我要投搞

标签云

收藏小站

爱尚经典语录、名言、句子、散文、日志、唯美图片

当前位置:双彩网 > 语义树 >

学会动态 西安思考:“2018国际人工智能院长论坛”专家思想分享

归档日期:06-06       文本归类:语义树      文章编辑:爱尚语录

  在西安成功举办,来自中、美、英、意等国,IEEE、中国人工智能学会等国内外专业技术组织的30余位共襄盛举,阿里巴巴、Google、百度、商汤、华为、蒜泥、维恩等20余家中外人工智能行业领军企业的代表齐聚一堂,学术界与企业界共同就我国等焦点问题进行了特邀报告并展开高层次对话,西安市市长上官吉庆出席了论坛开幕式并为论坛致辞。论坛网络直播累计观看人数超

  论坛以“人工智能,赋能未来”为主题,李德毅院士、毛军发院士、徐宗本院士、黄河燕教授、焦李成教授、刘宏教授、石光明教授、郑庆华教授、刘成林教授等国内外知名高校学者作了大会特邀报告,全面、务实的探讨了AI技术在经济、计算机、医疗等行业的应用前景及创新型人才的培养模式与发展方向。王国胤教授、王万森教授、王万良教授、曹进德教授、邱才明教授、孙富春教授、林宙辰教授、侯彪教授、王爽教授、马堃博士、薄列峰博士、钟伟才教授、杨少毅先生、李锐先生、王铁震先生、刘钒先生16位学者、企业家围绕“人工智能+高等教育”主题进行了高峰对话。

  本文根据论坛期间的现场速记进行整理归纳,将专家、学者们提出的主要观点及报告内容再次呈现出来,以供大家参考。

  在人工智能成为时代标签的背景下,李德毅院士与我们探讨了关于智能时代的教育发展问题,李德毅院士的报告从三个方面展开:“普及智能教育是时代的呼唤”、“人工智能对教育的巨大冲击”、“本科智能教育的实践与思考”。他指出,现在的大学本科生将是未来人工智能产业的顶梁柱,智能时代,教育先行,普及人工智能教育刻不容缓,要同时注重学生的智能知识与智能素质的培养。人工智能的快速发展对教育也产生了巨大冲击,引发人们对教育本源的思考,李德毅院士认为:“教育=培养学生的获取知识能力×决策能力×创新能力,而不是简单的加。”他预测,人类教师将逐步转化为教练的角色。

  智能时代的教育,应当系统的延伸至高职教育,李德毅院士介绍,本科生的教育由于学分的设定严重阻碍了社会对智能人才培养的素质要求,而研究生智能教育形势也高开低走,因此,必须要在高校中重视和加强人工智能教育,并且高职生也需加强智能型创业工匠的培养。李德毅院士呼吁,人工智能教育要“用任务带专业,多做实践中的研究,少做研究中的实践。做有用的研究,做有影响的研究,争取到政府、企业或社会的稳定支持。”李德毅院士在报告中还展示了最成功的课程体系设置,包括教育比重的设置、课程的设置以及教材的配备,为智能时代教育的改革提出了方案。

  孟德宇教授带来了大数据背景下小样本学习的误差建模的研究成果,并分享了如何基于数据学习出一个优秀的误差函数。“目前80%以上的信号恢复技术建立在包含正则项、学习机和误差项三要素的机器学习框架上,很多学者秉持目标函数、尤其是误差函数的设计是无关紧要的观念,这种说法究竟是否正确?误差函数是否真的可以忽略?”孟德宇教授的提问在现场引发了大家的思考。他指出,误差函数和噪声分布有着非常紧密的关系,现实噪声非常复杂,而研究中假设的数据噪声往往比现实噪声简单,当噪声特别偏离于模型假设的时候会出现模型表现不稳定的问题,“假设噪声是灵活的含参变量的分布,通过数据去学习这个参变量的分布,能够有效减弱欠拟合。”

  以在线视频处理、医学图像恢复、高光谱图像数据处理等为背景,孟德宇教授介绍了基于误差建模原理的框架,设计基于混合高斯模型的含参变量的分布:将混合高斯模型扩展到指数分布,以保证模型的拟合能力;将点状的混合高斯模型改造成块状的混合高斯模型、将方差转化成协方差矩阵,以获取噪声的结构信息。现实中的图像和视频的噪声是非同分布、非独立、非均质的,孟德宇教授提出将不同地方的噪声建模成不同参数、不同类型的分布形式,并尝试从空间、维度和时间中寻找相关性的先验信息将这些噪声关联起来。“在专注于先验、深度挖掘随机性信息的同时,如果能够对噪声和误差函数进行一个稍微精细化的建模,可能会带来意外的惊喜和收获,”孟德宇教授指出:“设计误差函数更应该考虑现实数据的噪声,理解现实噪声形成的物理机制,再对误差函数进行建模,可以带来更大的效果。”

  石光明教授首先讲述了他对于机器学习的理解,机器学习是一种利用计算、推理等手段“重现人认识世界的过程”,本质上仍然是对客观世界的一种表达方式。石光明教授说:“目前的机器智能方法的核心是计算,主要实现方式是重复分解,很难在各种计算模式上跳跃,这是与我们人类最大的差异,机器智能如何突围是目前讨论的焦点。另外,我们看到人类智能不仅涉及计算,还综合考虑心理、物理等认知方面,是大脑机制的研究,目前在参数学习方面表现出一定的优势,在结构学习方面还比较薄弱,因此如何建立机器智能和人工智能结合的智能混合是我们现在要思考的问题。”

  目前,石光明教授的团队主要做了两类初步尝试:基于认知计算的混合智能(语义计算网络)和人机混合智能。其中,语义计算网络将语义树与CapsNet混合起来,充分利用人类知识具有从小样本中学习的能力,并且具有极强的泛化性,即举一反三,融会贯通,将CapsNet作为辅助网络来学习人类知识很难理解的特征。人机混合智能针对当前机器智能面临的挑战性问题:不确定性、脆弱性和开放性,将人的作用或认知模型引入到机器智能系统中,提升人工智能系统的性能,使人工智能成为人类智能的自然延伸和拓展,通过人机协同更加高效地解决复杂问题,石光明教授团队提出的“脑机融合-机训练脑”的人机混合智能方法已成功地应用到目标检测问题中。未来,人机融合智能是机器智能发展的大趋势。

  知识工程的发展由来已久,但通过人工方式把知识建模到计算机当中,无论是在规模、质量、灵活性上都产生了巨大问题,因此,需要在手段和方法上进行革命性的变化。郑庆华教授介绍:“碎片化知识融合属于知识自动化范畴,知识自动化的核心是实现知识的自动获取、关联、重组、推理以及融合,为人类获取知识提供更大的智能化、精准性。这个方向已经成为本领域的一个重要发展方向。”人工智能中知识自动化的基础性问题的核心任务是从位置分散、模态多样、内容片面、结构无序的大数据中挖掘出知识,并且融合成为知识图谱的基本问题。郑庆华教授指出:“碎片化知识融合核心就是把多元、低质、无序的碎片化知识按照知识图谱的组织方式把它进行聚合。”、“碎片化知识挖掘融合可应用在国家税务大数据、网络舆情事件、碎片化知识资源聚合方面,其难点在于离散难组织、隐匿难挖掘、低质量难利用。”最后,郑庆华教授分享了三项应用成果,分别是“知识森林的构建及在智慧教育应用”、“深层隐匿知识挖掘及其税务大数据分析应用”、“碎片化知识量质转换技术及舆情监控应用”。

  黄河燕教授从宏观上针对人工智能的发展及专业和学科建设谈了自己的认识和思考。她从人工智能的发展历史与概况讲起,指出人工智能已经渗透到人们生活、科研、工作领域的方方面面,使人们更加智能、更加有效的处理和收集大的数据。人工智能专业需要数学、计算、软件程序系统、计算机相关基础等多种知识,主要研究领域包括气象预报、测绘、国防、生物医学、能源开发、金融商务、智能家居、智能交通等。基于这样的背景,黄河燕教授分享了她对于专业和学科建设的认识思考,当前“各个国家对人工智能很重视,在国家和相关部委大力推动促进下,相关院校各自推出自己的人工智能教育发展计划,人工智能研究在高等院校和科研院所已经掀起了新一轮的高潮。”面对人工智能热给大家带来的机遇与挑战,黄河燕教授提出了十个下一步需要做的事:

  五、改进现有工科类教育普遍存在的问题:“规模化教育、范式教育、被动传播”

  黄河燕教授呼吁,各个学校应充分发挥自己的智慧来解决好现有专业和学科存在的问题,造成一个共生共融的发展态势。根据自己的特色形成有特色的学科方向,根据国家的重大战略需求找准自己的特色定位。最后,黄河燕教授就新工科产学联盟的探索与实践强调了联盟的愿景、使命和主要工作,相信新工科也是在新的发展时期对高校提出的新要求,符合国家的发展战略,并最终将引领国家人才培养和技术示范,带动人工智能的提升。

  毛军发院士的报告主要围绕两方面展开:“人工智能+新工科在人才培养方面的新观点”以及“上海交大做出的新实践”。在新工科与人工智能结合的问题上,毛军发院士提出:“人工智能是新工科的一个重要内容,更应该理解成是为新工科服务的一种重要教育手段。新工科不能理解为是独立于现在传统工科以外的工科,也不是‘理科+生物医药’这种简单的叠加形式,而是应该给已有的工科赋予新的内涵,把触角延伸到新的领域,例如,人工智能+教育。”毛军发院士在报告中还介绍了目前上海交大“人工智能+新工科”在本科到博士生阶段的人才培养方面做的一些探索和实践,包括创办了跟人工智能结合的IEEE试点班,以及吴文俊人工智能荣誉博士生计划,均取得了不错的成绩,这些成功的案例为智能时代人才培养的改革提出了新的方案。

  姚新教授逻辑清晰、层层递进、论述生动的与大家分享了关于人工智能人才培养为什么难的问题。“人工智能人才培养比较难,是因为计算机科学的人才培养比较难。”姚新教授形象的比喻道:“没有扎实的计算机科学基础,人工智能就成为沙地上的房子,所以要把人工智能学好必须把科学基础搭好。”通过一线教学工作的经验体会,他认为“既然我们强调学科建设,不能只用工具,应该对工具有了解,又必须对基础的知识有了解”。正是因为人工智能教育涉及到各方面的教育,视觉、图片、自然语言、语音、推理、知识表示等等,还有通识、通修课,所以大学四年作为教育来说非常不够,要解决这个问题,需要回归人才培养的初衷。“做教育是培养对社会有用的人,‘才’实际上不仅仅是指知识丰富,而是其拥有能力,获取知识的能力、应用知识的能力。培养,培是传授知识,养是让学生自己成长、增强自身能力。”人才培养难,难在怎么定义这个人,而开设人工智能的本科专业,难就难在如何培养具有人工智能专业独特能力的人才。最后,姚新教授强调:“人才培养是培养国际化人才和基础科研人才,知识、工具固然重要,但是三年后它们可能就过时了,所以大学的责任要从本科生课程设置的角度来考虑,培养方案的设计、能力培养远远比知识更重要。”

  刘成林教授首先介绍了中国科学院大学的概况,中国科学院大学前身是中国科学技术大学研究生院,办学模式是科教融合——充分融合大学和研究所的力量。在近几年人工智能科技产业飞速发展、人才面临巨大缺口的背景下,中国科学院大学成立了人工智能技术学院。人工智能技术学院以培养高层次复合型、国际化人才,满足国家和社会的需求为目标,充分利用科教融合优势,开设了专业核心课、普及课、研讨课、科学前沿讲座、创新创业课以及夏季学期强化课程等四类课程。关于研究生培养,刘成林教授提出要点面结合的进行知识积累,强调基础的重要性和研究的深渊性,务以问题为导向,以解决问题和实用为目标。对于人工智能的人才培养,刘成林教授指出建立人工智能一级学科的必要性:“高等学校人工智能计划里提到人工智能一级学科的推进,根据现有状况人工智能交叉性特别强,涉及的一些知识面,包括数学、计算机、电子通信、控制科学、生命科学、社会科学等很多知识都是相关的。包括现在很多其它相关学院也有很多人工智能的教育研究,但是知识比较分散、交叉性比较强。如果能够建立一个统一的一级学科,把相关知识进行整合,提供一个比较好的交叉科学、交叉知识的教学体系,我相信对人工智能的发展肯定是有利的。”此外,刘成林教授还强调了人工智能与其它已有学科之间协同合作的必要性:“学科成立是非常有必要,但是也要跟其它已有学科搞好关系。成立一个学科不是完全独立地成立一个人工智能学科或者一个人工智能学院,教学基础课跟计算机科学、生命科学有交叉课程,完全可以利用已有学科的教学力量,协同和合作还是非常必要的。”

  刘宏教授分享了人工智能学科建设中的北大经验和两江模式。围绕“人工智能还能热多久”,刘宏教授回顾了人类社会中智能以及人工智能的发展历史与趋势;围绕“智能科学技术学什么”,刘宏教授介绍了北京大学在人工智能学科建设中的“十五年”丰富经验,包括开展什么样的课、培养什么样的人才、毕业后做什么样的事,刘宏教授总结了他参与北大创办智能科学系的几点体会:1、超前设计、人才培养“长周期”;2、自上而下的推动;3、特色突出;4、输出“革命”;5、学会引导。对于第三世界高校如何发展人工智能学科、如何建设人工智能学院,刘宏教授介绍了两江模式:“走出校园,依托新区;产教融合,应用创新;人才特区,跨越发展;学科体系,软硬数智。”

  对于数据优化和人工智能之间的关系,金耀初教授指出:“数据驱动的进化优化、智能优化涉及到数据科学、机器学习和进化计算三个领域。如何用数据科学和机器学习帮助进化算法做复杂优化,关键是如何把数据和其它经验知识运用到进化优化的大环境中去。”通过人脸识别、疫苗选择、生物调控网和工业生产等实例,金耀初教授介绍了将进化计算和机器学习结合的优势:“从优化的角度出发,机器学习基本可以看成是一个优化问题,进化计算可以解决机器学习方法中的不足。传统机器学习方法只能解决单目标问题,而进化计算可以解决非凸问题、非常适合解决多目标学习。把进化计算用于机器学习有两个优点,一是可以做参数和结构的优化,调整参数和模型结构;二是可以做多目标优化,寻找到最好的、用户最想要的模型。”对于将进化计算和机器学习结合的必要性,金耀初教授亦给出了理论层面的分析:“深刻理解大脑机制,可能还需要从演化和发育的角度来研究大脑。大脑是大自然演化的结果,从最简单的单细胞进化到人的复杂大脑,所以有必要从演化的角度研究大脑的发育情况。而生命过程中亦有学习的过程。因此,大自然的三个机制要合在一起,演化、发育、学习,以帮助我们更好的理解大脑工作机制。”

  沈定刚教授在报告中介绍了深度学习方法在医学影像分析中的运用思想与研究近况。他指出人工智能在生物医学中具有非常重要的应用,并且实践研究比抽样研究更加复杂,特别是AI在医学影像中的应用。沈定刚教授提出医疗领域的人工智能是从成像、筛选、随访到预测,诊断、治疗的全栈式人工智能,利用人工智能的速度、精度、可重复性的优势,可作为辅助智能在整个流程中帮助医生。沈定刚教授说:“我们所做的图像分割、图像配准、疾病诊断都可以用AI的方法,所有的方法要为研究来服务,做影像AI也要跟医生紧密合作。”

  针对人脑早期发育、老化等一些问题,沈定刚教授提出利用图像分割、图像配准等相应技术,结合深度学习的方法进行疾病的诊断。在医学领域知识与深度学习结合的问题上,由于医学样本通常较少,沈定刚教授团队提出在每个样本点上训练出一个非常小的深度学习网络,最后统一结合起来形成分类器。最后,沈定刚教授介绍了基于深度学习方法从MRI的图像中构造出CT图像的方法,通过图像合成和映射来指导临床医疗。

  超限学习机(Extreme Learning Machine,ELM)是黄广斌教授团队约十年前提出的一种单隐层前馈神经网络(SLFN)学习算法,ELM算法执行过程中不必调整网络的输入权值以及隐元的偏置,学习速度快且泛化性能好。黄广斌教授在报告中更多的谈到了ELM的理念,他指出:“人工智能方法基本上是网络结构复杂,网络很敏感,要调参数;人的神经元运算速度很慢,电脑几个G的频率,人脑会发觉医生开刀看病不会担心手术出什么问题,脑袋有弹性。”基于这两个问题,黄广斌教授认为,人脑是分层的,分结构性的,每一个层是一个小网络。人、动物有思维,总体有序,局部无序。ELM和传统方法不一样,有很高的准确度和较少的人工干预。ELM理论可以解释了总体有序,局部无序。不仅是在单影像拍摄,ELM还可以应用在多影像,比如ELM做特征提取,做分类器,手语识别,用ELM两个组合可以达到准确率99.4%。黄广斌教授提出展望,梦想深度学习和ELM是一个组合,在云端可以用深度学习,本地化、小数据可以用ELM。最后,黄广斌教授就自己的科研经历分享自己的感悟,他鼓励我们搞研究要勇于担当,坚定信念,保有工匠精神。

  方勇纯教授在报告中阐述了南开大学人工智能学院建设的新思路,方教授指出:“南开大学人工智能学院建设要围绕人工智能方法与无人化的实际系统的软硬件结合,并把这个方法和国家的重大需求结合起来,实现实际应用的两翼齐飞。”此外对于如何建设好,发展好有特色的人工智能学院,以及怎样保持在国内相对比较领先的地位,方勇纯教授给出了两点建议:一是充分发挥南开在智能系统、智能机器人等方面的传统优势。二是充分发挥南开文理综合性特征,生物医学、化学这些学科相对较强的优势,进行学科合作,以人工智能方法促进形成新的学科增长点。

  王飞教授在报告中首先介绍了什么是精准医学,他指出“精准医学强调的是各方面数据的融合,包括分子层面的数据、基因层面的数据、临床数据、行为数据等,而要把这么多信息结合起来,不是一件容易的事,所以需要人工智能技术帮助推动医学的发展。”随后,王飞教授结合自己多年的研究经历,就医学数据挖掘领域的主要问题进行了总结,分别是数据质量评估问题,数据量问题,数据标准问题,数据维度和异质性问题,数据偏倚及模型的推广性问题,模型的可解释性问题,模型的适应性问题,数据与模型的隐私性问题等。

  在报告中张军教授针对人工智能学科的发展分享了一些自己的观点,张军教授指出:“所有的进步都是由于硬件计算资源不断提升所导致的,导致计算机学科从高性能计算到输入输出传感网络,到云计算、大数据,不断的在螺旋式上升。而接下来的热点毫无疑问是计算资源。”如果从物质与意识的能动关系来分析,张军教授说:“人工智能是物质形态的技术进步到一定程度后,在意识形态下的技术革命,人工智能推动生产效率产生巨大突破。”在报告中张军教授还对深度学习和普通神经网络的关系进行了分析,他指出:“现如今计算资源高速发展,神经网络的规模加大,出现了深度学习,但是深度学习和90年代的神经网络相比,最重要的突破就宽度学习。”最后,张军教授对利用演化计算来解决多目标问题的优势进行了总结:“在处理复杂实际问题时,数学模型没有办法建立,但是演化计算不需要建模,只要有数据就可以快速得到一个解。因此得到了数学家的认可,成为了解决复杂实际问题的一种可行性方案。”

  焦李成教授在报告中向大家介绍了西安电子科技大学人工智能学院在人工智能创新型人才培养方面的经验和构想,从培养背景、培养体系、教育理念、实践真知四个方面进行了详细的阐述。

  在培养背景方面,焦李成教授介绍:“新工科概念是拓展、引领,不管是外延还是内涵都增长了,要在结合点上找到新的增长点。”从面向国际化培养体系角度,焦李成教授指出:“更重要的是在这个阶段要会做、敢想、能创新、有发展。”他强调要将本科、硕士、博士培养贯穿起来,以国际化的思维来培养人才,同时,焦李成教授详细介绍了西安电子科技大学“国际化+西电特色”本-硕-博一体化的“3+x”培养体系, 该体系一体化贯通的培养模式给了学生持续学习的动力,全方位开发学生创新创业思维、激发学生创新创业潜力、提升学生创新创业能力,将“创新创业”贯穿于学生成长全过程;近五年,西安电子科技大学有百余名智能学科的本硕博生出国交流学习,智能学科教学团队90%以上教师有国外留学或访学经历。在教育理念方面,针对如何把人才培养好的问题,焦李成教授认为:“首先要面向国际学术前沿,科学研究只有国际标准;其次要结合国家的重大需求。”他指出一定要实现“科学研究+创新实践协同育人”的目标,西安电子科技大学在人工智能人才培养的探索与实践中始终坚持产学合作协同育人、培养创新性人才的理念,在人工智能领域先后建立起3个国家级平台、9个省部级科研和教学平台以及6个省部级创新团队,还与惠普、华为等企业合作建立了9个创新实验室,依托平台,从应用项目开发、应用性学术竞赛、创新项目研究三个方面引导和培养学生:让学生参与到具有实际应用意义的项目开发当中去——实现“练中学”,让学生通过学术竞赛快速提升科研能力、加强学术交流——实现“赛中学”,让学生主持创新项目研究、充分挖掘自己的创新能力——实现“研中学”。

  最后,焦李成教授强调了“实践出真知”,并介绍了西安电子科技大学三十年来在人工智能领域科学研究和人才培养方面取得的成果及贡献,西安电子科技大学人工智能学院将依托电子信息技术与计算机的学科优势,进一步确立“智能感知用”的专业特色,在人才培养中注重多学科交叉,将理论知识与实践完全融合、科技前沿与教学完全融合,培养适于“人工智能+”时代的创新人才。

  陈俊龙教授基于计算智能在大数据分析中的应用,对大数据做了综述性报告。陈教授指出大数据技术具有4+nV特性,4个基础V是真实性、多样性、快速、海量,除此之外还有邻近性、粘度、多变性、模糊度等。针对大数据中出现的预处理问题、超高温度问题、不确定性、计算复杂性等学术问题,应根据数据存在的特性,提出对应的计算智能方法,如具有多样性和多变性的数据采用遗传计算。大数据分析的一个主要应用就是健康医疗,陈俊龙教授的研究对象是特殊疾病关键科学问题,主要包括感知泛在、模型增量和客观诊断三个方面,探索借助VR技术,解决人体多源生理数据获取过程的不确定性的问题;研究新型智能感知方法和行为理解技术,解决个性增量和资源消耗问题;研发基于多核模糊粗糙集理论和宽度学习的多源生理数据的不确定性建模方法。

  曹进德教授从人工智能的背景谈起,讲述中国人工智能2.0理论的研究方向,其中基于网络的群体智能作为人工智能研究的新方向,提供了一种通过聚集群体的智慧解决问题的新模式。曹进德教授团队的主要研究工作是工程应用问题,比如智能电网、智能交通,针对网络系统作为研究对象分析分布式优化的动力学分析和控制,包括系统与控制、大数据的计算等。接着,曹教授介绍了神经网络动力学优化、群集网络分布式优化、网络群体智能协同学习与控制、网络特征描述与模式识别四个方面的网络科学理论和方法。最后,曹进德教授讲述了人工智能中网络科学的研究方向,希望以网络群体智能理论研究、工程开发和人才培养为核心,发展一套系统的群体智能理论与方法,应用到智能交通、智能通信和智能电网的建设中,并构建一系列服务于群体智能研究的仿真平台。

  张青富教授在报告中指出进化算法和经典优化都是针对优化问题、用于求解复杂优化问题的,两个学科可以互相学习,互相融合。他与大家分享了两个例子,第一个例子是在单目标优化领域,遗传算法、蚂蚁算法与传统梯度法的关系,进化算法可以模型化为EDA, EDA的数字方向实际上可以看成是在概论模型空间的梯度法,有了这样的认识,就可以用成熟的优化方法设计高效的进化算法,张青富教授将这一想法移植到进化算法上,效果比一般的EDA提高了1000倍。第二个例子是在多目标优化领域,经典的几何函数方法可以用来构造有效的进化算法,多目标优化算法MOEA/D的思想是将经典优化和进化算法做融合,其中有两个基本元素,一个是分解,一个合作。所谓分解就是把多目标任务分解成多个子任务,每一个子任务可以是单目标,可以是多目标,也可以不是优化内容,即把一个复杂问题用线性加减法变成多个简单问题。所谓合作,是在多个智能体之间如何达到合作,100个问题,用100个算法求解,100个子问题互相有关联,所以求解问题也可以互相合作,进化算法过去若干年主要的研究是合作。张青富教授总结,进化算法中的某些算法原则上可以看成是梯度法,从而传统数学中的某些设计原则可以运用到进化算法的框架之中。

  邱才明教授介绍,深度学习作为人工智能的重要研究领域,在很多应用中通过随机矩阵理论可以将任意非线性问题线性化。人工智能最大的问题是没有一个很好的理论解释和透明性,随机矩阵理论可以很好的解释深度学习为什么多层就好,理解非线性函数。理论分析发现,深度学习可以用暴力解决问题,随机矩阵理论易于分析,累积了丰富的数学结构,邱才明教授尝试将两者结合,将问题回到数学原点应用到工程中,他发现理论分析和实验数据吻合的非常好。实际中,邱才明教授团队已将深度学习应用于医疗数据,如精神分裂症脑电波数据、吸毒成瘾MRI数据、脑部CT数据等,提出了基于RMT的精神分裂症分类方法,基于深度学习的精神分裂症分类方法等。另外,将深度学习应用于微波图像、电力数据、通信数据等,相比于传统方法效果显著。

  申恒涛教授就跨媒体智能理解和搜索两方面工作做了介绍。跨媒体智能是从单一数据到跨媒体数据的认知、学习和推理的过程。要实现计算机用自然语言文字描述视频内容,首先要区分可视化单词与非可视化单词,大多数现有的解码器将视觉注意机制 (Attention Mechanism) 应用于包括非视觉单词的生成模型,这样可能会误导和降低视频字幕的整体性能。针对此问题,申恒涛教授提出了仅在统一的编码器-译码器结构框架中的Top HLSM层面引入Adjusted Temporal Attention Model的方法。

  在跨媒体检索方面,申恒涛教授分析此研究的主要困难之一是图像与文本之间的模态差异 (Modality Gap),例如数据的值域,稀疏性,维度都有很大不同。通常的解决方案是公共子空间学习,但传统算法专注于子空间的特征区分及配对联系,忽略了模态的不变表示。针对此问题,申恒涛教授介绍了Adversarial Cross-Modal Retrieval (ACMR)方法,该方法的新颖性在于:一是引入对抗机制来减小模态差距;二是同时利用了特征辨别和相关建模。所提ACMR算法在面对大数据的问题仍有局限性,对此,申教授进一步提出用于图像检索的二进制Generative Adversarial Network(GAN)以提高分类器的效率。报告最后,申恒涛教授展望了未来的工作方向,一是基于实时NLP的多媒体交互、局部的可视化/文本区域分析,二是用于跨模式检索的二进制GAN。

  孙富春教授的报告内容是面向小样本的表示学习,他首先分享了人工智能的三个观点:人工智能物质基础、人工智能第三范式以及人工智能系统。人工智能是以物质为基础的,抛开物质谈智能没有意义;人工智能第三范式是生物机制启发的智能,包括神经机制、生物机制,植物机制等,依赖于生物学、脑科学、生命科学和心理学等学科的发现;人工智能是系统,不仅需要推理,还需要感知、认知和控制,缺一不可。传统的模式识别用的是人工特征+算法,深度学习用算法在数据中自动提取特征,用到单一模态信息,而后深度学习时代是基于硅云计算的,是可解释的人工智能,主要是基于经验学习和偏好学习。传统的数据分析方法主要有统计学习方法、概率图模型方法,然而在小样本学习中表现出一定的局限性, 解决方法是泛化样本空间、流行自动编码器MAE,泛化正则化自动编码器等。孙富春教授所在课题组提出了GAE算法、深度正则化自动编码器网络、分层GAE网络算法成功应用到服务机器人、感知技术-视触、软体机器人等。

  Vincenzo Piuri教授主要讨论了人工智能技术在智能环境(Ambient Intelligence)中的应用。智能环境研究致力于为人类提供一个更加安全,舒适,自适应的生活环境,从而更好的满足人类的需求。Piuri教授指出,构建更加智能,自适应的生活环境关键在于能够动态的采集每个人的生活习惯,偏好的信息,从而使环境更好的理解人们的当前需要。相较于传统的数据获取方法,人工智能在信号和图像的采集方面具有自校正,非线性数据压缩和错误自检测等优点。随后Piuri教授从数据处理,特征提取,传感器融合和模式分析等方面介绍了智能环境的关键技术,智能环境在日常生活中已经取得了一系列成功应用,包括智能家居,自动驾驶系统,共享经济,智能医疗与健康护理等。最后Piuri教授展望了智能环境的未来,他总结到: ”Artificial intelligence is the technological base to create this adaption (smart environment).”

  林宙辰教授的报告围绕优化算法展开,他介绍,在机器人里面主要是使用一阶算法,因为需要参数算的非常准,最终转化为识别率,或者错误率等,如今,除了数字算得非常好之外对速度也有了一定的需求,要在一定时间内把参数算完。林宙辰教授讲到:“临界方法所有计算非常快,但是需要非常长的接待时间,每一个迭代不需要计算非常大,但是需要迭代的次数非常少,只有在一阶算法里面才可以做非常好的计算。一阶算法特性,一开始下降非常之快,非常接近最优,后面会缓慢下降。”如今,优化的思想已经做完了,动力来源在应用上。其中,医学领域有非常大的先天优势,天然可以支持分布式。最后,林宙辰教授展望:“未来进入大数据时代,我们对实时的大规模优化提出更高的要求,我预计未来肯定是完全随机的算法,量子计算可能也会参与到优化里面。”

  王国胤教授围绕培养目标、课程群设置、教学团队建设、教学模式改革、实践平台建设、大数据智能计算创新研究六个方面介绍了重庆邮电大学计算机学科的发展情况。重庆邮电大学计算机学科以特色办学为引导、以教育质量为抓手、以创新人才培养为目标,创新了信息技术类专业人才“大数据与智能化创新能力”的通识教育培养理念,创建了适应各专业差异化需求的弹性式“大数据与智能化课程群”,提出了“寓赛于课”教学模式,在信息技术类专业创新人才培养方面探索出了初步经验。针对弹性式“大数据与智能化课程群”的构建,王国胤教授进行了深入浅出的介绍:“以大数据与智能化处理能力培养为目标,围绕计算建模、程序设计、数据分析、行业拓展四个维度,将信息技术相关专业划分为计算机与智能类、IT核心类和IT交叉类三种类型,确立基础课程、核心课程和拓展课程三个层次,从数据采集、传输、存储、计算、分析、应用六个阶段梳理出对学生素质和能力培养起特别关键作用的十七门“关节点”课程,将优势教学资源向“关节点”课程倾斜,提高“关节点”课程教学质量,凸显人才培养特色。”王国胤教授指出,社会正在从信息化向智能化迈进,新一代人工智能以大数据为驱动,人类已经具备了数据信息的全面感知、快速传输、海量存储、高效计算等方面的超强能力,大数据与智能化创新能力的培养成为了社会对人才培养的一大紧迫需求。

  薄列峰博士在报告中介绍了几大商业巨头公司目前的AI布局,包括谷歌的搜索,苹果的人脸解锁,京东的物流,电商与金融,以及亚马逊的语音对话平台和线下无人超市等,通过分享实际案例让大家对AI在工业界的落地有一个非常直观的印象。

  薄列峰博士指出,“目前计算机视觉领域有一个很大的趋势就是深度学习与三维计算机视觉的融合。深度学习为我们提供了提升识别精度的工具,而三维计算机视觉为我们提供了理解物理世界的工具,这两者的融合会有很大前景。很多计算机视觉问题如果不用三维是很难做特别好的,尤其是AR技术,必须对三维空间有一个很好地理解。”

  马堃博士以情感分析技术在电影《花样年华》中的应用为导入,介绍了商汤科技围绕人工智能、涵盖了十四个行业、将研究性工作和现实产品相结合的研究成果,包括用于银行、运营商开户实名认证的身份证验证机,为苏宁易购专门研发的智能易购系统,用于金融和通讯行业、超过4亿人的实名认证方案,用于安防布控的自动驾驶技术和人群分析系统,以及“创以智用”的SenseAR平台等娱乐化产品。马堃博士介绍到:“目前安检系统存在一个比较大的漏洞,人们进入安检时会核验身份证和机票,一旦过了安检,在登机口时却没有人再核查身份,这意味着两个人能够拿着各自的机票和证件通过安检、并在登机换机票。而在登机口设置的刷脸闸机可以对人们进行二次身份核验,一定程度地解决了这一安全隐患。”同时,马堃博士指出,商汤科技将坚持原创,认真做好产品,让人工智能引领人类进步。

  钟伟才教授在报告中分享了华为云EI的发展历程,华为云EI的服务产品介绍,企业创新与案例以及实践案例等四个方面。在华为云EI的发展历程中,钟伟才教授指出“目前AI技术的发展呈现出平台类走向成熟,语音/CV规模机会点已经出现的趋势。”在华为云EI的服务产品方面,华为做了很多实践,拥有自己的特点,即由内向外,端云结合,协同发展人工智能。现如今,华为云EI服务既有基础平台,也有大数据,更有处理数据的机器学习算法,但是企业和学校的侧重点不一样,学校更偏重于技术,而企业要围绕数据的开发流程,构筑全生命周期全栈服务。钟伟才教授介绍了华为在企业智能方面的案例包括:语音识别,计算机搜索,智能物流,风控,智能运维,智能问答、智能推荐等方面。此外,还总结了未来华为AI解决方案的聚焦点,包括“三大水平和四大垂直场景”:水平场景包括IOT,视频AI,智能问答;垂直的场景会聚焦在车联网、智慧城市、工业物联网、新零售方面。

  论坛最后,中国人工智能学会副理事长王国胤、中国人工智能学会智能教育专委会主任王万森、浙江工业大学计算机科学与技术学院院长王万良、欧洲科学院院士曹进德、上海交通大学特聘教授邱才明、清华大学智能技术与系统国家重点实验室副主任孙富春、北京大学教授林宙辰、西安电子科技大学人工智能学院教授侯彪、西安电子科技大学人工智能学院教授王爽、商汤科技联合创始人、技术执行总监马堃、京东金融AI实验室首席科学家薄列峰、华为Cloud BU EI服务产品部西研分部主管钟伟才、蒜泥科技创始人、董事长杨少毅、Google开发者生态系统中国区负责人李锐、Google Tensorflow开发团队资深工程师王铁震、百度云智学院院长刘钒16位人工智能领域专家、IEEE Fellow及人工智能标杆企业代表就“人工智能+高等教育”主题进行了对话并与与会嘉宾交流互动,从人工智能产业链基础层、技术层、应用层、业务层等多个角度探讨了人工智能在相关领域的应用前景与发展趋势。

  全文由王丹、丁静怡、郭雨薇、李玲玲、张梦璇、唐旭、焦昶哲、任博、马晶晶、张丹整理

本文链接:http://furymagazine.com/yuyishu/1.html