0
| 本文作者： 叢末 | 2019-12-26 15:43 |
雷鋒網(wǎng) AI 科技評(píng)論按：此前，AI 科技評(píng)論已經(jīng)給大家報(bào)道了 10 位院士對(duì) AI 的深度把脈，而在「新一代人工智能院士高峰論壇」上，除了院士們的熱烈討論，還有來自學(xué)界、業(yè)界的一線研究者的聲音。
他們聚焦于不同的研究領(lǐng)域，并一直工作在最前線，從科研和應(yīng)用的角度來看，他們的分享同樣獨(dú)具借鑒意義。
12 月 21 日 ，由鵬城實(shí)驗(yàn)室、新一代人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟主辦的為期兩天的「新一代人工智能院士高峰論壇」進(jìn)入第二日。論壇分為上午場(chǎng)和下午場(chǎng)：
上午場(chǎng)中，來自阿里、清華大學(xué)、中科大、中科院計(jì)算所及自動(dòng)化所、北大的專家聚焦 AI 芯片和類腦，從科研的視角分享了各自領(lǐng)域的最新進(jìn)展。
下午場(chǎng)中，來自中國(guó)平安、衛(wèi)健委、交警局、螞蟻金服、中科院計(jì)算所、云天勵(lì)飛的六位專家，從應(yīng)用的視角分享了人工智能的目前的應(yīng)用情況以及未來的探索。
我們首先來看聚焦當(dāng)下 AI 領(lǐng)域兩個(gè)最熱門的研究方向——AI 芯片和類腦的分享。
來自阿里巴巴達(dá)摩院的謝源教授作為首位上臺(tái)的報(bào)道嘉賓，帶來了主題為《AI 時(shí)代的架構(gòu)創(chuàng)新與機(jī)會(huì)》的報(bào)告。
阿里巴巴達(dá)摩院技術(shù)實(shí)驗(yàn)室負(fù)責(zé)人、IEEE、AAAS、ACM Fellow 謝源
正式進(jìn)入演講前，他先以英特爾和英偉達(dá)過去五年的股市漲幅（前者 63%；后者 900%）為例，指出了當(dāng)前芯片市場(chǎng)中是否創(chuàng)新對(duì)于一個(gè)企業(yè)所帶來的影響，就正如馬云曾說過的一句話：很多人輸就輸在，對(duì)于新興事物第一看不見，第二看不起，第三看不懂，第四來不及。
借此，他呼應(yīng)今天的演講主題表達(dá)了自己的核心觀點(diǎn)：人工智能時(shí)代的來臨，給計(jì)算機(jī)體系結(jié)構(gòu)的創(chuàng)新帶來了新的黃金時(shí)代，大家需要看到挑戰(zhàn)，同時(shí)也要抓住機(jī)遇。
在過去的 50 年間，人工智能的發(fā)展經(jīng)歷了三次起起伏伏，其中的三大關(guān)鍵因素便是算法、大數(shù)據(jù)和算力。而在當(dāng)下的第三次浪潮中，軟件和硬件的融合成為新的趨勢(shì)，其中 AI 芯片更是成為了此次浪潮中極為重要的因素。傳統(tǒng)意義上的軟件公司如 Facebook、亞馬遜，以及中國(guó)的互聯(lián)網(wǎng)企業(yè)都開始涌入這一賽道。
這一形勢(shì)下，AI 時(shí)代的硬件創(chuàng)新可謂是一個(gè)激動(dòng)人心的「戰(zhàn)國(guó)時(shí)代」，AI 硬件很難出現(xiàn)像過去 50 年的 PC 和移動(dòng)時(shí)代一樣，出現(xiàn) X86 、ARM 一統(tǒng)天下的局面，而是呈現(xiàn)出百花齊放的形勢(shì)，這也讓硬件研發(fā)存在更多的可能性。
具體而言，他指出了三個(gè)可以探索的大方向：
第一，異構(gòu)計(jì)算。AI 時(shí)代沒有哪一個(gè)單獨(dú)的芯片能夠做到一統(tǒng)天下，例如 CPU、GPU、FPGA 這些不同的通用芯片，各有其優(yōu)勢(shì)，因此未來可能需要嘗試在同一個(gè)平臺(tái)上使用不同的芯片。對(duì)此，他也帶領(lǐng)團(tuán)隊(duì)開展相關(guān)工作，研究如何通過異構(gòu)計(jì)算的方法來提高高性能分布式系統(tǒng)的訓(xùn)練效率。
第二，芯片從通用走向?qū)Ｓ?。從谷歌?2017 年發(fā)布的第一款 ASIC TCP——TPU，到阿里前不久發(fā)布的平頭哥含光 900 芯片，這些專用的芯片相比通用芯片的優(yōu)勢(shì)非常明顯：可以為特定的場(chǎng)景定制，從而實(shí)現(xiàn)功耗、成本以及性能的最優(yōu)。
第三，圍繞存儲(chǔ)做新架構(gòu)探索。他指出，AI 時(shí)代對(duì)存儲(chǔ)的帶寬容量的要求非常高，計(jì)算過程中將數(shù)據(jù)從存儲(chǔ)搬到計(jì)算單元、再從計(jì)算單元搬回存儲(chǔ)中所需的容量和性能損失遠(yuǎn)遠(yuǎn)超過做計(jì)算本身。因此，當(dāng)下 AI 硬件創(chuàng)新面臨的一個(gè)很重要的挑戰(zhàn)，就是存儲(chǔ)墻。針對(duì)這一挑戰(zhàn)，他也提出了兩個(gè)探索方向：
一個(gè)方向是利用 3D 堆疊技術(shù)解決未來計(jì)算中的存儲(chǔ)帶寬問題。AMD 于 2015 年發(fā)布的 Fiji 核心便是這一思路的產(chǎn)物，其可以直接用 Fiji GPU 來加速 DNN，性能大幅提高?，F(xiàn)在，幾乎所有 AI 芯片公司都會(huì)沿用這一思路，考慮在芯片訓(xùn)練中使用這種 HBM（高帶寬存儲(chǔ)器）。
另一個(gè)方向則是計(jì)算存儲(chǔ)一體化，這是未來有可能改變傳統(tǒng)的把計(jì)算和存儲(chǔ)分開的馮·諾依曼架構(gòu)的一個(gè)方向，并且這種方法不僅僅改變計(jì)算機(jī)體系結(jié)構(gòu)，還能在材料、底層半導(dǎo)體技術(shù)上做更新。其中一個(gè)比較有趣的工作便是 ReRAM 技術(shù)，能夠讓計(jì)算和存儲(chǔ)發(fā)生在同一個(gè)地方，而不需要做數(shù)據(jù)的搬移，節(jié)省的能耗和提高的性能非常多。
「AI 時(shí)代，我們可以探索到計(jì)算機(jī)體系結(jié)構(gòu)的非常前沿且新的主題，從底層看，可以嘗試異構(gòu)計(jì)算、3D 堆疊以及計(jì)算存儲(chǔ)一體化等；往上看，則是在應(yīng)用層做創(chuàng)新。這個(gè)時(shí)代存在著無數(shù)創(chuàng)新的機(jī)會(huì)，這也將為芯片這個(gè)行業(yè)帶來新的春天?！?/p>
中科院計(jì)算所研究員陳云霽，在題為《深度學(xué)習(xí)處理器基礎(chǔ)研究》的報(bào)告中，基于自己的研究工作分享了自己的思考。
中科院計(jì)算所研究員
「AI 時(shí)代當(dāng)下的一個(gè)很明顯的趨勢(shì)，就是超級(jí)計(jì)算機(jī)正在和智能技術(shù)走向融合，而隨著傳統(tǒng)芯片無法滿足深度學(xué)習(xí)處理的需求，未來的計(jì)算機(jī)需要采用專門芯片去實(shí)現(xiàn)智能處理，其中最核心的算法則是深度學(xué)習(xí)處理器?！龟愒旗V研究員指出，這也是他一開始研究深度學(xué)習(xí)處理器的初心。
基于多年的研究經(jīng)歷，他指出，設(shè)計(jì)深度學(xué)習(xí)處理器體系結(jié)構(gòu)背后的核心思想是：如何用一個(gè)深度學(xué)習(xí)處理器芯片去高效處理海量、各種各樣且不斷演進(jìn)的深度學(xué)習(xí)算法。
要實(shí)現(xiàn)這一目標(biāo)，實(shí)際上還面臨三個(gè)矛盾：
第一個(gè)是有限規(guī)模的硬件和任意規(guī)模的算法之間的矛盾。深度學(xué)習(xí)處理器作為一個(gè)硬件，神經(jīng)元和突觸數(shù)量都是有限的，并且在出廠甚至設(shè)置時(shí)，數(shù)量就已經(jīng)固定下來；而算法則是在設(shè)計(jì)中可以任意調(diào)整的。
針對(duì)這一矛盾的解決思路是，將硬件的神經(jīng)元虛擬化，即通過時(shí)分復(fù)用，將有限規(guī)模的硬件虛擬成任意大規(guī)模的人工神經(jīng)網(wǎng)絡(luò)，其中的關(guān)鍵技術(shù)在于控制架構(gòu)和訪存架構(gòu)。
第二個(gè)是結(jié)構(gòu)固定硬件和千變?nèi)f化的算法之間的矛盾。硬件的神經(jīng)元和突觸連線在出廠時(shí)就是固定的，而算法的神經(jīng)元或者突觸互聯(lián)的拓?fù)鋮s針對(duì)不同的算法是不一樣的，尤其是現(xiàn)在一些新的訓(xùn)練方法，在訓(xùn)練過程中可能會(huì)對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)拓?fù)涠紟碜兓?/p>
針對(duì)這一矛盾的核心思路是，自動(dòng)抽取各種深度學(xué)習(xí)（機(jī)器學(xué)習(xí)）算法共性基本算子，再基于這些共性基本算子設(shè)計(jì)出指令集，最后通過指令集的組合來高效處理這些算法。其中的關(guān)鍵技術(shù)在于算子聚類和運(yùn)算架構(gòu)。
第三個(gè)是能耗受限的硬件和精度優(yōu)先的算法之間的矛盾。比如說 Alpha Go 下每一盤棋，都要損耗好幾十度電，背后很重要的一個(gè)原因便是算法工程師和研究者并不會(huì)去考慮某個(gè)算法到底會(huì)耗費(fèi)多少電；然而能耗對(duì)于硬件工程師而言則是需要重點(diǎn)考量的一個(gè)點(diǎn)。
針對(duì)這一矛盾的解決思路是，通過稀疏神經(jīng)網(wǎng)絡(luò)處理器結(jié)構(gòu)來解決。其中的核心是采用軟硬協(xié)同的思想，在訓(xùn)練中不僅僅盲目追求提高神經(jīng)網(wǎng)絡(luò)的稀疏度，而是追求規(guī)則化的稀疏，以此來提高稀疏神經(jīng)網(wǎng)絡(luò)的處理效率，與此同時(shí)更利用神經(jīng)網(wǎng)絡(luò)對(duì)于計(jì)算誤差的容忍能力，在有限的能耗下實(shí)現(xiàn)高精度的智能處理。
另外他還指出，從應(yīng)用層面來看，在研制產(chǎn)品級(jí)芯片上還會(huì)面臨兩大主要挑戰(zhàn)：一個(gè)是如何快速地開發(fā)出系列化、統(tǒng)一化的端邊云智能芯片；二是如何面向系列化、統(tǒng)一化的端邊云芯片快速地構(gòu)建軟件生態(tài)。
而從基礎(chǔ)研究到工程技術(shù)，其實(shí)更面臨著人才短缺的難題，而中國(guó)尤其缺乏做底層研究的人才?！鸽m然我國(guó)現(xiàn)在已經(jīng)有 200 所高校開設(shè)了人工智能專業(yè)，然而培養(yǎng)的都是算法人才。無論是做芯片還是做系統(tǒng)軟件，只有培養(yǎng)出足夠多的具有系統(tǒng)思維的人工智能人才，才能這些事情做起來?！?/p>
中國(guó)科學(xué)技術(shù)大學(xué)校長(zhǎng)助理吳楓帶來的報(bào)告主題是《腦認(rèn)知與類腦智能》，他從自動(dòng)化、智能化的成像數(shù)據(jù)處理對(duì)腦科學(xué)研究的支持入手，闡述了類腦智能發(fā)展所面臨的挑戰(zhàn)。
中國(guó)科學(xué)技術(shù)大學(xué)校長(zhǎng)助理、類腦智能技術(shù)與應(yīng)用國(guó)家工程實(shí)驗(yàn)室主任吳楓
他表示，類腦現(xiàn)在被視作未未來人工智能發(fā)展的重要途徑，然而經(jīng)過近幾年的研究，他認(rèn)為類腦研究不僅僅會(huì)促進(jìn)人工智能的發(fā)展，還可能對(duì)信息領(lǐng)域帶來變革性的變化。
相比于現(xiàn)在的信息系統(tǒng)體系，人腦具有低能耗、超高魯棒性、超強(qiáng)能力等優(yōu)勢(shì)，然而人腦的理解非常之難，這也導(dǎo)致很多神經(jīng)學(xué)家通常都集中在單個(gè)功能的研究上，人類到目前為止也沒有了解清楚人腦的全連接圖譜。而要想了解清楚，則需要做好對(duì)人腦數(shù)據(jù)的獲取以及數(shù)據(jù)的分析。
一方面，在人腦數(shù)據(jù)的獲取上，涉及到三個(gè)層面，包括：第一步，確定腦功能的分區(qū)；第二步，了解腦分區(qū)下面的腦網(wǎng)膜結(jié)構(gòu)；第三步，觀察和解析腦的動(dòng)態(tài)活動(dòng)，也就是電活動(dòng)。
另一方面，在數(shù)據(jù)分析上，由于獲取的人腦數(shù)據(jù)規(guī)模非常大且多為未經(jīng)標(biāo)注的電鏡數(shù)據(jù)，神經(jīng)學(xué)家基本無法處理這些數(shù)據(jù)，對(duì)此，吳楓教授的團(tuán)隊(duì)也做過一些相關(guān)的工作，包括：首先，利用胞體等特性進(jìn)行自動(dòng)神經(jīng)胞體的分割；接著通過現(xiàn)在深度學(xué)習(xí)的技術(shù)，對(duì)光鏡細(xì)胞做出比較精準(zhǔn)的分析；然后用算法將重疊的分割片的信息拼接起來，形成完整纖維的連接，從而最終對(duì)連接數(shù)據(jù)進(jìn)行分析。
針對(duì)信息拼接過程中遇到的對(duì)準(zhǔn)問題，他們還提出了用 3D 卷積的方法做電鏡圖像對(duì)齊，該方法的性能比傳統(tǒng)的方法提高數(shù)百倍，精度也進(jìn)一步提升。
「雖然現(xiàn)在還沒有科學(xué)家能夠?qū)ν挥|等人腦數(shù)據(jù)分析出來，但是隨著人工智能技術(shù)的發(fā)展，對(duì)全腦進(jìn)行連接層面的分析和研究成為了可能，我認(rèn)為后續(xù)這方面的工作非常有意義，并且有可能產(chǎn)生諾獎(jiǎng)級(jí)的成果。而這需要花大量的時(shí)間和精力進(jìn)行長(zhǎng)期的研究?！寡葜v最后，吳楓教授也表達(dá)了對(duì)于這一研究方向的期待和信心。
清華大學(xué)微電子學(xué)研究所副所長(zhǎng)尹首一分享了在可重構(gòu)計(jì)算和 AI 芯片方面的一些研究成果和心得體會(huì)，他的報(bào)告主題是《面向無處不在的 AI 計(jì)算》。
清華大學(xué)微納電子系副主任尹首一
他首先指出，現(xiàn)在的大部分 AI 計(jì)算還依賴云端，然而在未來的很多場(chǎng)景下，受限于很多客觀因素，一些數(shù)據(jù)可能不太適合上傳到云上。
正如 ARM 和谷歌不約而同地對(duì)未來的 AI 計(jì)算系統(tǒng)體系提出了一致的愿景：未來的 AI 計(jì)算應(yīng)該是分等級(jí)的分布式計(jì)算系統(tǒng)，即從云到邊緣設(shè)備再到終端設(shè)備，讓不同等級(jí)的數(shù)據(jù)在不同的地方進(jìn)行計(jì)算和處理，從「AI in Cloud」變成「AI Everywhere」。
而要實(shí)現(xiàn)這一愿景，還面臨著一個(gè)難題：計(jì)算需求和功耗受限之間的矛盾。具體到 AI 芯片設(shè)計(jì)上，則主要有以下三個(gè)主要的挑戰(zhàn)：
第一個(gè)挑戰(zhàn)來自于可編程能力。也就是說，隨著算法的演進(jìn)，AI 芯片能夠通過編程得到持續(xù)改進(jìn)。
第二個(gè)挑戰(zhàn)來自于 AI 芯片落地應(yīng)用處理任務(wù)時(shí)，不僅需要處理神經(jīng)網(wǎng)絡(luò)，還需要處理大量常規(guī)的計(jì)算或經(jīng)典的信號(hào)處理計(jì)算。
第三個(gè)挑戰(zhàn)則是能耗問題，尤其是對(duì)于邊緣設(shè)備或者物聯(lián)網(wǎng)設(shè)備而言，能耗問題非常突出。
為了實(shí)現(xiàn)這種超高能效、可編程又具有靈活性的計(jì)算，在過去六七年的時(shí)間里已經(jīng)有了相當(dāng)多的工作，主要沿著兩個(gè)方向努力：一個(gè)方向是算法方向，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行剪枝、壓縮、量化、低位寬化；另一個(gè)方向則是在領(lǐng)域?qū)Ｓ玫捏w系結(jié)構(gòu)上的探索，包括數(shù)據(jù)粒度、編程和存儲(chǔ)模型等。
針對(duì)體系架構(gòu)，尹首一教授等人也做了一系列工作，其中就包括采用基礎(chǔ)的可重構(gòu)計(jì)算架構(gòu)來做 AI 計(jì)算芯片，主要從 MAC 單元、PE 及 PE 陣列架構(gòu)三個(gè)層面上實(shí)現(xiàn)了硬件的可重構(gòu)能力。采用這種架構(gòu)設(shè)計(jì)出來的芯片，不僅能夠支持靈活的、不同神經(jīng)網(wǎng)絡(luò)的編程，還能極大地降低能耗。
而下一階段，尹首一教授指出，應(yīng)該嘗試實(shí)現(xiàn)可重構(gòu)、可編程的體系結(jié)構(gòu)和存儲(chǔ)計(jì)算一體化（In-Memory Computing）的融合?！高@樣才是一個(gè)將來能夠真正把計(jì)算和能效繼續(xù)推高，把芯片的適用性和靈活性繼續(xù)擴(kuò)大的 AI 芯片解決方案?！?/p>
中國(guó)科學(xué)院自動(dòng)化研究所南京人工智能芯片創(chuàng)新研究院常務(wù)副院長(zhǎng)程健帶來的分享同樣聚焦緣端智能計(jì)算和芯片。
中國(guó)科學(xué)院自動(dòng)化研究所研究員中國(guó)科學(xué)院自動(dòng)化研究所南京人工智能芯片創(chuàng)新研究院常務(wù)副院長(zhǎng)程健
他指出，現(xiàn)在的計(jì)算逐漸從云端走向邊緣端，然而邊緣端的計(jì)算目前還存在很多問題：一方面是移動(dòng)設(shè)備「算不好」；另一方面則是穿戴設(shè)備「算不了」。而這些問題背后的原因主要還是邊緣端的智能計(jì)算復(fù)雜度太高，當(dāng)前的芯片還無法滿足這類邊緣端計(jì)算的需求。
在過去很長(zhǎng)一段時(shí)間，國(guó)內(nèi)學(xué)術(shù)界研究算法和研究硬件的人屬于兩個(gè)完全不同的領(lǐng)域，各自「井水不犯河水」，幾乎很難一起做研究，然而隨著近幾年來智能計(jì)算的發(fā)展，尤其是深度學(xué)習(xí)模型對(duì)芯片架構(gòu)提出了新的挑戰(zhàn)和訴求，計(jì)算和芯片二者在研究中結(jié)合得越來越緊密。
深度學(xué)習(xí)從一開始的 AlexNet，有 8 層網(wǎng)絡(luò)，約 6000 萬個(gè)參數(shù)；發(fā)展到 2014 年的 VGG-19 模型，有 19 層網(wǎng)絡(luò)，大概 1.43 億個(gè)參數(shù)，深度學(xué)習(xí)模型越來越復(fù)雜，如果無法直接在存儲(chǔ)中處理數(shù)據(jù)和模型，就會(huì)對(duì)帶寬造成巨大堵塞，對(duì)效率產(chǎn)生很大影響。
這就要求提高邊緣端的計(jì)算能力，主要的推進(jìn)方向有兩個(gè)：一是從神經(jīng)網(wǎng)絡(luò)模型的表示、計(jì)算、存儲(chǔ)、 和學(xué)習(xí)等方面，通過壓縮、剪枝、量化等方法來簡(jiǎn)化模型；二是使用專用加速器加速深度學(xué)習(xí)應(yīng)用，將 32bits 浮點(diǎn)數(shù)轉(zhuǎn)換為定點(diǎn)數(shù)，減少延遲，降低能耗。
程健認(rèn)為，智能計(jì)算按應(yīng)用領(lǐng)域分為云端和邊緣端，按任務(wù)可以分為訓(xùn)練和推理，這四者可以組成四個(gè)象限：云端訓(xùn)練、云端推理、邊緣推理以及邊緣訓(xùn)練。而隨著目前智能計(jì)算走過了從云端訓(xùn)練到云端推理、再到邊緣推理的階段，下一步可以探索邊緣訓(xùn)練，特別是隨著 5G 通信的到來，將為這一方向的探索帶來了更多的機(jī)會(huì)。
北京大學(xué)信息科學(xué)技術(shù)學(xué)院教授黃鐵軍，則基于自己的最新研究成果，帶來了主題為《視達(dá)（vidar）：視覺新模型與超級(jí)視覺》的報(bào)告。
北京大學(xué)信息科學(xué)技術(shù)學(xué)院教授黃鐵軍
演講伊始，他先提出了一個(gè)問題：人為什么躲不過子彈？原因是：人的眼睛往大腦傳送神經(jīng)脈沖的速度比較慢，而且每秒只能傳幾十個(gè)脈沖，所以，當(dāng)一顆子彈飛過來時(shí)，眼睛根本來不及向大腦傳輸信號(hào)。
基于此，他較為尖銳地指出，現(xiàn)在 90% 做計(jì)算機(jī)視覺的研究者根本還沒搞明白視覺到底是什么，因而現(xiàn)在用攝像頭采集視頻+算法的技術(shù)研究路線和思維方式從根本上來說都是錯(cuò)誤的。并且，用視頻作為視覺信息的表達(dá)方式的這一起點(diǎn)，就是錯(cuò)的。
他表示，視頻實(shí)際上是影視產(chǎn)業(yè)發(fā)展的產(chǎn)物，它利用的其實(shí)就是人類視覺系統(tǒng)的缺陷——視覺暫留，來給人類以連續(xù)的畫面感，而生物視覺則是視網(wǎng)膜接收連續(xù)的光子撞擊，再由神經(jīng)節(jié)細(xì)胞接收到足夠刺激后發(fā)放脈沖，接著脈沖序列被傳送給大腦，最后大腦從脈沖序列中解碼出外部世界，
因此，要真正實(shí)現(xiàn)機(jī)器智能，就必須放棄視頻這一概念，用新的思路去做研究：了解從眼睛到大腦的神經(jīng)脈沖是如何編碼外界的視覺信息的?；谶@一思路，黃鐵軍教授在視覺信息處理方面最近開展了一個(gè)工作，便是模仿從視網(wǎng)膜到大腦的神經(jīng)脈沖對(duì)外界視覺信息進(jìn)行編碼。他將這項(xiàng)工作稱之為視達(dá)（vidar）。
最后他再次強(qiáng)調(diào)，計(jì)算機(jī)視覺的研究者應(yīng)該徹底改變用攝像頭+算法的研究思路：「第一，不再用以前的識(shí)別攝像機(jī)，而要用新的視達(dá)芯片和攝像機(jī)來抓識(shí)取過程；第二，不要在計(jì)算機(jī)上編算法，而要在脈沖神經(jīng)網(wǎng)絡(luò)做脈沖序列?！?/p>
人工智能技術(shù)在現(xiàn)實(shí)場(chǎng)景中的應(yīng)用情況如何？以及未來會(huì)有哪些值得探索的方向，我們繼續(xù)來看：
平安集團(tuán)首席科學(xué)家肖京首先分享了人工智能在金融領(lǐng)域的賦能情況，他的報(bào)告題目是《人工智能賦能實(shí)體金融》。
平安集團(tuán)首席科學(xué)家肖京
他指出，相對(duì)于互聯(lián)網(wǎng)，智能化應(yīng)用更加復(fù)雜，前者只是模式的創(chuàng)新，相對(duì)容易實(shí)現(xiàn)；而后者則是技術(shù)上的創(chuàng)新，需要具備數(shù)據(jù)、技術(shù)（算法和算力）、場(chǎng)景和行業(yè)專家四大要素，讓業(yè)務(wù)流程的每個(gè)環(huán)節(jié)都實(shí)現(xiàn)智能化。
在智能化應(yīng)用的能力建設(shè)上，他從平安在智能化應(yīng)用的案例實(shí)踐出發(fā)，指出可以分三步走：
第一階段是嬰兒階段，即形成包括聽覺、視覺、閱讀理解能力在內(nèi)的基礎(chǔ)認(rèn)知；
第二階段是學(xué)習(xí)階段，即構(gòu)建海量信息和知識(shí)圖譜的全面知識(shí)體系；
第三階段是專家階段，即能夠具備打造專業(yè)解決方案的能力，能夠讓 AI 賦能金融服務(wù)、醫(yī)療、智慧城市等行業(yè)應(yīng)用場(chǎng)景。
最后，他也提及平安對(duì)于 AI 倫理問題的極大關(guān)注，不僅積極參與各大部委對(duì)于 AI 倫理的標(biāo)準(zhǔn)制定，還專門成立了平安人工智能倫理委員會(huì)，創(chuàng)建了一套完整的體系來保證 AI 不會(huì)被濫用。
深圳市市委衛(wèi)生工委書記、深圳市衛(wèi)生健康委員會(huì)黨組書記羅樂宣主要介紹了人工智能在深圳市智慧醫(yī)療服務(wù)體系中的應(yīng)用和探索。
深圳市市委衛(wèi)生工委書記、深圳市衛(wèi)生健康委員會(huì)黨組書記羅樂宣
在智慧醫(yī)療體系建設(shè)方面，總體來講是由深圳整個(gè)衛(wèi)生健康委進(jìn)行底層的統(tǒng)一規(guī)劃，并通過標(biāo)準(zhǔn)先行，去逐步推進(jìn)衛(wèi)生健康細(xì)則建設(shè)。在實(shí)施過程中則遵循四個(gè)「一」來推進(jìn)：共享平臺(tái)統(tǒng)一、一碼（電子健康碼）服務(wù)一生、一網(wǎng)協(xié)同運(yùn)行、一體協(xié)同監(jiān)管。
在高水平醫(yī)院的建設(shè)上，不僅推動(dòng)智慧醫(yī)院的建設(shè)，還進(jìn)行智慧醫(yī)院跟企業(yè)的聯(lián)動(dòng)，逐步提升例如電子病歷的水平等。
在便民惠民方面，深圳現(xiàn)在超過 95% 的市醫(yī)院都推行了預(yù)約掛號(hào)服務(wù)，同時(shí)提供一站式在線服務(wù)、預(yù)防、診療、康復(fù)和辦證服務(wù)。
在完善家庭醫(yī)生服務(wù)規(guī)范上，則打造了四個(gè)「統(tǒng)一」的服務(wù)體系，包括：統(tǒng)一呼叫中心，統(tǒng)一簽約管理，統(tǒng)一服務(wù)標(biāo)準(zhǔn)，統(tǒng)一績(jī)效管理。
與此同時(shí)，他還分享了在人工智能探索方面的一些工作，包括與騰訊、鵬城實(shí)驗(yàn)室等企業(yè)和機(jī)構(gòu)多方合作，來探索醫(yī)療大數(shù)據(jù)、人工智能的應(yīng)用，以及在應(yīng)用場(chǎng)景方面落地城市健康輿情可視化及趨勢(shì)分析系統(tǒng)等等。
深圳市公安局交通警察局局長(zhǎng)徐煒，則匯報(bào)了深圳交警在科技支撐、智慧賦能、智慧交通方面所做一系列工作。
深圳市公安局交通警察局局長(zhǎng)徐煒
他指出，深圳智能交通、智慧交通一直都走在全國(guó)的前頭：第一套電子警察誕生于深圳，第一個(gè)車牌自動(dòng)識(shí)別系統(tǒng)也誕生于深圳。多年以來，科技賦能交通管理也成為了深圳交通管理非常重要的亮點(diǎn)。
具體而言，人工智能技術(shù)通過以下方式賦能交通管理：
第一，在頂層設(shè)計(jì)上遵循「智慧+」理念，治理體系向智慧轉(zhuǎn)型。在這個(gè)方面，交通治理體系主要經(jīng)歷了技術(shù)輔助、各自為政，科技引領(lǐng)、統(tǒng)管統(tǒng)建以及智慧賦能、百花齊放三個(gè)階段。頂層設(shè)計(jì)從城市交通大腦向交通智能體轉(zhuǎn)變，重點(diǎn)就安全、暢通、執(zhí)法、服務(wù)這四大領(lǐng)域全面賦能。
第二，在警務(wù)變革上，深圳立了 26 個(gè)攻堅(jiān)團(tuán)隊(duì)，匯聚各種技術(shù)打造一個(gè)中心三大體系：總指揮運(yùn)營(yíng)中心+執(zhí)法、科技、后勤保障等 N 個(gè)指揮中心的「1+N」指揮中心；安全體系、治堵體系、運(yùn)營(yíng)體系三大體系。
演講最后，他也表達(dá)了自己的展望：積極打造智慧交通先行示范，即沿用比肩世界的最先進(jìn)的交通管理理念以及科技賦能優(yōu)勢(shì)，全面打造新一輪的交通管理體系，實(shí)現(xiàn)交通的綠色化以及可持續(xù)化。
螞蟻金服首席 AI 科學(xué)家、副總裁漆遠(yuǎn)博士，基于大量真實(shí)的案例分享了金融智能所遇到的挑戰(zhàn)，并對(duì)此提出了自己的思考。
螞蟻金服首席 AI 科學(xué)家、副總裁漆遠(yuǎn)
他表示，金融與 AI 兩者其實(shí)是相輔相成、互相推動(dòng)的關(guān)系：AI 可以賦能普惠金融提升風(fēng)控能力，提高效率，改善用戶體驗(yàn)和減少信息不對(duì)稱；而金融也為 AI 提供完美的場(chǎng)景，因?yàn)榻鹑谛袠I(yè)數(shù)字化程度最高，擁有全方位多場(chǎng)景的應(yīng)用，與此同時(shí)， AI 可以對(duì)金融服務(wù)提供顯著的改善效果，所以金融行業(yè)也更有動(dòng)力去發(fā)展和應(yīng)用 AI。
他指出，金融智能面臨的挑戰(zhàn)主要集中在以下幾個(gè)方面：
第一，復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)。一方面是一些恐慌行為會(huì)通過網(wǎng)絡(luò)的傳播效應(yīng)導(dǎo)致更多人產(chǎn)生恐慌行為；另一方面，在交易風(fēng)控中，人到設(shè)備、設(shè)備到人再到商戶之間的各種網(wǎng)絡(luò)產(chǎn)生大量復(fù)雜的結(jié)構(gòu)性數(shù)據(jù)，如何對(duì)它們進(jìn)行建模后分析是一個(gè)非常難的問題。
第二，金融中的對(duì)抗性無所不在。每一筆交易都有可能是人和系統(tǒng)的對(duì)抗。對(duì)抗性與前面的大規(guī)模網(wǎng)絡(luò)和實(shí)時(shí)處理需求結(jié)合起來，將會(huì)變成更大的挑戰(zhàn)。
第三，人機(jī)協(xié)作問題。一方面，要想服務(wù)海量用戶，需要實(shí)現(xiàn)自動(dòng)化來提高效率；但另一方面，為了防止災(zāi)難性風(fēng)險(xiǎn)或者系統(tǒng)性錯(cuò)誤，金融系統(tǒng)中人工干預(yù)又是不可或缺的。怎么把人的知識(shí)和機(jī)器的決策結(jié)合起來，會(huì)成為一個(gè)很好的研究方向。
第四，算法的公平性。隨著機(jī)器智能在越來越多的系統(tǒng)中發(fā)揮著關(guān)鍵決策功能，如何避免智能算法引入偏見從而做出「歧視性」的決策，是一個(gè)非常重要的問題。
第五，數(shù)據(jù)安全和隱私保護(hù)問題。隨著整個(gè)社會(huì)對(duì)數(shù)據(jù)和隱私保護(hù)越來越重視，如何打破數(shù)據(jù)孤島讓更多的數(shù)據(jù)融合產(chǎn)生價(jià)值，同時(shí)又要保證數(shù)據(jù)的安全隱私，這兩者之間其實(shí)挺矛盾的。
對(duì)此，漆遠(yuǎn)博士也從螞蟻金服的案例出發(fā)分享了一些解決方案，例如構(gòu)造了兩個(gè)非常關(guān)鍵的學(xué)習(xí)能力：螞蟻圖智能平臺(tái)和螞蟻共享智能平臺(tái)等等。
中科院計(jì)算所研究員山世光，基于在人臉識(shí)別等圖像識(shí)別技術(shù)上超過 20年 的研究經(jīng)驗(yàn)，帶來了主題為《弱小數(shù)據(jù)驅(qū)動(dòng)的視覺學(xué)習(xí)進(jìn)展實(shí)例》的報(bào)告。
中科院計(jì)算所研究員山世光
山世光研究員指出，隨著人臉識(shí)別已經(jīng)取得了非常大的進(jìn)展，接下來將會(huì)從「看臉」時(shí)代轉(zhuǎn)向「讀心」的時(shí)代，從依賴強(qiáng)大的數(shù)據(jù)的學(xué)習(xí)算法轉(zhuǎn)向弱監(jiān)督小規(guī)模數(shù)據(jù)驅(qū)動(dòng)的視覺學(xué)習(xí)算法。因此，打造有溫度、有溫情的 AI 系統(tǒng)，非常重要。
對(duì)于「讀心」，他認(rèn)為可以從三個(gè)層次來開展工作：
第一，測(cè)量生理性特征，比如身高、體重、心率、呼吸、血壓、血氧、眨眼率、視線、瞳孔縮放、皮膚狀況、醉酒狀態(tài)等等。
第二，評(píng)估心理狀態(tài)。表情很多時(shí)候是虛假的，而微表情則更能體現(xiàn)人試圖隱藏的內(nèi)心情緒。這些心理狀態(tài)的評(píng)估可以應(yīng)用到學(xué)習(xí)、駕駛、健康等方面。
第三，通過觀察生理特征和心理狀態(tài)，來評(píng)估人的內(nèi)心精神狀況，包括是否抑郁、幸福等精神層面的輔助診斷。
然而在具體的技術(shù)實(shí)現(xiàn)上，「讀心」首先就面臨著是數(shù)據(jù)稀缺的挑戰(zhàn)，比如針對(duì)自閉癥兒童的數(shù)據(jù)，有個(gè)幾十人就已經(jīng)算多的了。那么如何在非常小規(guī)模的數(shù)據(jù)環(huán)境下做好機(jī)器學(xué)習(xí)呢？
他認(rèn)為可以從以下三個(gè)方向來克服這個(gè)挑戰(zhàn)：
第一，自監(jiān)督學(xué)習(xí)，思路是針對(duì)小樣本，盡可能地采用借鑒人的注意機(jī)制的方法，找到最值得關(guān)注的區(qū)域并提取特征，從而即便在小樣本情況下也可以實(shí)現(xiàn)比較好的視覺特征學(xué)習(xí)。
第二，弱監(jiān)督學(xué)習(xí)，思路是通過引入不同的任務(wù)，進(jìn)行多個(gè)任務(wù)的協(xié)同處理，從而將不同任務(wù)的算法進(jìn)行優(yōu)勢(shì)互補(bǔ)，實(shí)現(xiàn)弱監(jiān)督條件下的學(xué)習(xí)。
第三，半監(jiān)督學(xué)習(xí)，思路是協(xié)同訓(xùn)練一部分帶標(biāo)簽的數(shù)據(jù)和另一部分沒有標(biāo)簽的數(shù)據(jù)，讓二者同時(shí)學(xué)習(xí)多個(gè)模型，互相補(bǔ)充和支持，將這些沒有標(biāo)簽的數(shù)據(jù)也用起來。
最后，他總結(jié)道，未來十年，AI 會(huì)深刻地改變各行各業(yè)，AI 算法也會(huì)越來越深刻地了解人類，然而現(xiàn)有的算法還不足以支撐社會(huì)各界對(duì) AI 的預(yù)期。如何在數(shù)據(jù)稀缺情況下做機(jī)器學(xué)習(xí)是未來要克服的挑戰(zhàn)之一，他今天分享的僅僅是實(shí)現(xiàn)標(biāo)簽從無到有、由弱變強(qiáng)、從小到大的思路，而其他的思路，例如如何將領(lǐng)域知識(shí)設(shè)計(jì)成一種通用的算法等，也是值得領(lǐng)域研究者關(guān)注和研究的方向。
云天勵(lì)飛聯(lián)合創(chuàng)始人兼首席科學(xué)家王孝宇博士，作為最后一位報(bào)告嘉賓，主要基于其對(duì)通用目標(biāo)檢測(cè)方法——Regionlets 的研究歷程分享了體會(huì)以及思考。
云天勵(lì)飛聯(lián)合創(chuàng)始人兼首席科學(xué)家王孝宇
一開場(chǎng)他便感慨道：「我之前掉進(jìn)過一個(gè)坑，現(xiàn)在這個(gè)坑還沒填滿，大家有興趣的話還可以往里面灌點(diǎn)水?！?/p>
而他口中的這個(gè)坑便是：在 2018 年，也就是提出 Regionlets 的五年之后，才真正將深度學(xué)習(xí)的方法加進(jìn)去，做完全端到端到訓(xùn)練。
他介紹道，Regionlets 是他們于 2013 年就開始研究的一項(xiàng)工作，該方法不僅能采用選擇性搜索策略對(duì)每個(gè)候選檢測(cè)包圍盒進(jìn)行多種區(qū)域特征的集成級(jí)聯(lián)式分類，還保留了目標(biāo)的空間結(jié)構(gòu)關(guān)系，可以靈活地描述目標(biāo)，甚至是發(fā)生形變的目標(biāo)。
2017 年，他們?cè)俅位氐竭@項(xiàng)工作進(jìn)行完善，然而知識(shí)將深度學(xué)習(xí)當(dāng)做特征提取的方法，直到 2018 年才完全引入深度學(xué)習(xí)的方法，做端到端的訓(xùn)練。該方法最終在 COCO 目標(biāo)檢測(cè)測(cè)評(píng)指標(biāo)上的表現(xiàn)比 Mask R-CNN 還要好。
同時(shí)，他也基于研究工作以及創(chuàng)業(yè)經(jīng)歷中遇到的一些問題，針對(duì)智慧城市這一研究領(lǐng)域分享了一些思考：第一，如何在布滿攝像頭的城市中解決遮擋問題；第二，如何在目標(biāo)檢測(cè)中將時(shí)間維度和空間維度同時(shí)考慮進(jìn)去；第三，在做多個(gè)目標(biāo)檢測(cè)時(shí)，如何提高搜索精度以及提高對(duì)比效果？
在 12 場(chǎng)精彩報(bào)告中，還穿插進(jìn)行了兩場(chǎng)圓桌會(huì)。
上午場(chǎng)的圓桌會(huì)中，黃鐵軍、謝源、陳云霽、吳楓、尹首一、程健六位嘉賓針對(duì)「 AI 的新架構(gòu)，像模擬腦、模擬神經(jīng)網(wǎng)絡(luò)的計(jì)算架構(gòu)，哪個(gè)會(huì)最先進(jìn)入商業(yè)應(yīng)用的環(huán)節(jié)？」、「隨著量子的興起和商業(yè)化，它是否會(huì)對(duì)人工智能算法、芯片架構(gòu)和類腦計(jì)算產(chǎn)生根本性的變革？」等問題發(fā)表了自己的意見并進(jìn)行了討論。
而下午場(chǎng)的圓桌會(huì)中，陳熙霖、肖京、漆遠(yuǎn)、王孝宇、徐煒、山世光六位嘉賓則要圍繞著 AI 技術(shù)的應(yīng)用展開，交流了業(yè)務(wù)場(chǎng)景里的相關(guān)問題。
最后，「 2019新一代人工智能院士高峰論壇」在各位專家的熱烈討論中畫上了圓滿的句號(hào)。下一屆「 新一代人工智能院士高峰論壇」，明年見！ 雷鋒網(wǎng) 雷鋒網(wǎng)
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。
