浙大网新图灵，浙大网新总裁史烈的个人简历

过年你的手机有没有被熊孩子抢走玩游戏？这个问题将来可能被算法攻破。由南卡罗来纳大学和中国浙江大学的研究人员开发的新软件（iCare）使用了一种算法，用于测量用户与移动设备的互动，并可以可靠地分辨出用户是成人还是小孩。

闪亮的手机屏幕能够安抚哭闹的孩子，然而，21世纪的父母必须权衡儿童使用手机的利弊，防止他们沉迷王者荣耀、“吃鸡”游戏或者不知不觉地在淘宝、亚马逊上购买玩具。

幸运的是，由南卡罗来纳大学和中国浙江大学的研究人员开发的新软件（iCare）可以帮助解决这个育儿难题。

在iCare中研究人员开发了一种算法，用于测量用户与移动设备的互动，并可以可靠地分辨出用户是成人还是小孩。如果软件检测到是孩子在用手机，它可以自动阻止访问零售商、电子邮件等应用程序以及儿童不宜的网站。

iCare能够记录像手指按压的表面积、手指施加的压力和滑动长度等度量数据。研究人员分别从一群3至11岁的儿童（共17人）和一群22至60岁的成年人（共14人）那里收集数据。其测试的准确率达到了84％，8次滑动之后，准确率可达到97％。

不过，该算法尚未被整合到操作系统中，论文已经发表在移动技术大会HotMobile上。

基本理念：儿童与成年人与手机互动的方式不同

人体工程学和运动机能学已经表明，我们可以在相似年龄段的人群中发现共同的特征。本项研究的主要假设是儿童与成年人以不同的方式与智能手机进行互动。我们希望从智能手机上的正常触摸操作中提取儿童用户的特征。我们的想法基于以下两个观察：

首先，在尺寸方面，儿童和成人之间手部几何结构不同：儿童手部较小，而手指触碰点较一般成人短。因此，儿童往往会在较窄的屏幕范围内接触，并以较短的轨迹滑动。

其次，与成年人相比，儿童与智能手机互动的灵巧性差。根据我们的观察，孩子们在智能手机上的每次触摸都比成人慢，速度也较慢。当他们尝试在两次触摸操作之间切换时，即从轻击到滑动时，情况也是如此。这可以归因于儿童的身体尚未成熟，因此这会影响他们在使用手指执行任务时的反应。

因此，当从触摸数据提取特征时，我们考虑手形和灵活性属性。

实验装置：解锁手机和玩2048游戏

我们的研究获得南卡罗来纳大学机构审查委员会的批准（IRB号码73819）。在实验中，我们使用与所有主题相同的智能手机（由LG生产的Google Nexus 5X，运行Android v.7.1.1），并关闭其自动旋转功能以消除与各种手持相关的偏差。我们基于智能手机的两项常见活动设计了一个两阶段应用程序：解锁手机（点击手势）和玩游戏（滑动手势）。

点击手势在第一阶段收集。如图2（a）所示，在屏幕的顶部出现一个PIN码，用户被要求输入它。我们的应用程序生成两个四位数和两个六位数的引脚号，每个引脚随机出现两次。如果每次都成功，每个用户都会将手机解锁八次。我们将解锁尝试的最大次数设置为十次。。

滑动手势在第二阶段收集。我们修改了一个名为2048的流行益智游戏，如图2（b）所示。

用户可以在任何方向滑动来玩游戏。令人惊讶的是，相当数量的孩子表示他们之前玩过这个特定的游戏或类似的游戏。大多数3-5岁的儿童能组成64或更大，而6-11岁之间的儿童至少组成128，而五年级学生（10岁）最高组成512。

实验数据

在我们的实验中，我们招募了两组用户：儿童组有17名3至11岁的儿童，成人组有14名20至59岁的成年人。表1总结了参与者的人口统计。所有的参与者都完成了两个阶段的任务。在解锁手机阶段，我们收集了儿童组中的1357个手指按压和成人组中的762个手指按压数据。

请注意，虽然3至5岁儿童的人数并不是最多，但与大龄儿童和成人相比，我们收集的手指按压数量最多。这是因为这个年龄组的孩子更可能输入错误，因此他们尝试多次。在第二阶段，我们分别从儿童组和成人组收集了3442和3658次。总的来说，成人组在2048年的比赛中表现更好。

表2给出了滑动数据的样本，表3是点击数据的样本。轻击一般由两个动作组成：向下（“0”）和向上（“2”），而滑动有一个动作：触摸移动（“1”）。滑动由一系列触摸点组成。它从触摸屏幕开始，以手指提升结束。在每个点上，我们记录发生的时间，X-Y坐标，触摸区域的压力和大小以及手指ID。事件时间以毫秒为单位，并基于智能手机自启动以来的非睡眠正常运行时间。压力和尺寸值均被标准化为0和1之间的范围，其中0意味着没有压力并且完全没有尺寸。

数据处理

我们从所收集的触摸数据中从两个方面提取特征：手的几何形状和灵活性。表4显示了滑动手势和轻击手势的功能描述。总共，我们提取了35个特征，并且点击了8个特征。

手部几何。手部几何形状的差异会导致触摸范围，触摸距离，触摸压力和尺寸方面的差异。特别地，表4中编号从1到19的特征是基于手部几何图形提取的。

灵活性。考虑到灵活性，我们提取了从20到35的16个特征。灵巧性主要影响速度，加速度和任务持续时间。

分类器和度量

分类选择。根据孩子和成人分类的以上特点，我们实现了三个机器学习分类器，即支持向量机（SVM），随机森林（RF）和k近邻（kNN）。支持向量机是二元分类的流行和强大的工具，它可以输出一个最优化的超平面，以最大化两个类之间的边界。最重要的是，它能够通过使用内核技巧将数据映射到更高维空间来解决非线性可分问题。

在这里，我们使用径向基函数（RBF）作为我们的非线性核。 kNN是一种非参数方法，它没有数据的基础假设，每个样本都基于其邻居的多数投票分配给一个类。神经网络不基于训练数据进行任何概括，但它非常简单而且快速，同时具有高度竞争的结果。 RF是另一种有效的算法，它能够准确地对大量数据进行分类。它是一种集成方法，它在训练时间内构造大量决策树，并输出所有模型中票数最多的类标签。它还给出了每个特征在分类中重要性的估计。

指标。为了评估二元分类器的性能，我们选择常用的性能指标：ROC（AUC）曲线下的面积和相等的错误率（EER）。 ROC曲线代表受试者工作特征曲线，并通过绘制真实接受率（TAR）与错误接受率（FAR）的关系来创建，因为阈值变化。 TAR是正确识别孩子的概率，而FAR是分类错误地接受孩子的概率。 AUC是介于0和1之间的值，较大的值通常更好。 EER是接受和拒绝误差相等时的速率，而这个值越低，分类者越好。

结果：

首先，我们将孩子的触摸数据分为两组，分成3至5岁的儿童和6至11岁的儿童两组。我们将所有成人数据视为阴性样本，并为每个组单独训练了一个RF分类器。

图4显示了两个年龄组的ROC曲线的比较。对于滑动和敲击，我们在对3至5岁的儿童组进行分类时有更好的表现。这是合理的，因为年龄较小的儿童在手部几何和灵活性方面往往与成年人更为不同。

多次滑动。在本节中，我们将探索将不同数量的连续滑动组合用于分类对性能的影响。到目前为止，我们只使用相对较大的滑动数据集来进行多笔划评估。首先，我们分开将数据集转换为训练和测试集。我们通过从每个年龄段的参与者中随机选择10％的连续样本来准备测试数据集。

总的来说，测试数据集由660个样本组成，均匀地分布在儿童和成人之间。我们使用剩余的样本训练RF模型，并选择树号为200。与其单独划分所有划动并通过大多数投票达成最终决定，我们在较早阶段将其多个连续输出与它们的概率组合，并取平均值作为我们的预测概率。

图5显示了ROC曲线，通过改变划分的次数来进行分类决策。增加滑动次数时，分类错误可以大大减少。随着我们将滑动次数增加到8次，EER本地收敛到3.0％。尽管数据集的有限大小不允许我们进一步增加滑动次数，但结果清楚地表明使用多次滑动可以提高准确性。

限制与未来探讨：儿童多样性、有限的手势等

有几个问题有待探讨。

1、由任务属性造成的偏差。虽然没有限制用户如何执行触摸手势，实验中使用的具体应用（任务）会影响手势几何。因此，依赖任务的多样性可能会影响iCare的准确性。值得研究手势和相应的特征如何随着不同的任务而变化。

2、儿童用户的多样性。考虑到女孩和男孩身体的不同发育率，应该检查不同性别的触摸模式。此外，随着儿童的行为每年发生显着变化，可能会降低整体的准确性。我们还观察到，3岁以上的儿童可以使用PIN码解锁智能手机，即使他们无法读取数字。

3、有限的手势。还有很多其他的手势（例如，滚动）在我们的研究中还没有探索过。实际上，用户可能需要在不同类型的手势之间来回切换，才能在智能手机上完成任务。将所有类型的手势融合在一起可以产生更快的分类决策并可能提高准确性。

4、提高准确性。鉴于连续8次滑动和准确性，我们的方法可以为现有的父母监控应用程序提供很好的补充。但是，在应用到现实世界之前，其准确性应该得到改善。我们可以通过解决上述三个限制来提高准确性。此外，智能手机上还有其他内置传感器（例如陀螺仪和加速计），可以利用这些传感器来导出用户的分类结果特征。

【2018新智元AI技术峰会重磅开启，599元早鸟票抢票中！】

2017年，作为人工智能领域最具影响力的产业服务平台——新智元成功举办了「新智元开源·生态技术峰会」和「2017AIWORLD 世界人工智能大会」。凭借超高活动人气及行业影响力，获得2017年度活动行“年度最具影响力主办方”奖项。

其中「2017 AI WORLD 世界人工智能大会」创人工智能领域活动先河，参会人次超5000；开场视频在腾讯视频点播量超100万；新华网图文直播超1200万。

2018年的3月29日，新智元再汇AI之力，共筑产业跃迁之路。在北京举办2018年中国AI开年盛典——2018新智元AI技术峰会，本次峰会以“产业·跃迁”为主题，特邀诺贝尔奖评委、德国人工智能研究中心创始人兼CEO Wolfgang Wahlster 亲临现场，与谷歌、微软、亚马逊、BAT、科大讯飞、京东和华为等企业重量级嘉宾，共同研讨技术变革，助力领域融合发展。

新智元诚挚邀请关心人工智能行业发展的各界人士 3 月 29 日亲临峰会现场，共同参与这一跨领域的思维碰撞。

编者按：本文来自“极客公园”（ID：geekpark），作者：哲铭，36氪经授权转载。

目前，人工智能在教育行业的应用场景，无外乎几种：智能测评、拍照搜题、智能排课、教育机器人、自适应系统。

有的公司选择选择先发力「智能测评」，如中小学在线 1 对 1 辅导品牌掌门 1 对 1 就极其看重课前测评和学生与老师之间的匹配；有的公司选择深挖「智能排课」，如面向 4-12 岁的在线少儿英语小班课产品「魔力耳朵」；还有的公司如「作业盒子」则致力于开发能教育机器人，实现 AI 教师落地。

但在自适应系统这个绕不开的话题上，国内提及的人不少，专攻的却寥寥无几。因为其核心算法的不透明性以及攻克的难度，自适应系统相较于其他几类人工智能在教育行业的落地场景更容易被贴上「忽悠」的标签。2016 年建立于上海和纽约的人工智能学习系统论答（learnta）就是为数不多专注于自适应系统开发的一家。其 CEO 王枫认为，中国是 AI+ 教育最合适的商业市场，因为应试教育是 AI+ 教育最能发挥价值的场景，而这一点的实现还得通过自适应学习（Adaptive Learning）。

在国外，自适应学习并不是个新鲜概念，相反，其是在上世纪七十年代随着人工智能的概念逐渐为人熟知。难怪王枫说，教育里的人工智能就是自适应学习。根据维基百科的解释，自适应学习，也称为自适应教育，是一种教育方法，它使用计算机算法来协调与学习者的交互，并提供定制的资源和学习活动，以满足每个学习者的个性化需求。（Adaptive learning, also known as adaptive teaching, is an educational method which uses computer algorithm to orchestrate the interaction with the learner and deliver customized resources and learning activities to address the unique needs of each learner.）

2008 年成立于美国纽约的 Knewton 是该行业的代表，在 2015 年也曾来到中国并引发了国内对于自适应教育的第一次集中关注，但最终结果却显得有些「水土不服」。极客公园和论答 CEO 王枫聊了聊他眼中的自适应系统，做到自适应需要什么条件，以及 Knewton 失败的原因等问题。

论答 CEO 王枫

真假

Geekpark：能讲讲自适应学习到底指的是什么吗？它与人工智能有什么区别？

王枫：自适应学习不是什么新名词，90 年代初卡耐基梅隆就已经开发出了 Cognitive tutor（认知向导），同时加州大学和纽约大学开发出来的 Alex。其实这两个产品已经比较成熟了，不是什么新产品。当然，产品的发展和许多人工智能领域的算法类似，受制于当时计算机的运算能力。现在这些年下来，自适应学习已经能够成熟开始商业化应用，Knewton 不是第一家做知识性学习的，但是第一家把它做到大规模商业化应用的。对我们算法来说，自适应学习是找到孩子学习问题，推荐下一步学什么，并在最短的时间内，帮助你攻克这个知识点。

其实自适应学习本身就是 AI 在教育里的应用，最早不说 AI，是因为那时候算法非常初级。但是教育里面的 AI 就是自适应学习，当然还有现在大家说的人脸情感识别，这些我就不说了。

Geekpark：现在国内所讲的自适应和真正的自适应有什么区别？

王枫：2015 年初我回国时，国内一些同行零零星星的在讲自适应学习，但当时很多理解都非常不准确。对教育来说，是根据学生实时的学习情况，来不断调整下一步学生要学哪个知识点，或者做什么试题，这叫 Adaptive。

但这里面水在什么地方？Adaptive 简单说来有基于规则和基于算法两种，比如说当一个学生做错了一元二次方程，系统根据提前埋好的点推荐几个一元一次方程的题目，再推几个因式分解题目，这就是基于规则。但不能说这是真正有用的自适应，因为 A 学生可能是一元二次方程不会，B 学生可能是一元一次方程不会，C 学生可能是因式分解不会，而 D 学生可能连小学的乘法快速运算都不会。按照埋点的方式，无法预先知道学生到底是哪个知识点不会。如果按照设定规则的方式，74 个知识点，就得需要设定 2 的 74 次方程的规则（每一道题都有会与不会两种情况）。

换句话说，所谓简单基于规则的自适应，对学习不但没有用，很有可能还会有害，因为学生需要浪费时间去重复学习他可能已经掌握的知识。真正有用的自适应一定是基于算法的，这就基于机器学习，基于 AI 了。

Geekpark：论答现在能做到的自适应是怎样的？

王枫：前面说的 74 个知识点，论答只需要用 8 道题就能检测 74 个知识点，有 66 个知识点是不用出题就可以判断学生的掌握情况。但可能还不止，因为一些知识点下面可能会有很多道题。

学生每做完一道题，下一道题在哪个知识点上给他出题，我们没有任何人知道。论答的系统就像一个黑匣子，但本质上就像一个名师一样。一个名师来测试整个中考代数，可能也只需要 5 至 8 道题。因为他有多年的教育经验来不停地判断每道题之间的关联性，他大脑中的判断是个非常复杂的过程。对于机器而言，每做完一道题系统都在不断更新，判断你在每一个知识点上面掌握的可能性。

Geekpark：如何判定这个黑匣子中的算法就是有效的？

王枫：首先可以通过直观感受，多做几套测试来看看效果，看到底是不是靠谱，我们机器得出来的判断和作为一个好老师的判断，或者你对自己理解的判断是否一致，这是第一点。比如在实数运算这一节，我全是乱点的答案，但蒙对了 3 个，可是系统对我的判定是掌握了 0 个知识点。有意思的是实数加法法则与运算率这个知识点，相关的两道题我都猜对了，这种概率已经是 25%×25% 了，不过通过相关的算法，机器最后还是认定我没有掌握这个知识点。

从严谨的实证研究来说，我们完成了中国有关自适应学习第一个严谨的实证研究，研究结果发表在全球顶级的研究杂志《交互学习》研究杂志 2018 年第一期上面。在这个实验中，与一个主流学习系统相比，我们的学习效果显然更好，我们的学习效率是在它的 3-28 倍之间。

Geekpark：为什么论答能做到通过 8 道题测评 74 个知识点？这背后的开发流程是怎样的？

王枫：我从 2015 年初回国开始，就在开发这个系统。一直到今年 5 月份才觉得系统基本打磨成熟，开始输出。算法的研发团队是纽约那边做数据科学相关的高端人材。首席数据科学家马镇筠博士在那儿负责，他是浙大数学系本科，弗吉尼亚大学统计学博士，他负责开发我们的核心算法。

这件事本质上是一个庞大的系统工程，算法开发、知识图谱设计、以及到最后相匹配的练习题、讲义的生产等都是非常复杂的过程。拿 6-9 年级系统中的数学测试题来说，我们专业的题目研发团队通过对知识点的拆解原创开发了十几万道题。开发出题目后还需要用人工打标签，每一道题从开发到入库，中间有几十道工序，有很多个标签要打。只有这样算法引擎才知道，每个知识点后面有哪些题，每个题后面的属性、难度、区分度以及与学生做题之前的知识掌握程度等。入库后算法会不断根据学生的使用情况调整这些题目的属性。

前景

Geekpark：自适应系统能解决教育市场中的什么痛点？

王枫：像论答这样的自适应系统，可以从根本上解决优秀老师供给的问题。这也是整个教育产业最核心的价值。在中国，不管是培训机构还是公立学校，最缺是优秀老师。像新东方跟学而思这样 200 亿美金的大公司，加起来所占的市场份额也不到 12%。为什么？因为他们根本没有那么多优秀的老师。论答现在可以做到让一个没有任何教学经验的兼职大学生，只需要 3-6 小时在线微信群培训，再加上我们人工智能系统，就能达到一个优秀老师的教学水平。

Geekpark：论答为什么能解决优秀老师的供给问题？

王枫：因为一个名师的必杀技 70% 都能被我们的系统替代掉，我们已经完全可以去做课堂。一个好老师其实有两种职能是机器难替以代的，第一是看场子即是说保障课堂秩序，第二是精准定位，即是说能够一步一步的把一道题拆开，让学生去思考到底是哪里不会。现在论答已经能够赋予普通老师第二种功能，所以通过短暂的培训就能让普通老师成为名师。

Geekpark：都知道 Knewton 是这个领域的领先者，为什么 Knewton 在中国没先跑出来？

王枫：自适应学习引擎是最核心的，但光有引擎是不够的。Knewton 吃了亏，以前全部都做，后面只做引擎。但是光有引擎，没有相匹配的内容和系统，最终的结果就没法保证。除此以外，中国的学科体系和美国的也不一样，所以在美国适用的那些经验，到中国就搞不定了。

对我们来说，除了引擎外还有一个庞大的学习系统，包括教师、学生以及相应的备课系统，甚至包括相应在线直播平台，以及相匹配的课程内容。这里面是一个完整的人工智能学习系统，而且我们还是开放式平台，任何老师可以在里面添加任何形式的教学内容，任何机构、任何学校都可以，是真正开放式平台。

Geekpark：中国的教育场景有什么不同特点？

王枫：应试教育是 AI+ 教育，最能发挥价值的场景。而全球最大的应试教育市场在哪儿？就在中国。所以对于 AI+ 教育公司来说，中国是最合适的商业市场。

为什么 AI 最有用的应用场景是应试教育呢？简单来说，AI 要能够判断，需要量化，必须有数据。像人脸识别、表情也不是说没有用，但是对于机器而言，要能最大发挥价值，还是要能够最大限度量化，而且必须要明确测量的目标。从应试教育来说，中国家长从初中开始，只有一个诉求——提分，考一个好的高中，然后考一个好的大学，通过自适应系统能够很好的实现家长的这些诉求，在这方面机器的确能够发挥巨大的价值。

Geekpark：现在的商业模式是怎样的？

王枫：B2B2C 的模式。我们 5 月份开始向 B 端学校，还有培训机构输出，现在已经有几十所学校使用了。我认为 3-5 年之内，论答的系统至少成为整个中国培训产业的标配，而且对中国绝大部分中小学来说，他们会发现论答系统，对他们学校的教学来说，也都是极其关键的。

编者按：本文来自微信公众号“量子位”（ID：QbitAI），作者唐旭。36氪经授权转载。

106年前的今天（6月23日），阿兰·麦席森·图灵在英国伦敦出生。

1968年，也就是图灵逝世14年后，一份此前从未发表过的图灵论文原稿出现在了《科学美国人》杂志上。

在这篇写于1948年、题为《智能机器》的论文里，图灵第一次为世人勾勒出了人工智能领域的轮廓。

他不仅为联结主义理论奠定了基础，还引入了多种对于日后的AI研究至关重要的概念。

而在此之前，联结主义被广泛认为起源于在1957年首次发表相关论文的弗兰克·罗森布拉特。

然而，图灵这篇跨时代的论文在当时被自己的领导、英国国家物理实验室主任查尔斯·达尔文斥之为“小学生作文”，不予发表。

一份伟大的思想，就此失去了提早照亮世界的机会。

观其一生，图灵对于宣扬自己的思想始终缺乏足够的热情。他古怪、孤僻、木讷，任凭自己和作品在偏见中被埋没，并最终如愿以偿……

如同那份被埋藏的论文手稿——阿兰·图灵，最终成为了被遗忘的那个人。

算出不可计算之物

1935年，图灵23岁。

这一年，他构想出了一种后来被世人称为“通用图灵机”的抽象设备。这种设备拥有无限的内存，能够同时存储程序和数据；它还包括一个在内存上以一个符号为单位前后移动的扫描器，用于读取信息及写入额外的符号。

机器的每一种基本行为都十分简单，比如“识别扫描器所处位置的符号”，“写入‘1’”或是“向左移动一个位置”。但当大量类似的基本行为联结在一起，结果就会变得复杂。

虽然结构简单，但一台通用图灵机足以执行今天最强大的计算机能够完成的任何任务——事实上，所有现代数字计算机本质上都是通用图灵机。

在1935年，图灵的目标是设计出一台尽可能简单的机器，让它能在无限的时间、功耗、纸和笔以及完美的专注度下进行任何人类数学家能够借助算法完成的计算。称其“通用”，就是因为它有能力进行所有类似的运算。

图灵本人曾写过：“电子计算机是为了执行任意特定的、依靠经验法则的处理进程，这些进程原本可以由人类以一种有规则但却笨拙的方式完成。”

理论而言，图灵成功了。不过，一个引人注目的问题依然随之产生：我们有可能设计出甚至比通用图灵机更加强大的机器吗？

有段时间，超计算（Hypercomputation）领域吸引着越来越多的科学家。一部分人猜测，已知最为复杂的信息处理器——人脑本身——就是一个超计算机（Hypercomputer）的自然实例。

而在人们真正燃起对于超计算的兴趣之前，所有已知对于通用图灵机而言过于复杂的信息处理工作都被作为“不可计算之物”而忽略。从这个意义上讲，一台超机器（Hypermachine）应该能够算出“不可计算之物”。

“不可计算之物”的实例在数学领域十分常见。比如，对于一些随机选定的算术陈述，一台通用图灵机并不能判断出哪些属于定理（如“7+5=12”）以及哪些不是定理（如“任意一个数都是两个偶数之和”）。

还有一种“不可计算的”问题来自于几何领域。一组大小不同、各条边的颜色也不同的正方形瓷砖是否能“铺满“一个欧几里得平面（没有空隙、没有重叠且接合各边的颜色相同视为“铺满”）？夏威夷大学的逻辑学家William Hanf和Dale Myers就曾发现过一组通用图灵机无法计算的瓷砖。

在计算机科学领域，一台通用图灵机无法一直预测对眼前的程序是会终止，还是会永远继续运行下去。有时这种情况被人们称为，没有通用目的语言（Pascal、BASIC、Prolog、C等等）能够拥有一个哪怕最简单的崩溃调试器，它们难以发现能够导致崩溃的故障，包括那些会引发无限处理循环的错误。

图灵本人成为了第一个对所谓“超计算机”的构想进行研究的人。1938年，在自己的博士学位论文中，图灵描绘了“一种全新的机器”——“预言机”（O-machine）。

““预言机”“即一台通用图灵机加上一个黑箱后得到的成果。黑箱又被称为“预言家”（Oracle），是一种用以执行那些“不可计算的”任务的机制。

而在其他方面，”“预言机”“都与一般的计算机十分相似。输入一个被数字化编码过的程序之后，”“预言机”“会通过重复的基本行为组合一步步地输出结果。其中一步就是向“预言家”传输数据并记录其反馈。

图灵并没有说明“预言家”是如何工作的（他也从没解释过通用图灵机的那些基本行为——识别扫描器中的符号”是如何实现的）。不过单从概念上看，一种能够满足“预言家”特性的机制并非难以想象。

原则上，如果神经元的活动被去同步化，一个合适的B型网络就能对那些“不可计算之物”进行计算（如果存在一个能让各神经元协调工作的中枢生物钟，该网络的运作就能在一台通用图灵机中被精确地模拟出来）。

在超计算理论中，像“分辨算术定理和非算术定理”这类任务都不可解；即便是能够分辨出程序是否由C语言写成的调解器，也会陷入理论上可能的无限循环。

而如果超计算机能被制造出来，那么用它破解那些看似不可解的逻辑和数学问题的潜力将会十分巨大——不过，相关的研究尝试也很可能因无法满足实现“预言家”所需的条件而告吹。

在数理逻辑之外，图灵的”“预言机”“几乎被忘得一干二净；相反，一个神话被人们供奉了起来：在一份子虚乌有的记录中，图灵在二十世纪三十年代中期成功证明了超机器是可能的——传言中，他与自己在普林斯顿大学的博士生导师阿隆佐·邱奇宣称一台通用图灵机可以精确地模拟任何其他信息处理机器的行为。

这条被广为误读的“邱奇—图灵论题”意味着，没有机器能够解决通用图灵机能力范围之外的任务。

但事实上，邱奇和图灵只说过，一台通用图灵机能够模拟任何人类数学家在使用笔和纸的情况下借助算法完成的工作——对于一个神话而言，这个命题显然过于薄弱了。

图灵对于超计算机的理论贡献无疑被忽视了——即便是对于工作于这一领域的研究者而言。专家们永远谈论的是要执行“超越图灵局限”的信息处理任务，称自己的工作是在尝试“打破图灵障碍”。

《新科学家》杂志上曾有一篇报道甚至声称，全新的机器已经“超出了图灵的概念范畴”，它们是“图灵从未构想到的计算机类型”……

就仿佛半个世纪前，那位来自英国的天才从未踏足过这片领土。忧伤的是，那只不过是图灵联结主义思想的又一次复活罢了。

图灵联结

数字计算机都是无与伦比的神算子。如果让它们预测火箭的发射轨迹，或是计算大型跨国公司的账目，它们可以在几秒内就给出答案。

然而，换成那些对于人类而言轻而易举的事情——比如认脸或是阅读手写的文字，机器会变得完全不知道从何入手。

也许是因为组成人脑的神经元网络具备专门应对这类任务的部门，而普通计算机没有。因而，科学家们开始尝试开发结构更加接近人脑的计算机。

1948年，图灵36岁。

这一年，他在一篇未能发表的论文中第一次引入了联结主义的思想。在论文中，图灵发明了一种他称之为“B型非结构化机器”的神经网络，包含人工神经元以及可以对神经元之间的联结进行调节的设备。

B型机器中的神经元可以是任意数量，也可以以任意模式相联结，但依然神经元之间的联结必须通过调节器。

所有调节器都具有两条训练光纤。向其中一条光纤上加置一个脉冲，会将调节器设定为“通过模式”：在这种模式下，一个输入（0或1）将会原封不动地从中通过并转化为输出。

而在另外一条光线上加置的脉冲将会把调节器设定为“干预模式”：在这种模式下，无论输入为何，输出结果都将为1。在这种状态下，调节器会将所有试图通过的信息全部破坏。

一旦被设定完成，调节器将会一直保持“通过”或“干预”的状态，除非其收到另一条训练光纤上的脉冲。这一独创性的设计使得B型非结构化机器能够以图灵称之为“适度干预，摹拟教育”的方式来进行训练。

事实上，正是图灵创立了“幼儿的皮层是一个非结构化机器，可以通过适度干预训练来实现结构化”的理论。

图灵设计的每个神经元模型都有两条输入光纤，而每个神经元的输出就是两个输入的逻辑函数。网络内的每个神经元都执行相同的逻辑操作——“与非”（NAND），即只要其中一个输入为0，则输出为1；如果两个输入均为1，则输出为0。

图灵选择“与非”是因为所有其他的（布尔）逻辑操作都可以通过与非神经元的组合实现。更进一步，图灵还证明了连联结调节器本身也能通过“与非”来构建。因而，图灵指定了一种只由与非神经元和它们的联结光纤所构成的网络——这也几乎是最简单的大脑皮层模型。

1958年，罗森布拉特曾经以一句话给联结主义的理论基础下了定义：“被存储的信息以新的联结——或是神经系统内传输信道的形式而存在。”

由于对已有联结的破坏在功能上等同于新的联结的产生，研究者们就能通过使用一个包含额外联结的网络，并选择性地破坏一部分联结的方式来构建针对特定任务的神经网络。

图灵的B型非结构化机器的训练过程，同时包含了毁灭和创造两种形式。

图灵还希望能够发掘其他种类的非结构化机器，他一直想用一台普通的数字计算机对一个神经网络极其训练机制进行模拟。他曾说：“要允许整个系统运行可观的一段周期，然后像（突然闯入课堂的）”督学“一般打断它并观察它的学习进展。”

他原本有机会这么做。然而，在用上第一批通用电子计算机之前，图灵就已经开始了自己在神经网络方面的工作（1954年Belmont G. Farley和Wesley A. Clark在MIT成功运行了对于小型神经网络的首次电脑模拟）。

尽管图灵单单用纸和笔就能够证明，一个足够大的B型神经网络经过如此配置之后就能变成一台通用计算机。这一发现依然解决了人类认知领域最基本的问题之一。

自上而下来看，“认知”包括复杂的顺序进程，如同在数学计算中一般，它通常会将语言或其他形式的符号表征囊括在内。然而自下而上地看，“认知”只是简单的神经元燃烧而已。认知科学家面临的问题，是如何让这些不同的角度协调起来。

图灵的发现则为这一问题指明了一个方向：自上而下来看，如通用计算机一般工作的神经网络能够执行那些连续的、富于符号表征的处理工作，因此应该把关注点放在大脑皮层上。

在1948年，这一假说十分超前——而事实上，直到现在，它仍然是对于认知科学领域几大难题最棒的猜想之一。

尾声

1950年，图灵38岁。

在自己生命的最后几年，图灵开辟了人工生命的全新领域。

当时他在试图模拟一种化学机制，通过这种化学机制，一个受精卵细胞的基因将可能决定其发育而成的动物或植物的解剖结构。

他称，这项研究与自己在神经网络方面的研究“并非毫无关联”，因为“大脑的结构必须……通过遗传上的胚胎学机制而实现，而且，我正在研究的这种理论可能会更好地说明这一过程意味着怎样的局限性。”

在那几年，图灵成为了第一个在计算机辅助下进行非线性动力系统研究的人。他的理论使用了非线性微分方程来对发育的化学过程进行表达。

不过，这项开创性的研究只进行了一半。

1954年6月8日，图灵被发现在自己的卧室中死于氰化物中毒。除了那颗被咬掉一口的苹果，图灵还留下了一大摞手写的笔记和一些计算机程序。之后的几十年里，这些材料仍然不能被人们完全理解。

又或许已经被忘却。

●　●　●

你眼中的未来，是什么样子的？

尼古拉·特斯拉眼中的未来，是世界将被一个发送无线讯息的装置连接起来。

1940年，首台战地移动电话机出现在美国贝尔实验室。

马克吐温眼中的未来，是《起源于1904年伦敦时间》中描述的一个网络互连的装置。

1969年，因特网诞生于美国。

图灵眼中的未来，是机器将会像人一样思考。

2016年，AlphaGo成为第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人。

从农耕时代到工业时代再到互联网时代，未来永远是最动人的图画，而科学则是背后推动时代更迭的最强动力。

11月17、18日，80余位世界顶级科学家组成的最强科学天团，将聚首北京，为出席会议的2000余位观众带来覆盖12大全球最前沿科学议题的精彩演讲和智慧对话。

不仅如此，2018年未来科学大奖七位获奖人——李家洋、袁隆平、张启发、马大为、冯小明、周其林、林本坚，将首次联合亮相颁奖典礼，共沐科学荣耀。

2018年嘉宾阵容

为水稻安上“免疫系统开关”

董欣年，杜克大学生物系杰出讲席教授

董欣年，杜克大学生物系杰出讲席教授，Howard Hughes医学研究所研究员，美国科学院院士，未来科学大奖科学委员会委员，分子植物病理学领域的先驱。她的实验室确定了NPR1为植物免疫调节剂的主要调节蛋白，并阐明了NPR1转导免疫信号水杨酸赋予病原体抗性的机制。同时还发现，植物免疫反应是由生物钟调节，以避免与其他代谢活动的冲突。董欣年团队为水稻安上了一种“免疫系统开关”：它能在不影响作物产量的前提下，大大增强植物本身的免疫系统，并同时对抗多种病原体。

SDN业界传奇开创者

Nick McKeown，斯坦福大学计算机科学和电子工程Kleiner Perkins

Nick McKeown，斯坦福大学计算机科学和电子工程Kleiner Perkins, Mayfield, Sequoia Capital讲席教授，美国艺术与科学院院士，美国工程院院士，英国皇家工程院院士。Nick McKeown和他的博士Martin Casado在2006年提出了SDN架构。2008年，带领团队发布首个SDN开源控制器，2009年发布OpenFlow1.0标准，2011年与其他几位业界先驱共同创立ONF和ON.Lab。曾与普林斯顿大学Jennifer Rexford教授一起设计开发了P4，此后一直推进P4社区的发展,并将SDN推向芯片层，获得了业界的广泛关注。他还曾创立SDN公司Nicira Networks，该公司在2012年被VMware收购。

踏出克隆了PD-L1应用癌症免疫第一步

陈列平，美国耶鲁大学UTC癌症研究讲席教授

陈列平，美国耶鲁大学UTC癌症研究讲席教授，耶鲁大学医学院免疫学系、医学系和皮肤病学系教授，耶鲁大学癌症中心肿瘤免疫部主任；台湾中央研究院院士，肿瘤免疫治疗的先驱者，长年专注于淋巴细胞共刺激、共抑制机理及其在治疗癌症、自身免疫病等方面的研究与转化应用。1999年至2002年间，陈博士发现PD-1/PD-L1通路，并独自建立针对PD-1/PD-L1通路的癌症免疫治疗方法。2006年，陈博士发起并组织了全球首次利用抗体阻断PD-1/PD-L1通路治疗癌症的临床试验，并首创以PD-L1检测作为治疗标志物的方法。陈博士的研究对于癌症治疗具有革命性影响，其发现直接促进了广谱抗癌药物抗PD-1/PD-L1单抗的开发。

半导体工艺大师

Subramanian S. IYER，加州大学洛杉矶分校亨利萨缪利工程与应用科学学院电气和计算机工程系、材料科学与工程系杰出校长讲席教授

Subramanian S. IYER，加州大学洛杉矶分校亨利萨缪利工程与应用科学学院电气和计算机工程系、材料科学与工程系杰出校长讲席教授、Charles P. Reames讲席教授；加州大学洛杉矶分校异质集成与性能进化中心主任。在1981年博士毕业后，Subramanian S. IYER加入了IBM的T. J. Watson研究中心，并对MOSFET工艺做出了非常大的贡献，即Salicide工艺，后来又成功研制出了使用低价SiGe工艺的异质结三极管；在2002年Iyer与他在IBM的同事们提出了eFUSE，可以通过编程来控制特定导线的通或断。后来Iyer发现，使用eDRAM，CPU可以集成非常大的快速访问内存，从而大幅提高性能。Iyer从未停下前进的脚步，共获得了IBM四次为他颁发的杰出技术贡献奖。

以新技术为道具的分子魔术师

余金权，美国Scripps研究所化学系Frank and Bertha Hupp教授

余金权，美国Scripps研究所化学系Frank and Bertha Hupp教授，未来科学大奖科学委员会委员，国际上C-H键活化领域最为活跃的华人学者。他的研究领域主要为：C-H键活化研究及其在新药研发和天然产物全合成领域的应用。他在惰性C-H键的选择性活化和重组研究方面开展了非常原创的工作，例如弱配位作用促进的金属钯催化的C-H键活化、远程C-H键活化和不对称催化的C-H键活化等。

计算机安全和密码学名师

Dan Boneh，斯坦福大学计算机科学和电气工程学教授

Dan Boneh，斯坦福大学计算机科学和电气工程学教授，美国工程院院士。他对双线性密码学领域的建立发挥了关键性作用：利用双线性对实现新的加密功能，改进现有的加密方法；基于身份的加密（Identity-based encryption，IBE）；利用双线性对的短签名算法。Dan Boneh 对密码学和计算机安全作出了多方面的重要贡献，2015年Boneh开始教授比特币和加密货币课程，很快吸引了100名学生，超过一百万人注册了他通过Coursera网站提供的密码学在线课程。

黑科技女神：人造皮肤识别盲文

鲍哲南，斯坦福大学化学工程学Department chair and K.K. Lee教授、化学教授和材料科学与工程教授

鲍哲南，斯坦福大学化学工程学Department chair and K.K. Lee教授、化学教授和材料科学与工程教授，斯坦福大学可穿戴电子中心创始人和主任，美国工程院院士，未来科学大奖科学委员会委员。她在制造用于柔性薄型显示器的全塑晶体管的新型高性能有机、高分子半导体材料方面有突出贡献。她的工作使柔性电子电路和显示器成为现实。在她最近的工作中，她开发了皮肤启发的电子材料。因为在人造电子皮肤上的工作至关重要被选为“自然”杂志2015年十大科技人物。鲍哲南是两家硅谷创新公司C3 Nano和PyrAmes的联合创始人和董事会成员。

一手化学天才，一手创业时代

George M. Whitesides，哈佛大学 Woodford L. and Ann A. Flowers University 讲席教授

George M. Whitesides，哈佛大学 Woodford L. and Ann A. Flowers University 讲席教授，美国艺术与科学学院院士，美国工程院院士，美国国家发明家科学院院士，美国科学院院士。2011年获得了所有活化学家的最高Hirsch指数评级。Whitesides参与创办了12家公司，总市值超过200亿美元。他是多家科学期刊的编辑顾问委员会成员，同时撰有1200多篇科学论文，拥有至少134项专利发明。2011年最有影响力的活化学家。先后获得美国化学学会的纯化学ACS奖（1975年）， Arthur C. Cope奖（1995年），国家科学奖章（1998年），京都材料科学与工程奖（2003年），Gabbay奖（2004年），丹大卫奖（2005年），韦尔奇化学奖（2005年），AIC金奖（2007年），和普里斯特利奖章（2007年），ACS授予的最高荣誉。

绘制癌症迁移历史图谱

Ben Raphael，普林斯顿大学计算机科学系教授

Ben Raphael，普林斯顿大学计算机科学系教授。他通过研究开发出了一种名为MACHINA的新型计算方法，这种算法能帮助研究人员从目前获得的DNA序列数据信息来推断机体过去发生的癌症转移过程。相比当前仅基于DNA序列的方法而言，这种新技术还能够绘制出癌症迁移历史的清晰图谱，当前有些研究能够推断出癌细胞的复杂迁移模式，但这种模式并不能反映当前的癌症生物学特定。

“倾听”宇宙百亿年前的“声音”

蔡一夫，中国科学技术大学物理学院天文系教授

蔡一夫，中国科学技术大学物理学院天文系教授。他领导的粒子宇宙学青年研究团队提出了一种新的原初黑洞产生机制，利用暴胀时期的声速振荡来共振放大原初物质密度扰动，使得原初黑洞的产生率达到天文观测可检验的水平。蔡一夫团队发现，如果原初宇宙中存在以声速传播的物质密度扰动，且形成周期性振荡，那么原初密度将发生周期性叠加，增加原初黑洞的产生几率。研究还表明，这种新的形成机制可以为一定比例的暗物质提供合理的解释，并有望被未来的多信使天文观测所检验。

首创神经网络学习算法

Terry SEJNOWSKI，加州大学圣迭戈分校生物科学教授

Terry SEJNOWSKI，加州大学圣迭戈分校生物科学教授，美国艺术与科学院院士，美国工程院院士，美国国家发明家科学院院士，美国医学院院士，美国科学院院士。他在20世纪80年代时首创了神经网络学习算法，并和Geoffrey HINTON一起发明了Boltzmann机器。这是针对多层神经网络的第一个学习算法，为深度学习奠定了基础。他训练了一个叫NETtalk的英语语音发音网络，这是神经网络在现实世界中的第一个应用。此外，他开发了一种盲源分离的无监督学习算法，称为独立分量分析(ICA)，具有许多实际用途。

开发首个基于认知控制的大脑机制计算模型

Jonathan D. COHEN，Robert Bendheim and Lynn Bendheim Thoman神经科学讲席教授

Jonathan D.COHEN，Robert Bendheim and Lynn Bendheim Thoman神经科学讲席教授，心理学教授；普林斯顿大学神经科学研究所主任。他的工作整合了对高级认知功能的研究，以及在此功能之下的大脑运作机制，并且建立了针对此项功能的计算显示模型。他帮助开创了功能性磁共振成像应用于人类大脑功能研究的先河，开发了第一个基于认知控制的大脑机制计算模型。

计算数学多领域开拓者

舒其望，美国布朗大学Theodore B. Stowell应用数学讲席教授

舒其望，美国布朗大学Theodore B. Stowell应用数学讲席教授，未来科学大奖科学委员会委员。他的研究领域包括用于求解双曲方程和对流占优偏微分方程的高精度WENO有限差分及有限体积方法、间断有限元方法和谱方法等。这些方法被广泛应用于计算流体力学、半导体元件模拟及计算宇宙学等领域。他的研究工作有着深远的影响，其发表的学术论文及著作在Google学术的引用率高达五万余次。舒其望教授现任计算数学国际期刊Journal of Scientific Computing主编，同时还担任多个国际学术期刊的编委。

2018未来科学大奖颁奖典礼

暨F2科学峰会

将于2018年11月17-18日盛大开幕

地点：中国·北京中国大饭店

我们在未来等你

（查看更多议程、报名信息请扫描下方二维码）

制版编辑 | 皮皮鱼

▼▼▼点击“阅读原文”，直达知识分子书店。