首页 > 信息动态 > 内容

数据情·清华缘——2017加州大学伯克利分校 迈克尔·欧文·乔丹院士访问清华纪实

2017年9月,人工智能与机器学习先驱、美国三院院士、加州大学伯克利分校特聘教授、清华大学软件学院杰出访问教授迈克尔·欧文·乔丹(Michael I. Jordan)应邀访问清华大学,进行为期一周的学术交流和教学活动。活动由清华大学软件学院主办,交叉信息研究院、微纳电子系协助,作为清华大学与加州大学伯克利分校深度合作的具体行动,开展了系列活动(高峰论坛、短期课程、新生座谈、科研合作、规划未来),取得了丰硕成果。

第一篇  高峰论坛

9月11日,国际大数据产业技术创新高峰论坛暨大数据系统软件国家工程实验室第一次会议在清华大学主楼接待厅举行,清华大学校长邱勇、副校长杨斌、副校长薛其坤、教育部科学技术司司长雷朝滋、工业和信息化部信息化和软件服务业司副司长安筱鹏、国家发展和改革委员会高技术产业司创新能力处副处长袁军等共同出席。乔丹院士在会议上作了题为“大数据时代的实时智能安全决策软件栈”的学术报告。他指出,收集庞大的数据并花费长时间处理数据和理解数据是传统数据分析系统的工作模式,但未来有大量应用要求系统具备利用在线数据进行实时决策的能力。目前,乔丹院士领导的实时智能安全决策实验室(RISE Lab)正致力于开发支持大数据实时决策的软件系统。他详细介绍了RISE Lab的发展思路,为清华大学牵头建设的大数据系统软件国家工程实验室提供重要借鉴。报告最后,乔丹院士对大数据系统软件国家工程实验室的成立致以衷心祝贺。


 

图:乔丹院士在大数据系统软件国家工程实验室成立会议上作主题报告

第二篇  短期课程

9月12至14日连续三天上午,乔丹院士在清华大学第六教学楼6A316教室为清华同学讲授《机器学习与统计优化》短期课程。课程围绕机器学习的理论和方法展开,来自软件学院、交叉信息研究院、计算机系、数学系等院系一百多名同学全程参与了本次课程。课上,乔丹院士围绕“机器学习=统计+优化”的思路,循序渐进地阐明了机器学习理论体系,讲授了统计和优化的基本方法,介绍了这两个学科中的前沿方法,展示了他领导的伯克利RISE Lab最新取得的重要成果,最后总结了机器学习前沿研究中亟待解决的开放问题,鼓励同学们对这些问题做深入思考。为了让没有相关基础的同学也能充分理解课程内容,每节课乔丹院士都手写板书,从基础知识讲起,由浅入深,旁征博引。他引人入胜的讲授为同学们勾勒了机器学习理论与方法的图景,为同学们进一步的学习和研究指明了方向。

 
图:乔丹院士手写板书,讲授《机器学习与统计优化》短期课程

第三篇  新生座谈

9月15日上午,乔丹院士为软件学院和交叉信息研究院的研究生新生带来了主题为《人工智能:进展与挑战》的入学教育讲座。他首先就计算机视觉、语音识别、自然语言处理和机器人科学这四个研究方向和同学们分享了人工智能领域激动人心的最新研究进展。而后,乔丹院士阐述了他对于人工智能领域未来发展的愿景,总结了人工智能的“能与不能”,提出了机器学习的十大未解决问题。他指出,虽然现在很多人工智能系统能够在某些应用场景下达到和人类相近的水平,但这些应用场景距离真正的“智能”还相距甚远,这一领域目前存在的很多根本难题,比如怎样让模型具备可解释性或是对因果关系的推断能力,这可能仍然需要经过漫长的时间才能得以解决,仍然需要科学家和研究者们的不断探索。

 
图:乔丹院士为2017级研究生新生作入学教育讲座

9月17日晚,乔丹院士为清华大学2017级本科新生举行了大师面对面座谈活动,来自软件学院、交叉信息研究院、计算机系、自动化系、电子系、数学系、物理系等众多院系的约300名本科新生慕名前来,现场座无虚席。座谈会以现场互动问答的形式进行,同学们踊跃提问,提及了人工智能是否具有创造力、情感、意识和常识,基于反向传播的深度学习是否要重新思考,基于统计是否可以实现智能,不同专业如何学好机器学习等二十几个富于思辨的问题。乔丹院士一对一认真回答了同学们的提问,并分享了他对人工智能、机器学习、数据科学以及跨学科问题的建设性观点和主张:乔丹院士指出人工智能领域的发展仍然处于非常初级的阶段,还不能用它为一般的数据分析、复杂决策提供牢固的理论支撑,还需要长时间的研究和探索。他建议有志向从事机器学习研究的本科生涉猎足够多的领域,包括统计学、优化方法、计算机科学、软件系统等学科。机器学习研究者应当对相关领域有足够的了解和认知,才能实现以学科交叉为基础的前沿创新。


 

图:乔丹院士与2017级本科新生进行大师面对面座谈

第四篇  科研合作

9月12日下午,乔丹院士与软件学院王建民教授的大数据分析研究组师生开展了两个小时的学术交流,深入探讨机器学习前沿课题。研究组向乔丹院士介绍了研究组关于深度迁移学习取得的最新成果,包括深度迁移学习的高效方法及迁移泛化理论的初步结果,并总结了迁移学习的关键理论难题。乔丹院士认为迁移学习是机器学习中的三大重要问题之一,其独立非同分布假设无论对机器学习还是统计学都非常重要,他对如何构建有理论保证的迁移学习模型给出启发性思路,并建议将因果推断等统计方法结合到迁移学习的研究中来。
9月13日下午,乔丹院士与交叉信息研究院徐葳老师的开放计算研究组进行了两个小时的学术研讨。研究组同学就多个研究方向与乔丹院士进行了深入的探讨。刘昕同学的研究方向是反欺诈,讲述了大规模检测社交网络上欺诈用户群组的当前进展和挑战。对此乔丹院士建议可以结合稀疏学习来高效地寻找潜在的欺诈特征子空间。于跃同学研究优化算法,讲述了她提出的针对随机组合优化问题的算法并给出了可能的扩展工作。乔丹院士建议她可以考虑在分布式优化和非凸优化方向上继续尝试。研究组的同学们还就视觉领域、信息抽取等多个方向乔丹院士作了报告,乔丹院士和同学们深入交流,作出精彩评论。

 
图:乔丹院士与软件学院大数据管理与分析研究组师生合影

9月17日下午,乔丹院士与软件学院王建民教授的大数据管理研究组师生们进行了两小时的研讨。在研讨会上,研究组向乔丹院士介绍了组内研发的面向物联网高速海量时间序列数据的管理系统IoTDB,包括设计动因、架构和核心技术。在听取了IoTDB的报告后,乔丹院士对组内在时间序列数据管理上的工作表示了赞许,并提出IoTDB向时空、频域、异常点等应用方向上的研究建议。此外,乔丹院士同课题组学生一起分享了如何进行理论研究及项目研发的心得体会。

 
图:乔丹院士与微纳电子系可重构计算研究组师生合影

9月18日上午,乔丹院士与微纳电子系尹首一老师的可重构计算研究组进行了两个小时的学术研讨。首先,乔丹院士介绍了伯克利大数据分布式统计优化中的关键成果。接着,研究组师生向乔丹院士介绍了可重构多模态混合神经计算芯片,该芯片采用可重构架构和电路技术,突破了神经网络计算和访存的瓶颈,实现了高能效多模态混合神经网络计算,同时支持电路级编程和重构,形成通用的神经网络计算平台。乔丹院士对清华可重构计算芯片技术表示印象深刻,并就其设计与改进方向与研究组师生进行了深入探讨,形成了一些有潜力的新方向。

 

第五篇  规划未来

乔丹院士的来访,为新学期伊始的清华园增添了别样的生机。清华大学副校长杨斌、软件学院院长王建民、美国工程院院士钱德拉塞克兰?莫汉(C. Mohan)共同会见了乔丹院士。杨斌副校长就乔丹院士合作来访、切实推动清华与伯克利的深度交流合作表示感谢。接着,双方就清华大学如何培养学术大师、兴业英才、治国人才展开了热情洋溢的探讨,为进一步深化未来合作打下了坚实的基础。


 
图(从右至左):王建民教授、莫汉院士、杨斌副校长、乔丹院士、龙明盛讲师

乔丹院士在清华的一系列精彩纷呈的学术活动,深入浅出地讲解了人工智能、机器学习与数据科学中的基本问题,分享了他最新取得的研究成果以及对人工智能发展的批判性思考。访问期间,他分别对大数据系统软件国家工程实验室的数据管理、数据分析、开放计算、可重构计算等方向的研究组展开了广泛而深入的问题讨论,具体指导了实验室的科研工作。来自不同年级、背景各异的几百名清华同学参与到了本次学术交流的一系列活动中,聆听了乔丹院士高视角、深维度的讲述,近距离地领略了国际大师的风采。作为清华大学软件学院杰出访问教授,乔丹院士在后续两年的秋季学期都会对清华大学进行学术访问。让我们共同期待!

 

附:迈克尔·欧文·乔丹(Michael I. Jordan)院士简介:

迈克尔·欧文·乔丹教授现执教于加州大学伯克利分校,任电气工程与计算机科学系和统计系杰出教授、实时智能安全决策实验室(RISE Lab)共同主任、统计人工智能实验室(SAIL)主任、统计系系主任。乔丹教授长期引领着机器学习、统计学的理论、方法与系统研究,是贝叶斯网络、概率图模型、层次随机过程等多个重要方向的主要奠基者之一,也是统计学与机器学习交叉融合的主要推动者之一。乔丹教授是美国科学院、美国工程院、美国艺术与科学院三院院士,是机器学习领域唯一一位获此成就的科学家。