中新社北京6月14日电 (记者 夏斌)“2023西门子数字经济论坛”14日在北京举行。 论坛期间，西门子宣布了一系列加快在华发展的重大举措：西门子工业自动化产品中国智能制造基地将落地成都； 成立西门子数字技术（深圳）有限公司等
其中，西门子工业自动化产品中国智能制造基地新增固定资产投资11亿元，是西门子成都数字化工厂四期扩建项目西门子楼宇自控天津供应商，将为当地创造近400个就业岗位，帮助其进一步壮大实力在中国。 本土化的价值链将增强自动化和数字化领域的研发和制造能力，从而更及时、高效地响应中国和全球客户的需求。
“对于西门子来说，中国是创新技术的孵化器和实践地。” 西门子数字工业集团首席执行官内克直言，这一智能制造基地的建立将支持更多工业客户释放数字化潜力。 加快转型进程。
新成立的西门子数字技术（深圳）有限公司将聚焦数字经济产业链多个维度，重点发展电子商务平台、工业应用App、绿色环保等面向未来的数字化业务组合。低碳应用、工业互联网，赋能更多中小企业快速启动数字化转型，推动产业链升级。
西门子股份公司董事长、总裁兼首席执行官布施表示，通过数字化，企业可以缩短研发周期、提高生产率并优化生命周期成本。 随着一系列在华投资举措的实施，西门子将帮助中国客户实现数字化转型目标，加速中国经济高质量发展。 （超过）
经过近半个世纪的快速发展，人工智能已经进入我们生活的方方面面。 从改变我们沟通方式的语言模型，到成为我们娱乐伴侣的智能机器人，社会在医疗保健、交通、教育等各个领域不断进步。
熟悉的同时，我们真的了解人工智能吗？ 近日，在2023宜兴笔架山数字科商大会上，知名教育家李永乐畅谈人工智能，从其基本原理到生态应用和产业发展，与现场观众进行了精彩讨论。
以下为现场实录：
李永乐：谢谢各位领导和嘉宾，也非常感谢这里的孩子们。 我是李永乐，中国人民大学附属中学的物理老师。 今天很荣幸受到曹老师的邀请，和大家一起讨论为什么机器可以像人类一样思考。 换句话说，什么是人工智能？
希望通过我们今天的讲述，大家能够对人工智能的基本原理有一个简单的了解。
让我们看一个例子。 这是我的两只狗，左边的一只叫“帅帅”，右边的一只叫“李子头”。 两人都已经长得很大了。 你知道这是什么品种吗？
（观众：柯基犬。）
很多朋友都知道这是柯基犬，但是有些没有养狗的朋友可能不知道这是柯基犬。 我在家做了一个实验。 有一款适合有小天才的孩子的智能手表。 摄像机对准了小狗。 这时，它会读出，这是“威尔士柯基犬”。 为什么它扫描后就知道是威尔士柯基犬呢？ 因为它有人工智能。
现在人工智能的运用太广泛了。 随处可见的人脸识别系统就是人工智能； 计算机辅助CT图像是人工智能； 智能音箱、美颜软件、短视频平台的推荐机制、电子邮件的垃圾邮件系统都是人工智能； 在自动驾驶和智能工业领域，人工智能也是必不可少的，所以如果人工智能从我们的生活中移除的话，我们的生活可能会倒退到几十年前。
其实我对人工智能是门外汉，只是学的数学多一点，所以今天就跟大家聊聊人工智能的历史以及它最基本的数学原理。 我希望通过这堂课，让我们的孩子了解一点人工智能智能楼宇楼宇自控系统的组成，并对它产生兴趣，甚至将来从事这个行业。 我们今天报告的目的已经达到了。
一、人工智能发展史
首先我们回顾一下人工智能的发展历史。 人工智能并不是一个新概念。 在古代，东西方文明都有人造人的想法。
20世纪50年代左右，神经生物学、计算机科学、数学等学科的发展使人工智能首次进入科学家的视野。
1950年，一位名叫图灵的科学家提出了一个问题，机器可以思考吗？ 机器能像人类一样思考吗？ 他还提出了“图灵测试”，非常简单。 有一个人和一台机器，另一个人问两个问题。 人和机器都会以文本形式回答，然后我们根据答案来判断。 谁是人，谁是机器。
如果大多数人都分不清哪个是机器，则说明该机器已经通过了图灵测试。 如果一台机器通过了测试，那么它就可以像人类一样思考。
图灵预测，到2000年，将会有机器通过图灵测试。 事实上，在2014年，确实有一款人工智能软件通过了图灵测试，它的名字叫尤金·古斯特曼。 2023年，当它出现之后，我们就会知道它有多强大。
人工智能发展非常迅速。 我们都知道科学领域的最高奖项是诺贝尔奖； 数学领域的最高奖项是菲尔斯奖； 而在计算机科学领域，最高奖项是图灵奖。 题外话，图灵在二战期间破译了德国英格密码机。 他的故事被拍成了电影《模仿游戏》。 如果有兴趣的话可以回去看看。
电影《模仿游戏》剧照来源：豆瓣
1956年，美国计算机科学家明斯基、麦卡锡和信息论创始人香农共同召开了一次会议，称为达特茅斯会议。 他们创造了“人工智能（AI）”这个术语。 单词。
自那次会议以来，人工智能进入了大发展时代。 后来，明斯基和麦卡锡因各自的贡献获得了图灵奖。 而最重要的大佬之一香农并没有获得图灵奖。 为什么？ 由于香农不再需要图灵奖，他的名字被命名为“香农奖”，通信领域的最高奖项。
此后的几十年里，由于算法和计算能力的限制，人工智能经历了几番坎坷。 到了1997年，卡斯帕罗夫被机器人——IBM的人工智能软件“深蓝”击败。 自那次事件以来，人工智能迎来了第三次重大发展。
近20年来，人工智能算法领域涌现出不少灵魂人物，比如深度学习之父辛顿。 他介绍了一种叫做“反向传播算法”的算法，这是一种相对复杂的算法。 还有一个纽约大学的教授叫杨丽坤，他还是很活跃，经常出来演讲。 他因在卷积神经网络方面的工作而闻名，两人与加拿大蒙特利尔大学的 Ben Gio 分享了 2018 年图灵奖。
2. 数学原理
说了这么多历史和人物，计算机是如何实现智能的呢？ 我们来谈谈数学原理，即损失函数和梯度下降。 这个问题有点复杂，但是只要你是初中以上学历就可以理解，因为它只涉及到一次性函数的知识。
我们可以先举一个例子，比如房价和房子面积的关系。 我们一般都知道，房子面积越大，房价就越贵。 但是当我将这些数据绘制在这张图上时，我发现它们不在同一条直线上。 那么，我们该如何解释房价与面积的关系呢？
我们想象用一条直线，让这条直线距离这些点最近，并且让这些点与这条直线的距离的平方和最小，这样这条直线就是最完美的，这种现象称为，使用最小二乘法找到拟组合。 换句话说，我们需要找到一个误差函数，即预测值与实际值的差异有多大。 如果预测值与实际值之间的差异最小，我们就说预测是完美的。 如果不完美怎么办？ 然后调一下，调整这条线的位置。
这条线是由几个参数决定的？ 很多小朋友都知道，一个是斜率，一个是截距，涉及到这两个参数。 所以我们只要调整斜率和截距，观察直线到这些点的距离平方和何时最小，称为最小误差函数。
如何确定损失函数的最小值？ 我们有一个数学方法，稍微复杂一点，大致意思是如果误差很大，我们可以尝试在某个点上调整，直到找到完美的值。
说起来并不是一个复杂的问题，但是我们知道，在现实生活中，房子的价值并不是由面积决定的。 除了面积之外，我们还需要考虑很多因素，将很多参数放入这个方程中。 在数学领域，预测值可能由很多参数组成，它们不是线性或二维的，而可能是高维空间。 尽管如此，我们仍然可以在高维空间中找到误差值最小的点，从而找到预测值。
这是人工智能的基本原理。 我们需要找到一个预测，你给我一些输入，我得到一个输出，当预测值最小时，它是最准确的。
就像刚才我用小天才的智能手表拍摄小狗时，它在不断寻找拍摄对象是什么的过程中，能够得到最小的误差函数。 事实证明，在威尔士柯基犬的类别中，误差是最小的，因此可以判断是威尔士柯基犬。 这个过程实际上就是人工智能的训练过程。
3.神经网络原理
接下来我们来讨论一下神经网络的原理。
我们都听说过神经网络这个词，你经常看到这张图吗？
有谁知道这意味着什么？ 左边代表输入数据，中间代表一些神经元计算，最后有一个输出结果。 例如，如果我们输入大量数据点，最后它会告诉我们这是一只威尔士柯基犬，从左到右，每个圆圈我们命名为一个神经元。
那为什么叫神经元而不是计算机单元呢？ 这是因为神经网络是通过模拟人脑产生的。 这是人脑的神经图谱。 也许高中生应该了解神经元。 左边有一个树突，收集上层神经元的信息，然后经过轴突，再通过突触传递到下一层。 因此，神经元具有输入、运算和输出的结构。 人们发现有趣的是，神经元实际上可以接收信号，计算它们，并将它们传递到下一层神经元。
1943年，美国有两位神经科学家，一位叫皮茨，一位叫麦卡洛克。 他们分析了人类的神经结构，认为人脑神经元是一个多输入、单输出的系统，输出只有0和1两种，如果输出为1，就会向下游传递。 如果输出的信息为0，则不会传递给下游。
比如，如果一只蚊子轻轻地落在我的皮肤上，我皮肤上的神经元可能会受到刺激，但它们觉得刺激太小，所以拒绝传递给下游。 下游可能不知道，但如果铅球击中我的手臂并且下游所有神经元都会放电，我就会知道。
所以，神经细胞是否传承下来并不一定，要看它运转的结果。
因此，他制作了一个人工神经元模型（MP模型）。 神经元有很多输入，经过计算得到一个结果，根据结果的大小决定是否向下游传递信息。 如果我决定要向下游发送消息，则Oi输出为1，在计算机上称为高电平，在人脑上称为传输神经递质。 这个过程需要经过方程，也就是引入非线性，我们暂时不考虑。 简而言之，就是将上游的输入通过计算转化为结果，并决定下一步是否输出。
我们刚刚讨论了房子问题，需要找到一个最优的解决方案。 在寻找最优解时，需要调整很多参数，例如调整直线的斜率和截距。 这就是不断训练模型的过程。 这个过程就像我们小时候，和父母出去的时候，你问“这是什么”，妈妈说“这是摩托车”，下次你看到自行车就说“这是摩托车” ”妈妈说“不，这是自行车”，你就区分了摩托车和自行车。 这个过程就是不断调整你的内在参数的过程。 这就是神经元的原理。
通过这样的操作，我们可以让计算机理解图像。 例如，你可以看到左边的图片实际上是一个英文字母X，大多数学生都能看到。 但计算机看不懂X，也看不懂你想对他说什么，它只能看到黑白两种状态，黑色为1，白色为0，所以计算机将这个图形转换成数字矩阵。 问题是，变成数字矩阵后，计算机如何知道它是X？
我们不能告诉计算机，记住，这是X。如果你直接告诉计算机这个，图形旋转一点不就变成X了吗？ 把图放大不是X吗？ 所以我们不能告诉计算机，只要记住这是X而不是别的，这样做不叫人工智能。 人工智能即使在告诉它一些东西后进入一个新领域也能识别。 如何做呢？ 这就是人脑与计算机非常不同的地方。
我现在展示一部电影的截图，大家都知道它来自《黑客帝国》。 《黑客帝国》将整个世界描述为数字世界。 在我们看来是图像的东西在计算机看来就像是一堆数据点，但问题是，这些数据点进入计算机后，计算机如何知道它们是什么？ 其实很简单，依靠神经网络。
简单的神经网络可以分为三层，输入层、隐藏层和输出层，而深度神经网络则有很多层。 首先需要提供很多数据，比如很多0、1，输入完成后，调整参数，将输出连接到下一层的输入。
比如图上第一层是5个神经元，第二层是7个神经元，那么这5个神经元和7个神经元之间就有35个连接，需要调整它们之间的连接。 所以每个连接都会有参数，一旦网络扩大，就会有很多参数。
如果只是判断一张图像是否是X，也许一层神经元就够了，但是如果要判断更复杂的图像，比如人或者狗，就需要使用多层神经元，这是一种深度神经元网络。 然而，全连接网络的复杂度实际上太高，需要非常大量的计算量。 由于计算量大，传统意义上的人工智能并没有得到太大的发展。 也有人认为人工智能是不可能实现的。
这张图显示了人工智能的兴起和衰落。
我们可以看一下，1956年达特茅斯会议提出了AI的概念，1959年又提出了机器学习。 第一波发生在20世纪70年代左右，然后第一次陷入低谷，因为过去的算法存在一些问题。 第二波是美国和日本设立AI研究项目，后来因为市场不大而进入低谷。 上一波是深蓝战胜了世界冠军，从那以后，人工智能发展得特别快。 目前世界上所有的科技公司基本上都在搞人工智能，因为它的作用太大了。
4.视觉原则
接下来我们来讨论一下视觉原理。 为什么你能看到我一个人？ 当你看到我的时候，你真的会立刻感觉到你在看某人吗？ 不，你实际看到的是一堆像素，我的身体图像进入了你的视网膜，上面有很多感光细胞投射，这让你感觉到有很多像素，但问题是如何知道这些像素是一个人？ 其实这就是视觉原理。
视觉原理直到最近几年才被真正理解。 1981年，诺贝尔生理学和医学奖获得者、科学家大卫·苏波尔和韦塞尔发现了视觉原理。 具体方法是将电极插入猫的大脑，让猫观察各种信号。 观察完成后发现，猫大脑中与视觉相关的细胞分为两类：一类是对特定线路做出反应的细胞，称为简单细胞。 细胞; 另一个是对运动线做出反应的复杂细胞。
受他们的启发，日本科学家提出了福岛邦彦的神经认知模型。
这个模型很有趣。
他认为人类的视觉分为多个层次。 外界光线进入眼睛后，通过瞳孔晶状体在视网膜上成像的实际上是一堆像素，这些像素的信息会传输到大脑。 V1 皮层或初级皮层首先接收信号； 初级皮层获得点点击后的像素，对像素进行处理，变成线，然后传输到V2皮层，称为次级皮层； 次级皮层根据这些线条组合成图形； 然后传递到第三级皮层。
当你看到一个人的时候，首先是一堆像素，然后大脑把这些像素连接成线条，然后把线条变成图形，然后给它们上色。 最后你发现你看到的是一个人，而不是一只昆虫。
这个模型被做成了人工智能的方法。 首先通过像素的组合，变成边缘特征，然后将边缘特征组合成轮廓，比如鼻子、眼睛等，最后将轮廓转化为更大的物体。 模型。 这与传统观点不同，传统观点认为先观察轮廓，然后观察细节。 事实上，但实际上科学家说，我们通过逐渐将细节组合成一个整体来认识彼此的整体，而每个层面的工作都是在人脑的不同区域完成的。
这个人叫杨丽坤。 杨立坤想，既然人脑能做到这一点，那么计算机也能做到吗？ 于是他做了一个卷积神经网络。 顺便说一句，前段时间，杨丽坤出来说它没有任何智力，只是一只鹦鹉，但大多数人对此还是很感兴趣的。
5. 卷积神经网络
我们简单介绍一下卷积神经网络的原理。 卷积神经网络的原理有点复杂。 首先，我们想让大家看看这四张照片。 其实每一个都是一个字母X，人类一眼就能看出，但这4张图却完全不同。
所以当计算机无法判断它们是否是X时，我们需要一些方法来做到这一点。 这些图形虽然本质上不一样，但都有一些共同的特征，比如中间有一个中间白色，四个角有白色，四个侧面有一个黑色十字； 再比如，左上角有两个白色块。 所以我们假设无论在哪里，只要能找到这些特征，或者当这些特征太多时，我们就认为它是一个X。
具体如何求涉及到一个称为卷积的复杂运算。 大致意思就是将原始数据与设计的卷积核进行内积。 内积就是相应项的乘法和加法，然后得到一个特征值。 特征值越大，越满足X的特征。比如这里的特征值为2，说明左上角的图与卷积核比较接近，如果特征值为3则更接近。
我们通过这个方法一步步搜索，最后得到一张图片，它显示了我们卷积的结果。 这个结果告诉我们，这些部分的特征有2333个，表明这些部分的特征非常接近。 我们也可以以此为示意图，通过卷积核将原始图像转换为多个不同的图像。 每张图像都代表了一些特征，这些特征的组合就是我们想要的判断结果。
还有另一个过程称为池化，它更复杂。 粗略地说，左上角的2和3说明左上角确实有某种特征，而特征2没有特征3强，所以特征2可以省略，计算会更简单。 简而言之，我们需要通过卷积来抽象图像的特征，然后通过池化，我们可以使图变得更小。 池化后，我们进入函数，决定是否传递给下游。 比如这张图的特征值很大，说明一个X特别容易生成，所以这组神经元可能会向下游传递。
总的来说，经过卷积、池化等步骤之后，我们已经模拟了人眼的机制。 我们最初输入大量像素，通过卷积抽象出特征，然后输入到下一层。 对于计算机来说，人和威尔士柯基犬没有区别，但经过层层输出，计算机明白这些杂乱的像素组合起来就是一个人、一张桌子、一把椅子。
6、算力和数据
最后我们来谈谈计算能力和数据。 刚才我们提到的主要是算法领域，但是人工智能的发展实际上涉及到三个领域，算法、算力和数据。 显然，人工智能的算法是如此复杂，程序员不可能每次都从头开始编程，就像厨师做饭一样，不可能从种地开始，也不能从炼砖、煮锅开始，所以有一些基本的代码。应该已经编辑好了，可以直接调用。 这就是所谓的人工智能框架。
人工智能近年来非常流行，许多大公司都开发了自己的框架。 目前比较流行的框架都是开发的，并且是开发的。
然而，在别人的框架下编程，自然要受制于别人。 因此，中国也在开发自己的人工智能框架。 你知道中国自己的框架是什么吗？ （沉默）看来中国自己的框架还不是很流行，所以很少有人知道。 华为设计了一个框架叫（飞桨），百度也设计了一个框架叫（飞桨）。 我们希望更多的人使用我们自己的AI程序编辑框架，因为用的人越多越好。
有一次和阿里的算法工程师聊天，他们是负责数据库的。 工程师表示，如果数据库没有任何问题的话，是非常容易实现的。 之所以难做，是因为它总会有问题，而就看你如何解决问题。 使用的时间越长，出现的问题就越少，数据库也就越成熟。 同样的道理，无论什么框架，好坏都无所谓，关键是我们的人员会不会用。 只有使用的人越多，才能解决的问题就越多，一个框架的生态也就越成熟。
我们来谈谈数据。 不管算法有多好，如果不主动输入数据，比如通过大量图片和文本进行训练，机器根本无法产生认知。
拥有数据是人工智能非常重要的一部分。
你可能不知道我们每个人都曾向人工智能输入过数据。 比如常见的点击图片验证码，你可能会认为这是验证我是否是人。 实际上，这是一种向计算机提供数据进行训练的免费方式。 训练数据非常昂贵，训练花费数百亿美元。
因为你需要购买大量的CPU、GPU、数据、电力，这些都是非常昂贵的。
前段时间我和微软的一个人聊天，他提到谷歌正在推出自己的人工智能大模型，但追不上。 原因是在开放期间，全世界的人都在使用它，并提供了大量的数据进行训练，所以它已经遥遥领先于微软和谷歌。 如果谷歌开发了另一种模式而没有人使用，它自然无法再次崛起。
所以，人工智能的特点就是，用的人越多，它就越智能。 如果没有人使用，再好的算法也无法实现智能化。
人工智能的另一个重要基础是计算能力。 人工智能领域需要的计算并不难，就是小学的计算、加法、乘法。 虽然每次计算都不难，但是涉及的数据很多，计算量很大。 应该由CPU处理吗？ CPU的特点是什么都能计算，就像医生一样； 另一种芯片是GPU，相当于一万名小学生，只会算加法和乘法，但数量巨大。 所以当我们面对人工智能的计算能力要求时，使用GPU是比较合适的。
全球做GPU最好的公司是哪家？ 英伟达。 没想到，随着人工智能时代的到来，英伟达突然变得非常强大，真正成为了这个时代的潮流。 事实上，还有一些新的。 比如华为正在做NPU，即神经网络处理器，专门用于设计人工智能和神经网络。 我们将拭目以待，看看它将如何运作。
概括
人工智能是一种通用技术，可以让计算机完成大量繁重的工作，极大地解放生产力。 人工智能也是能够衍生和支撑多个技术集群的根技术，不断滋养和拉动整个技术集群的发展。
历史上发生过几次工业革命，每次工业革命都会有技术突破。
例如，第一次工业革命是牛顿力学和经典热力学的突破。 瓦特改进了蒸汽机，使人类进入了蒸汽时代。 第二次工业革命发生在19世纪末20世纪初。 法拉第发明发电机，人类进入电气时代，美国成为世界第一强国； 时代，这是第三次工业革命，使日本成为世界第二发达国家。
所以，英国、美国、日本实际上是通过工业革命成为世界级强国的。
尽管中国在前三次工业革命中未能赶上，但世界目前正处于以互联网、人工智能、新材料、生物技术为代表的第四次工业革命。 这一次，我们希望中国人不要缺席。 同时，我们也希望我们的民族企业能够在这些方面做出努力。 这需要这里的企业家和孩子们共同努力。 好了，今天就到这里，谢谢！
问答环节
观众：如果人工智能发展到一定程度，取代大量重复性、低端工作，会不会首先造成失业？ 当失业出现时，对社会发展是正面影响还是负面影响？
李永乐：当然，这个问题有两个答案。 许多人持悲观观点，认为人工智能终有一天会取代人类。 马斯克对此表示，碳基生命只是硅基生命的一个程序，当有一天我们人类不存在时，人工智能将代替人类继续生存。
当然，也有一些人持乐观看法。 他们认为人工智能只是一种工具。 虽然它可以消灭很多产业，但也会创造很多新产业。 就像现在互联网发达了，很多行业都消失了。 但外卖、网约车等行业正在兴起，很多人会涌入新行业。 这是一种更加积极乐观的认识。
我个人比较不拘一格。 有人悲观，因为人工智能最终会超越人类，这是100%确定的。 但在人工智能超越人类、毁灭人类之前，那些控制人工智能的人可能已经毁灭了世界。
我觉得更要警惕的是，一个公司或者一个人利用人工智能毁灭整个世界，这比人工智能本身更可怕。 从乐观的方面来说，肯定会创造出很多新的产业，不会让大家失业。 我个人认为过去的情况在短时间内还会持续下去。
观众：您认为人工智能需要较少的高素质、丰富经验的人才，还是需要大量具有通用专业技能的人才？ 整个行业的人员容量有多大？
李永乐：这个问题确实不确定。 您认为人工智能产业需要多少人才？ 这就涉及到一个问题，如果需要大量人才，能不能参加高考？ 如果人员很容易饱和，我们就无法报考，回答这个问题的责任就很重。
I think that still needs a lot of , just like 20 years ago, were an , are now? In fact, it is not yet.
I think is a new of in the next 20 years. It has many . We don't have to write , but we can also study , chips, data, etc., and even , such as Using to . I think this is very big and can many, many . or well will be very to our , so we don't need to worry too much about the .
: In your just now, you a lot about the of , and the first-mover is in the field of . We have seen that are very in and . We are here What be done? What do you think about this ?
Li : My is that many in the West are doing more . They may do one thing for many years. For , the Robot has to build a robot for 40 years. Just for this one thing, they can do . Also, you can do one thing for 7-8 years, and you can do it for a long time.
But is our too fast, for the ? One trend comes, we do this thing, trend comes, we do that thing, we back and forth, maybe is not done well.
our think about it, for some large , it take a long time to , so that it is to a . If you keep to catch the wind, you may earn a pot of gold, but if you , there is no way to have a first-mover .
