2022年的政府報告中，再次提及“加快發(fā)展工業(yè)互聯(lián)網(wǎng)，培育壯大集成電路、人工智能等數(shù)字產(chǎn)業(yè)”。這都是看得見的政策支持和時代趨勢。

其實專業(yè)本無好壞之分，只是此專業(yè)是否還能順應(yīng)國家以及時代的發(fā)展，“優(yōu)勝劣汰，適者生存，逆者亡”，是萬物的基本生存法則，同樣也是一個專業(yè)的生存法則。

市場對于人工智能專業(yè)人才的需求量大現(xiàn)在高校畢業(yè)生普遍面臨的問題就是，就業(yè)難的問題，高校及國家都出臺不同的扶持政策，但是就業(yè)形勢仍然特別嚴峻。但通過學(xué)生們找工作反映出來的現(xiàn)象和數(shù)據(jù)，可以反過來成為高校設(shè)置專業(yè)、招生和教學(xué)培養(yǎng)的參考。只有與實踐充分結(jié)合，高校教育才能真正找準為社會培養(yǎng)出合格人才的方向。

高校是高層次人工智能人才培養(yǎng)的主陣地人工智能的發(fā)展主要靠大數(shù)據(jù)驅(qū)動和應(yīng)用場景驅(qū)動。我國的新基建以5G、物聯(lián)網(wǎng)、大數(shù)據(jù)為代表的新一代信息技術(shù)正在蓬勃發(fā)展，為發(fā)展智能化數(shù)字經(jīng)濟提供了良好的基礎(chǔ)條件。

“雖然我國在人工智能方向論文數(shù)量和引用、專利申請量方面已經(jīng)是世界第一，發(fā)展了多項領(lǐng)先技術(shù)，但是我國在人工智能基礎(chǔ)理論、原創(chuàng)算法、高端芯片和生態(tài)系統(tǒng)等方面仍存在較大差距。高校作為高層次人才培養(yǎng)主陣地，應(yīng)加大人才培養(yǎng)力度，加強人工智能前瞻性基礎(chǔ)研究，不斷提升信息化水平來支撐智能化發(fā)展?！眹医艹銮嗄昕茖W(xué)基金獲得者張新鵬教授發(fā)表了《神經(jīng)網(wǎng)絡(luò)水印》主題演講，張新鵬教授對神經(jīng)網(wǎng)絡(luò)水印進行了概述，并介紹了基于內(nèi)在機制的白盒神經(jīng)網(wǎng)絡(luò)水印，基于觸發(fā)集的黑盒神經(jīng)網(wǎng)絡(luò)水印，基于輸出結(jié)果的無盒神經(jīng)網(wǎng)絡(luò)水印和神經(jīng)網(wǎng)絡(luò)模型篡改檢測。

中國香港中文大學(xué)(深圳)數(shù)據(jù)科學(xué)學(xué)院吳保元副教授以《后門學(xué)習(xí)發(fā)展現(xiàn)狀及最新進展》為主題，對后門攻擊、后門防御的發(fā)展現(xiàn)狀進行了總結(jié)，并詳細介紹了后門學(xué)習(xí)的最新基準平臺BackdoorBench。

清華大學(xué)在讀博士生李一鳴介紹了其關(guān)于"基于所有權(quán)認證的模型和數(shù)據(jù)集版權(quán)保護"的一系列最新研究成果，包括通過嵌入的外部特征進行有效且無害的所有權(quán)驗證，通過后門水印保護數(shù)據(jù)集的黑盒所有權(quán)驗證，和非目標后門水印 --無害和隱秘的數(shù)據(jù)集版權(quán)保護。

中國科學(xué)院信息工程研究所國家重點實驗室博士生梁思源提出了模仿檢測器，可用于竊取黑盒目標檢測器的知識。模仿檢測器將目標檢測中的知識竊取視為黑盒知識蒸餾，并提出了師生框架來解決該問題，這是首個關(guān)于目標檢測器的框架。大量實驗表明該方法實現(xiàn)了最高的模型提取精度。

上海交通大學(xué)網(wǎng)絡(luò)空間安全學(xué)院博士研究生李方圻介紹了神經(jīng)網(wǎng)絡(luò)水印的新型安全威脅，其中黑盒水印的新問題包括封裝攻擊、版權(quán)勒索等，其核心矛盾在于公證性、時間戳、黑盒場景三者的不兼容;白盒水印的新問題主要有模型重構(gòu)攻擊，該攻擊可以通過從中間層信息中逆重構(gòu)，還原網(wǎng)絡(luò)信息來抵抗。

在AI算法方面，易佳介紹，“桌面云AIOps算法包括基于bagging策略的分段線性回歸算法、基于網(wǎng)格搜索的縮擴容模型、基于資源約束算法和貪心策略的虛擬機新增模型、基于時間序列特征提取和隨機森林的閑置資源識別模型等”，基于這些算法，最終形成了包含AIOps算法、AI調(diào)度決策、OpenAPI、數(shù)據(jù)管理、服務(wù)化等功能在內(nèi)的AIOps基礎(chǔ)結(jié)構(gòu)。

易佳表示，AIOps可以快速識別出卡慢故障等異常問題。通過引入50多個規(guī)則、采集800多個維度數(shù)據(jù)，實現(xiàn)20多個機器學(xué)習(xí)算法，診斷出30+核心卡慢場景。AIOps的監(jiān)測分析能力已經(jīng)能夠全方位地支撐大盤、集群、主機、虛擬機、網(wǎng)絡(luò)、存儲、應(yīng)用軟件全棧監(jiān)控與分析。

在算法效果上，桌面云卡慢/故障異常檢測準確率達到87%。實施卡慢緩解建議后，約有47%的問題能夠得到明顯緩解，AIOps的智能診斷能力，可以覆蓋桌面云65%的已知資源卡慢問題。

易佳最后總結(jié)，AIOps未來會增加更多的反饋和模型的自更新機制，實現(xiàn)多業(yè)務(wù)場景的覆蓋。同時，基于業(yè)務(wù)畫像和運維知識圖譜，實現(xiàn)精細化故障診斷，打造讓用戶滿意的產(chǎn)品體驗。