人工智能若干技术回顾与展望XCF-2007-2-5.ppt

浙江大学人工智能研究所2007新春报告会,汇报人：徐从富 Email: xucongfu@zju.edu.cn Institute of Artificial Intelligence, College of Computer Science, Zhejiang University, Hangzhou 310027, P.R. China Feb. 5, 2007,人工智能若干技术回顾与展望,2,本报告的写作原则：,“知彼知己，百战不殆” “他山之石，可以攻玉” “眼睛向外看” “明目扩胸” “变则通” ……,3,提纲,AI的几个重要阶段回顾 AI的研究现状初探 AI的最新动态 AI在中国 AI的未来发展方向展望 应对策略 预期目标,4,一、AI的几个重要阶段回顾,第一阶段：符号逻辑推理 AI初创的10余年间（1956-1969） 代表人物：Simon, Newell, Nilsson, etc. 不足：适合高层推理，但面对海量数据需要底层的统计学习方法 第二阶段：知识工程及专家系统 20世纪70-80年代（包括90年代初） 代表人物：Feigenbaum, Shortliffe, etc. 贡献：已在医疗、军事等领得到广泛应用,5,几个重要阶段回顾（续）,第三阶段：人工神经网络 20世纪80年代中后期至90年代 代表性成果：BP网的成功应用, etc. 不足：机器学习的关键问题之一“模型的推广性”没有理论保证(“过学习”、“欠学习”) 第四阶段：基于统计学习理论的方法 20世纪90年代至今 代表人物：Vapnik, etc. 优势：建立在坚实的数学基础之上,6,其它研究方向回顾,智能Agent及多Agent系统 20世纪90年代中期开始 代表性成果：足球机器人, Web Spider, etc. Agent的观点：将AI领域目前分离的子领域重新组织为一个有机整体 目前研究重点：Reinforcement Learning和Search in Large Space (NASA, Google, etc.) 遗传算法与进化计算 20世纪70年代，现在又重新热起来了（周志华等） 应用效果虽较好，但理论基础不够坚实,7,其它研究方向回顾（续）,软计算与粒度计算 20世纪60年代中后期至今 代表：Fuzzy Sets, Rough Sets, Granular Computing 优点：可表达、处理模糊、含糊等知识 不足：还不算最主流的AI研究方向 数据挖掘 20世纪80年代末开始兴起 应用性极强，高校不如国际性著名IT公司，较易受数据限制,8,国外著名的AI研究机构,美国 AI四大名校：Stanford, CMU, MIT, UC Berkeley University of Washington, University of Texas at Austin, etc. 欧洲 Oxford University, Cambridge University, etc. 其他 University of Toronto, University of Alberta, etc.,9,AI的主要研究流派,Newell和Simon的“认知主义”，即基于“物理符号逻辑” Nilsson的“逻辑主义” McCarthy主张以非单调逻辑为中心的“常识推理” Brooks的“进化主义”，代表作“机器虫” McCulloch和Pitts的“联接主义”，基于他们提出的“神经网络理论” Vapnik的“统计学习理论”，SVM成功的三大因素: VC维－推广性, kernel－非线性, margin－几何解释（有助于直观理解）,10,AI界已达成的基本共识,AI理论应建立在严密的数学基础上 严格的定理、确凿的实验证据，不靠直觉 与现实应用相关，而不是与玩具样例相关 机器学习不应与信息论分离 不确定性推理不应与随机模型分离 搜索不应和经典的优化及控制分离 自动推理不应和形式化方法分离 在方法论上，AI已成为坚实的科学方法 利用共享测试数据库及代码，AI系统可重复实验,11,AI界所面临的共同困境,与数学交叉 定理机器证明 非经典逻辑 ...... 与语言学交叉 自然语言理解 口语理解 ......,与电子学 & 机械学交叉 计算机视觉 机器人 ...... 与心理学&神经解剖学交叉 认知模型 心像处理 ......,边界不分明 似乎只能开辟“生荒地”,12,,,,二、AI的研究现状初探,机器学习——“如日中天” 汇聚了国内外AI界的绝大多数精英学者 已成为智能系统的核心“共性支撑技术”之一 其顶级国际会议ICML的竞争十分激烈，ICML 2008将在北京举办，潘云鹤院士为名誉主席 Journal of Machine Learning Research (JMLR) 为近年来计算机领域影响因子最高的国际期刊之一（AI领域影响因子最高） 引起《Science》等的高度重视，Science 2000A, Science 2000B, Science 2001, Science 2002 (Manifold Learning, Dimension Reduction),13,《Science》(2001.9) 高度评价ML,美国航空航天局JPL实验室的科学家们在2001年9月出版的《Science》上撰文指出： “机器学习对科学研究的整个过程正起到越来越大的支持作用，……，该领域在今后的若干年内将取得稳定而快速的发展。”,14,,,,AI的研究现状初探（续1）,计算机视觉——“如火如荼” 国际AI、图像处理等领域的主战场之一 是智能机器人需突破的核心技术之一 汇聚了一大批AI、PR、图像处理学者 其国际顶级会议ICCV, CVPR竞争十分激烈 ……,15,,,,,AI的研究现状初探（续2）,信息检索——“方兴未艾” 包括：Ranking, 多/跨媒体检索, 文本分类, 移动检索等 受到Google, Yahoo, Microsoft等的高度重视 具有十分广阔的研究、商业前景 数据挖掘——“热情高涨” 核心算法己较成熟，不断寻找新的应用点 隐私保护、社会网络、生物信息学等已引起高度关注,16,,,,,AI的研究现状初探（续3）,语音识别——“仍需努力” 基本理论及方法已较为成熟 实验室里的成果己相当丰硕 重要挑战：如何解决真实场景的 “噪音”问题 (noise robustness) 粒度计算——“突出重围” 粒度计算可涵盖模糊集、粗糙集等理论 主要是一批华人学者在探索 急需有说服力的理论及应用成果,17,,,,三、AI的最新动态,,AI 创新性应用 (以数据挖掘为例) Feature Level: 特征选择 Model Level: 三次联姻 其他,18,,,,三、AI的最新动态,,AI 创新性应用 (以数据挖掘为例) Feature Level: 特征选择 Model Level: 三次联姻 其他,19,数据挖掘,数据挖掘历史 数据挖掘的理论问题 数据挖掘的应用问题,20,数据挖掘的发展,21,数据挖掘历史回顾,20世纪80年代末开始兴起(IJCAI-89 Workshop) 1995年第一届数据挖掘国际会议(SIGKDD1995) 2003年有15个数据挖掘的相关会议, 包括：SIGKDD, ICDM, SDM, PKDD, PAKDD, etc.,22,数据挖掘的理论问题,频繁模式和关联规则挖掘 聚类分析 分类和预测 决策树 结构化数据挖掘 序列挖掘 图挖掘,23,数据挖掘的应用问题,数据流、传感器网络和RFID数据库的挖掘 隐私保护数据挖掘 Web挖掘 多媒体数据挖掘 社会网络挖掘 生物信息学和系统生物学（System Biology） 文本挖掘 基于数据挖掘的主题演化研究,24,数据流挖掘,概念 一系列连续且有序的点组成的序列 x1,…, xi, …, xn,称为数据流；按照固定的次序，这些点只能被读取一次或者几次 特点 大数据量，甚至无限 频繁的变化和快速的响应 线性扫描算法，查询次数有限 Random access is expensive,25,隐私保护数据挖掘,数据拥有者,敏感数据,数据挖掘,经过转换的数据,挖掘结果,,,,,26,隐私保护数据挖掘的目标,PPDM encompasses the dual goal of meeting privacy requirements and providing valid data mining results. 保护隐私和满足安全性要求（安全性） 产生正确的数据挖掘归纳结果（准确性） 提供高效的数据挖掘算法（高效性）,27,Web挖掘,Web的内容挖掘(文本挖掘) Web的结构挖掘(图挖掘) Web的用户日志挖掘,28,面向高级搜索的页面层次挖掘(SIGIR04),29,多媒体数据挖掘,30,社会网络挖掘,社会网络分析 复杂网络建模 复杂网络的信息传播机制研究 社会网络数据挖掘,31,Internet-Map,32,Actor Connectivities,Nodes: actors Links: cast jointly,N = 212,250 actors k = 28.78,P(k) ~k-,,Days of Thunder (1990) Far and Away (1992) Eyes Wide Shut (1999),=2.3,33,Coauthorship,Nodes: scientist (authors) Links: write paper together,Science Coauthorship,34,Food Web,Nodes: trophic species Links: trophic interactions,35,Sex-web,Nodes: people (Females; Males) Links: sexual relationships,4781 Swedes; 18-74; 59% response rate.,36,社会网络数据挖掘,DBLP合作者网络挖掘,37,KDD领域合作者网络挖掘（论文已被PAKDD2007录用）,38,生物信息学和系统生物学,蛋白质网络的挖掘 基因调控机理的研究 ……,39,DNA  RNA  Protein transcription translation,40,文本挖掘,文本挖掘是一个多学科交叉领域 机器学习 统计学习 信息检索 自然语言处理,41,,,,,Natural Language Processing,Semantic Web,Information Retrieval,,Text Processing,Machine Learning Data Mining,Data Analysis,,Computational Linguistics,,Search & DB,,Knowledge Rep. & Reasoning,,42,文本挖掘,Word Level Sentence Level Document Level Document-Collection Level,43,基于文献数据的主题演化挖掘,理解某一领域的发展趋势 将顶级会议中的参加者分类 新加入者 (促进本领域的创新和发展) 离开者 (影响其它领域) 持续保持者,44,45,数据挖掘领域的发展,数据挖掘领域高速发展,其与机器学习结合日趋紧密Web的研究成为当今数据挖掘领域的重要问题,机器学习相关主题,频繁模式挖掘等算法,Web挖掘等相关主题,2000年,2006年,46,,,,Web智能（WI）——“AI之新秀”,Internet上的资源取之不尽、用之不竭 应用：具有潜在的巨大商业价值 理论：在AAAI2006上已成为新的研究专题 Web信息的特殊性（“良莠不齐”等） 良：Web信息的深层次挖掘（如网上商品的个性化推荐系统等）(注: 本课题组在网上汽车评价、个性化推荐上取得了一定的进展) 莠：垃圾邮件过滤 (Spam Filtering)，成为搜索引擎之后的第二大研究领域 (注: SEWM2007中文垃圾邮件过虑竞赛，本课题组成绩突出，99%正确率),47,,,,三、AI的最新动态,,AI 创新性应用 (以数据挖掘为例) Feature Level: 特征选择 Model Level: 三次联姻 其他,48,特征选择（Feature selection）研究进展,机器学习中的分类器采用少量特征效果要好于所有特征（注：SLT的思想例外） 模式识别问题（人脸、文本、图像识别等）需要找到关键性特征 历届IJCAI，AAAI，ICML的议题都包括了FS Science2000上发表的关于Manifold learning论文即为降维方法 “Irrelevant Features and the Subset Selection Problem”（ICML’94）一文是AI领域至今被引次数最多的10大论文之一,49,特征选择的过程,,50,当前主流的特征选择方法,Ranking方法 Filter方法 Wrapper方法,51,特征选择——Ranking方法,过程 计算每一个特征的权值 排序特征 输出权大于某一值的特征 优点 简单适用 缺点 割裂特征间的关系,代表性工作： Hua-Liang Wei and Stephen A. Billings. Feature Subset Selection and Ranking for Data Dimensionality Reduction. IEEE Tran. PAMI, 2007.,52,特征选择——Filter方法,,优点 速度快，容易获得 缺点 割裂特征间的关系 代表性工作： Manoranjan Dash and Huan Liu. Consistency-based search in feature selection. Artificial Intelligence,2003.,,53,特征选择——Wrapper方法,,优点 可以获得最优解 缺点 割裂特征间的关系 速度非常慢 代表性工作： Ron Kohavi, George H. John . Wrappers for Feature Subset Selection . Artificial Intelligence, 1997. (342 citations ),,,54,发展趋势：保持语义完整性的特征选择方法,原理 利用Rough Set理论的约简选择合适的特征子集 优点 降维过程保持特征间的逻辑关联性 语义完整可提升选择后的特征整体性能 代表性工作 Jensen, R., Shen, Q. Semantics-Preserving Dimensionality Reduction: Rough and Fuzzy-Rough-Based Approaches., IEEE TKDE, 2004.,55,,,,三、AI的最新动态,,AI 创新性应用 (以数据挖掘为例) Feature Level: 特征选择 Model Level: 三次联姻 其他,56,,,,三次联姻之一,概率图模型（PGM）——“AI之新宠” 2000年由UC Berkeley的Jordan教授构建了PGM理论框架，是Probability Theory与Graph Theory的一次联姻 代表性著作: An Introduction to Probabilistic Graphical Models. Michael I. Jordan. 优点: 具有坚实的数学基础，将不确定性知识推理映射为概率查询过程 (probability database)，受到AI界的广泛关注 涵盖有向图 (贝叶斯网络、HMM) 和 无向图(Markov随机场)等 (注:PAKDD 2007, 本课题组有一篇regular paper),57,,,,三次联姻之二,Markov逻辑网络（MLN）——“AI之黑马” 近年由Washington大学的Pedro Domingos提出，是Rules/Logics和Statistics的一次联姻 代表性著作: Unifying Logical and Statistical AI. Pedro Domingos, University of Washington. AAAI 2006.（AAAI 2006特邀报告） 优点: 底层的学习利用统计机器学习方法，高层的推理用一阶谓词逻辑（产生式规则），填补了符号推理与统计机器学习的“鸿沟”，受到AI界的广泛关注 ( 注: 基于Rules的方法是我们所的传统强项，曾发表过一系列paper，有望结合最新的statistics方法取得新的突破),58,,,,三次联姻之三,Large Margin HMM model ——“ML之跨越” 2006年由UC Berkeley的Fei Sha博士生提出，是 Generative Learning(刻画细节) 与 Discriminative Learning(最大差异)的一次联姻 代表性著作: Large Margin Training of Continuous-density Hidden Markov Models. (获 NIPS 2006 Outstanding paper award) 优点: 巧妙地结合了统计机器学习两大分支的优势，将两大分支中最有代表性的模型HMM和SVM的核心思想结合起来，突破了传统上两大分支的界限，实验效果十分明显 (注: 我们所在HMM和SVM上都有较强的研究和应用背景，有望获得新的突破),59,,,,三、AI的最新动态,,AI 创新性应用 (以数据挖掘为例) Feature Level: 特征选择 Model Level: 三次联姻 其他,60,,,,其它机器学习方法——“各领风骚”,集成学习（Ensemble Learning） Multi weak classifiers  one strong classifier（周志华, Selective ensemble learning, IJCAI’01 best paper, Artificial Intelligence 2003） 增强学习（Reinforcement Learning） Act + Learning: “边干边学”（国内代表：南大高阳） 流形学习（Manifold Learning） Feature reduction 多示例学习（Multi-instance Learning） 全新的学习架构: a bag with multi instances（周志华的结果是目前全世界最好的） 半监督学习（Semi-supervised Learning） Some instances are not labeled（适合海量数据的自动标记） Ranking学习（Ranking for Learning） Ranking vs. Classification （学习＋搜索）,61,,,,四、AI在中国,中国大陆的AI研究 中国香港的AI研究 浙江大学的AI研究,62,1. 中国大陆的AI研究,1984年钱学森提出思维的三大分类 逻辑思维 形象思维 灵感思维 中国大陆重要的AI研究机构 清华大学智能技术与系统国家重点实验室 南京大学软件新技术国家重点实验室 中科院自动化所模式识别国家重点实验室 浙江大学人工智能研究所 ……,63,中国大陆的AI研究（续）,中国大陆著名的老一辈AI专家 何志均教授、潘云鹤院士 等：浙江大学 张 钹 院士：清华大学计算机系 戴汝为 院士：中科院自动化所 陆汝钤 院士：中科院数学与系统科学研究所 …… 中国大陆年轻一代的AI领军人物 周志华 教授：南京大学计算机系 张长水 教授：清华大学自动化系 ……,64,2. 中国香港的AI研究,中国香港的著名AI研究机构 香港科技大学 香港中文大学 香港大学 …… 中国香港的AI领军人物 香港科大，Lin Fangzhen（林方真）教授，担任AAAI, IJCAI等顶级AI会议的程序委员会委员 香港科大，James Tin-Yau KWOK (郭天佑)副教授，最近3年发表论文: JMLR(1), MLJ(1), TKDE(1), TNN(4), AAAI(1), IJCAI(4), ICML(4), NIPS(3), KDD(1) ……,65,3. 浙江大学的AI研究,浙江大学的主要AI研究机构 浙江大学人工智能研究所 浙江大学工业控制国家重点实验室 浙江大学信电系 ……,代表性成果 何志均 教授：两篇IJCAI论文（杨涛、曹学军 等） 潘云鹤 院士：智能图案创作系统、综合推理(AAAI’04, 06) 俞瑞钊 教授：人工神经网络（汪涛 等） 朱淼良 教授：地面军用智能机器人（钱徽 等） 庄越挺 教授：多媒体智能检索（吴飞、杨骏、苏从勇 等） ……,66,机器学习及其应用研讨会(MLA)简况,为促进AI同行间的交流，由陆汝钤院士发起，目前主要由周志华、王珏等组织，已在国内形成较大影响。 原则：“学术至上、一切从简”，邀请领域内有较大影响的一线华人AI学者做特邀报告，不发Call For Paper，同行自愿参加。 第一届：（2002年12月复旦大学） 第二届：（2004年11月复旦大学） 第三届：（2005年11月南京大学） 第四届：（2006年11月南京大学、南京航空航天大学） 第五届：（2007年11月南京） 以后每年11月份的第一个周末,67,MLA ’06 报告主题,次属性原理：中科院自动化所，王珏 Learning Action Models for AI Planning：香港科大，杨强 Beyond Binary Classification：微软亚洲研究，李航 样本加权聚类算法研究：北京交通大学，于剑 进化计算理论研究的一些进展：南大，周志华 文学语言的机器理解：北大，俞士汶 Canonical correlation analysis with its applications (Part II)：南航陈松灿 视皮层稀疏编码与特征群组：上海交大，张丽清 复杂网络上的学习：清华大学，张长水 One-class问题及其研究：中科院自动化所 & 炮兵学院，陶卿 High-order Heterogeneous Data Mining：微软亚洲研究院，刘铁岩 Kernel methods in machine learning：香港科大，郭天佑(James Kwok) 平均奖赏强化学习算法：南大，高阳 神经网络的多稳定性分析及其应用：电子科大，章毅 子空间距离：北大，封举富,68,个人感想一：做深、做透！,王 珏教授：次属性 于 剑教授：聚类 周志华教授：多示例学习、选择性集成 俞士汶教授：计算语言学 陈松灿教授：CCA 陶 卿教授：统计学习理论（SLT）、SVM 郭天佑教授：核方法（Kernel methods） 高 阳教授：增强学习（Reinforcement learning） 章 毅教授：神经网络 杨 强教授：行为模型（Action Model） 张丽清教授：大脑视皮层编码 张长水教授：小世界网络 封举富教授：子空间距离 李航、刘铁岩博士：信息检索（IR）,69,个人感想二：理论与应用密切结合,方式1：一个应用(Sensor Network)+ 很多理论 典型代表：香港科大的杨强教授 方式2：一个理论(Kernel Methods)+ 很多应用 典型代表：香港科大的郭天佑教授,70,个人感想三：理论与实验密切结合,方式1：新理论/新方法 + 小规模实验 周志华教授的进化计算 于剑教授的聚类（初值、收敛性） 方式2：新理论/新方法 + 大规模实验 陈松灿教授的CCA（WebKB, handwritten recognition, speech recognition…） James Kwok教授的kernel methods（几个million）,71,南大周志华Lamda group的研究思路,理论研究 集成学习 半监督学习 多示例学习 代价敏感 Dimension reduction/feature selection 应用方面（主要是在Image这个领域） 信息检索（主要是指图像的检索） 人脸识别 医学图像识别 潜在的研究方向 神经网络的抽取规则 可理解性等问题 进化计算,周志华：1973年生，南大计算机系博士毕业，并留校任教，曾获全国百优博士论文奖、国家杰出青年基金等，在IJCAI等顶级AI会议上获得优秀论文奖。,72,五、AI的未来发展方向展望,当前AI的研究热点 AAAI及IJCAI的近况 AI应用领域展望 关于AI的几点困惑,73,1. 当前AI的研究热点,统计学习理论(SLT) & 支持向量机(SVM) 统计学习理论 支持向量机 核（Kernel）方法 …… 概率图模型（Probabilistic Graphic Models） 隐马尔可夫模型（HMM） 贝叶斯网络（Bayesian Networks） ……,74,当前AI的研究热点（续1）,Markov Logic Networks（MLNs） Markov随机场（ Markov Random Field ） 符号机器学习 符号逻辑与统计逻辑的综合集成 …… 数据挖掘 & 知识发现 Web Mining 商务智能 基于DM/KDD的智能辅助决策 ……,75,当前AI的研究热点（续2）,Web智能 & Integrated Intelligence Capabilities Web智能（Web Intelligence，简称WI） Integrated Intelligence Capabilities …… 生物信息学 & 神经信息学（Neural Informatics） 生物信息学（Bioinformatics） 神经信息编码及处理 脑机工程（Brain-Machine Engineering，BME） ……,76,当前AI的研究热点（续3）,新的机器学习方法 流形学习（Manifold Learning） 增强学习（Reinforcement Learning） 多示例学习（Multi-instance Learning） 半监督学习（Semi-supervised Learning） 关系学习（Relational Learning） Ranking学习（Learning for Ranking） 数据流学习（Data Stream Learning） ……,77,2. AAAI及IJCAI的近况,国际顶级的2个AI综合性学术会议 AAAI: National Conference on Artificial Intelligence IJCAI: Intl. Joint Conference on Artificial Intelligence 国际顶级的几个著名AI专业性学术会议 UAI: Intl. Conf. on Uncertainty in AI ICML: Intl. Conf. on Machine Learning NIPS: Annual Conf. on Neural Information Processing Systems ……,78,AAAI’2004简况,Stanford, CMU, MIT, UC Berkeley占有绝对优势 被录用论文占据40％以上 平均每年有1～3篇论文的名校 USA：UIUC, Harvard, Univ. of Maryland, Galtech, Caltech, Univ. of Washington, Cornel, …… UK: Cambrige, Oxford, …… 其它高校的论文多半属零星之作 AI的实力分布大体上与学校的知名度成正比 ……,79,IJCAI’2005简况,论文录用情况 Regular paper: 240篇 Poster paper: 112篇 中国大陆及香港地区被录用的论文数 大陆：周志华 教授 1 篇 Regular paper 香港：林方真 教授 1 篇 Regular paper，郭天佑副教授1篇Regular paper 大中华地区其它高校和研究机构 无论文被录用,80,AAAI’2006简况（续）,AI成立50周年 有特殊的纪念意义 特别选择在AI的诞生地Boston召开 论文收稿量及录用情况 收稿量：774篇（来自44个国家和地区，444篇来自美国之外） Regular paper: 171篇 Poster paper: 65篇 中国大陆及香港地区被录用的论文数 周志华研究小组3篇AAAI: 2 Regular + 1 Poster 浙大人工智能研究所1篇IAAI（第18届AI创新应用大会） 香港：若干篇AAAI,81,3. AI应用领域展望,智能系统在空间技术中将继续发挥重要作用 智能Agent及多Agent系统、增强学习 综合集成多种AI技术的智能空间系统 …… AI技术在军事领域中将继续得到广泛应用 军用智能机器人 军事情报分析 战场态势综合处理 数字化士兵 ……,82,AI应用领域展望（续1）,AI在生物技术和脑科学中将大有作为 生物信息学 神经信息学 脑机工程 …… AI在海量信息智能处理中将扮演重要角色 商务智能 智能辅助决策 智能推荐服务系统 ……,83,AI应用领域展望（续2）,AI将成为必备的共性支撑技术之一 智能传感器 智能机器人 智能家电 …… AI与Web的结合将发挥重要作用 Web智能 网上信息智能抽取（Web Mining） 网上信息个性化推荐及订购 ……,84,4. 个人关于AI的几点困惑,关于“基于知识/规则的智能系统” 虽非当前AI的主流，但仍有用武之处 关于“基于概率统计的机器学习” 虽“如日中天”，但困难问题（如kernel selection等）依然存在 关于“脑科学、神经信息学”等 虽前景十分诱人，但路在何方、突破点在哪里？ 关于“数据挖掘、知识发现” 虽方法很多，但拿不到真实数据“拔剑四顾心茫然”,85,六、应对策略,继续保持优势方向 —— “吃着碗里的” 机器学习（浙大急需在理论本身有所作为） 信息检索 智能机器人 生物认证 …… 积极扶持新兴方向 —— “预备锅里的” 脑机工程 神经信息学 生物信息学 复杂网络及网络智能 ……,86,应对策略（续）,引进AI领域的世界级学术权威 以引进华人AI权威学者为主 以引进非华人AI权威学者为辅 以干实事为原则，不仅仅是挂个空名而已！ …… 自己培养AI领域的后备军 以在读的优秀博士生（特别是直博生）为主 以中、青年AI教师为辅 ……,87,七、预期目标,近期目标：稳步进入国内AI前三 2010年左右（纯属个人猜测，无事实依据） 取得具有国内顶尖水平的AI成果 中期目标：在国际AI届形成较大影响力 2015年左右（纯属个人猜测，无事实依据） 取得能与世界权威AI机构相媲美的重要成果 长期目标：创立特色鲜明的浙大AI学派 2030年左右，取得重大/革命性突破，形成被世界AI界广泛认可的AI新理论和新方法,88,致谢,感谢潘云鹤院士多年的指导、关心和信任 感谢人工智能所的领导、专家们支持 感谢潘云鹤院士的博士生刘勇、王金龙、潘微科等多年的鼎力合作，并协助完成此报告,89,THANKS FOR YOUR PRESENCE!,“We are a scientific society devoted to the study of artificial intelligence. Our incorporating charter, with the characteristic precision of legal documents goes no further than to record the words ‘artificial intelligence’ as an indicator of our proper object of concern. Of the semantics behind these terms, by its silence, it leaves it to us, the society, to determine.” by Allen Newell, “AAAI President’s Message” (1980),