<mark id="oztn4"></mark>
0
| 本文作者： 汪思穎 | 2018-03-30 21:00 |
雷鋒網(wǎng)按，3 月 30 日，AITech(2018 國際智能科技峰會) 于深圳隆重召開。本次峰會由深圳市人民政府指導，深圳市龍崗區(qū)人民政府、中關(guān)村視聽產(chǎn)業(yè)技術(shù)創(chuàng)新聯(lián)盟、新一代人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟主辦，深圳龍崗智能視聽研究院承辦，雷鋒網(wǎng)作為獨家戰(zhàn)略合作媒體帶來現(xiàn)場報導。
在智能技術(shù)與標準及 IEEE Fellow 分論壇上，迎來海信、思必馳、華為的三位產(chǎn)業(yè)領導以及南方科技大學、香港中文大學深圳分校、南京大學等五所高校（科研機構(gòu)）的學術(shù)明星。三位企業(yè)代表從多個方面闡述了各自行業(yè)目前面臨的機遇、挑戰(zhàn)以及相應應對措施，五位學術(shù)界明星或幽默、或嚴謹?shù)貓蟾媪四壳白约旱膶W術(shù)研究。
海信、思必馳、華為的三位產(chǎn)業(yè)領導齊聚首
首先出場的是海信公共安全事業(yè)部總經(jīng)理孫論強，他的演講主題是《從視頻接力到精準跟蹤一一跨媒體智能領航安防行業(yè)》。
演講伊始，他提出安防行業(yè)迎來新的機遇與挑戰(zhàn)。目前，人工智能廣泛應用于安防領域，如人臉識別、車輛識別、目標檢測等，但將傳統(tǒng) AI 技術(shù)應用于安防行業(yè)有如下三點不足：場景適應能力不強，需求多樣性無法滿足，智慧化程度不高。他進一步引出了即將重點描述的部分——跨媒體智能。
孫論強表示，跨媒體智能技術(shù)突破之后，可實現(xiàn)各種異構(gòu)數(shù)據(jù)的融合，充分發(fā)揮機器學習、數(shù)據(jù)分析與挖掘等的優(yōu)勢，比如多種媒體的融合應用、多元異構(gòu)數(shù)據(jù)分析、多維智能主動預警。
他接下來談到，目前我們需要從視頻接力到精準追蹤。「以往的視頻接力追蹤過程依靠經(jīng)驗，并且需要人工判斷，比較耗時費力。而精準追蹤對安全風險的管控提出更高要求，需要實現(xiàn)目標的精準識別、定位、軌跡刻畫、屬性判斷和行為分析。」在實現(xiàn)的過程中，運用了很多關(guān)鍵技術(shù)，比如跨媒體時空分析，流式視頻大數(shù)據(jù)，跨媒體多元數(shù)據(jù)融合，而針對每一關(guān)鍵技術(shù)，他也提到了具體的模型、算法以及整體架構(gòu)。
談到應用案例，他舉了青島的一個例子，當市民的小孩走失報警之后，啟動前面提到的精準追蹤技術(shù)，通過目標結(jié)構(gòu)化及特征提取、跨媒體多元數(shù)據(jù)融合等，能夠快速追捕到嫌疑人。
之后，孫論強展示了海信在跨媒體智能安防上的成果，他表示，海信除了電視和冰箱，還關(guān)注數(shù)字多媒體技術(shù)、智能信息系統(tǒng)等多個技術(shù)，目前，他們的跨媒體安防技術(shù)的產(chǎn)品有狼王視頻安全接入網(wǎng)關(guān)、狼眼視頻結(jié)構(gòu)化系統(tǒng)、戰(zhàn)狼公安實戰(zhàn)平臺等。
在演講的最后，他表示，智能安防行業(yè)任重道遠，他們將堅持技術(shù)創(chuàng)新，深入研究跨媒體智能安防應用，引領行業(yè)發(fā)展，開創(chuàng)智能安防行業(yè)新時代。
第二位演講的嘉賓是思必馳聯(lián)合創(chuàng)始人、首席科學家俞凱，他的演講主題是對話智能。
他表示，時代不斷變革，從 PC 互聯(lián)時代的文本搜索，到移動互聯(lián)網(wǎng)的語音、文本對話，再到現(xiàn)在的硬件物聯(lián)網(wǎng)時代的自然口語對話，數(shù)據(jù)出現(xiàn)了指數(shù)級的增長。「可以看到，我們從 PC 互聯(lián)邁入智能設備互聯(lián)的時代，例如亞馬遜推出 Echo，微軟推出 Cortana Button，谷歌推出 Google Home 等。我們目前需要對話智能系統(tǒng)，能進行語音識別、語義理解等。」
他談到目前的智能行業(yè)主要有三個層次，一是基礎支撐層，二是智能交互層，三是系統(tǒng)應用層。他們正在做的就是第二層，其核心技術(shù)是感知、認知和表達。
接著，俞凱提到智能行業(yè)的主要矛盾——技術(shù)提供商的定制效率和層出不窮的個性化需求之間的矛盾。「當做產(chǎn)品時，顧客有各種個性化需求，比如是否支持熱更新、為什么不支持自定義。這時候，如何更快做得更專業(yè)化，這是一個挑戰(zhàn)。」
而為了迎戰(zhàn)這一挑戰(zhàn)，他們推出思必馳大規(guī)模對話定制平臺。他表示，雖然語音合成很早就可行，但他們希望在對話層面做到能像手機 apps 一樣定制化，實現(xiàn)開放的解決方案。「我們在做的時候需要解決一系列技術(shù)問題，平臺不單是技術(shù)平臺，需要為產(chǎn)業(yè)提供真正有意義的應用。」他們提出玲瓏系統(tǒng)（做跨平臺的轉(zhuǎn)接，提供云+端技能的混合定制）、天機系統(tǒng)（提供可視化大數(shù)據(jù)，實現(xiàn)用戶畫像和智能化推薦，給開發(fā)者詳盡、可按需定制的用戶任務結(jié)果數(shù)據(jù)）、青囊系統(tǒng)、紫薇系統(tǒng)等。
他表示，當不定制的時候，他們做成一個黑箱，而定制話的系統(tǒng)在結(jié)構(gòu)上是白箱，子結(jié)構(gòu)是黑箱。
之后，俞凱提到對話智能需要利用到的技術(shù)：在語義層面快速的遷移學習、深度強化學習以及自適應技術(shù)。而在演講最后，他對對話認知智能技術(shù)路線提出自己的看法——從深度學習到遷移學習（解決數(shù)據(jù)量的問題），從數(shù)據(jù)驅(qū)動到知識嵌入（利用已有的知識），從開環(huán)學習到閉環(huán)學習（讓機器具備自學習的能力）。
接下來，華為 CBG 軟件工程部副總裁張寶峰帶來主題為 Enabling Next Generation Mobile experience with Huawei HiAI 的報告。
演講伊始，張寶峰表示，如何讓 AI 走下神壇，是我們要思考的問題。而其中重要的一點是開放。他表示，他們希望用開放性的 HiAI 平臺，讓更多人參與進來，讓用戶更快享受 AI 帶來的變革。
為什么要開放呢，他解釋道，目前進行 AI 研究存在許多問題，比如門檻高、效率低、能力碎、提升難，他們希望把芯、端、云側(cè)的計算力開放出來，比如將實踐中集成好的各種 AI 模型開放給開發(fā)者。
他說道，華為 HiAI 生態(tài)主要有四大優(yōu)勢助力開發(fā)者，一是 AI 能力加速，二是 AI 能力提供，三是完備的工具支持，四是成熟的服務生態(tài)。
他也舉了一些例子。他們與一家公司合作將照片進行風格轉(zhuǎn)換時，在端側(cè)執(zhí)行模型，可以將效率提升 300%。他補充道，很多人臉識別、物體識別，當在端側(cè)計算時，不僅可以提升效率，還可以提升用戶體驗。為了能讓應用開發(fā)更快，他們做了很廣泛的調(diào)研。目前，他們有成熟的服務生態(tài)，希望能給用戶便捷的體驗。
最后，他表示，HiAI IDE 與 Android studio 完美集成，可以不改變開發(fā)者習慣，快速集成 AI 模型，快速開發(fā)出極具想象力和全新體驗的 AI 應用。他表示，通過這樣一個開放的生態(tài)，會促進整個產(chǎn)業(yè)鏈共贏。
五位 IEEE Fellow 帶來精彩主題報告
在張寶峰的演講結(jié)束之后，迎來五位 IEEE Fellow 的主題報告，首先出場的是南方科技大學計算機科學與工程系主任、IEEE Fellow、專家姚新，他的演講主題是 Evolving Intelligence（演化智能）。
他首先談到目前火熱的人工智能，他表示，教育部、科技部等各類文件都提到人工智能，目前人工智能可能應用在自動駕駛車、對話系統(tǒng)等諸多領域，背后的技術(shù)有深度學習等。
他表示，目前，圖像識別的精準度不斷提升，甚至超過了人類。而完成這一個階段的突破之后，有人認為圖像識別不好玩，又開始提出類腦計算，要做一個真正的「電」腦，最早先從歐美開始，后來中國也提出「中國腦計劃」，一是認識腦，二是模擬腦。他表示，先從人工智能 2.0 到工業(yè) 4.0，接下來從模擬腦 8.0 ，在未來，又可能會出現(xiàn)某某 16.0。
他表示，人工智能和腦啟發(fā)計算都不是新學科，需要發(fā)掘新的人工智能問題，找到人工智能缺少的部分。這引出演化智能。「所有的腦都是演化而來的，沒有任何的生物腦是上帝造出來的。如果我們真的想認識腦和模擬腦，演化的過程不可忽略。如果我們真想理解一個系統(tǒng)，不能忽略系統(tǒng)產(chǎn)生的過程。」
他接下來舉了自己之前做的研究，他們做了一個非常規(guī)范的神經(jīng)網(wǎng)絡，然后考慮讓演化過程自動發(fā)現(xiàn)神經(jīng)網(wǎng)絡。通過對比，可以看到演化的神經(jīng)網(wǎng)絡比人工做的更緊湊，演化的網(wǎng)絡層數(shù)很多，占用的資源少，效率也更高。
他表示，把演化的過程考慮進去，會出現(xiàn)一些意想不到的東西。而他接下來也舉了教育學生以及玩游戲的例子來推廣到演化智能。他表示，演化計算的深入研究將對人工智能產(chǎn)生重大影響。
接下來出場的是香港中文大學深圳分校理工學院院長、IEEE Fellow、專家陳長汶，他的演講主題是《Scenario-Aware Intelligent Media Delivery in 5G Mobile Networks》。
陳長汶教授說道，前面大家講了很多人工智能相關(guān)的東西，他想講一點點比較特別的，即 5G 的智能化。他表示，自己也做過很多與人工智能相關(guān)的研究，人工智能雖然很紅火，但現(xiàn)在還是任重道遠。接下來他回歸正題。
首先，他從從第一代移動通信講到到馬上實現(xiàn)的第五代。他表示，目前網(wǎng)絡越來越復雜，功能越來越豐富。從 1G 的模擬，到 2G 的數(shù)字可以傳遞短信，再到 3G 的媒體（3G 的時候，中國有了自己的標準），現(xiàn)在步入 4G 時代的多媒體，然后即將迎來 5G 時代。
他表示，5G 不僅僅是簡單的移動寬帶。為了滿足需求，需要有技術(shù)標準，他舉了很多的技術(shù)上的數(shù)字，也提到一些技術(shù)比如 MIMO。在未來，將向超 5G 發(fā)展。之后，他表示，為了持續(xù)發(fā)展，3C 非常重要，即 communications，computing 和 cashing。
而將下一代 5G 應用起來，可以有什么不同的場景呢？他列舉了三個場景：一是更寬的帶寬，二是超穩(wěn)定、短延時要求，三是物聯(lián)網(wǎng)。接下來他也提到 5G 的新挑戰(zhàn)，比如如何在多場景下選擇最好的組合等。
然后是南京大學專家、 IEEE Fellow 王中風帶來的演講，他的主題是 VLSI Optimizations for Deep Neural Networks。
王中風教授對他們最近的工作做了簡單介紹，其中包括很多還沒發(fā)表的工作。在演講中，他主要講到了如下三個方面，一是模型的壓縮，二是硬件架構(gòu)上的設計，包括卷積網(wǎng)絡、遞歸網(wǎng)絡的架構(gòu)等，三是工程化方面的進展。
他表示，深度學習在許多應用上取得突破，比如醫(yī)療、語音、自動駕駛等，而核心部分是深度神經(jīng)網(wǎng)絡，他們從硬件的角度來研究這些架構(gòu)和一些瓶頸。
他提到，目前的推理平臺有 CPU、GPU、ASIC、FPGA 等，現(xiàn)在算法的復雜度在提高，同時帶來功耗的增加，從能耗來講，CPU、GPUF、FPGA、ASIC 的效率逐漸增高。
他們在算法和硬件架構(gòu)上進行了一系列優(yōu)化。
在模型壓縮方面，他提到量化問題，而對于深層神經(jīng)網(wǎng)絡，他們設計了一個機制，來自動/動態(tài)簡化網(wǎng)絡。「當物體很難識別時，我們使用復雜網(wǎng)絡，而當識別很簡單時，可以自動簡化網(wǎng)絡，降低功耗。」他表示，這是他們最新的工作。
之后，他也提到了遞歸神經(jīng)網(wǎng)絡等。他表示，他們目前的研究工作與 FPGA 2017 best paper 進行對比，他們達到了 32 倍的 size reduction，超過后者的 20 倍。之后，他講到針對卷積神經(jīng)網(wǎng)絡做的一些研究工作以及卷積網(wǎng)絡里可以優(yōu)化的部分，比如從 3D 到 1D 的優(yōu)化，存儲的優(yōu)化，帶寬的優(yōu)化等，他也對這些優(yōu)化具體展開了討論。
此外，他還提到 Energy-Quality Scalable 卷積神經(jīng)網(wǎng)絡，其中需要解決的問題以及他們的解決方法，另外還有對深度學習保密性的研究。
在演講的最后他表示，他們基于 TSMCA 28nm 工藝的神經(jīng)網(wǎng)絡處理器芯片版圖將于 6 月份流片，此外，他們還做了一個基于深度學習的視覺處理驗證平臺。
他總結(jié)到，對于深度學習來說，DNN 非常重要，而 VLSI 優(yōu)化將會帶來意想不到的效果。
之后迎來臺灣清華大學、IEEE Fellow 林嘉文的演講，他主要談到人臉識別方面的一些研究。
演講伊始，他談到這是自己第一次來深圳，他表示，人臉識別在 AI 領域是一個非常重要的應用，但會遇到很多難題。
他提到人臉識別的以下挑戰(zhàn)，一是要準確找出人臉位置，但要是人臉很小，就會很難偵測。雖然現(xiàn)在有辦法提高分辨率，但很多時候，分辨率提高后無法提高識別效果。
此外，在很多場景下，比如光線變化，人的表情、姿勢發(fā)生變化，有人戴眼鏡，有人戴口罩，這也會影響識別率。
他舉了幾個例子，比如要偵測一張籃球場照片里的很多微小人臉，還有偵測分辨率非常低的人臉，需要怎么做呢？雖然利用 GAN 可以生成人臉，但也會誤產(chǎn)生人臉。如何既增加人臉分辨率又提升人臉檢測準確度。另外，在做超分辨率時，如何既能完成高質(zhì)量的重建，又能保證身份特征。
他提出如下方法，他們使用 Siamese 網(wǎng)絡，將這個網(wǎng)絡跟 GAN 結(jié)合，得到 SiGAN，在實驗中，他們用 LFW 等一些數(shù)據(jù)庫做測試，發(fā)現(xiàn) SiGAN 結(jié)果的準確度比傳統(tǒng)網(wǎng)絡還有 GeGAN、DeGAN 等都要高，他們還對執(zhí)行時間等進行了對比，也發(fā)現(xiàn)效果非常好。
最后，他提到他們基于 GAN 做 Face Augmentation 和 Face Normalization，對人臉進行處理之后也可以得到較高的識別率。
最后一位上臺演講的是 New Jersey Institute of Technology、IEEE Fellow、專家周孟初，他的演講主題為 Dendritic neuron model-based learning algorithms for classification, approximation and prediction。
在演講中，他由人類的神經(jīng)細胞講到人工神經(jīng)網(wǎng)絡。他表示，神經(jīng)網(wǎng)絡是用非常簡單的網(wǎng)絡表示非常復雜的模型。基于之前的兩個模型，他們提出 Dendritic Neuron Model，他表示，他們在其中引入了很多乘法，模型有很強的處理非線性問題的能力。
之后，他詳細講解了該模型的架構(gòu)，他表示，模型有四個 layer，有 4 種 connection，他也談到了這一模型的主要特征，他形容，DNM 相當于一棵樹，樹上有很多分支，分支上有很多葉子。
而接下來，他也提到了模型的實際應用，比如解決乳腺癌問題，肝臟疾病問題、金融時間序列預測、旅客到達預測等等，他們的模型在這些問題上都有不錯的效果。
他也提到了目前算法的一些問題，他表示，傳統(tǒng)經(jīng)常使用的 BP 算法，會經(jīng)常落入 local minima 問題，得到局部最優(yōu)解，而不是全局最優(yōu)解，此外還有 saddle points 問題。他提到 BBO、ES、PBIL、GA、ACO、PSO 這六種算法，他們將這六種算法進行了比較，他表示，最終 BBO+DNM 取得的結(jié)果相當不錯。
至此，智能技術(shù)與標準及 IEEE Fellow 分論壇圓滿結(jié)束，而在次日將迎來 3 場同樣精彩的論壇，敬請期待雷鋒網(wǎng)的現(xiàn)場報導。
相關(guān)文章：
AITech 次日，腦科學、智能外科、多模態(tài)智能等多個話題引熱議
七場高端報告，帶你大視角看人工智能發(fā)展 | AITech
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
