2024年上海人工智能实验室与高校联合培养博士生项目
第三届上海人工智能实验室（上海AI实验室）与高校联合培养博士生项目（以下简称：联培项目）招生已正式启动。在前两届联培项目中，来自全国一流高校的300多名学生经过层层选拔进入上海AI实验室大家庭，其中包括来自清华学堂计算机科学实验班（姚班）、上海交通大学计算机科学班（ACM班）、北京大学图灵班和中国科学技术大学少年班等人工智能方向顶配班级的同学。他们在实验室接受顶尖科学家指导，怀揣梦想与使命开启博士生科研生涯。伴随新一年招考季来临，实验室陆续收到大量关于联培项目的咨询。为面向申请者答疑解惑，特此整理发布本篇招生问题全解答。
Q1上海AI实验室是什么机构？
上海人工智能实验室是我国人工智能领域的新型科研机构，开展战略性、原创性、前瞻性的科学研究与技术攻关，突破人工智能的重要基础理论和关键核心技术，打造“突破型、引领型、平台型”一体化的大型综合性研究基地，支撑我国人工智能产业实现跨越式发展，目标建成国际一流的人工智能实验室，成为享誉全球的人工智能原创理论和技术的策源地。
结合重大科研任务需求和人才部署工作，自2022年起，上海人工智能实验室启动与高校联合培养博士研究生的专项计划。目前，实验室已与清华大学、北京大学、上海交通大学、复旦大学、浙江大学、中国科学技术大学、香港中文大学和同济大学等知名高校签订战略合作框架协议，开展联合培养博士研究生工作。实际联培高校以教育部正式文件为准。
Q2上海AI实验室联培项目的优势有哪些？
联培博士研究生们将在国际顶尖AI科学家的亲自指导下，选择最前沿的科研选题；获得顶配的计算资源，以及优厚的专项奖助学金和助研岗位津贴；毕业后可优先获得博士后岗位等留用机会或海外一流高校的访学机会。
Q3联培项目的招生方式是什么？
本项目招收全日制博士研究生，学生人事档案将转入学校（非全日制和定向培养不在招生范围内）。一般采用直接攻读博士学位（直博）、硕博连读和“申请-考核制”三种方式招收博士生。本批次“申请-考核制”招生以合作高校招生时间和进度为准，在各高校报名。
Q4联培项目的招生指标、招生专业和选拔方式如何？
请以各合作高校2024年招生简章内容为准。
Q5联培项目对报考者有无学校、专业、年龄要求？
可以跨专业报考，但需具备报考专业领域的相关知识和技能，能够完成课题研究。具体要求请参见合作高校2024年招生简章。
Q6应届硕士毕业生是否可以报考本项目？
可以。应届硕士毕业生可通过“申请-考核”制申请专项计划，须在录取当年入学前取得硕士学位；在国（境）外院校取得学位者，还须在录取当年入学前取得教育部留学服务中心出具的《国（境）外学历学位认证书》。
Q7录取阶段是否可以在各合作高校间进行调剂？
本联培项目不支持学生在高校间调剂。
Q8联培项目将采取何种培养方式？
本项目由合作高校负责招生、学籍管理、学位授予以及课程安排；上海人工智能实验室负责博士生课题研究指导。专项计划博士生在导师指导下，须依据上海人工智能实验室重大科研任务进行课题研究。
Q9联培项目将采取何种培养模式？
本项目培养模式为全日制非定向，学习年限以合作高校要求为准。专项计划博士生的人事档案等管理将按照合作高校规定执行。
Q10联培项目对博士毕业标准有何要求？
专项计划博士生须依据上海人工智能实验室科研任务布局进行毕业论文研究选题，在实验室和高校的联合导师共同指导下开展博士生课题研究，同时达到合作高校本学科博士生毕业标准，方可顺利毕业。
Q11联培项目的毕业证、学位证授予单位是哪里？
根据学生所录取的联合培养项目，其学籍注册为相应高校，毕业后由相应高校颁发毕业证书和学位证书。
目前，2024年联培项目招生已正式启动，欢迎投递申请。更多信息请查看官网，或咨询上海人工智能实验室高校合作中心，邮箱：admissions@pjlab.org.cn
联系电话：
021-23537817021-23537818021-23537820开发者不可错过的 10 个人工智能开源项目
点击上方“CSDN”，选择“置顶公众号”
关键时刻，第一时间送达！
推荐10个饱受好评且功能独特的开源人工智能项目。
关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人感觉要掌握他们犹如习屠龙之术一样。事实上，有很多关于人工智能的项目还是十分实用的，而且用途还十分有趣，下面就简单为大家盘点10个功能独特的开源人工智能项目。
STYLE2PAINTS：强大的为线稿上色的AI
项目地址：https://www.oschina.net/p/style2paints
推荐理由：新一代的强大线稿上色AI，可根据用户上传的自定义色彩给线稿进行上色。项目提供了在线使用网站，十分方便使用。
SerpentAI：教AI打游戏的学习框架
项目地址：https://www.oschina.net/p/serpentai
推荐理由：SerpentAI旨在为机器学习和AI研究提供一个有价值的工具。但同时，对于爱好者来说，它也是非常有趣的。
Synaptic.js：用于浏览器的神经网络库
项目地址：https://www.oschina.net/p/synapticjs
推荐理由：Synaptic.js是一个用于node.js和浏览器的JavaScript神经网络库，可以构建和训练基本上任何类型的一阶甚至二阶神经网络。
该项目内置了4种经典的神经网络算法：多层感知器（multilayerperceptrons）、长短期记忆网络（multilayerlong-shorttermmemorynetworks）、液体状态机（LiquidStateMachine）、Hopfield神经网络。使用Synaptic.js，你可以轻松测试和比较不同体系结构的性能。
Snake-AI：贪吃蛇游戏的人工智能
项目地址：https://www.oschina.net/p/snake-ai
推荐理由：一个用C/C++语言编写的贪吃蛇游戏的人工智能。使用了最短路径、最长路径、人工智能算法。
AI的目的是让蛇尽可能的吃更多的食物，直到吃满整个地图。
Demo：
Uncaptcha
项目地址：https://www.oschina.net/p/uncaptcha
推荐理由：破解reCAPTCHA系统的AI算法。unCAPTCHA算法以85%的成功率击败了GooglereCAPTCHA系统。它依靠音频验证码攻击-使用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程方式传递这些数字，最终成功欺骗目标网站。
Sockeye：神经机器翻译框架
项目地址：https://www.oschina.net/p/sockeye
推荐理由：Sockeye是一个基于ApacheMXNet的快速而可扩展的深度学习库。
Sockeye代码库具有来自MXNet的独特优势。例如，通过符号式和命令式MXNetAPI，Sockeye结合了陈述式和命令式编程风格；它同样可以在多块GPU上并行训练模型。
Sockeye实现了MXNet上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI），也可以轻易改变基础模型架构。
PHP-ML：PHP机器学习库
项目地址：https://www.oschina.net/p/php-ml
推荐理由：我们都知道Python或者是C++提供了更多机器学习的库，但他们大多都比较复杂，配置起来让很多新手感到头疼。
PHP-ML这个机器学习库虽然没有特别高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些简单的数据分析、预测等等足以够用。
PHP-ML是使用PHP编写的机器学习库。同时包含算法，交叉验证，神经网络，预处理，特征提取等。
CycleGAN：生成对抗网络图像处理工具
项目地址：https://www.oschina.net/p/cyclegan
推荐理由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个“反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。
与其它人工智能绘画不同，CycleGAN的研究团队试图建立一个可双向转化不丢失信息的双向算法。
在CycleGAN里照片的细节被要求完全保留，研究人员希望能够将一张图片输入CycleGAN后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。
DeepLearn.js：加速硬件的机器学习JS库
项目地址：https://www.oschina.net/p/deeplearn-js
DeepLearn.js是谷歌推出的一个可用于机器智能并加速WebGL的开源JavaScript库，完全在浏览器中运行，不需要安装，不需要后端处理。
DeepLearn.js提供高效的机器学习构建模块，使我们能够在浏览器中训练神经网络或在推断模式中运行预训练模型。它提供构建可微数据流图的API，以及一系列可直接使用的数学函数。
虽然浏览器上的机器学习库已经存在多年（例如AndrejKarpathy的convnetjs），但是它们受到JavaScript速度的限制，或者局限于推理而不能用于训练（例如TensorFire）。
相比之下，deeplearn.js通过利用WebGL在GPU上执行计算，以及进行完全反向传播（fullbackpropagation）的能力，实现了显着的加速。
TensorFire：浏览器端神经网络框架
项目地址：https://www.oschina.net/p/tensorfire
推荐理由：TensorFire是基于WebGL的，运行在浏览器中的神经网络框架。使用TensorFire编写的应用能够在实现前沿深度学习算法的同时，不需要任何的安装或者配置就直接运行在现代浏览器中。
与之前某些浏览器内的神经网络框架相比，TensorFire有着近百倍的速度提升，甚至于能够与那些运行在本地CPU上的代码性能相媲美。
开发者也可以使用TensorFire提供的底层接口来进行其他的高性能计算，譬如PageRank、元胞自动机仿真、图片转化与过滤等等。
相信还有其他优秀的开源人工智能项目尚未在本文出现，欢迎各位在评论中留下你们的推荐~