🔥 udemy 網路週，課程最低 NT330 元起

課程說明

使用基於程式設計的方法，本課程設計目的在以一種引人入勝和易於理解的方式，為您在影像處理最有用的方面打下堅實的基礎。 本課程的目標是在避免抽象數學理論障礙的同時，提供實用的技巧。 為了實現這一目標，影像處理技術用簡單的語言解釋，而不是簡單地通過數學推導證明真實的結果。

仍然保持簡單，這門課程有不同的程式語言版本，因此學生可以把技術實踐使用自己選擇的程式語言。 這個版本的課程使用 C++ 程式語言。

在課程結束時，你應該能夠使用 C++ 開發2-D 離散卷積演算法( 2-D Discrete Convolution algorithm )，使用 C++ 開發邊緣檢測演算法，使用 C++開發空間濾波演算法，使用 C++ 計算影象並均衡它，開發灰階變換演算法，抑制影象中的雜訊直方圖，瞭解所有關於運算元，如 Laplacian，Sobel，Prewitt，Robinson，甚至有能力給出影像處理講座等等。

https://softnshare.com/image-processing-from-ground-uptm/

🔥 udemy 黑色星期五全站特價中

這是學習 Kotlin Coroutines 最完整的線上資源。
本課程將帶領你一步一步地，通過每個相關 Coroutines(協程)的概念，討論它的細節，然後應用它到 Kotlin 的一個實際專案中。
從這 5 小時的課程，你會學到
✅Kotlin Coroutines
✅非同步程式設計
✅Coroutines + Retrofit + MVVM
✅Coroutines + Room + MVVM
✅Coroutines背景處理( background processing )
✅在 Android 應用程式的 Coroutines 流(flow)
✅Android 背景處理
✅進階 Coroutines 主題

https://softnshare.com/coroutines/

近日，我與阿萊克斯·彭特蘭教授（Alex Pentland）展開了一場”AI如何重塑人類社會”的精彩對話。

《連線》雜誌的資深撰稿人威爾·奈特（Will Knight）主持了這場對話。

阿萊克斯·彭特蘭教授任教于麻省理工學院，為全球大資料權威專家之一，現任MIT連接科學研究所主任、MIT媒體藝術與科學教授，擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜，曾參與創建MIT媒體實驗室，是全球被引述次數最多的計算科學家之一。

對話金句：

李開復：

 AI最大的機會蘊藏在與傳統企業的結合中，這種價值的產生極其迅速，只需要幾個月，甚至短短幾周。
 未來突破很難預測，對奇點、超級智慧的爭辯，在我看來都過於樂觀了。
 小型AI公司與巨頭競爭，我的建議是找准巨頭沒有平臺優勢的細分領域，為某個針對性產業創造價值，不要與巨頭核心業務正面硬碰。

阿萊克斯·彭特蘭：

 AI絕非試圖取代人類，而是促進多元文化之間的相互連接、團隊合作，讓人們更好的進行社交和連接彼此。
 最困難的其實是說服人們改變商業流程去使用AI，因為大多數人是墨守成規的。
 人工智慧有朝一日可以取代人類所有的能力，但是這個過程會非常漫長，可能需要上百年或更久。

我在對話中表示，當我們試圖解決AI問題時，應該用技術來解決技術的問題，可以尋求與監管部門協作，而不只是丟給他們，“新技術會衍生新的問題，我們應該多方嘗試用更進階的技術性解決方案，就像電腦病毒剛出現時，殺毒軟體隨之誕生。”

彭特蘭教授認為，人工智慧的核心，是促進多元文化之間的相互連接。不只是工程師或科學家，連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準，就像TCP/IP互聯網協定那樣，避免AI冷戰。” 我們都贊同，AI發展從來不是單打獨鬥，跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇（MIT-CHIEF) 組織的高峰對話系列活動，主題是《計算與未來: AI與資料科學如何重塑人類社會》。

麻省理工學院中國創新與創業論壇（MIT-CHIEF）由麻省理工學院的中國留學生創立，至今已有十年，是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者，共同探討科技創新及商業化過程中面臨的挑戰。

以下是我們對話的核心內容，由我的同事整理、分享給大家：

Part I 主題演講

▌李開復：各方應協作，讓AI 更務實

非常榮幸再次受到MIT-CHIEF的邀請，對於人工智慧的看法，這次我主要想講四點。

第一點是我書裡的主題，人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段，從應用落地層面來說，正迎來了AI發展最大的機遇。

很多科技公司目前已對人工智慧進行了多樣化佈局，從視覺、語言、觸覺和其他感知技術，到自動化機器人、無人駕駛等，對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性，但我預測未來的格局會非常龐大，依據統計，各行各業採用AI的程度目前不到5%，AI應用的中長期增長曲線相當可期。

第二點是我很欣喜看到的一點，AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多，更多的AI公司湧現出來。

AI最大的機會蘊藏在與傳統企業的結合中，創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。

作為AI投資人，我認為在這些行業如果找到正確的AI應用方向，就能帶來上千萬的回報。這種商業價值的產生是極其迅速的，通常只需要幾個月，甚至短短幾周就能看到成果。

現在人工智慧在傳統產業的滲透率仍在個位數，仍然有很大的提升空間。然而對於很多公司來說，它們需要的是高度定制化的方案，而非通用型AI方案，所以融合的過程中，不可避免會遇到不少挑戰和痛點。

第三，我早年做過很多科研工作，很高興能看到關於系統一和系統二（System One, System Two）的討論，我們期待人工智慧技術從系統一升級為系統二，即從識別、決策、優化等能力，升級到感知、認知等進階智慧的能力。

有不同的學派都在努力讓人工智慧更接近人類智慧，其中一個流派主張回歸經典的AI理念，甚至重新構建嶄新的模型結構，在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。

回看人工智慧過去60多年的歷程，最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路（CNN）帶來的喜人成績，還有預訓練自然語言處理模型（Pre-Trained Models for Natural Language Processing）的廣泛運用。

預訓練模型與人類語言學習的模式類似，不管是英語還是中文，在習得這些語言之後，再去學習程式設計、藝術、化學。在無人監督的學習環境中，這種模式比我們想像得還要強大，就像阿爾法圍棋（AlphaGo）一樣。

最後一點我想說的是，如何讓AI變得更務實。

AI有很多問題，例如隱私、資料安全、治理和監管，在此就不一一討論了。當我們試圖解決這些AI難題時，有人認為讓監管部門加強管理是唯一辦法，其實不然，我們是否也可以朝著研發更厲害的技術性解決方案去努力？

就像電腦病毒剛出現時，殺毒軟體隨之誕生；面對千年蟲難題時，也迅速找到了技術應對方案。我們可以通過研發新技術，應對DeepFake深度換臉程式的挑戰；或者通過聯邦學習技術，在保證資料私密性的同時，滿足深度學習訓練需求。

作為握有技術能力的群體，我們需要與監管部門一起協作，而不只是把工作丟給他們。相信有了各方的助力，我們可以讓AI的應用變得更有深度，更加務實，更高效地克服現在面臨的種種問題。

▌阿萊克斯·彭特蘭：國家間應建立互通標準，避免“AI冷戰”

我對當前的深度學習技術不太樂觀。

最為主要原因是，深度學習不僅需要龐大的資料來源，而且要求這些資料長時間恒定不變，以保證模型訓練結果的可靠性，例如人類的面容、語言，就是相對穩定不變的資料來源。

但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時，出現了倉庫貨物緊缺，不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰，就是因為快速變化的疫情，和深度學習對恒定資料來源的需求是矛盾的。

另外，我想談談如何通過聯邦學習，促進資料的流通。

大多數公司沒有足夠豐富的資料，需要聯合不同的資料來源。基於這種需求，出現了很多新商業模式，比如“資料經紀人”——他們不出售資料，而是把資料借出去，作特定需求的使用。

“資料經紀人”業務湧現了很多，他們促進了資料的流通，也加強了資料的隱私性。因此，像聯邦學習這樣的技術和商業策略結合，有效解決了資料在合規性和所有權方面的難題。

聯邦學習也依賴於新的基礎設施建設，為資料應用和深度學習提供基礎環境，比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗，新加坡等國家設置了一種相互競爭的區塊鏈系統，來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗，涉及不同資料的互通性和連貫性問題。

我們仍在研究如何用儘量少的資料，實現人工智慧的目標。少量資料是指不斷更新的短期資料，這些資料能使AI應對迅速變化的情況，並及時做出調整。

我們打算將AI與其他基礎科學結合，例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料，可能會比深度學習更加強大。

除此之外，我們在探討用AI保障聯邦學習過程中不同資料方的權益，這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。

另一方面，我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作，找出解決系統入侵和保障網路安全的方法。

我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策，也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率，比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。

基於我們已有的多中繼資料庫，現在可以利用AI實現全新的資料優化方式，將貧困、不平等這種之前無法量化的指標，通過可量化的指標進行評估。

同時，要真正實現這個目標，我們還需要制定統一的互通性標準。如果沒有這個標準，國家之間就不會相互信任去合作，就可能出現AI冷戰。

因此我們需要找到促進合作的方式，就像TCP/IP互聯網協議那樣。而之前我提到的，新加坡、瑞士等現在正在嘗試的區塊鏈系統，將有希望解決國家間缺乏互通標準的問題。

Part II 對話

▌ 美國線上教育發展難度更大，只在ZOOM上講課是不夠的

Q1：疫情加速了行業的改變，遠端醫療、線上教育開始蓬勃發展，這只是AI對人類社會產生影響的冰山一角。想請兩位談一談，目前看好AI在哪些領域應用的未來前景？

李開復：疫情的確對整個社會產生了實質性的影響，人們行為習慣發生了很多改變，更願意接受線上學習和工作了。

這種新的行為習慣產生了大量資料流程，為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料，可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究，因此我相信AI在醫療健康領域的潛能是非常巨大的。

AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務，例如批改作業，讓老師得以將時間精力投入到更有創造性的事情上，能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性，比如設置卡通版AI虛擬老師，讓課程充滿趣味性。

在中國，有很多線上教育公司在疫情之前就已經發展迅速，像創新工場投資的VIPKID，讓國外的純正英語老師線上上教授中國學生。目前，中國的線上教育已經擴展到了更多科目，包括體育、舞蹈、書法等素質教育課程。

相比之下，美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的，好的線上教育必須要有好的內容。

▌AI核心是增強人際互聯，應注重文化多樣性

阿萊克斯·彭特蘭：李開復博士提到的教育案例，我不是很認同。

MIT大約20年前就在教育中使用AI，重點根本不是內容，我們甚至提倡將內容免費開放給大眾。

AI絕非試圖取代人類的作用，我們更強調用AI增強人與人之間的互動，讓人們更好的社交和連接彼此。比如手機上人工智慧技術，不是要取代你，而是讓你高效地找到最適合的工作、最正確的人，讓你更容易的獲取資訊，並進行創新。

我們可以利用資料激發更強的創新力，培養領導力。只有基於這樣的宗旨，才能促進更有創造力的教育和學習，這比關注教育內容本身重要得多。

在加拿大，有家創業公司正在訓練普通民眾學習AI，比如水管工，教學效果非常不錯。他們的教育方式不是簡單的教授基本知識，而是以一種能夠激發人們互動思考的方式。

我們之前在中國調研了3000多個孵化器，發現創業公司成功的要素裡，第一個是文化多樣性，也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性，他們能否發揮自己所長，並很好地進行團隊合作。

1956年，馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解，不應該只停留在“人工”層面，而應擴展到多元文化之間的相互連接、團隊合作，我把它叫做延伸智能（Extended Intelligence)。這也是我想強調的，人工智慧這個名詞有一定的偶然性，但它的核心點是增強人與人之間的互聯性。

▌AI未來突破難預測，奇點、超級智慧過於樂觀

Q2：未來十年AI有沒有可能取得重要突破？比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼？

李開復：過去60多年來，深度學習是唯一的重大突破。在這之後，卷積神經網路（CNN）和GPT-3等都算是重要的改善，我對於人工智慧的漸進式改善保持樂觀。

對科學家來說，他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易，只要有大量的資料，就可以從實驗室進入到行業應用，CNN和GPT-3都是模型加海量資料的成果。

我是務實派的，雖然持有樂觀態度，但並不是一位“未來學家”。未來的突破很難預測，對奇點（Singularity）的爭辯，甚至預測超級智慧的出現，在我看來都過於樂觀了。

阿萊克斯·彭特蘭：我同意李博士的觀點。很多生物機制很難解釋，包括用感知認識事物、理解聲音、尋找食物等，是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論，並進行實踐。

從務實的角度來說，我最感興趣的就是聯邦學習。就醫療而言，我們有這麼多醫院，在新冠疫情期間做了很多的實驗，為什麼這些實驗資料不能進行聯合呢？

儘管資料有不相容的地方，但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來，我們對資料的需求也許會越來越少，外科醫生或者物理學家或許不需要太多資料，因為他們對規則已經瞭若指掌了。

▌不要墨守成規，要跨領域、跨學科應對挑戰

Q3：人工智慧會有什關鍵挑戰？對於想從事這個行業的人，有什麼是需要瞭解的關鍵點？

李開復：首先，大背景在改變，新科技層出不窮，我們每年都需要學習新的東西。

其次，人工智慧可能引起各種問題，包括偏見、歧視、倫理道德等，是否危害人類的身體健康，無人駕駛技術該何去何從等等。

第三，人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校，能夠把AI教育擴展到各個學科，讓研發人員及早意識到自己的責任和價值。

阿萊克斯·彭特蘭：是的，我朋友做過一個有關電的趣味類比，電動馬達最初在工廠裡用於生產的時候，並沒有發揮出多大的作用，因為大家並不知道如何改造生產流程。

AI在一些領域發揮的作用是顯著的，但應用到其他領域時，就需要改造流程。很多情況下，最困難的就是說服人們改變商業流程去使用AI，因為大多數人是墨守成規的。

而有意思的是，就像李博士提到的，像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。

比如，我今天早上正好就這個話題跟G20領導人對話，大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題，不能只是工程師或者社會科學從業者們在做，經濟學家，政治家等等都必須參與進來緊密合作。

隨著AI的應用領域越來越廣，除了必須具備強有力的技巧來建立社會規則，還需要對研究經費、企業投入等進行各種調整。

▌雖然大公司實力不容小覷，但依舊對小公司抱有期待

Q4：AI研究會消耗大量的資源，我們是否應該將資源往學術界平衡？現在已經發生資源的重新分配和平衡了嗎？

李開復：就人才而言，現在已經有重新平衡的跡象了。

過去，頂尖大學的學者基於待遇和種種考量，不少選擇去企業界工作。而近期，曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。

但像GPT-3這樣的技術，仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練，就要花費460萬美金，只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。

我觀察到，近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建，為了解決特定問題而生，並非紙上談兵做突破性科研，切入的領域也往往是巨頭公司忽略的地方。

例如，為製造業進行AI賦能，不是一件輕鬆的事，需要去工廠實地勘查，瞭解運作方式。大公司因為賺錢很容易，不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果，就會給產業界帶來革命性的影響。所以，雖然大公司的實力不容小覷，但我依舊對小公司抱有期待。

阿萊克斯·彭特蘭：大學和公司是一種融合的關係，不僅體現在人才流動上，也會進行資訊資源分享，彼此是整體性的合作態勢。

當然這也不是絕對，產業界的保密需求還是存在的，只是從學校的出發點來說，我們願意毫無保留地為大家提供更好的研究成果，並與企業合作，形成標準化平臺。

▌人工智慧取代人類需要上百年或更久

Q5：兩位認為什麼是AI不能取代的？

李開復：一類是創造力、分析能力、邏輯辯論能力，瞭解自己知道什麼不知道什麼，這些是人工智慧無法取代的。另外一類是同理心，人類之間的信任、友誼，自我認知、意識等。

阿萊克斯·彭特蘭：人工智慧有朝一日可以取代人類所有的能力，但是這個過程會非常漫長，可能需要上百年或更久。

▌AI創業建議I：找到小切入點，不要與巨頭正面硬碰

Q6：李博士提到了AI在小企業中的運用，可否再舉例說明是如何運用的？

李開復：這個問題分兩部分：一個是小型AI公司與巨頭競爭，我的建議是找准巨頭沒有平臺優勢的細分領域，為某個針對性產業創造價值，並且不要與巨頭核心業務正面硬碰。

對於那些中小型非AI、但想應用AI的公司，需要確保有足夠的資料，以訓練與核心商業價值掛鉤的AI模型，並且有願意變革的開放性公司文化。

所以，早期應用AI的公司可能規模較大，因為他們有足夠大的資料，和可相容變革的商業模型。每個例子都不同，不是任何一家公司都要應用AI。

阿萊克斯·彭特蘭：如果我們放寬AI的定義，或許水管工、合同工都有資料，通過一些簡單的分析、整合，AI也可以在很大程度上改進他們的工作。

這些都是很小的切入點，基於簡單的AI分析、機器學習，依舊可以產生巨大的潛力。

▌ AI創業建議II：知曉技術，同時理解商業

Q7：兩位再分享一下最後的建議？

李開復：我們在步入一個AI開始滲透到方方面面的令人振奮的時代，我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地，而不僅僅鑽研技術本身。

阿萊克斯·彭特蘭：不要太較真於深度學習或者冗長的演算法，一切始於要解決的現實問題。不要止步於技術本身，要明白資料類型、形態和規律，關注商業流程。

感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。