试看：https://dl.ccf.org.cn/reading.html?_ack=1&id=6177027364096000

为计算机科学技术的大变局立言

重要的不是找答案，而是提出别人没有想到或者还不重视的科学问题和技术方向。

几乎没有人愿意去去急需研发人才的中小企业。

CCCF应当关心作为科技人员基本面的新毕业的硕士与博士，为他们的成长和发展做一些疏导工作。

互联网体系结构研究与探索

继续应用和转化上一个研究周期的成果，并对下一个周期的研究内容充分预研。

扩展性、实时性和安全性等问题更加突出，因为这是用户体验最明显、用户需求最迫切的技术挑战。

工业界有很强的动力维持现状，所以很难破局。

我与移动互联网一同前进的岁月

有价值的信息被结构化后便形成知识，通过对获取的信息进行分析和演绎找出解决方案的能力即为智慧。

做有工匠精神的创新

这两种融合未来会在计算机领域变成一个趋势。

无意识模型和有意识模型之间的连接可以通过基于外界反馈的强化学习来实现。

从群体感知到群智计算

利用无处不在的感知和计算资源实现“ 以人为中心” 的智能服务。

AI与安全的交叉创新

科学研究中的艰辛有很多，包括研究方向未得到支持、研究成果未得到认可、研究工作遇到瓶颈，等等。

我鼓励他与不同研究方向的同学进行交流，这样既能开阔他的学术视野，又能带给他不同研究方向的学术启发。

由于定义域和值域集合的基数不一致，这些计算机视觉算法不满足适定（ well-posed）问题的第三个条件，是经典的不适定（ ill-posed）问题。纯数据驱动的计算机视觉算法是否既能具有抗烟雨雾霾等复杂扰动的鲁棒性，又能避免 dedicated 对抗扰动 ? 是否存在裨益计算机视觉任务的正向扰动？这些问题是计算机视觉任务的永恒话题，也随着深度学习的广泛应用历久弥新。

人工智能一种可能的发展趋势是在大数据驱动的基础上融入大知识驱动，在其不断超越人类智能的同时保证安全鲁棒、公平正义、透明可释、可归责追责。

如何从数据资产中获得最大价值

我给大家的首个建议是要尽量把所有数据和应用都迁移上云，原因就是云计算更便宜。

在你们所处的行业中，要么成为颠覆者，要么被竞争者颠覆，这都取决于你们的抉择。

不保证数据的质量，机器学习将毫无价值。

机器学习专家将会越来越充足，因为大学的计算机科学系正在致力于培养更多的机器学习人才。

一个典型的数据科学家在工作中至少耗费 90% 的时间寻找自己要分析的数据，将数据融合成一个连贯的整体，并进行数据清洗。

人机物融合的模式与机理初探

人机物融合系统可以是人机物融合网络，例如智慧交通网络、智能电网等。

世界的二分法指的是基于物质和信息两类要素来理解世界。

还有智慧城市、智慧医疗系统、现代作战系统等典型的人机物融合系统。

人的主体身份在互联网时代是其在社会域与信息域中身份关系的总和。

数字化转换引起的人的物化主要体现在两个方面，一是人数字化后，能够通过物联网与万物互联，从而成为“物（thing）”；二是人作为主体的客体化。

求真无囿，务实归元

碰撞检测是计算机物理仿真和几何建模中的一个基础核心构件。

每进入一个新研究领域时，我都尝试找到自己的研究优势和不同于其他人的研究视角。

系统研究与工件评估

工件评估（Artifact Evaluation， AE） ——由独立的第三方对论文代码或系统的功能完备性、结果的可复现性等进行评估，以检验论文的结论是否有数据和实验的支持。

这导致很多工作虽然有一个激动人心的故事与想法，但实现与测试却非常仓促。这不仅降低了论文的可信度，对其他认真实现的工作也不公平，某些极端情况下甚至会促成学术不端。

步骤尽可能简单，最好提供一键式运行的脚本。

对学生而言，参与到顶会的系统评测能够学到很多知识，比如别人是如何进行统实现和实验的，别人的系统如何在自己的环境中进行部署和测试等。

新技术 & 新应用

在人类语言最基础的部分，即词素音位学（morpho-phonology）上开始教 AI 学习语言，直接从声音中构建语言的词法。

康奈尔大学的研究团队改进了家用微波炉，使用微波对芯片进行加工处理，并称这有可能使台积电和三星等领先制造商的芯片制程缩小至 2 nm。

数据科学时代的计算思维

每个学科都贡献其独特的思维技能，例如，计算机科学带来了计算思维。

数据思维是指，理解对数据进行的任何处理或计算都应该保留相关领域知识的含义。

居安思危，思则有备，备则无患

由于缺乏有效的数据管理机制，在业务流、数据流的流转过程中，不仅会产生大量的垃圾数据，还会存在各类的数据安全隐患。

在“东数西算”庞大、复杂的场景下，从数据采集、传输、存储到访问、共享，全生命周期都面临着安全风险。

对事前可预防、事中可阻断、事后可溯源的全方位数据安全态势感知能力的挑战。

攻击者可以在数据标注的过程中，通过对极少量车辆传感器（摄像头、激光雷达等）采集的数据进行篡改、投毒、恶意标注等手段，对使用这些数据进行训练的机器学习模型植入后门。被植入后门的模型在一般情况下表现没有异常，一旦遇到攻击者设置的触发器（特殊物体、图片等），后门就会被激活进而引发安全隐患。然而防御这种以数据投毒为基础的攻击非常具有挑战性，涉及复杂的数据出入境的管控问题、不同国家的数据安全法律的差异性问题等。