能和计算机视觉技术所应用的场景。

最后我们在物流领域里面，我们会发现在整个商品流通环节里面，需要有更多的机器人，需要有更多的视觉控制和导航去辅助他们。

而当我们如果真正去看北京这样的一个城市的话，我们可以做一个算数，我们会发现我们的个人设备，北京大概有2000万人，每个设备有4个摄象头，接近是1亿左右的摄象头的数量，未来我们的智能车辆、公共摄象头，大家可以想象未来的五年时间里，北京就有接近10亿个摄象头，而这些数据可能每天以数小时，甚至是不间断的方式获取数据，最后我们认为城市大脑的中心，当它能够海量获取这样的数据，提升城市的自身效率之外，可以这些数据真正在金融这样大的行业去变现，这样一个场景，我们觉得会率先在中国发生，我们也希望Face++和在座所有的同仁们，会成为这样一个行业的推动。

非常感谢35岁以下科技创新颁奖典礼，希望大家一起为中国的人工智能做出努力，谢谢大家！

徐冰（商汤集团联合创始人）：

中国是第一个将人工智能制定为国家战略的国家，在这个过程中我们看到人工智能已经变成驱动各个行业新经济发展的利器。

商汤科技作为有20年科研经验，3年产业化经验的行业领军企业，我们很自豪的跟大家分享，我们成功的将中国的高技术实现了海外出口，我们将中国原创的人工智能技术出口给了美国高通公司，赋能它的芯片。我们成功将中国原创的人工智能技术，出口给了日本本田，赋能这家世界第六大车场的无人驾驶系统。

在这个过程中，我们发现人工智能的核心在于如何打造一个良好的技术生产环境，能够聚集一帮顶级的科学家有效生产每一项可产业化的算法。当前我们看到人脸识别已经是非常成熟的应用，去年iPhoneX推动人脸识别在手机里的使用。

现在我们看到，越来越多线下的场景可以用脸认证自己，实现进出无阻的状态。通过线下的支付，通过线下的刷脸门禁等等场景，实现这样一项成熟技术的产业化，来影响到我们每一个人的生活。现在我们的理想就成为使人工智能推动产业革新的平台，成为中国乃至全亚洲人工智能方面最佳的合作伙伴。

我们想做得事也是对于AI，将更多的产业进行赋能，带来更多的创业机会、投资机会，与大家一同推动人工智能在中国乃至全球的发展。

同时，我们在当前的状态下，成功聚集了超过150名顶级的人工智能博士，18名教授，共同在商汤打造的深度学习平台以及最大规模的深度学习以及超算之下，开发各种各样有效的人工智能算法。最终能够实现对产业里顶级公司的赋能，对各个城市、行业进行效率提升。我们也希望能够跟在座的各位，跟产业里更多的合作伙伴共同推动这件事。

生物医药

朱书（中国科学技术大学教授）：

大家早上好！我想要简单地跟大家谈一下相关的生物医药问题，以及我们的免疫问题。

我们知道人类已经研究生物群组很久了，微生物群组在很多的基础层面都是存在的，比如说我们的食物品，但是他们也会威胁到人类健康，会带来感染疾病、传染性疾病、新陈代谢性疾病，甚至是癌症。

这些疾病都是和我们的肠道相关的，我们的肠道里面有很多的微生物群组，除了我们的微生物群组之外，肠道里面还是有很多的免疫细胞的，这就是一个简单的视图和大家展示一下，有两组，分别代表树状细胞、上皮细胞、T细胞和微生物。

我们看到上皮细胞是有武器的，它相当于是一个箭，可以去识别外部的一些异体，当然这主要是去针对炎症和癌症发起主动的进攻。它同时也会损伤我们本身的健康细胞和组织。

问题就来了，作为上皮细胞这种免疫细胞，究竟有什么样的武器，要去攻击什么样的异体组织，传统的话，他们用的是TLR4和Sting，它通过识别DNA和LPS来发起进攻，现在的话我们有新的方式去强化上皮细胞的工具。我的研究小组有两种新的工具，也就是NLRP9和RP6，可以识别RA，这些RA也是由微生物所携带和传播的，现在我的小组就是在考虑怎么用6和9号染色体去强化上皮细胞的进攻性能，它既可以抑制或者是强化免疫系统的反应，去强化人体自身的免疫功能，我在实验室的话，对这种免疫细胞小组非常感兴趣，我们还帮助上皮细胞去去识别人体细胞的同类和异类。同时，我们也可以利用上皮细胞的功能，主动地进行自愈。

刘颖（北京大学分子医学研究所研究员）：

我们一起聊一聊线粒体，线粒体是在细胞内最重要的细胞体之一，我们的细胞绝大多数的能量都是在线粒体内产生的。与此同时线粒体也是很多生物大分子合成的场所，比如胆固醇合成，就是在线粒体内完成的。

所以，毫不夸张的说，线粒体控制着我们的生与死。我们身体所有的组织和器官，都需要能量。因此当线粒体损伤的时候，就会产生很多疾病。最常见的包括神经退行性疾病、心血管疾病以及代谢相关的疾病。

因为神经组织还有肌肉组织是需要能量最多的组织，所以我关心一个非常重要的问题，当细胞的线粒体产生损伤之后，他们是如何感受到了线粒体损伤，并且激活相应的保护和修复机制的。

我们利用了一个非常经典的生物模型叫秀丽线虫，它是一个小虫子，只有1毫米那么大。最小是由生物学家在蘑菇中分离发现的，其实它们广泛的分布在自然界中，比如土壤中就可以分离出线虫的存在。

在实验室里，我们当然是在显微镜下对线虫进行观测。这些小虫子他们非常聪明，能够感受到自己的线粒体损伤，因此如果我们喂食他们正常食物的时候，他们会待在食物上持续的进食。如果事物中包含有能够造成线粒体损伤的成分，他们会感受到自己线粒体损伤，然后在这时候远离这些食物，寻找新的食物来源。

因此我们构建了转基因的虫子，把绿色的荧光蛋白引入到虫子体内，这样当虫子感受到线粒体损伤的时候，它们会激活荧光蛋白的表达，我们会看到虫子变量了。

我们利用这种方式进行了全基因组的筛选，试图深度的解析线粒体损伤的感知过程。线粒体损伤的积累是衰老的重要特征之一，在我们的实验中也发现，随着虫子的衰老，他们对线粒体的感知和响应是完全消失了的。

因此我们大胆的假设，如果我们能够在老脑时期，从新的启动线粒体的损伤激活机制，是否可以延缓衰老相关性疾病的发生，甚至于延长我们人类的健康寿命，或许这就是我们想要寻找的不老之泉。

韩璧丞（BrainCo&BrainRobotics创始人兼CEO）：

如果要问人工智能的下一代技术是什么，我相信很多人会告诉你，是一个脑机接口的技术。这些人包括埃隆马斯克，他刚成立了一家公司叫Neuralink，他自己担任CEO，研发脑机接口的技术，也包括Facebook，他们也成立了一个研发部门，专门研究如何用大脑来直接打字。

当然也包括最近的《经济学人杂志》，他们用整版的文章来报道脑机接口这个技术，当然也有我，我现在是哈佛大学脑科学中心的博士。我过去花了七年的时间来研究脑机接口技术，也在三年前成立一家公司叫BrainCo，什么是脑机接口，如果人工智能是让计算机有像人一样思考和运行的能力，那么脑机接口是让人本身变得更强。

利用脑机接口技术，我们研发出世界上第一套在课堂上可以帮助学生提高学习效率，提高用脑习惯的课堂注意力检测系统。同时，利用脑机接口技术，我们也让一个残疾人可以在5分钟之内的训练，用智能假肢做所有复杂的动作。

然后利用脑机接口技术，我们可以直接控制工业的机器人。因为在目前有很多的工业机器人和人的合作、协作也是一个趋势。目前来说市场上的智能假肢大概要用6万美金左右，利用脑机接口的技术，我们可以把这个成本降到大概3000美金，让更多的残疾人能够享受这项技术。

目前BrainCo正在建立世界上最大的脑电数据库，我们现在正在采集大概120万人的脑电数据。在之前最大的数据酷只有4000人。我们相信对于大规模人类脑电的数据采集，会让我们对于脑机接口技术有更深的了解。

我们也相信利用我们采集来的数据，会让我们每一个人有更强的大脑，会让每个人有对自己更好的理解和认识，谢谢大家！

Antoinette Matthews：下面我们需要迎来一个小型的探讨环节，我们都知道整个生态系统是非常复杂的，需要来自不同的环节、不同的行研知识。一个完整的生态系统对长期研究而言是非常关键的，因为做科研需要花很长的时间，我们要关注利益相关方和相关人。在整个投资业我们也看到很多的泡沫，风投也是其中的助力，也能够帮助我们带来更多的创新。

AI自然语言处理

魏思（科大讯飞研究院副院长）：

我是做语音识别或是使语音相关处理的，我前天到北京的时候，生病很严重，我今天来迟了，落到自然语言处理这儿。我是科大讯飞的魏思，我在这十几年过程中，主要是在语音信号处理方面做很多的研究，

在讯飞我从2003年读研开始，一直跟着它成长，到现在15年的时间。说的很直白就是大家一伙人摸爬滚打一起起来，如果不是这样的话，像我这种情商比较低，脾气比较差还盲目自信的人是很难活下来的，我想在很多的地方比较难活下来。特别重要的是，在这10年中，我慢慢找到了我后面一辈子的目标。

我们的零售业包含我们的杂货店、超市以及购物商城，我们用户最好的购物体验是什么样？我们的团队和我也希望对这个问题提出一些技术性的解决方案。购物在零售商店里已经不是一个新的体验了，我们都很熟悉这种传统的购物方式，基本上来说，我们的主要问题就是排队结算，就是我们的支付过程，它花费很多的时间，并且对用户并不友好。

所以，我们采用了新的技术，我们叫它即走即付技术。我们会使用物联网技术赋能实体店，将AI技术应用于传统零售之中，我们的销售者不需要排队和等待，这是一个全新的体验。

另一方面，这样的技术也进店面进行了数字化。给了我们传统零售业一个大脑，让它变得更加高效。我使用的技术实际是几个技术的总和，包括我们的生物识别、传感以及计算机视觉，一般零售店只要使用我们的技术，就可以升级成为一个智能商店。

消费者也可以使用我们的线上ID进行付款，它将消费者以及实体店进行了有机的结合。我们店面一个很大的特点，不需要付款。我们只需要拿自己喜欢的产品，把自己不喜欢的产品放回货架，走出商店就可以，整个交易自动会结束，这是一个超级方便的购物体验，也非常的酷。

这些都是我们团队的成员，今天为各位展示的仅仅只是一个开始而已，展望未来，非常开心可以看到，这样的技术可以应用到越来越多的实体零售店，而且也是我们的梦想，谢谢各位！

曾晓东（蚂蚁技术实验室无人值守算法技术负责人）：

我们的零售业包含我们的杂货店、超市以及购物商城，那么我们用户最好的购物体验是什么样子？我们的团队和我也希望对这个问题提出一些技术性的解决方案。

购物在零售商店里面已经不是一个新的体验了，我们都很熟悉这种传统的购物方式，基本上来说，我们的主要问题就是排队结算，就是我们的支付过程，它花费很多的时间，并且对用户并不友好。所以，我们就采用了新的技术，我叫它及走及付技术，我们会使用物联网技术来赋能我们的实体店，将AI技术应用与传统零售之中，我们的消费者不需要排队、不需要等待，这是一个全新体验。

另一方面这样的技术也将店面进行了数字化，比如说我们的传统零售业一个大脑，让它变的更加高效，那么我使用的技术实际上是几个技术的总和，包括我们的生物识别、传感以及计算机视觉，一般的零售店，只要是用我们的技术，就可以升级成为一个智能商店，消费者也可以使用我们的线上ID进行付款，它将消费者以及实体店进行了有机的结合，我们店面的一个很大的特点就是不需要付款。

我们只需要拿自己喜欢的产品，把不喜欢的产品放回货架，然后走出商店就可以了，整个交易自动就会结束。这是一个超级方便的购物体验，也非常的酷。

所以，这些都是我们团队的成员，而今天为各位展示的仅仅是一个开始而已，展望未来，非常开心可以看到这样的技术，可以应用到越来越多的实体零售店。

韦福如（微软亚洲研究院资深研究员、研究经理）：

大家上午好，我来自微软亚洲研究院，今天很高兴，能够跟大家分享我和我的同事，包括我的同学们一起最近在自然语言处理这块的重要问题，还有亚洲研究院的研究的一些进展。

其实我做自然语言处理的，也就是说我们希望用机器理解和生成自然语言，当我们发现人在语言方面的能力上面，没有自然语言处理这块，我们总结出来，大家平时能看到的，跟语言相关智能的分析，比如说听、说、读、写、翻译，还有问答。

读是其中很重要的一环，即使我们评测一个人很重要的一个方面，也是我们能够通过阅读去获取知识、解决问题的一个重要的方式和手段，今天我想给大家分享的就是这块的工作。

我们从研究上，把这个问题定义成两个定义阅读文档或者是一个文档片段，来回答与之相关的问题这样的一个问题。两个定义，就是说输入、输出是确定的，也就是说给一个问题，输出的这个答案一定一个部分。

另外就是它是可以被评测的，我可以通过验证机器给出的答案和人给的答案之间，去算，像跑市一样。

事实上现在的研究，基于机器学习或者是深度学习，都离不开非常大规模的高效率的数据集。斯坦福在2016年7月份，就release scored data side，用来评测阅读理解。就类似于平时的考试，它把这个标的数据分为三部分，所以ted side有点像理念的真题，training side是我们的模拟题，它同时也像EMIzad这样的比赛。

在过去一年，在整个commuting取得非常好的进展，比如这一年之类在EM，就是需要系统答案和人的答案完全一样的评测指标上的进展。

非常高兴我们的系统在2018年1月3号提交了系统，首次超过了人类。我们也发现在国内其他同行，包括阿里巴巴和最近的讯飞也在这个指标超过人。这是我们系统更详细的介绍，时间关系把它忽略掉。

现在我们说超过人，这个东西我们觉得是很好的里程碑和进展，但不能被过渡的解读。其实现在系统在某一方面做得比较好，但在很多方面还做得不好。

最后希望有这个阅读理解能力，希望它在不同的场景能够很好的应用起来，比如在搜索或者金融、法律等行业里。最后我们能用它读用户文档等等构建智能客服等等，有广泛的应用场景，我们也希望这样一个很难的问题，能够有更多的同行进行努力，从研究上推动阅读理解和自然语言的进展，谢谢大家！

纳米科技与材料

余存江（美国休斯敦大学机械工程系助理教授）：

我的研究领域是可拉伸电子以及可穿戴技术。如果我们去问20世纪最伟大的科技发明的话，我们不难发现，半导体、集成电路是最伟大、最具有革命性的，其实半导体集成电路不仅仅技术革命，而且是一个产业革命，以及是一个知识革命。基于半导体技术、集成电路技术开发的计算机、通信技术，以及消费类电子，其实已经极大地改变了我们人类的生活方式，过去这么多年，半导体集成电路技术到今天来说，已经非常地成熟，而且在很多技术层面，已经到了一些极限和一些终点。

那我们就会去问21世纪电子技术会有真正样的新的方向和新的突破？自从这个世纪以来，电子技术领域已经有不少的一些新兴的方向涌现了，其中一个特别有应用前景的、非常重要的一个方向就是把传统的硬制的电器件变成柔软的甚至可以拉伸的电子器件，那这种电子器件因为他们具有柔软可拉伸的机械优势，在很多应用方面，都具有很大的优势，比如在可穿戴、机器人、人机交换、医疗植入等等。

但是在可拉伸电子器件，他们有一个很大的技术难度，就是因为传统电子材料，比如半导体材料，他们像玻璃一样是脆性、坚硬，不可拉伸的，如果做柔软、可拉伸的，像橡皮筋一样，你可以去拉的材料，是一个很大的技术挑战。

过去这么多年，我们通过不懈的努力，我们近期重要制成了一个像橡皮筋一样可以去拉伸的半导体材料，而且我们基于这样的半导体材料，我们制成了橡胶晶体管、橡胶传感器，以及具有感知功能的橡胶电子皮肤。

那我们近期的这些研究高智能，其实包括基于开发更加高性能的橡胶传感器、橡胶半导体材料，以及橡胶集成电路、橡胶可穿戴健康技术，以及智能机器人，假肢和医疗植入器件等等。

孙永明（华中科技大学武汉光电国家研究中心教授）：

我为各位简单地介绍一下充电电池的纳米材料，现在锂电池被广泛应用，用到了很多的消费电子产品之上，比如说我们的智能手机、电脑、手表，但是在未来，可以使用电网，甚至是可再生能源进行充电，包括一些绿色能源，电池改变了人们的生活，而电池的能源密度也非常高，基本上使用了锂电池，之后我们一每一天手机就需要充电一到两次，使用了新的纳米材料，我们也可以提升现有的锂电池的蓄电能力，并且我们也可以增强我们的能源密集性。

为此，我也正在研发各种各样的新材料，使用到我们的锂电池之上，还包括一些高电容的材料。我也第一次开发了一个关于锂电池电极的蓄电池，那这种电池的电能，它和传统的电池相比，应该提高10%—15%的能源密度，因为一般的每年来说，锂电池的能源密度仅能提高3%—4%左右。

同时，我还开发了下一代的锂电池，我们用的是一种高性能的材料，它也保证了现在我们用得技术是最新的，为了确保长期生命周期的使用效率。在实践和量产这层，我们将会把它进行工业化的量产，所以我们要关注的是生产成本和电池安全的性能。新型锂电池，其实和锂电池诞生之初来看，也不过20年的历史。

陈成猛（中国科学院山西煤炭化学研究所副研究员）：

我是做石墨烯材料的。我所研究的领域是怎么样推进石墨烯从实验室走向产业化，这是我包括我段对一直在做的一个工作。因为大家都知道石墨烯是当前材料学领域的一个热点，石墨烯有很多优异的性能，更高、更快、更强，但是这些性能大部分都是基于一个纳米的尺度，而我们的很多应用，都是在一个宏观尺度上，从毫米到厘米，甚至是米这么一个级别，中间就出现一个断层，怎么样填补空隙，这是我们需要关注的，真正让石墨烯能够在应用中发挥作用。

举个例子来说，在超级电容器领域，大家可以看出来，最近的几年，有很多的文章发表，但是目前还没有一个商业化的应用，到底制约石墨烯商业化应用的短板在哪，这是我们比较关注的。其实单纯的石墨烯还是不够用的，需要石墨烯和其他的单元技术配合起来，通过系统的集成，形成超级电容器，这样才可以更好地对接下游的应用，包括新能源、电动汽车这块，所以这是石墨烯应用的一个主要的出路。

这里有两个问题：

第一，怎么样批量化、低成本、可控的去制备石墨烯，因为材料是基础，只有批量化的、低成本地做出来，我觉得石墨烯才能谈下一步的应用，我们也是在过去十年里面，实现了从实验室到吨级到中试的这么一个跨越，也是一个从化学到化工的一个跨越，从样品到产品的一个跨越。

在这个基础上，我们从做好石墨烯向用好石墨烯在跨越，大家可以看出来，我们不仅要做成高质量的石墨烯、低成本的石墨烯，还要让这个石墨烯真正应用的时候，我们就经常要说的，我们要做到料要成材，材要成器，器要成用，最终形成应用示范，这是示范石墨烯商业化应用的一个主要的出路，可能也是唯一的一个出路。

所以，说到这个石墨烯，目前其实还处于商业化的早期，很多的应约还在培育阶段，因为纳米材料可能听起来比较好听，性能也比较优异，但是这些性能真正能够发挥出来，应用于下游的科技，或者是应用于全人类，造福人类的话，其实这里面需要让它更加的接地气，真正让它落地。

因为纳米的材料你看不见也摸不着，所以下一步的趋势就是把这个石墨烯作为纳米的填料，或者把它作为基本的结构单元去做成成型的型材，同时又保留它原有的纳米效应，这是石墨烯应用的一个出路，包括很多纳米材料的一个出路。

所以，我们相信能够让这个石墨烯能够更好的服务于产业、服务于经济发展，最后感谢我的团队！

Antoinette Matthews：我们到了最后一个环节，就是我们的人工智能和芯片的关节。这些创新者他们的目标在基本改变整个芯片的设计和集成，包括随着芯片的提高，能够促进人工智能计算的极大提升，欢迎这拨发言人上台。

AI和AI芯片I

姚颂（深鉴科技创始人兼CEO）：

给大家讲下我们在做什么事情。回到2012年那年，就一个爆发性的事件，是在世界上当时最大的图像识别比赛ImageNet上，有一个深度学习的神经网络AlexNet夺冠了。而在那一年之前，我所在的实验，已经做了六年的定制计算专门的研究，就是说我们会做传统的机器学习和一些算法，然后为它设计专用的加速器和处理器，来做这样专用应用的加速。

2012年我真正看到了一个大的机会，机会是说我们去加速了深度学习，而深度学习可会对用很多种不同的应用。

所以那个时候我们下定了决心，在那个深度学习还完全不火的时候，就开始在清华和斯坦福做研究。也非常侥幸我们在清华做了很多体系结构的研究，我们研究怎样设一种更新的指令集，能够把深度学习的一些计算串得起来，减少带宽的负荷。

另外一个层面，我们的合伙人在斯坦福的研究，也会发现，其实你的这些神经网络、深度学习，有非常多的冗余在，我可以在算法侧做一些稀疏化、量化，把算法侧的负担给降低，这样真正能够把神经网络做得更精减，在芯片上运算得更快，这也是这个公司的成立基础的技术。

很幸运，这个公司赶上了一波比较大的浪潮，也发展的很快，我们也确实看到了这个行业有三个非常大的机会所在：

第一点，所有的人工智能都需要一个载体，而未来所有人工智能都一定是云+端的，不仅仅只在云端，也不可能简简单单依赖于终端。所以我们在各种各样的场景，都会需要专用深度学习硬件平台，这是作为一个硬件公司的机会。

第二点，在中国过去几十年，我们在CPU和GPU上做了很多追赶性的工作，这都是在国际已经做了几十年或者10几年之后中国在重新起步，这样的情况下我们追得非常的吃力。而在人工智能的领域，确实大家的起跑线是同时的。

第三点，整个人工智能领域不像传统互联网的创业，可能更多是技术优先的创业，可能这也是我们技术出身的人，能够在里面发挥自己所擅长的领域。

整个深鉴科技，我们结合我们系数化神经网络压缩，结合深度学习处理器与指令集的研究，希望能够赋能更多人工智能的行业，让人们真的把人工智能在一些具体的领域里用起来。

我们也希望加速所有的人工智能在各种领域的落地，谢谢大家！

沈亦晨（Lightelligence联合创始人兼CEO）：

大家好，首先很荣幸能够到这儿来领取这个奖，我可能是35个里面少数的毕业于MIT的获奖者了，我前年从MIT毕业，半年以前和几个同学，在波士顿创办了Lightelligence，我们主要是打算从硅光来助力人工智能的发展。

说到人工智能，如果要问我哪两个关键的因素是造成了最近的一波人工智能成功的因素，我第一个肯定会说是数据。这是因为，我们近期有大量的海量的数据，才让我们能够训练出越来越精确地神经网络。

第二个重要的因素，我会说是硬件，正是因为过去的几十年，计算芯片的不断更新迭代，才让我们能够作短时间内，处理完这么多的海量数据。

说到计算芯片，在座大家都会有一个感觉，最近的十年，当你换电脑的时候，你会发现我的新的电脑和旧的电脑，在计算能力上，好像并没有什么很大的提高，相对于十几年前的电脑来说，可能觉得现在发展越来越慢了，其实恰恰反应了电子芯片它在制备过程中，其实已经碰到了物理的极限。

那问题来了，我们才刚进入大数据时代，在未来的五年甚至是十年了，我们每天处理的数据量，会是现在的成百上千倍，那我们到时候怎么来面对计算力的供不应求？

其实答案就在身边，简单举个例子，在座戴眼镜的各位，你们的镜片就在无时无刻的，没有任何延时和能耗的情况下，对即将进入你眼睛的光学信号做着处理，这类处理恰恰是现在深度学习的网络里最常用的处理之一，我们就把它叫成卷积。

说到这个启发，两年前在麻省理工开发了世界上第一款光子的计算芯片，基于现在的SMOS技术，把上千个光学的计算单元集成到了一个指标大小的芯片上，当它运行起来的时候，就是概念的说一下大概是这样的，如果你从上方俯瞰这个芯片，然后把整个时间放慢10亿倍，那么你可以看到每一个光点，它是由光子携带一定的数据，这些光点它以光速在芯片上传播，当两个光点交汇的时候，它就会由于物理原因形成一些简单的卷积运算。

最后当整个光点通过芯片的时候，它就自动完成了整个运算，由于这些独特的光学的性质，我们觉得哪怕是基于现有的计算平台，它也可以在某些特定的算法上，数十倍优于电子的计算芯片。

最后，从长远来看，就是光学计算，我觉得是可以给大家带来非常实质的，重要的帮助的，首先一个就是在能耗它可能可以解决一个重大的问题，哪怕是在2016年，那个时候我看到一个报道，就是全国的数据中心，单年的用电量就相当于整个三峡水电站的单年的发电量，那么如果想象5-10年以后，当整个计算量成10倍、100倍增长的时候，由于光学在计算能耗可以远优于电子，它可能可以解决很大能耗的问题。

另外是在一些特殊的应用场景，当你在一个狭小的空间内，但是对计算量有很大的要求的时候，比如说自动驾驶，增强现实这一类，你可能没有办法用电子芯片通过叠加很多电子芯片来完成这样的计算任务，但你可能通过光学芯片来完成。

王星泽（华中科技大学教授兼CoherentAICEO）：

我觉得视觉是智能机器人的核心，接下来关于机器视觉最重大的事情是什么，可能是这样一个神经网络或者是机器学习，也有可能是光学。那光学在机器视觉上意味着什么？我们这里有两个视觉方面的。

第一，你拍一个照片，这是一个光学的事情。

第二，分析照片。

人们愿意花数以十亿计的投资，在第二步上做研究，但是我觉得第一步是很多场景的基础。那我们能做什么来促进光学的发展？我们可以环顾一下四周，我们能够看到光线，但是这是一种物理反映，真正的光学可能会涉及到一些几何学，或者是物理学，这几大学科通过结合，我们可以极大的改善我们的计算机视觉体系，比如说可以确认一个障碍物后面的物品是什么，这个时候像我们的猫和相机之间，是有一个障碍物的，但是我们还是可以透过这个墙看到这只猫，我们得到了光学的反映，光的分散和衍射，尤其是在计算机拍摄的过程中，我们收集了这些光线，并且利用计算机里面的一些AI智能，从而识别到了障碍物后面的物体。

即便有一些距离，也可以直接地观察到他们，除了找到物品的物质之外，我们之的物理学、光学非常棒的一点，它可以帮助我们来做一些非常先进的机器视觉。AI体系看起来好像是垃圾进垃圾出，但是不幸的是，我们装种光学不是为AI设计的，是为拍很美的照片设计的。如果我们能有更好的光学技术，能够捕捉一些美好的画面，而且提供大大数据给人工智能，整合起来我们就能够全面的反映一个全球的视觉优化体验。我是华中科技大学的教授，同时也是CoherentAI的CEO。

-终-

背景介绍

自 1999 年起，《麻省理工科技评论》每年都会在世界范围内评选出 35 位 35 岁以下的科学技术革新者，评选范围涵盖生物医疗、智能计算、新能源、新材料等新兴技术领域。分为五大类：

发明家（Inventors）、

创业家（Entrepreneurs）、

远见者（Visionaries）、

人文关怀者（Humanitarians）

先锋者（Pioneers）

很多如今已经和正在改变世界的名字都曾荣登这份世界级权威性榜单，包括谷歌联合创始人 Larry Page 和 Sergey Brin、Facebook 创始人马克·扎克伯格、雅虎创始人杨致远、Linux 之父 Linus Torvards、伊利诺伊大学的材料科学家约翰·罗杰斯、苹果公司的首席设计师 Jonathan Ive、iRobot 公司的联合创始人 Helen Greiner，前百度首席科学家吴恩达，以及 PayPal 创始人 Max Levchin 等。

---

现场花絮：小编现场亲自拍摄——正在合影