6 月 18 日，以“AI新勢(shì)能，智創(chuàng)新未來(lái)”為主題的GCVC全球人工智能視覺產(chǎn)業(yè)與技術(shù)大會(huì)在青島西海岸新區(qū)舉行，聚焦探討 AI 新勢(shì)能下的機(jī)遇與挑戰(zhàn)。

會(huì)上，西安電子科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)部主任焦李成、北京大學(xué)信息科學(xué)技術(shù)學(xué)院智能科學(xué)系教授查紅彬、北高峰資本及坤湛科技創(chuàng)始人兼 CEO 閔萬(wàn)里等多位專家學(xué)者，以及極視角科技有限公司創(chuàng)始人兼董事長(zhǎng)陳振杰、華潤(rùn)置地華南大區(qū)產(chǎn)業(yè)發(fā)展部副總經(jīng)理繆青等多位行業(yè)人士帶來(lái)了演講分享。

雷鋒網(wǎng)將部分演講內(nèi)容進(jìn)行了不改變?cè)獾木帲唧w如下：

閔萬(wàn)里《科技創(chuàng)新驅(qū)動(dòng)中國(guó)制造》

今天我們?cè)诋a(chǎn)業(yè)升級(jí)，在制造業(yè)當(dāng)中，人工智能是不是可以承擔(dān)源頭創(chuàng)新的角色？這個(gè)命題其實(shí)不是今天提出來(lái)的，其實(shí)在 2015、2016 年年后，在 AlphaGo 下圍棋的時(shí)候就已經(jīng)看到，AlphaGo 最大的威力不是在下棋，是在基礎(chǔ)數(shù)據(jù)中心的能耗問題。

同樣的道理，今天如果我們把同樣的場(chǎng)景看看流水線，中國(guó)的第二產(chǎn)業(yè)、廣義制造業(yè)我們有沒有可能從左邊到右邊？有沒有可能通過(guò)科技要素的注入實(shí)現(xiàn)這樣一種轉(zhuǎn)化？

其實(shí)不外乎幾點(diǎn)，第一就是抓住人才，懂產(chǎn)業(yè)場(chǎng)景，又懂算法。但是技術(shù)專家還不夠，我們需要有人懂產(chǎn)業(yè)的場(chǎng)景，然后還要有傳承，那一代的工人對(duì)整個(gè)制造業(yè)發(fā)展的卡脖子的問題哪些地方是痛點(diǎn)其實(shí)已經(jīng)非常明了，他們的經(jīng)驗(yàn)和教訓(xùn)通過(guò)可傳承的方式，以代碼的方式、算法平臺(tái)的方式向下傳承的時(shí)候，下一代人可以形成接力下去。

其實(shí)，今天整個(gè)業(yè)界有非常多的垂直化的應(yīng)用場(chǎng)景，這些應(yīng)用場(chǎng)景很遺憾，跟我們的供給者、開發(fā)者之間隔了一道墻，往往有序的數(shù)據(jù)或者是強(qiáng)大的計(jì)算力、算法不是唾手可得，而在高校里面的開發(fā)者們則有一些知識(shí)儲(chǔ)備。怎么把知識(shí)用起來(lái)，怎么跨過(guò)？所以就需要一種非常強(qiáng)大的機(jī)制，把供需進(jìn)行匹配。

五年前，當(dāng)人工智能走入垂直行業(yè)的時(shí)候還是獨(dú)木橋，有人摸著石頭過(guò)河，去看一看這個(gè)技術(shù)能不能解決煉鋼的問題，能不能解決半導(dǎo)體流片的問題，但是今天當(dāng)它已經(jīng)證明可以做的時(shí)候，下面的事就變得簡(jiǎn)單——怎么把摸著石頭過(guò)河的事變成橋，把供給和需求之間進(jìn)行高效匹配。

焦李成《下一代人工智能：挑戰(zhàn)與思考》

大家都生活在一個(gè)大數(shù)據(jù)的時(shí)代，如果不能很好地處理大數(shù)據(jù)，大概會(huì)被淹死在大數(shù)據(jù)的海洋當(dāng)中，如果能夠巧妙地處理大數(shù)據(jù)，一定會(huì)變成信息，信息一定會(huì)轉(zhuǎn)化為知識(shí)，知識(shí)一定會(huì)轉(zhuǎn)化為發(fā)展的動(dòng)力和創(chuàng)新的動(dòng)力，從這個(gè)意義上來(lái)講，我們?cè)趺礃尤プ觯?/p>

任何先導(dǎo)區(qū)也好、試驗(yàn)區(qū)也好，靠什么？靠技術(shù)，靠殺手锏，靠硬科技，這些從哪里來(lái)？從掌握這些技術(shù)的人里面來(lái)，這些人從哪里來(lái)？未來(lái)的 CEO、未來(lái)的帶頭人從哪里來(lái)？從教育來(lái)。

我們國(guó)家正在做人工智能教育體系的布局，本碩博的體系，集成電路、安全包括人工智能都要設(shè)在交叉學(xué)科的領(lǐng)域，要加快人才的培養(yǎng)，到現(xiàn)在為止全國(guó)將近 200 所高校設(shè)立了人工智能學(xué)院和人工智能研究院。

人工智能不是沒有基礎(chǔ)，它的基礎(chǔ)涉及腦科學(xué)、生理科學(xué)、圖靈獎(jiǎng)，所有的這些是構(gòu)成我們現(xiàn)在人工智能的基礎(chǔ)。人工智能涉及的是一個(gè)更廣泛的領(lǐng)域，人文、社科、生物、腦科學(xué)等，都需要我們?nèi)プ?，?dāng)然我希望大家應(yīng)該做一件事情。

查紅彬《視覺 SLAM：在線學(xué)習(xí)的途徑》

SLAM 研究并不是一個(gè)新的話題，有關(guān) SLAM 的研究已經(jīng)到目前為止有 30 多年將近 40 多年的歷史，在這么長(zhǎng)的時(shí)間里，可以說(shuō) SLAM 研究本身應(yīng)該是取得了很大的進(jìn)步。

那么，是不是就沒有問題了呢？也不對(duì)。

SLAM 研究仍面臨許多挑戰(zhàn)，如 SLAM 研究缺乏系統(tǒng)性，算法缺少泛化能力，誤差積累嚴(yán)重，計(jì)算成本高昂等問題。

那么，要怎么解決？

前面提到，我們用的是多視點(diǎn)幾何理論，這個(gè)前提是只要有多個(gè)視點(diǎn)的信息就行了，這些視點(diǎn)在時(shí)間信息上是前是后沒有關(guān)系。

但是，在 SLAM 具體的問題中，進(jìn)來(lái)的傳感器數(shù)據(jù)都是有時(shí)間先后順序的，而這個(gè)時(shí)間的先后順序應(yīng)該是能夠起到很大的作用，我們通常所講的時(shí)間上的相關(guān)性、異質(zhì)性、連續(xù)性，應(yīng)該是可以幫助我們解決很多的問題，所以我們?cè)趥鞲衅?SLAM 數(shù)據(jù)當(dāng)中沒有把時(shí)間上的相關(guān)性用好，這可能是一個(gè)非常大的問題。

我們?nèi)绻軌虬褧r(shí)間上的相關(guān)性應(yīng)用好了，就能夠把預(yù)測(cè)用好，能構(gòu)建一個(gè)實(shí)時(shí)預(yù)測(cè)、在線預(yù)測(cè)的系統(tǒng)，每時(shí)每刻預(yù)測(cè)下個(gè)時(shí)刻怎么樣，如果預(yù)測(cè)對(duì)了，就不需要計(jì)算了，如果預(yù)測(cè)不對(duì)，誤差反饋回來(lái)能幫助我們來(lái)修改系統(tǒng)，因此這是一個(gè)非常好的方式。

陳振杰《計(jì)算機(jī)視覺行業(yè)趨勢(shì)與洞察》

到目前為止，其實(shí)我們?nèi)斯ぶ悄艿募夹g(shù)其實(shí)在不斷發(fā)展的過(guò)程當(dāng)中，整體感覺還是弱人工智能時(shí)代，弱人工智能怎么定義？

我們發(fā)現(xiàn)，在產(chǎn)業(yè)的角度我們沒有辦法去做出一個(gè)像人一樣聰明的系統(tǒng)，因?yàn)槲覀內(nèi)似鋵?shí)是一個(gè)大腦，能夠去識(shí)別世間萬(wàn)物，能夠做語(yǔ)音、視覺、文字理解、認(rèn)知都是由大腦來(lái)實(shí)現(xiàn)的，當(dāng)然會(huì)有不同的分區(qū)。

回到圖像識(shí)別技術(shù)的落地，我們看到，其實(shí)每一個(gè)圖像識(shí)別的算法只能定向地去解決一種識(shí)別，比如說(shuō)人臉識(shí)別，其實(shí)只能用來(lái)識(shí)別人臉，你是誰(shuí)？去解答這么一個(gè)問題，但是如果我們要去知道，比如說(shuō)工廠有火災(zāi)，則需要用一個(gè)新的算法。

目前，包括城市管理、城管類、化工安全類在內(nèi)的每一個(gè)垂直領(lǐng)域都有非常多的具體算法的需求，而這一些每一個(gè)識(shí)別對(duì)應(yīng)的都是一種算法，所以現(xiàn)在我們覺得弱人工智能時(shí)代我們沒有辦法追求一下子把我們的技術(shù)圈往通用性的往外擴(kuò)。

不過(guò)，我們可以不斷的建單點(diǎn)，每個(gè)單點(diǎn)代表一種識(shí)別，如果我們有一百萬(wàn)種、一千萬(wàn)種識(shí)別技術(shù)解決識(shí)別問題的話，也許累積起來(lái)就是我們未來(lái)強(qiáng)人工智能的另外一個(gè)方向。

雷鋒網(wǎng)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。