1
| 本文作者： 李尊 | 2016-10-21 21:16 | 專題：2016中國(guó)計(jì)算機(jī)大會(huì)(CNCC 2016) |
編者注：譚鐵?，F(xiàn)為中國(guó)科學(xué)院副院長(zhǎng)、中科院自動(dòng)化所智能感知與計(jì)算研究中心主任，他是中國(guó)科學(xué)院院士、英國(guó)皇家工程院外籍院士、發(fā)展中國(guó)家科學(xué)院（TWAS）院士、巴西科學(xué)院通訊院士、中國(guó)圖像圖形學(xué)學(xué)會(huì)理事長(zhǎng)、中國(guó)人工智能學(xué)會(huì)副理事長(zhǎng)。主要從事圖像處理、計(jì)算機(jī)視覺(jué)和模式識(shí)別等相關(guān)領(lǐng)域的研究工作，已出版編著和專著11部，并在主要的國(guó)內(nèi)外學(xué)術(shù)期刊和國(guó)際學(xué)術(shù)會(huì)議上發(fā)表論文500多篇，獲準(zhǔn)和申請(qǐng)發(fā)明專利80多項(xiàng)。曾任中科院自動(dòng)化所所長(zhǎng)、模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室主任、中國(guó)計(jì)算機(jī)學(xué)會(huì)副理事長(zhǎng)、國(guó)際模式識(shí)別協(xié)會(huì)副主席、IEEE生物識(shí)別理事會(huì)主席，曾獲得國(guó)家技術(shù)發(fā)明二等獎(jiǎng)、國(guó)家自然科學(xué)二等獎(jiǎng)和國(guó)家科技進(jìn)步二等獎(jiǎng)各1項(xiàng)。
本文根據(jù)譚鐵牛副院長(zhǎng)今天上午在 CNCC 2016 上所做的大會(huì)特邀報(bào)告《大數(shù)據(jù)時(shí)代的模式識(shí)別》編輯整理而來(lái)，在未改變?cè)獾幕A(chǔ)上稍作刪減。
各位老師、各位同學(xué)、各位同仁，大家上午好。因?yàn)闀r(shí)間有限，今天的報(bào)告會(huì)盡量簡(jiǎn)略一點(diǎn)。另外考慮到大家不都是做模式識(shí)別，所以今天的報(bào)告不會(huì)講的太專業(yè)。
首先我注意到今年不管開(kāi)什么會(huì)、誰(shuí)組織、在哪里開(kāi)，只要和人工智能掛上邊，都很火爆。大家都在提今年是人工智能的60周年，其實(shí)今年對(duì)整個(gè)計(jì)算機(jī)科學(xué)，同樣值得紀(jì)念的一年。因?yàn)?/p>
80年以前圖靈機(jī)模式誕生
70年以前計(jì)算機(jī)誕生
60年以前才有人工智能
50年以前，計(jì)算機(jī)領(lǐng)域的諾貝爾獎(jiǎng)——圖靈獎(jiǎng)第一次頒發(fā)
所以說(shuō)今年是整個(gè)計(jì)算機(jī)科學(xué)非常值得紀(jì)念的一年。
鑒于最近大家人工智能講得比較多，所以我今天要給大家講得是一個(gè)更具體的問(wèn)題，也是我本人多年從事的領(lǐng)域——大數(shù)據(jù)時(shí)代下的模式識(shí)別。
今天這個(gè)報(bào)告里我主要講四個(gè)問(wèn)題。它們分別是：
模式識(shí)別的基本概念和歷史
模式識(shí)別的發(fā)展現(xiàn)狀
大數(shù)據(jù)時(shí)代的機(jī)遇與挑戰(zhàn)
值得關(guān)注的研究方向
首先是什么是模式識(shí)別？
其實(shí)很好解釋，用我自己的語(yǔ)言來(lái)說(shuō)就是：世上萬(wàn)物，不管是物質(zhì)的還是精神的，看得見(jiàn)還是看不見(jiàn)的都是一種模式。
所以對(duì)這些模式進(jìn)行分析與處理，進(jìn)而實(shí)現(xiàn)描述、辨識(shí)、分類、解釋，這就是一種模式識(shí)別，后面我還講提到更多的定義。
模式識(shí)別為什么重要？在此我要引用Ray Kurzwell的兩句話：
人類思維的真正力量是基于模式識(shí)別。
計(jì)算機(jī)越擅長(zhǎng)模式識(shí)別會(huì)變得越發(fā)和人一樣。
不管是哪種定義，模式識(shí)別基本都可以分為這幾個(gè)步驟：信號(hào)獲取—預(yù)處理—特征抽取—分類器設(shè)計(jì)。
當(dāng)下，與其說(shuō)人工智能火，不如說(shuō)是深度學(xué)習(xí)火。而深度學(xué)習(xí)之所以火的原因，是因?yàn)橐嵘Ｊ阶R(shí)別的能力（如語(yǔ)音識(shí)別、圖像識(shí)別等）。
因?yàn)槟Ｊ阶R(shí)別是作為人類的一個(gè)基本能力，同時(shí)這也是模式識(shí)別起源的一個(gè)基本動(dòng)力。
跟模式最相關(guān)的兩個(gè)熱門話題，一個(gè)當(dāng)然就是機(jī)器學(xué)習(xí)，另一個(gè)則是數(shù)據(jù)挖掘。
模式識(shí)別目前也不斷引進(jìn)借助于很多其他學(xué)科的基礎(chǔ)理論，推動(dòng)相關(guān)學(xué)科交叉快速發(fā)展。
模式識(shí)別發(fā)展簡(jiǎn)史
我到現(xiàn)在為止，也沒(méi)查到第一次是誰(shuí)、在哪里提出了模式識(shí)別。但是我知道從18世紀(jì)、19世紀(jì)開(kāi)始，數(shù)學(xué)領(lǐng)域中特別是統(tǒng)計(jì)科學(xué)就涉及到了模式識(shí)別，這也為人工智能的誕生奠定了基礎(chǔ)。
模式識(shí)別的發(fā)展大概是如上圖所示這么幾個(gè)階段，從最開(kāi)始一直到后來(lái)各種基礎(chǔ)領(lǐng)域出現(xiàn)，再一直到大數(shù)據(jù)時(shí)代。
模式識(shí)別發(fā)展到今天，我把它總結(jié)為幾句話。
模式的基礎(chǔ)理念不斷創(chuàng)新
從統(tǒng)計(jì)模式識(shí)別到階段模式模式識(shí)別，還有一直以來(lái)都又在研究的神經(jīng)網(wǎng)絡(luò)。大概是這么幾大類：
句法模式識(shí)別（規(guī)則學(xué)習(xí)）
統(tǒng)計(jì)模式識(shí)別（人工特征）
深度神經(jīng)網(wǎng)絡(luò)（自動(dòng)歸檔）
它們相互間的結(jié)合是未來(lái)的發(fā)展方向，我一會(huì)兒也會(huì)講到這個(gè)。
模式識(shí)別應(yīng)用領(lǐng)域不斷拓展
另外模式識(shí)別的應(yīng)用領(lǐng)域一直在不斷拓展，因?yàn)槟軌驊?yīng)用模式識(shí)別的地方實(shí)在太多，所以一直在不斷提升。
模式識(shí)別系統(tǒng)性能不斷提升
模式識(shí)別系統(tǒng)的性能也一直在不斷提升中，比如像ImageNet圖像識(shí)別賽上，它的結(jié)果一直在不斷提升中。
模式識(shí)別的典型成功應(yīng)用
語(yǔ)言識(shí)別、語(yǔ)言合成
人臉識(shí)別
虹膜識(shí)別
模式識(shí)別的成功應(yīng)用很多，在此不展開(kāi)講了，稍微舉幾個(gè)例子大家參看一下。
人臉識(shí)別，但雙胞胎人臉識(shí)別解決不了。
虹膜識(shí)別，下圖展示的是在真實(shí)的煤礦場(chǎng)所，煤礦工人考勤場(chǎng)景。為什么用虹膜對(duì)他進(jìn)行識(shí)別？因?yàn)橹讣y識(shí)別在這種場(chǎng)景下無(wú)法使用，人臉識(shí)別在上班之前可以，下班的時(shí)候就不行了。
另外再舉一個(gè)模式識(shí)別的例子——步態(tài)識(shí)別。為什么要特別提到步態(tài)識(shí)別這個(gè)例子呢？因?yàn)槟壳跋鄬?duì)來(lái)說(shuō)還有一點(diǎn)挑戰(zhàn)。
在你相距幾十米遠(yuǎn)的時(shí)候，虹膜也好、人臉也好，你無(wú)法進(jìn)行識(shí)別。
另外一個(gè)挑戰(zhàn)就是，他是從正面走來(lái)，還是從側(cè)面走來(lái)。最近借助于深度學(xué)習(xí)，這個(gè)部分也有了一些新的進(jìn)展。
還有一個(gè)例子是智能視覺(jué)監(jiān)控，在此就不展開(kāi)詳細(xì)講述了。
現(xiàn)有模式識(shí)別的局限性
盡管模式識(shí)別在很多領(lǐng)域都成功應(yīng)用，但還是有巨大的挑戰(zhàn)。在此我想再引用Robert M.Haralick和Thomas G.Dletterich的兩句話：
計(jì)算機(jī)視覺(jué)（模式識(shí)別）的根本問(wèn)題是一個(gè)魯棒性問(wèn)題，如果不考慮魯棒性問(wèn)題，計(jì)算機(jī)視覺(jué)幾乎所有問(wèn)題都解決了。
現(xiàn)階段只能系統(tǒng)需要在開(kāi)發(fā)環(huán)境下具有自適應(yīng)性，對(duì)噪聲具有魯棒性。
核心的意思就是它的局限性受限于魯棒性和自適應(yīng)性。如果這兩個(gè)問(wèn)題解決了，很多問(wèn)題就能迎難而解。
大數(shù)據(jù)的出現(xiàn)、深度學(xué)習(xí)的性能提升在一定程度上解決了魯棒性、自適應(yīng)性的問(wèn)題，但是跟人相比還有巨大的差距。
所以這個(gè)領(lǐng)域還需要我們繼續(xù)去努力學(xué)習(xí)，深度學(xué)習(xí)盡管取得很大成功，但是跟人的相比它的魯棒性、自適應(yīng)性、泛化能力有很大差距。
所以，我把現(xiàn)狀概括這么幾句話：
面向特定任務(wù)的模式識(shí)別已取得突破性進(jìn)展，有的性能可與人媲美。
統(tǒng)計(jì)與基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別目前占主導(dǎo)地位，深度學(xué)習(xí)開(kāi)創(chuàng)了新局面。
通用模式識(shí)別依然任重道遠(yuǎn)。
魯棒性、自適應(yīng)性和可泛化性是一個(gè)進(jìn)一步發(fā)展的三大瓶頸。
我們目前實(shí)實(shí)在在的處在大數(shù)據(jù)時(shí)代，大數(shù)據(jù)的價(jià)值不在于大數(shù)據(jù)本身，而在于它內(nèi)容的理解與識(shí)別，而這里面很多就是模式識(shí)別的問(wèn)題。
所以我覺(jué)得第一個(gè)機(jī)遇，就是把大數(shù)據(jù)變成知識(shí)、變成決策能夠依據(jù)的根據(jù)。而發(fā)掘這個(gè)金庫(kù)的鑰匙就是模式識(shí)別，只有這樣才能實(shí)現(xiàn)“From Data Bonanza to Data Bonus”。
機(jī)遇2：推動(dòng)理論和方法創(chuàng)新
機(jī)遇3：加速學(xué)科領(lǐng)域交叉和滲透
加速學(xué)科領(lǐng)域交叉和滲透主要分兩個(gè)方面：
以數(shù)據(jù)驅(qū)動(dòng)為代表的分析方法在大數(shù)據(jù)時(shí)代具有廣泛用武之地，使得若干傳統(tǒng)學(xué)科（如神經(jīng)科學(xué)）等的研究方法也出現(xiàn)了巨大創(chuàng)新，為模式識(shí)別方法拓展到其他領(lǐng)域的方法中帶來(lái)了重要契機(jī)。
相關(guān)領(lǐng)域在大數(shù)據(jù)時(shí)代的原創(chuàng)成功也能夠?qū)δＪ阶R(shí)別理論與方法帶來(lái)影響，進(jìn)而推動(dòng)模式識(shí)別學(xué)科與其他學(xué)科的協(xié)同創(chuàng)新。
機(jī)遇4：引導(dǎo)科技發(fā)展新變革
機(jī)遇和挑戰(zhàn)同在，機(jī)遇抓不住也是挑戰(zhàn)。
挑戰(zhàn)1：復(fù)雜的大數(shù)據(jù)
挑戰(zhàn)2：計(jì)算效率和性能
挑戰(zhàn)3：大數(shù)據(jù)的語(yǔ)義計(jì)算與理解
語(yǔ)義就是人們根據(jù)自己對(duì)現(xiàn)實(shí)世界的理解而賦予信息的解釋。
挑戰(zhàn)4：大數(shù)據(jù)理解需要信息論的創(chuàng)新
還是那句話，在這些機(jī)遇和挑戰(zhàn)面前，盡管我們講機(jī)遇大于挑戰(zhàn)，但是機(jī)遇抓不住就是挑戰(zhàn)，挑戰(zhàn)解決不了，那就是機(jī)遇。
一、面向大規(guī)模多源異構(gòu)數(shù)據(jù)的魯棒特征表達(dá)
二、結(jié)構(gòu)與統(tǒng)計(jì)相結(jié)合的模式識(shí)別新理論
三、數(shù)據(jù)與知識(shí)相結(jié)合的模式識(shí)別
四、具有魯棒性和自適應(yīng)性的生物啟發(fā)模式識(shí)別
五、基于跨領(lǐng)域跨模態(tài)知識(shí)遷移的模式識(shí)別
六、以互聯(lián)網(wǎng)為中心的模式識(shí)別
模式識(shí)別是人工智能的核心內(nèi)容，是大數(shù)據(jù)時(shí)代的關(guān)鍵使能技術(shù)。
大數(shù)據(jù)帶給模式識(shí)別諸多新的機(jī)遇與挑戰(zhàn)。
大數(shù)據(jù)時(shí)代的模式識(shí)別具有十分廣闊的創(chuàng)新空間與發(fā)展前景。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
專題
本專題其他文章
