|
从学校回到单位一年,越发感觉工作不同于上学:上学可以随心所欲做研究,为了感兴趣的课题可以和老板讨价还价;然而工作中却不得不涉猎、进入自己不熟悉、甚至不感兴趣的领域,毕竟要拿钱吃饭,项目与我并没有什么交情。
做研究份经历教给自己的第一件事就是,进入任何一个领域的第一步,是要尽快建立这个领域的全局视野,起码应当知晓该领域的主要应用场景、存在的主要问题以及对应的主要解决方案。而对于一个在自己的小领域中浸淫了三年的土博而言,觉察当今热点的最好方式莫过于研读当年的重大项目申报指南了。
今年省里的重点研发计划(重大科技创新工程第一批)申报指南正式发布,各大高校、科研机构等虎视眈眈跃跃欲试。我所在的课题组自然也锁定了其中对应的申报课题,然而可惜的是,如此好的机会,与自己的在研经历竟然无法有效结合,看来自己可能要白白错过了。
尽管如此,自己还是愿意抽出一些时间,看看今年的省重点研发计划都说了啥。
支持重点:人工智能、重大新药创新与高端医疗装备、新材料以及安全生产四个重点领域
由于自己也算在人工智能的门口兜过圈子,更重要的是人工智能是引领未来的战略性技术,因此就重点关注下人工智能领域。
在人工智能领域,指南提出了六个研究方向,即关键核心技术、大数据、信息安全、专用设备、高端软件、人工智能产业示范应用。接下来,自己试着分析每个小方向都说了啥?
上文中提到了人工智能的基本热门应用自然语言处理与虚拟现实VR,同时出现了跨媒体计算与混合增强智能的新概念,自己初看不明觉厉,于是顺手查了下:
跨媒体计算:涉及多种媒体数据的人工智能分析应用,自己理解更多需要考虑不同类型数据(如文字、图片、影像、声音、社交媒体行为等)联合分析,因此特征融合应当是其研究的主要问题,在此基础上,设计对应的分析挖掘算法;
混合增强智能:也许目前基于统计分析模型的机器学习终究有触及天花板的一天,那么到时一种改进的策略自然是引入人类专家的干涉以修正、提供更多的高质量信息数据,目前有媒体与专家将引入人工干预的混合增强智能看作是引领下一代人工智能的风向标,私以为这主要是从实际应用桎梏的角度出发,人工干预自然可以提升当前算法模型的智能度,然而并非从根本上提升,而是引入了新的有价值数据,本质上更像是升级版的监督式学习
人在回路的混合增强智能: 将人的作用引入到智能系统中,形成人在回路的混合智能范式。在这种范式中人始终是这类智能系统的一部分,当系统中计算机的输出置信度低时,人主动介入调整参数给出合理正确的问题求解,构成提升智能水平的反馈回路。
基于认知计算的混合增强智能: 在人工智能系统中引入受生物启发的智能计算模型,构建基于认知计算的的混合增强智能。这类混合智能是通过模仿生物大脑功能提升计算机的感知、推理和决策能力的智能软件或硬件,以更准确地建立像人脑一样感知、推理和响应激励的智能计算模型,尤其是如何建立因果模型、直觉推理和联想记忆的新计算框架。(此类更贴近人工智能的本义)
更多关于“混合增强智能”可以参考:http://www.sohu.com/a/161408336_160309
喊了这么多年大数据,今年的提法更加侧重两点:
大数据的数据源采集获取:尤其在今天数据流量也是一种高价值生产资料的时代,如何高效、高质量获取海量网络数据成为一个重要的课题,数据获取是后续分析与人工智能的基础;
大数据分析的目标凸显知识化:即分析后应用价值在于提供辅助决策或其他分析的后天知识,为此,可以综合使用现有的深度学习、机器学习、模式识别等分析方法;
说句实话,这部分自己感觉有些狭窄,当然可能是由于是第一批次的关系,无法容纳安全领域的方方面面,其中特别提到了三个方面:
安全多方计算(Secure Multi-party Computation):自己从未听说过,但是查阅资料后,发现其实还是很想密码学中的零知识证明,典型的应用场景就是百万富翁问题:Alice与Bob都是百万富翁,他们想比比谁更有钱,但是又不能让对方知道自己有多少钱,那么该怎么办呢?现实中往往需要一个可信的第三方(类似于支付宝)来扮演仲裁者,然而世道不古,第三方也是无法完全信任的,因此就有了在没有第三方情况下的安全多方计算问题,详细资料可以参考https://blog.csdn.net/fightingeagle/article/details/81535940
可管可控可溯源的区块链安全管控平台
物联网安全:侧重设备自身的安全性,即硬件层(芯片)的侧信道/辐射攻击、系统层(固件或系统自身漏洞)以及应用层(密码算法漏洞挖掘)的问题;
今天得知去年八月提交的第一次省自然申请落水,想想也是自然,去年提交的时候自己还在两地往返修改论文忙活毕业申请,原本就没有多投入精力,不中也是自然,不过其中的专家点评还是值得认真汲取教训。
大致还是由于态度没有重视造成的,自己好好准备今年六月份的申请吧,这次争取写的仔细些。
申报书格式不严谨,用语不准确,图不清晰,参考文献未在正文中标注等;
项目团队缺乏合作的论文,无法说明科研水平;
预算开支劳务费、购置费等不合理等;
关键问题的技术路线不清晰;
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-23 22:14
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社