0
| 本文作者： 張瑞 | 2019-04-28 11:04 |
4月27日，正值清華108周年校慶，清華AI使能平臺也就此發(fā)布。
隨著人工智能的進一步落地，安防、汽車、醫(yī)療、智能家居及智能制造等領域，都面臨著更多的機遇和挑戰(zhàn)，各種開源的深度學習平臺也隨之而出。
2015年，Google正式開放TensorFlow，其目前已成為世界上最大的開源深度學習平臺，Caffe位列其后。但我國尚未形成具有國際影響力的人工智能開源平臺，這也是目前的短板之一。
2016年下半年，百度開源了國內首個深度學習開源平臺PaddlePaddle，之后騰訊、阿里相繼推出深度學習開發(fā)框架。
清華大學則在去年9月，發(fā)布了人工智能開放平臺，可支持開發(fā)者SDK調用、圖像語音識別服務、大數據集、人工智能應用解決方案等功能。
今年4月，清華大學決定將這一開放平臺，進行升級。
而為何要把“AI開放平臺”，升級為“AI使能平臺”，清華大學電子系教授、媒體大數據認知計算研究中心主任王生進在演講中給出的答案是：隨著AI的逐步落地，要解決的場景問題越來越復雜。對應的，AI不是一個單點的技術，是一個系統(tǒng)工程。一個系統(tǒng)的工程，單靠一個簡單的AI開放平臺是無法實現的。
以安防領域為例，王生進認為，智能安防目前已經成為“AI落地最好、最領先的領域”，海量視頻監(jiān)控數據的智能識別、邊緣計算、視頻內容的結構化描述等技術都實現了較好的應用。
但也存在以下發(fā)展趨勢和要面臨的困難：
標清向高清和4K化：監(jiān)控系統(tǒng)更新換代，海量數據分析；
前端攝像頭的邊緣智能化：嵌入式AI前端，AI芯片、小型化；
多源數據互聯互通：傳輸行業(yè)標準，多源數據結構化；
智能視頻分析設備：智能分析算法、SDK化，信息聯動；
尤其在過往基于AI開放平臺的服務中，清華發(fā)現，如果企業(yè)單獨下載一個SDK，在實際應用中，并沒有辦法實現完整的功能。
王生進舉了兩個典型例子，在安防領域的人臉識別和車輛違章判別中。單一的識別，無法解決人臉的遮擋問題，以及特殊情境下的車輛違章判別問題。
而跨攝像頭的ReID技術，則能更好解決遮擋這一問題；車輛ReID技術定位違章車輛、車道線線檢測、特殊標志檢測等綜合技術，也能更好的進行車輛違章的二次判別。
這些綜合技術的實現，就需要平臺能力的提升——由以往中心控制、中心管理為主的AI賦能模式，向增強用戶AI能力、構建用戶AI技術中心的使能模式轉化，使用戶成為具有AI技術能力的企業(yè)，即“AI使能平臺”的開放。
以下是王生進的演講《在人工智能+的機遇中，讓AI更使能》原文，雷鋒網做了不改變原意的整理和編輯：
首先來看下我們國家和政府對AI的重視程度。
目前，人工智能已經成為世界范圍內的熱點和話題，從國家領導到政府、企業(yè)到科研機構，都在人工智能上注入了很多的精力和資源。
2018年10月，總書記專門組織人學習了人工智能，在今年的政府工作報告中，提出了“智能+”的概念。國務院在2017年《新一代人工智能發(fā)展規(guī)劃》中，提出了“1+N”人工智能項目群。
其中，“1”是指新一代人工智能重大科技項目，聚焦基礎理論和關鍵共性技術的前瞻布局，包括研究大數據智能、跨媒體感知計算、混合增強智能、群體智能、自主協(xié)同控制與決策等理論。
“N”是指國家相關規(guī)劃計劃中部署的人工智能研發(fā)項目，加快腦科學與類腦計算、量子信息與量子計算、智能制造與機器人、大數據等研究。
并且，提出了新一代人工智能發(fā)展分三步走的戰(zhàn)略目標，
第一步：到2020年人工智能總體技術和應用與世界先進水平同步，人工智能核心產業(yè)規(guī)模超過1500億元，帶動相關產業(yè)規(guī)模超過1萬億元；第二步：到2025年人工智能基礎理論實現重大突破，人工智能核心產業(yè)規(guī)模超過4000億元，帶動相關產業(yè)規(guī)模超過5萬億元；第三步：到2030年，成為世界主要人工智能創(chuàng)新中心，人工智能核心產業(yè)規(guī)模超過1萬億元，帶動相關產業(yè)規(guī)模超過10萬億元。
這是規(guī)劃提出的戰(zhàn)略布局，在這樣的戰(zhàn)略布局下，我們面臨的機遇是技術該怎樣做、產業(yè)該怎樣升級。
第二點，想談下人工智能的產業(yè)機遇。下面我們就幾個方面看看AI面臨的機遇和挑戰(zhàn)。
首先非常熱點的就是，“無人駕駛與智能輔助駕駛”技術。
在這一領域，以ADAS為代表的核心技術，包括車道線檢測、路標識別、行人檢測、車輛檢測、障礙物檢測等已經取得了一定進展，很多無人車企業(yè)也推出了他們的產品。
但是，這一領域也面臨著很多困難：傳感器智能化程度達不到要求，價格也很昂貴，一臺激光雷達幾十萬，達不到商用的標準；技術魯棒性未得到充分證明，如特斯拉的汽車就出了很多事故；傳感器成本居高不下；無人車立法滯后，如無人車發(fā)生事故，責任屬于乘車者還是生產商，并不明確。
第二個領域是，智慧醫(yī)療和智能診斷。
這里有兩個典型案例：一個是胸片判讀，包括肺結核等；二是眼底的圖像。眼底是唯一能夠通過外部看到血管的地方，因此，在眼底圖像上可以診斷出很多的疾病。通過基于深度學習的眼底的視網膜，可診斷出50多種疾病。目前，最主要的應用在糖尿病的診斷上。通過醫(yī)療影像的診斷，可以提高診斷的精度和普查的力度。
這一領域也面臨很多困難：首先疾病的復雜性，要求非常精確的AI技術，如果機器的準確率只有95%的話，那么它是難以被應用的；第二是，可穿戴醫(yī)療設備性能需提升；第三是，醫(yī)療大數據標注的可靠性，醫(yī)學上的病理的圖像，只有水平非常高的醫(yī)生的標注才可信，一般人甚至一般醫(yī)生的標注都難以保證其準確性，因此，醫(yī)療大數據的標注目前還是人工智能落地的一大障礙；第四是，醫(yī)療數據的隱私問題。
第三個領域是，智能制造與產業(yè)升級。
各級制造工廠開始由手工生產線向自動化生產線升級，工業(yè)界現在亟需用AI技術進行各種安全質檢。
智能制造方面的挑戰(zhàn)主要有兩點：亟需芯片、視覺、定位等深度學習技術的突破，這些技術雖然在安防領域已經得到較好的應用，但在工業(yè)領域，還需要進一步提高；第二是，亟需AI+高端制造業(yè)和綠色資源模式的進一步開發(fā)。
第四個領域是，智能安防。
智能安防應該說是AI落地最好、最領先的領域，也是帶來了非常好的效益的一個領域。目前，在安防領域，AI落地的包括海量視頻監(jiān)控數據的智能識別、邊緣計算、視頻內容的結構化描述。
但這一領域也存在四類挑戰(zhàn)：標清向高清和4K轉化下，監(jiān)控系統(tǒng)更新換代，以及海量數據的處理分析；前端攝像頭的邊緣智能化，嵌入式AI前端，AI芯片、小型化的發(fā)展，以及如何將邊緣計算與中心計算相結合；多源數據互聯互通，傳輸行業(yè)的標準，多源數據結構化；智能視頻分析設備，智能分析算法、SDK化，信息聯動，設備如何更好提高性能。
第五個領域是，智能家居。
智能家居是互聯網+物聯化的體現，與家庭自動化密切相關，以網絡家電和信息家電為基礎的應用，未來的拓展空間也很大。根據2012年中國室內裝飾協(xié)會智能化委員會智能家居分類依據，智能家居系統(tǒng)產品共分為20類，這些應用和AI的結合，都需要我們進一步研究。
同樣，智能家居領域也有很多需要解決的問題：產品間互聯不夠，從目前的市場情況來看，小米設備的互聯相對較好，但其他廠商的還不夠；第二是操作繁瑣，用戶體驗差；第三是市場缺乏統(tǒng)一標準；第四是信息安全存在漏洞，未來，智能家居如何保證家庭的安全，以及家庭數據的安全，這是一個非常嚴峻的問題。
以上，我們介紹了人工智能的大背景下，我們面臨的機遇和挑戰(zhàn)。接下來，我們看下如何應用AI對整個產業(yè)進行提升。
清華電子系在人工智能的領域也有很多應用成果，如我們電子系的人臉識別技術，早在2005年，就和公安部出入境管理局一起把人臉識別技術應用到了我國出入境旅客最多的深圳羅湖口岸，成為世界上首個大規(guī)模應用的范例。
清華的人臉識別技術已在多地公安安防、國家金稅三期、天津十三屆全運會等得到應用；其語音聲紋識別在國防、網信領域得到應用。清華大學電子工程系研發(fā)了多模態(tài)生物特征識別、視頻分析與結構化、語音識別、智能輔助駕駛，以及輿情分析、行人再識別等多種先進的AI算法。
去年9月，清華大學還發(fā)布人工智能開放平臺，提供開發(fā)者SDK調用、人工智能技術開放服務、深度學習訓練計算、AI應用解決方案、大數據數據集五大功能板塊，可部署各類AI算法框架。
但我們認為這樣還不夠，因此，今天，我們將“AI開放平臺”向“AI使能平臺”轉換。為什么要有這樣的轉換？
因為我們在AI的服務中發(fā)現，AI不是單點的技術。如企業(yè)只下載一個SDK，在實際應用中，這是不行的。
AI不是一個單點的技術，而是一個系統(tǒng)工程。所以，我們提出“AI使能”，是想由以往的中心控制、中心管理為主的AI賦能模式，向增強用戶AI能力、構建用戶AI技術中心的使能模式轉換，使用戶成為具有AI技術能力的企業(yè)。
這是我們由開放平臺，向使能平臺轉化的一個想法。
下面，我舉兩個例子，為什么單點工程不可行，而要做一個系統(tǒng)工程。
第一個例子是行人再識別。
我們知道人臉識別在安防領域已經有了很好的應用，但我們會遇到很多這樣的情況，如被遮擋，不能完整的看到人臉，這時我們就需要跨攝像頭進行追蹤。
這其中包括行人的檢測、行人的跟蹤，以及人臉的檢測和識別，還有跨網的關聯，這些并不是一個單點的技術可以解決的。
第二個例子，是車輛違章二次判別。
我們每天都會拍攝大量的違章照片，但實際上有些屬于不違章、或者特定情況下不計算違章的照片。如闖紅燈的照片中，像救護車這樣的特種車輛，是不屬于違章行為的。目前，對于這些不違章的照片，是由交通部門用人力進行篩選。所以，他們就很希望能有一個技術直接進行篩選。
而要實現這些不違章的篩選，就需要如車輛ReID技術定位違章車輛、文本檢測識別、地面標線檢測、車道線檢測、禁令識別檢測、紅綠燈檢測、地面標志檢測、特殊標志檢測、車牌檢測識別等這些技術，綜合到一起，這樣車輛違章的二次判別才能夠實現。
所以，我們才說AI不是一個單點的技術，而是一個系統(tǒng)工程。而一個系統(tǒng)的工程，單靠一個簡單的AI開放平臺，是無法實現的。
因此，我們希望能通過AI使能平臺，深入用戶的系統(tǒng)中去，為用戶提供這樣一個性能。
以上，就是我匯報的內容，謝謝！雷鋒網雷鋒網雷鋒網
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
