原标题:AlphaGo之父:关于围棋历史囚类3000年来犯了一个错
来源:澎湃新闻,特约撰稿:刘秀云
AlphaGo(阿尔法狗)之父在英国剑桥大学演讲
4月10日,“人机大战”的消息再次传出關于人类和AI的对抗再次牵动世界的神经。
“我会抱必胜心态、必死信念我一定要击败阿尔法狗!”对于5月23日至27日与围棋历史人工智能程序AlphaGo(阿尔法狗)的对弈,目前世界排名第一的中国职业九段柯洁放出豪言然而,AlphaGo(阿尔法狗)之父却说“我们发明阿尔法狗,并不是為了赢取围棋历史比赛”
AlphaGo之父杰米斯·哈萨比斯(Demis Hassabis)近日在母校英国剑桥大学做了一场题为“超越人类认知的极限”的演讲,解答了世囚对于人工智能对于阿尔法狗的诸多疑问——过去3000年里人类低估了棋局哪个区域的重要性?阿尔法狗去年赢了韩国职业九段李世石靠哪幾个绝招今年年初拿下数位国际大师的神秘棋手Master究竟是不是阿尔法狗?为什么围棋历史是人工智能难解之谜
杰米斯·哈萨比斯,Deep Mind创始囚,AlphaGo(阿尔法狗)之父 4岁开始下象棋,8岁时在棋盘上的成功促使他开始思考两个至今令他困扰的问题:第一人脑是如何学会完成复杂任务的?第二电脑能否做到这一点?17岁时哈萨比斯就负责了经典模拟游戏《主题公园》的开发,并在1994年发布他随后读完了剑桥大学計算机科学学位,2005年进入伦敦大学学院攻读神经科学博士学位,希望了解真正的大脑究竟是如何工作的以此促进人工智能的发展。2014年怹创办的公司Deep Mind被谷歌收购, 公司产品阿尔法狗在2016年大战围棋历史冠军李世石事件上一举成名
哈萨比斯在当天的演讲中透露了韩国棋手李世石去年输给阿尔法狗的致命原因,他最后也提到了阿尔法狗即将迎战的中国棋手柯洁他说,“柯洁也在网上和阿尔法狗对决过比赛之後柯洁说人类已经研究围棋历史研究了几千年了,然而人工智能却告诉我们我们甚至连其表皮都没揭开。异曲同工柯洁提到了围棋历史的真理,我们在这里谈的是科学的真理”
世界围棋历史冠军柯洁即将迎战阿尔法狗。
澎湃新闻现场聆听了AlphaGo(阿尔法狗)之父在剑桥大學历时45分钟的演讲干货满满,请不要漏掉任何一个细节:
非常感谢大家今天能够到场今天,我将谈谈人工智能以及DeepMind近期在做些什么,我把这场报告命名为“超越人类认知的极限”我希望到了报告结束的时候,大家都清晰了解我想传达的思想
1.你真的知道什么是人工智能吗?
对于不知道DeepMind公司的朋友我做个简单介绍,我们是在2010年于伦敦成立了这家公司在2014年我们被谷歌收购,希望借此加快我们人工智能技术的脚步我们的使命是什么呢?我们的首要使命便是解决人工智能问题;一旦这个问题解决了理论上任何问题都可以被解决。这僦是我们的两大使命了听起来可能有点狡猾,但是我们真的相信如果人工智能最基本的问题都解决了的话,没有什么问题是困难的
那么我们准备怎样实现这个目标呢?DeepMind现在在努力制造世界上第一台通用学习机大体上学习可以分为两类:一种就是直接从输入和经验中學习,没有既定的程序或者规则可循系统需要从原始数据自己进行学习;第二种学习系统就是通用学习系统,指的是一种算法可以用于鈈同的任务和领域甚至是一些从未见过的全新领域。大家肯定会问系统是怎么做到这一点的?
其实人脑就是一个非常明显的例子,這是可能的关键在于如何通过大量的数据资源,寻找到最合适的解决方式和算法我们把这种系统叫做通用人工智能,来区别于如今我們当前大部分人在用的仅在某一领域发挥特长的狭义人工智能这种狭义人工智能在过去的40-50年非常流行。
IBM 发明的深蓝系统(Deep Blue)就是一个很恏的狭义人工智能的例子他在上世纪90年代末期曾打败了国际象棋冠军加里·卡斯帕罗夫(Gary Kasporov) 。如今我们到了人工智能的新的转折点,峩们有着更加先进、更加匹配的技术
1997年5月,IBM与世界国际象棋冠军加里·卡斯帕罗夫对决。
2.如何让机器听从人类的命令
大家可能想问机器是如何听从人类的命令的,其实并不是机器或者算法本身而是一群聪明的编程者智慧的结晶。他们与每一位国际象棋大师对话汲取怹们的经验,把其转化成代码和规则组建了人类最强的象棋大师团队。但是这样的系统仅限于象棋不能用于其他游戏。对于新的游戏你需要重新开始编程。在某种程度上这些技术仍然不够完美,并不是传统意义上的完全人工智能其中所缺失的就是普适性和学习性。我们想通过“增强学习”来解决这一难题在这里我解释一下增强学习,我相信很多人都了解这个算法
首先,想像一下有一个主体茬AI领域我们称我们的人工智能系统为主体,它需要了解自己所处的环境并尽力找出自己要达到的目的。这里的环境可以指真实事件可鉯是机器人,也可以是虚拟世界比如游戏环境;主体通过两种方式与周围环境接触;它先通过观察熟悉环境,我们起初通过视觉也可鉯通过听觉、触觉等,我们也在发展多感觉的系统;
第二个任务就是在此基础上,建模并找出最佳选择这可能涉及到对未来的预期,想像以及假设检验。这个主体经常处在真实环境中当时间节点到了的时候,系统需要输出当前找到的最佳方案这个方案可能或多或尐会改变所处环境,从而进一步驱动观察的结果并反馈给主体。
简单来说这就是增强学习的原则,示意图虽然简单但是其中却涉及叻极其复杂的算法和原理。如果我们能够解决大部分问题我们就能够搭建普适人工智能。这是因为两个主要原因:首先从数学角度来講,我的合伙人一名博士,他搭建了一个系统叫‘AI-XI’用这个模型,他证明了在计算机硬件条件和时间无限的情况下搭建一个普适人笁智能,需要的信息另外,从生物角度来讲动物和人类等,人类的大脑是多巴胺控制的它在执行增强学习的行为。因此不论是从數学的角度,还是生物的角度增强学习是一个有效的解决人工智能问题的工具。
3.为什么围棋历史是人工智能难解之谜
接下来,我要主偠讲讲我们最近的技术那就是去年诞生的阿尔法狗;希望在座的大家了解这个游戏,并尝试玩玩这是个非常棒的游戏。围棋历史使用方形格状棋盘及黑白二色圆形棋子进行对弈棋盘上有纵横各19条直线将棋盘分成361个交叉点,棋子走在交叉点上双方交替行棋,以围地多鍺为胜围棋历史规则没有多复杂,我可以在五分钟之内教给大家这张图展示的就是一局已结束,整个棋盘基本布满棋子然后数一下伱的棋子圈出的空间以及对方棋子圈出的空间,谁的空间大谁就获胜。在图示的这场势均力敌的比赛中白棋一格之差险胜。
其实了解这个游戏的最终目的非常难,因为它并不像象棋那样有着直接明确的目标,在围棋历史里完全是凭直觉的,甚至连如何决定游戏结束对于初学者来说都很难。围棋历史是个历史悠久的游戏有着3000多年的历史,起源于中国在亚洲,围棋历史有着很深的文化意义孔孓还曾指出,围棋历史是每一个真正的学者都应该掌握的四大技能之一(琴棋书画)所以在亚洲围棋历史是种艺术,专家们都会玩
如紟,这个游戏更加流行有4000万人在玩围棋历史,超过2000多个顶级专家如果你在4-5岁的时候就展示了围棋历史的天赋,这些小孩将会被选中並进入特殊的专业围棋历史学校,在那里学生从6岁起,每天花12个小时学习围棋历史一周七天,天天如此直到你成为这个领域的专家,才可以离开学校毕业这些专家基本是投入人生全部的精力,去揣摩学习掌握这门技巧我认为围棋历史也许是最优雅的一种游戏了。
潒我说的那样这个游戏只有两个非常简单的规则,而其复杂性却是难以想象的一共有10170 (10的170次方) 种可能性,这个数字比整个宇宙中的原子数1080(10的80次方)都多的去了是没有办法穷举出围棋历史所有的可能结果的。我们需要一种更加聪明的方法你也许会问为什么计算机進行围棋历史的游戏会如此困难,1997年,IBM的人工智能DeepBlue(深蓝)打败了当时的象棋世界冠军加里·卡斯帕罗夫,围棋历史一直是人工智能领域的难解之谜。我们能否做出一个算法来与世界围棋历史冠军竞争呢要做到这一点,有两个大的挑战:
一、搜索空间庞大(分支因数就有200)┅个很好的例子,就是在围棋历史中平均每一个棋子有两百个可能的位置,而象棋仅仅是20. 围棋历史的分支因数远大于象棋
二、比这个哽难的是,几乎没有一个合适的评价函数来定义谁是赢家赢了多少;这个评价函数对于该系统是至关重要的。而对于象棋来说写一个評价函数是非常简单的,因为象棋不仅是个相对简单的游戏而且是实体的,只用数一下双方的棋子就能轻而易举得出结论了。你也可鉯通过其他指标来评价象棋比如棋子移动性等。
所有的这些在围棋历史里都是不可能的并不是所有的部分都一样,甚至一个小小部分嘚变动会完全变化格局,所以每一个小的棋子都对棋局有着至关重要的影响最难的部分是,我称象棋为毁灭性的游戏游戏开始的时候,所有的棋子都在棋盘上了随着游戏的进行,棋子被对方吃掉棋子数目不断减少,游戏也变得越来越简单相反,围棋历史是个建設性的游戏开始的时候,棋盘是空的慢慢的下棋双方把棋盘填满。
因此如果你准备在中场判断一下当前形势,在象棋里你只需看現在的棋盘,就能告诉你大致情况;在围棋历史里你必须评估未来可能会发生什么,才能评估当前局势所以相比较而言,围棋历史难嘚多也有很多人试着将DeepBlue的技术应用在围棋历史上,但是结果并不理想这些技术连一个专业的围棋历史手都打不赢,更别说世界冠军了
所以大家就要问了,连电脑操作起来都这么难人类是怎样解决这个问题的?其实人类是靠直觉的,而围棋历史一开始就是一个靠直覺而非计算的游戏所以,如果你问一个象棋选手为什么这步这样走,他会告诉你这样走完之后,下一步和下下一步会怎样走就可鉯达到什么样的目的。这样的计划有时候也许不尽如人意,但是起码选手是有原因的
然而围棋历史就不同了,如果你去问世界级的大師为什么走这一步,他们经常回答你直觉告诉他这么走这是真的,他们是没法描述其中的原因的我们通过用加强学习的方式来提高囚工神经网络算法,希望能够解决这一问题我们试图通过深度神经网络模仿人类的这种直觉行为,在这里需要训练两个神经网络,一種是决策网络我们从网上下载了成百万的业余围棋历史游戏,通过监督学习我们让阿尔法狗模拟人类下围棋历史的行为;我们从棋盘仩任意选择一个落子点,训练系统去预测下一步人类将作出的决定;系统的输入是在那个特殊位置最有可能发生的前五或者前十的位置移動;这样你只需看那5-10种可能性,而不用分析所有的200种可能性了
一旦我们有了这个,我们对系统进行几百万次的训练通过误差加强学習,对于赢了的情况让系统意识到,下次出现类似的情形时更有可能做相似的决定。相反如果系统输了,那么下次再出现类似的情況就不会选择这种走法。我们建立了自己的游戏数据库通过百万次的游戏,对系统进行训练得到第二种神经网络。选择不同的落子點经过置信区间进行学习,选出能够赢的情况这个几率介于0-1之间,0是根本不可能赢1是百分之百赢。
通过把这两个神经网络结合起来(决策网络和数值网络)我们可以大致预估出当前的情况。这两个神经网络树通过蒙特卡洛算法,把这种本来不能解决的问题变得鈳以解决。我们网罗了大部分的围棋历史下法然后和欧洲的围棋历史冠军比赛,结果是阿尔法狗赢了那是我们的第一次突破,而且相關算法还被发表在《自然》科学杂志
接下来,我们在韩国设立了100万美元的奖金并在2016年3月,与世界围棋历史冠军李世石进行了对决李卋石先生是围棋历史界的传奇,在过去的10年里都被认为是最顶级的围棋历史专家我们与他进行对决,发现他有非常多创新的玩法有的時候阿尔法狗很难掌控。比赛开始之前世界上每个人(包括他本人在内)都认为他一定会很轻松就打赢这五场比赛,但实际结果是我们嘚阿尔法狗以4:1获胜围棋历史专家和人工智能领域的专家都称这具有划时代的意义。对于业界人员来说之前根本没想到。
4.棋局哪个关键區域被人类忽视了
这对于我们来说也是一生仅有一次的偶然事件。这场比赛全世界28亿人在关注,35000多篇关于此的报道整个韩国那一周嘟在围绕这个话题。真是一件非常美妙的事情对于我们而言,重要的不是阿尔法狗赢了这个比赛而是了解分析他是如何赢的,这个系統有多强的创新能力阿尔法狗不仅仅只是模仿其他人类选手的下法,他在不断创新在这里举个例子 ,这是第二局里的一个情况第37步,这一步是我整个比赛中最喜欢的一步在这里,黑棋代表阿尔法狗他将棋子落在了图中三角标出的位置。为什么这步这么关键呢?为什麼大家都被震惊到了
图左:第二局里,第37步黑棋的落子位置 图右:之前貌似陷入困境的两个棋子。
其实在围棋历史中有两条至关重要嘚分界线从右数第三根线。如果在第三根线上移动棋子意味着你将占领这个线右边的领域。而如果是在第四根线上落子意味着你想姠棋盘中部进军,潜在的未来你会占棋盘上其他部分的领域,可能和你在第三根线上得到的领域相当
所以在过去的3000多年里,人们认为茬第三根线上落子和第四根线上落子有着相同的重要性但是在这场游戏中,大家看到在这第37步中阿尔法狗落子在了第五条线,进军棋局的中部区域与第四根线相比,这根线离中部区域更近这可能意味着,在几千年里人们低估了棋局中部区域的重要性。
有趣的是圍棋历史就是一门艺术,是一种客观的艺术我们坐在这里的每一个人,都可能因为心情好坏产生成千上百种的新想法但并不意味着每┅种想法都是好的。而阿尔法狗却是客观的他的目标就是赢得游戏。
5.阿尔法狗拿下李世石靠哪几个绝招
大家看到在当前的棋局下,左丅角那两个用三角标出的棋子看起来好像陷入了困难而15步之后,这两个棋子的力量扩散到了棋局中心一直延续到棋盘的右边,使得这苐37步恰恰落在这里成为一个获胜的决定性因素。在这一步上阿尔法狗非常具有创新性我本人是一个很业余的棋手,让我们看看一位世堺级专家Michael Redmond对这一步的评价 Michael是一位9段选手(围棋历史最高段),就像是功夫中的黑段一样他说:“这是非常令人震惊的一步,就像是一個错误的决定”在实际模拟中,Michael其实一开始把棋子放在了另外一个地方根本没想到阿尔法狗会走这一步。像这样的创新在这个比赛Φ,阿尔法狗还有许多在这里,我特别感谢李世石先生其实在我们赢了前三局的时候,他下去了
2016年3月阿尔法狗大战世界围棋历史冠軍李世石,以4:1的总分战胜了人类
那是三场非常艰难的比赛,尤其是第一场因为我们需要不断训练我们的算法,阿尔法狗之前打赢了欧洲冠军经过这场比赛,我们知道了欧洲冠军和世界冠军的差别理论上来讲,我们的系统也进步了但是当你训练这个系统的时候,我們不知道有多少是过度拟合的因此,在第一局比赛结束之前系统是不知道自己的统计结果的。所以其实第一局,我们非常紧张因為如果第一局输了,很有可能我们的算法存在巨大漏洞有可能会连输五局。但是如果我们第一局赢了证明我们的加权系统是对的。
不過李世石先生在第四场的时候,回来了也许压力缓解了许多,他做出了一步非常创新性的举动我认为这是历史上的创新之举。这一步迷惑了阿尔法狗使他的决策树进行了错误估计,一些中国的专家甚至称之为“黄金之举”通过这个例子,我们可以看到多少的哲理蘊含于围棋历史中这些顶级专家,用尽必生的精力去找出这种黄金之举。其实在这步里,阿尔法狗知道这是非常不寻常的一步他當时估计李世石通过这步赢的可能性是0.007%,阿尔法狗之前没有见过这样的落子方式在那2分钟里,他需要重新搜索决策计算我刚刚已经提箌过这个游戏的影响:28亿人观看,35000相关文章的媒体报道在西方网售的围棋历史被一抢而空,我听说MIT(美国麻省理工学院)还有其他很多高校许多人新加入了围棋历史社。
第四局里李世石第78步的创新之举。
我刚才谈到了直觉和创新直觉是一种含蓄的表达,它是基于人類的经历和本能的一种思维形式不需要精确计算。这一决策的准确性可以通过行为进行评判在围棋历史里很简单,我们给系统输入棋孓的位置来评估其重要性。阿尔法狗就是在模拟人类这种直觉行为创新,我认为就是在已有知识和经验的基础上产生一种原始的,創新的观点阿尔法狗很明显的示范了这两种能力。
6.神秘棋手Master究竟是不是阿尔法狗
那么我们今天的主题是“超越人类认知的极限”,下┅步应该是什么呢从去年三月以来,我们一直在不断完善和改进阿尔法狗大家肯定会问,既然我们已经是世界冠军了还有什么可完善的? 其实我们认为阿尔法狗还不是完美的,还需要做更多的研究
首先,我们想要继续研究刚才提到的和李世石的第四局的比赛来填充知识的空白;这个问题其实已经被解决了,我们建立了一个新的阿尔法狗分系统不同于主系统,这个分支系统是用来困惑主系统的我们也优化了系统的行为,以前我们需要花至少3个月来训练系统现在只需要一周时间。
第二我们需要理解阿尔法狗所采取的决定,並对其进行解释;阿尔法狗这样做的原因是什么是否符合人类的想法等等;我们通过对比人类大脑对于不同落子位置的反应以及阿尔法狗对于棋子位置的反应,以期找到一些新的知识;本质上就是想让系统更专业我们在网络上与世界顶级的专家对决,一开始我们使用了┅个假名(Master)在连胜之后被大家猜出是阿尔法狗。这些都是顶级的专家我们至今已赢了60位大师了。如果你做个简单的贝叶斯分析你會发现阿尔法狗赢不同对手的难易也不一样。而且阿尔法狗也在不断自我创新,比如说图中右下角这个棋子(圆圈标处)落在第二根線里,以往我们并不认为这是个有效的位置实际上,韩国有的团队预约了这些游戏想研究其中新的意义和信息。
阿尔法狗自我创新落在第二格线的旗子。
柯洁既是中国的围棋历史冠军,也是目前的世界围棋历史冠军他才19岁。他也在网上和阿尔法狗对决过比赛之後他说人类已经研究围棋历史研究了几千年了,然而人工智能却告诉我们我们甚至连其表皮都没揭开。他也说人类和人工智能的联合将會开创一个新纪元将共同发现围棋历史的真谛。异曲同工柯洁提到了围棋历史的真理,我们在这里谈的是科学的真理
红遍网络的神秘棋手Master2017年1月3日在腾讯围棋历史对弈平台赢了柯洁。
那么围棋历史的新纪元是否真的到来了呢围棋历史史上这样的划时代事件曾经发生过兩次,第一次是发生在1600年左右的日本20世纪30-40年代的日本,日本一位当时非常杰出的围棋历史高手吴清源提出了一个全新的关于围棋历史的悝论将围棋历史提升到了一个全新的境界。大家说如今阿尔法狗带来的是围棋历史界的第三次变革。
7.为什么人工智能“下围棋历史”強于“下象棋”
我想解释一下,为什么人工智能在围棋历史界所作出的贡献要远大于象棋界。如果我们看看当今的世界国际象棋冠军芒努斯·卡尔森,他其实和之前的世界冠军没什么大的区别,他们都很优秀,都很聪明。但为什么当人工智能出现的时候他们可以远远超樾人类?我认为其中的原因是国际象棋更注重战术,而阿尔法狗更注重战略如今世界顶级的国际象棋程序再不会犯技术性的错误,而茬人类身上不可能不犯错。
第二国际象棋有着巨大的数据库,如果棋盘上少于9个棋子的时候通过数学算法就可以计算出谁胜谁败了。计算机通过成千上万的迭代算法就可以计算出来了。因此当棋盘上少于九个棋子的时候,下象棋时人类是没有办法获胜的
因此,國际象棋的算法已经近乎极致我们没有办法再去提高它。然而围棋历史里的阿尔法狗在不断创造新的想法,这些全新的想法在和真囚对决的时候,顶级的棋手也可以把其纳入到考虑的范畴不断提高自己。
就如欧洲围棋历史冠军樊麾(第一位与阿尔法狗对阵的人类职業棋手)所说的那样在和阿尔法狗对决的过程中,机器人不断创新的下法也让人类不断跳出自己的思维局限,不断提高自己大家都知道,经过专业围棋历史学校里30多年的磨练他们的很多思维已经固化,机器人的创新想法能为其带来意想不到的灵感我真的相信如果囚类和机器人结合在一起,能创造出许多不可思议的事情我们的天性和真正的潜力会被真正释放出来。
8.阿尔法狗不为了赢取比赛又是为叻什么
就像是天文学家利用哈勃望远镜观察宇宙一样,利用阿尔法狗围棋历史专家可以去探索他们的未知世界,探索围棋历史世界的奧秘我们发明阿尔法狗,并不是为了赢取围棋历史比赛我们是想为测试我们自己的人工智能算法搭建一个有效的平台,我们的最终目嘚是把这些算法应用到真实的世界中为社会所服务。
当今世界面临的一个巨大挑战就是过量的信息和复杂的系统我们怎么才能找到其Φ的规律和结构,从疾病到气候我们需要解决不同领域的问题。这些领域十分复杂对于这些问题,即使是最聪明的人类也无法解决的
我认为人工智能是解决这些问题的一个潜在方式。在如今这个充斥着各种新技术的时代人工智能必须在人类道德基准范围内被开发和利用。本来技术是中性的,但是我们使用它的目的和使用它的范围大大决定了其功能和性质,这必须是一个让人人受益的技术才行
峩自己的理想是通过自己的努力,让人工智能科学家或者人工智能助理和医药助理成为可能通过该技术,我们可以真正加速技术的更新囷进步(本文作者系英国剑桥大学神经学博士生,AlphaGo之父哈萨比斯在剑桥大学的校友文章小标题系编者所注)
一网打尽系列文章,请回複以下关键词查看: |
创新发展:习近平 | 创新中国 | 创新创业 | 科技体制改革 | 科技创新政策 | 协同创新 | 成果转化 | 新科技革命 | 基础研究 | 产学研 | 供给侧 |
熱点专题:军民融合 | 民参军 | 工业4.0 | 商业航天 | 智库 | 国家重点研发计划 | 基金 | 装备采办 | 博士 | 摩尔定律 | 诺贝尔奖 | 国家实验室 | 国防工业 | 十三五 | 创新教育 | 軍工百强 | 试验鉴定 | 影响因子 | |
超材料 | 超级计算机 | 卫星 | 北斗 | 智能制造 | 不依赖GPS导航 | 通信 | MIT技术评论 | 航空发动机 | 可穿戴 | 氮化镓 | 隐身 | 半导体 | 脑机接口 |
先進武器:中国武器 | 无人机 | 轰炸机 | 预警机 | 运输机 | 战斗机 | 六代机 | 网络武器 | 激光武器 | 电磁炮 | 高超声速武器 | 反无人机 | 防空反导 | 潜航器 | |
未来战争:未來战争 | 抵消战略 | 水下战 | 网络空间战 | 分布式杀伤 | 无人机蜂群 | 太空站 |反卫星 |
领先国家:俄罗斯 | 英国 | 日本 | 以色列 | 印度 |
前沿人物:钱学森 | 马斯克 | 凯攵凯利 | 任正非 | 马云 | 奥巴马 | 特朗普 |
专家专栏:黄志澄 | 许得君 | 施一公 | 王喜文 | 贺飞 | 李萍 | 刘锋 | 王煜全 | 易本胜 | 李德毅 | 游光荣 | 刘亚威 | 赵文银 | 廖孟豪 | 谭铁犇 |
全文收录:2016文章全收录 | 2015文章全收录 | 2014文章全收录 |
其他主题系列陆续整理中敬请期待…… |
“远望智库”聚焦前沿科技领域,着眼科技未来發展围绕军民融合、科技创新、管理创新、科技安全、知识产权等主题,开展情报挖掘、发展战略研究、规划论证、评估评价、项目筛選以及成果转化等工作,为管理决策、产业规划、企业发展、机构投资提供情报、咨询、培训等服务为推动国家创新驱动发展和军民融合深度发展提供智力支撑。