<mark id="oztn4"></mark>
0
| 本文作者： 汪思穎 | 2018-03-30 21:00 |
雷鋒網按，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，深圳市龍崗區人民政府、中關村視聽產業技術創新聯盟、新一代人工智能產業技術創新戰略聯盟主辦，深圳龍崗智能視聽研究院承辦，雷鋒網作為獨家戰略合作媒體帶來現場報導。
在智能技術與標準及 IEEE Fellow 分論壇上，迎來海信、思必馳、華為的三位產業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）的學術明星。三位企業代表從多個方面闡述了各自行業目前面臨的機遇、挑戰以及相應應對措施，五位學術界明星或幽默、或嚴謹地報告了目前自己的學術研究。
海信、思必馳、華為的三位產業領導齊聚首
首先出場的是海信公共安全事業部總經理孫論強，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》。
演講伊始，他提出安防行業迎來新的機遇與挑戰。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 AI 技術應用于安防行業有如下三點不足：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，跨媒體智能技術突破之后，可實現各種異構數據的融合，充分發揮機器學習、數據分析與挖掘等的優勢，比如多種媒體的融合應用、多元異構數據分析、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。」在實現的過程中，運用了很多關鍵技術，比如跨媒體時空分析，流式視頻大數據，跨媒體多元數據融合，而針對每一關鍵技術，他也提到了具體的模型、算法以及整體架構。
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，通過目標結構化及特征提取、跨媒體多元數據融合等，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，還關注數字多媒體技術、智能信息系統等多個技術，目前，他們的跨媒體安防技術的產品有狼王視頻安全接入網關、狼眼視頻結構化系統、戰狼公安實戰平臺等。
在演講的最后，他表示，智能安防行業任重道遠，他們將堅持技術創新，深入研究跨媒體智能安防應用，引領行業發展，開創智能安防行業新時代。
第二位演講的嘉賓是思必馳聯合創始人、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 互聯時代的文本搜索，到移動互聯網的語音、文本對話，再到現在的硬件物聯網時代的自然口語對話，數據出現了指數級的增長。「可以看到，我們從 PC 互聯邁入智能設備互聯的時代，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，能進行語音識別、語義理解等。」
他談到目前的智能行業主要有三個層次，一是基礎支撐層，二是智能交互層，三是系統應用層。他們正在做的就是第二層，其核心技術是感知、認知和表達。
接著，俞凱提到智能行業的主要矛盾——技術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化，這是一個挑戰。」
而為了迎戰這一挑戰，他們推出思必馳大規模對話定制平臺。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，實現開放的解決方案。「我們在做的時候需要解決一系列技術問題，平臺不單是技術平臺，需要為產業提供真正有意義的應用。」他們提出玲瓏系統（做跨平臺的轉接，提供云+端技能的混合定制）、天機系統（提供可視化大數據，實現用戶畫像和智能化推薦，給開發者詳盡、可按需定制的用戶任務結果數據）、青囊系統、紫薇系統等。
他表示，當不定制的時候，他們做成一個黑箱，而定制話的系統在結構上是白箱，子結構是黑箱。
之后，俞凱提到對話智能需要利用到的技術：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。而在演講最后，他對對話認知智能技術路線提出自己的看法——從深度學習到遷移學習（解決數據量的問題），從數據驅動到知識嵌入（利用已有的知識），從開環學習到閉環學習（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 模型開放給開發者。
他說道，華為 HiAI 生態主要有四大優勢助力開發者，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。
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換時，在端側執行模型，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。為了能讓應用開發更快，他們做了很廣泛的調研。目前，他們有成熟的服務生態，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，可以不改變開發者習慣，快速集成 AI 模型，快速開發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，會促進整個產業鏈共贏。
五位 IEEE Fellow 帶來精彩主題報告
在張寶峰的演講結束之后，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、對話系統等諸多領域，背后的技術有深度學習等。
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 4.0，接下來從模擬腦 8.0 ，在未來，又可能會出現某某 16.0。
他表示，人工智能和腦啟發計算都不是新學科，需要發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，不能忽略系統產生的過程。」
他接下來舉了自己之前做的研究，他們做了一個非常規范的神經網絡，然后考慮讓演化過程自動發現神經網絡。通過對比，可以看到演化的神經網絡比人工做的更緊湊，演化的網絡層數很多，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的研究，人工智能雖然很紅火，但現在還是任重道遠。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的第五代。他表示，目前網絡越來越復雜，功能越來越豐富。從 1G 的模擬，到 2G 的數字可以傳遞短信，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，需要有技術標準，他舉了很多的技術上的數字，也提到一些技術比如 MIMO。在未來，將向超 5G 發展。之后，他表示，為了持續發展，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，二是超穩定、短延時要求，三是物聯網。接下來他也提到 5G 的新挑戰，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，二是硬件架構上的設計，包括卷積網絡、遞歸網絡的架構等，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，比如醫療、語音、自動駕駛等，而核心部分是深度神經網絡，他們從硬件的角度來研究這些架構和一些瓶頸。
他提到，目前的推理平臺有 CPU、GPU、ASIC、FPGA 等，現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上進行了一系列優化。
在模型壓縮方面，他提到量化問題，而對于深層神經網絡，他們設計了一個機制，來自動/動態簡化網絡。「當物體很難識別時，我們使用復雜網絡，而當識別很簡單時，可以自動簡化網絡，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網絡等。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網絡做的一些研究工作以及卷積網絡里可以優化的部分，比如從 3D 到 1D 的優化，存儲的優化，帶寬的優化等，他也對這些優化具體展開了討論。
此外，他還提到 Energy-Quality Scalable 卷積神經網絡，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 工藝的神經網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。
他總結到，對于深度學習來說，DNN 非常重要，而 VLSI 優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，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 網絡，將這個網絡跟 GAN 結合，得到 SiGAN，在實驗中，他們用 LFW 等一些數據庫做測試，發現 SiGAN 結果的準確度比傳統網絡還有 GeGAN、DeGAN 等都要高，他們還對執行時間等進行了對比，也發現效果非常好。
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，他由人類的神經細胞講到人工神經網絡。他表示，神經網絡是用非常簡單的網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，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，傳統經常使用的 BP 算法，會經常落入 local minima 問題，得到局部最優解，而不是全局最優解，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 取得的結果相當不錯。
至此，智能技術與標準及 IEEE Fellow 分論壇圓滿結束，而在次日將迎來 3 場同樣精彩的論壇，敬請期待雷鋒網的現場報導。
相關文章：
AITech 次日，腦科學、智能外科、多模態智能等多個話題引熱議
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
