通过这场研究峰会,微软将为全球科研人员献上一场「超有料」的科技盛宴。
2021 年已经接近尾声,这一年里,包括人工智能在内的诸多科技领域都出现了令人瞩目的进展和大事件,如自年初起陆续涌现的大规模语言模型、预测蛋白质结构的算法 AlphaFold2 开源、「消失」的黄仁勋、因果推理研究获得 2021 年诺贝尔经济学奖,等等。科学与技术的联系越来越紧密,计算机和 AI 技术的大幅进步正在以前所未有的速度推动全新的科学发现与创新突破。
自 1991 年成立以来,微软研究院一直致力于通过跨学科、跨机构、跨地域的科学研究,为微软、为社会畅想和实现技术远景,培育一个有韧性、可持续且健康的全球社会,并确保技术值得信赖,让每一个人受益。30 年时间里,微软研究院渴望为客户、社区和整个社会创造积极的影响,并深入思考计算机科学以及其他研究领域的发展现状和未来方向。
为了进一步探索科学与技术的发展,微软齐聚全球八大研究院大拿,倾力打造的首届微软研究峰会 Microsoft Research Summit 2021 将于 10 月 19 日至 21 日线上举办。届时,来自全球科技界、学术界、工业界的同仁们将相聚云端,激荡智慧,共同探讨拓展科技边界的前沿研究,以多元视角呈现科技创新中的最新进展、未来趋势及业界洞察。
本次峰会按照 Asia/India、EMEA、Americans 三个时区进行,在时间上对于亚洲的与会者非常友好。在为期三天的峰会中,全球 300 余位顶尖科学家和技术领导者将围绕「科学、赋能、可持续发展、医疗健康、信任」五大主题,带来 150 余场精彩分享,话题涵盖 AI 的行业应用、机器学习、可持续发展、隐私与安全、健康和生命科学等等。
这场属于全球科技工作者的高规格盛会不容错过!
微软 CEO、CTO 高峰对话
MSR 负责人、首席研究员重磅演讲
本届微软研究峰会上,包括微软董事长兼首席执行官 Satya Nadella、微软首席技术官 Kevin Scott、微软全球资深副总裁 & 微软研究院负责人 Peter Lee、微软研究院首席研究员 Danah Boyd 在内的重磅嘉宾将带来多场专题演讲,阐述他们在计算机科学研究发展趋势、科研工作增益社会、负责任的数据科学等不同领域的心得与看法。
从左至右依次为 Satya Nadella、Kevin Scott、Peter Lee 和 Danah Boyd。
其中,10 月 20 日 16:30-17:30,Satya Nadella 与 Kevin Scott 将一起探讨未来十年及以后的计算机科学研究发展趋势,以及如何利用变革性的技术突破来解决世界性难题。
10 月 19 日 10:00-11:00,Peter Lee 将就「二十一世纪的产业研究」这一主题发表自己的洞见。作为科研人员,在探索未知的过程中,如何保持好奇心?如何激发创造灵感?研究工作如何帮助应对未来社会所面临的重大挑战?他将针对这些问题进行一一解答。
10 月 19 日 16:30-17:30,Danah Boyd 将在演讲中深入解读「负责任的数据科学」这一主题。伴随着数据科学越来越多地被作为基础决策依据应用于生产和生活中,人们也期望能从数据中获得更大的价值。Danah Boyd 将就应对数据科学的不确定性和局限性展开探讨。同时,她还将对话美国人口普查局首席科学家 John Abowd,以了解政府在现代化的联邦统计中所面临的挑战。
此外,微软研究院首席研究员 Mary Czerwinski 及同事还将与大家分享人机交互领域的最新进展,包括从日常设备中获得更多价值、寻找创新性方式表达自我、感受更真实的虚拟和增强世界等等。
倾听亚太科技前沿之声
20 余场主题论坛、150 余场分享、300 余位专家学者
本届峰会围绕「科学、赋能、可持续发展、医疗健康、信任」五大主题,共设有 20 余场分论坛及研讨会,来自亚太地区学术界和产业界的教授、学者和科研人员将通过演讲报告和圆桌讨论等多种形式,与来自全球的专家学者深入交流,探讨前沿技术在五大方面的进展、价值、趋势,碰撞新的火花,同时也展现亚太地区的科研实力。
其中,微软亚洲研究院院长周礼栋、副院长张冬梅、刘铁岩、潘天佑将携微软亚洲研究院各大研究方向的资深研究员,分享人工智能系统与网络、云服务的智能运维、深度学习和大规模 AI、强化学习、搜索与推荐、生物医疗、可持续发展等多个方向的最新研究成果。
此外,中国科学院教授陈熙霖、北京大学教授谢涛、复旦大学教授彭鑫、香港大学教授宫鹏、清华大学教授王书肖、加州大学伯克利分校教授马毅、东京大学教授佐藤徹(Toru Sato)、首尔国立大学教授 Kyoung Mu Lee 等来自亚太地区的各领域顶尖学者也将在大会上带来精彩报告。
五大主题之「科学」
该主题旨在促进人类知识和基础技术的发展,专家学者们的演讲涵盖云网络的未来、搜索与推荐系统的未来、深度学习与大规模 AI、云智能与智能运维、趋向于类人的视觉学习与推理、强化学习、因果机器学习等。其中尤其值得关注的是因果机器学习,在几天前公布的 2021 诺贝尔经济学奖中,MIT 的 Joshua D. Angrist 和斯坦福大学的 Guido W. Imbens 凭借「因果关系方法论」的贡献而获奖。
五大主题之「赋能」
近年来,赋能早已成为一个热门词汇,学术界、产业界乃至政府都在使用,比如耳熟能详的知识赋能、技术赋能、人才赋能等等。就企业而言,赋能的主要目的是充分发挥知识、技术、人才的潜力,实现自身业务的发展。因此,赋能也成了本次微软研究峰会的一大主题。该主题旨在扩展人类的创造性和成就,专家们将就「行业研究、面向未来的工作模式、利用新一代 AI 增强软件开发人员与数学家的能力」等主题进行深入探讨。
五大主题之「可持续发展」
可持续发展是包括科技领域等在内的所有人类生活所追求的终极目标,是实现所有人更美好和更可持续未来的蓝图。特别是全球新冠肺炎疫情出现以来,完善全球治理、实现人类的可持续发展从未像现在这样紧迫。科技创新在推动人类可持续发展中正发挥着举足轻重的作用,信息、生物、材料等多领域的技术创新成为核心推动力,如前段时间「人类首次实现二氧化碳到淀粉的技术突破」引起轰动,对未来农业生产特别是粮食生产具有革命性影响。本次峰会上,多个领域的科研人员将围绕「如何培育一个有韧性、可持续的全球社会」进行深入交流与探索。
五大主题之「医疗健康」
健康是人类社会追求的永恒主题,是人类生存和社会发展的基本条件。在改进人类健康与生命科学方面,我们目睹了科学技术的巨大进步。特别是近年来,AI、大数据、互联网云、智能系统在促进医药研发、深化医疗体制改革等方面产生了积极影响。比如,DeepMind 开源的预测蛋白质结构的算法 AlphaFold2 令整个生物圈沸腾,实现人类生物学的大突破。围绕着「医疗健康」主题,科学家们将探讨「如何进一步推动整个人类健康与生命科学技术的边界,让地球上的每个人都能发挥最大的潜力」。
五大主题之「信任」
技术进步在带来巨大机遇的同时,也可能带来同样重大的风险。伴随着不断暴露的隐私安全问题,信任危机自然而然产生了,如 AI 领域换脸、音视频造假技术打开了「潘多拉魔盒」,对个人信息和声誉都造成了严重的负面影响。科技如何才能更加令人信赖成为了本次峰会的重要主题。在该主题的相关论坛中,技术专家们将针对「负责任的 AI 以及隐私与安全的未来」展开探讨,确保技术值得信赖,让每个人都可以受益。
因果机器学习、大规模 AI…… 这些主题成为峰会焦点
因果机器学习
2012 年图灵奖得主、贝叶斯网络之父 Judea Pearl 曾自嘲自己是「AI 社区的反叛者」,因为他对人工智能发展方向的观点与主流趋势相反。Pearl 认为,尽管现有的机器学习模型已经取得了巨大的进步,但遗憾的是,所有的模型不过是对数据的精确曲线拟合。从这一点而言,现有的模型只是在上一代的基础上提升了性能,在基本的思想方面没有任何进步。因此,他认为,我们需要一场「因果革命」,考虑采用因果推断模型,从因果而非单纯的数据角度进行机器学习研究。
与此同时,2019 年图灵奖得主、深度学习三驾马车之一 Yoshua Bengio 也表达过相同的观点。他曾表示,「除非深度学习能够超越模式识别并了解因果关系的更多信息,否则将无法实现全部潜力,更不会带来真正的 AI 革命。换言之,深度学习需要开始理解事情发生的因果关系。」今 年 2 月,Bengio 参与撰写的论文《Towards Causal Representation Learning》介绍了其团队当前的研究重心:将机器学习与因果推理相结合的因果表示学习。
近日,凭借因果推理研究,2021 诺贝尔经济学奖授予了「在因果关系分析方面做出重要方法论贡献」的经济学家 Joshua D. Angrist 和 Guido W. Imbens。
毋庸置疑,因果关系与机器学习的融合将对机器学习的研究产生深远影响。在「因果机器学习」论坛上,Judea Pearl、Yoshua Bengio 这两位图灵奖得主以及其他多位因果领域的专家将聚焦因果机器学习的现状以及未来发展,带来精彩的分享。这些专家包括微软首席科学官 Eric Horvitz,微软亚洲研究院高级研究员陈薇、丁锐,微软雷德蒙研究院高级研究员 Daniel McDuff、主管研究员 Adith Swaminathan,微软剑桥研究院高级研究员 Javier González Hernández,以及斯坦福大学教授 Susan Athey 等。
大规模 AI
2021 年以来,AI 领域,特别是 NLP 领域,追求「大」的风潮愈演愈烈,势不可挡,先后出现了谷歌 1.6 万亿参数的语言模型 SwitchTransformer、智源 1.75 万亿参数的预训练模型悟道 2.0、微软联合英伟达推出的 5300 亿参数的最大单体语言模型 MT-NLG,等等。
对于视觉领域,2009 年 ImageNet 的发布极大地推动了该领域的发展。到如今,视觉领域数据集规模已经达到了 10 亿量级,训练方式也逐渐由全监督、弱监督发展到自监督。但应看到,视觉毕竟不是自然语言,还没有出现令人惊艳的视觉大模型。即使这样,视觉智能相关领域的很多专家依然认为:视觉大模型是实现视觉智能的必由之路。
在「深度学习和大规模 AI」主题论坛,微软亚洲研究院主管研究员董力将带来《大规模自监督预训练:从语言到视觉》的主题演讲,微软亚洲研究院高级研究员纪蕾、研究员吴晨飞带来《NUWA:语义可控视觉内容创造平台》的演讲,阐述他们如何看待当下火热的「大规模 AI」。
精彩远不止此,来自全球的 300 余位科学家们还将在其他主题论坛和研讨会中围绕以下主题深入探讨与交流:
点击文末「阅读原文」,立即注册,与微软一道开启这场全球学术盛宴。