GMIS 2017 第一天亮點全面盤點：從機器學習到交叉學科

2017 年 5 月 27 日上午，機器之心主辦的第一屆全球人工智慧峰會（GMIS 2017）在北京 898 創新空間順利開幕，中國科學院自動化研究所複雜系統管理與控制國家重點實驗室主任王飛躍致開幕辭，他說道：「我認為，再過幾年，我們 90% 的工作都會是人工智慧提供的，就像我們今天大部分工作是機器提供的一樣。人工智慧會給我們提供一個更美好的未來。」在這篇文章中，機器之心對 GMIS 2017 第一天的主要內容進行了梳理介紹，更詳細的報道可以查看機器之心官網 GMIS 專題：http://jiqizhixin.com/special/detail/id/7

GMIS 2017 大會第一天安排了兩場主題演講，一是「LSTM 之父」& Dalle Molle 人工智慧研究所副主任 Jürgen Schmidhuber 所帶來的腦洞大開、未來感十足的《True Artificial Intelligence Will Change Everything》，二是 Citadel 首席人工智慧官鄧力乾貨十足的演講《無監督學習的最新進展》。

在 Schmidhuber 的演講中，我們了解了深度神經網路、LSTM 的發展以及延伸到人類未來的技術發展史。Jürgen Schmidhuber 是瑞士人工智慧實驗室 IDSIA 的科學事務主管，同時任教於盧加諾大學和瑞士南部應用科學與藝術學院。他於 1987 年和 1991 年在慕尼黑工業大學先後獲得計算機科學的學士和博士學位。從 1991 年開始，他成為深度學習神經網路領域的開拓者。隨後，他在 IDSIA 和慕尼黑工業大學的研究團隊開發了一種循環神經網路，並率先在正式的國際性比賽中獲勝。他獲得的其它獎項還包括 2013 年國際神經網路協會的亥姆霍茲獎以及 2016 年電氣與電子工程師協會的神經網路先鋒獎。

「我最大的偶像是阿爾伯特·愛因斯坦。我在某個時候意識到，如果我打造出了比我自己乃至比愛因斯坦更聰明的東西，我會擁有更大的影響力。」Jürgen Schmidhuber 說道，「從 1987 年將這個問題作為學位論文選題以來，我一直在研究這個包羅萬象的內容，但是現在我能看到這個主題正開始變成一個可能實現的現實。」Jürgen Schmidhuber 開發了 LSTM 等著名深度學習方法。1997 年，他和 Sepp Hochreiter 共同撰寫了一篇論文，其中提出了一種利用記憶功能來增強人工神經網路（模擬人類大腦的計算機系統）的方法，即根據之前獲得的信息，添加解釋文字或圖像模式的循環。他們稱之為「長短期記憶網路（LSTM）」。

「長短時記憶是跟人的大腦相關的。」Jürgen 說道，「在我們的大腦皮層中有 100 多億的神經元。它們就像小的處理器，有的是處理輸入的，有的是用於圖像捕捉的，你還有疼痛神經來捕捉疼痛，還有一些肌肉的神經來控制你的肌肉。另外還有一些用于思考的神經元，它們之間會有彼此的交流。在執行任務時，神經元會影響其他與之相連的神經元，這些連接的強度會隨著人們的學習而改變，我們稱之為持續連接，這也是長短期記憶網路獲得啟發的地方。」

在 LSTM 的研究之後，Jürgen 的團隊繼續朝著自己的通用人工智慧目標前進。他預測，在未來幾年人類將創造出具有靈長類動物智能的人工智慧系統。人工智慧僅僅經歷了 70 余年的發展，這個速度相比數億年的生物進化有了很多倍的提高。他甚至發現了一個技術的指數加速發展模式：宇宙歷史中重大事件之間的間隔時間似乎正在以指數級的速度縮短——每個大事件到來的時間是前一個大事件的四分之一。如果仔細研究這個模式，看起來下一個事件將要出現於 2030 年。

在這之後會發生什麼？我們無從得知，Jürgen 認為，人工智慧將代替人類，展開殖民宇宙的旅途。或許這個預測距離我們還有很遠，但由人工智慧引發的技術爆炸必然將會逐漸改變人們的生活方式。

前微軟人工智慧首席科學家 & 現任對沖基金巨頭 Citadel 首席人工智慧官鄧力則解讀了《無監督學習的最新進展》。在這個主題演講中，他分享了無監督學習的優勢，並詳細介紹了隨機原始-對偶梯度方法（SPDG）與其優良的性能。

鄧力說：「其實我們人類還是很有希望的，因為在未來有越來越多的技術以後，人類就可以有更多的價值。」他認為雖然監督學習很有希望，但未來的趨勢還是無監督學習。

鄧力的這份演講乾貨十足，機器之心在他演講的基礎上擴展了部分內容，具體請參閱今天推送的第二條內容《GMIS 2017 大會鄧力主題演講：無監督學習的最新進展》。

上午主題演講之後，許多業界領先公司技術負責人分享了人工智慧的發展和對我們未來生活的影響。

騰訊 AI Lab 西雅圖研究室負責人俞棟分享了主題為《語音識別領域的前沿研究（Frontier Research of Speech Recognition）》的演講，在回溯了語音識別十幾年發展變化之後，他提出了語音識別領域的 4 個前沿問題————更有效的序列到序列直接轉換的模型、雞尾酒會問題、持續預測與適應的模型、前後端聯合優化，同時詳細闡述了這些問題的解決方法。

英特爾 AIPG 數據科學部主任 Yinyin Liu 則講解了如何用同一種模型為不同行業提供解決方案，以及如何讓各個行業的專家建議推動整個人工智慧生態系統的發展。她提到，深度學習推動著人工智慧領域的進展，模型是我們的起點，然後我們收集不同的需求、解決這些問題、再將相關經驗反饋到模型中。在不斷重複這個循環的過程中，我們就可以設計更好的模型，並更加高效地提供解決方案。「我們希望，人工智慧最終能為整個社會做出貢獻。」

接下來，今日頭條副總裁、人工智慧實驗室負責人馬維英解讀了今日頭條在人工智慧時代的機遇和挑戰，並詳細講解了今日頭條如何利用人工智慧促進人類社會信息交流與寫作。他談到「其實今天人工智慧的本質是一個軟體產業的革命。軟體產業正在吞噬全世界，然而軟體產業本身在被顛覆。」如今，在今日頭條可以看到運用人工智慧連接人與信息的新機會。在過去的人類歷史洪流中，從結繩記事傳遞人與自然的關係，一直到公元前 2000 年紙的發明，1000 年左右活字印刷術的發明，其實紙張和書成為一個人與信息連接的主要媒介，但是經過很長很長的一段時間，幾乎是到了過去三四十年才走到了一個新的時期。互聯網時代網站讓紙張開始消逝，而在移動互聯網時代，紙張的消逝更明顯，因為它讓人可以無所不在，可以用智能手機接觸他所需要的信息。而在人工智慧的時代，「我們認為我們可以利用這樣一個新的技術，來讓每一個人都能夠有一個無所不在的機器智能，幫助他們能夠來發現、使用、交流跟創作信息。」

第四範式創始人兼 CEO 戴文淵則分享了如何使機器學習的過程變得更簡單，如何使企業在降低成本的同時擁有人工智慧的能力。他認為如今業務專家在設計營銷、金融、風控、醫療各個領域的業務規律。但在各行各業，機器都有可能超越人。他說：「機器比人有更強的精力，能寫出更細的規則，因而它能做得更好更精細。如果你能用機器基於數據寫出超過一千萬條規則，VC 維超過一千萬，人基本上沒有辦法跟機器抗衡了。這就是機器能在各個領域打敗人的原因。」但機器要超越人類，有一定的前提條件，戴文淵將其總結為五個元素：大數據、外部的反饋、演算法的能力、計算的能力、商業需求的帶動。

之後，通用電氣交通數字解決方案 CTO Wesly Mukai 在大會上對該公司的 Digital Twins 技術進行了介紹。他談到機器學習目前已經應用在鐵路運輸這種非常實際的領域中，為提高效率做出貢獻了。「Digital Twin 將火車隊伍看作是動態的，」Wesly 說道，「通過機器學習的分析，整個系統的運行可以得到優化。我們為每一輛火車建立模型，並不斷地更新這個模型。我們的系統可以記錄它的動力、它的車輪年限等等。」Digital Twin 可以幫助鐵路系統每年節省 10% 燃油，減少 10%-25% 故障，並提升列車的可用率。

大會上午場的最後，NVIDIA AI Cities CTO Milind Naphade 分享了英偉達和合作夥伴如何助力交通系統中的智能革命。為此，英偉達推出了 Drive PX。預計到 2020 年，智能城市將會有 10 億個攝像頭運行，為視頻物聯網設備提供深度學習會形成一個龐大的市場。Metropolis 是一個交通中的人工智慧都需要邊緣到雲的端到端平台，這個平台可以對智能城市應用生成的視頻流進行分析，用深度學習技術進分析，幫助城市監控視頻。人工智慧可以變革的交通領域還有預測性維護和檢查等，比如，利用深度學習技術對道路或鐵路視頻數據進行分析，進行道路檢測並採取相應維護。這也是人工智慧能夠在基礎設施方面發揮最重要的作用的地方。

下午，機器之心 GMIS 2017 設置了三場 Session，分別圍繞「機器學習」、「機器學習交叉研究」和「先鋒青年」三大主題共呈現 10 個演講和 2 場圓桌論壇。在這些 Session 中，即有深度學習應用的未來願景和技術乾貨，也有對當前深度學習熱潮的質疑，更有心理學、語言學、運籌學、神經科學等交叉領域的思考。

Session 1：機器學習

第一位演講嘉賓俄亥俄州立大學終身教授汪德亮（DeLiang Wang）介紹了基於深度學習的語音降噪技術。作為全球第一個將深度學習應用於語音增強的科學家，他探討分享了雞尾酒會問題研究的當前進展、解決方案及其泛化等相關問題。什麼才是雞尾酒會問題的解決方案呢？汪教授之前給出的一個答案是一個語音分離系統，它可以幫助聽力受損者在所有的噪音環境之中獲得與聽力正常者一樣的語音清晰度。因為 DNN 大規模訓練是一個有希望的方向，可實現多種條件下的語音分離，所以汪教授總結：雞尾酒會問題並非不可解決。

第二位演講嘉賓是地平線機器人的創始人兼 CEO 余凱，他的演講主題為《深度學習引領駕駛革命》。他說：「深度學習會引起下一個革命，並且對人類生活影響最深遠的是什麼？我個人的答案是自動駕駛。」構建深度學習系統，是系統性的工程，涉及到軟體演算法、系統軟體、計算架構、處理器、雲端大數據的訓練、模擬系統。最後，他總結道：一、未來的自動駕駛一定會像其他產業，構建一輛自主學習的汽車，而不是被人工標註數據訓練的汽車。二、我們需要努力設計神經網路的結構，使它透明、可理解、可以被控制。三、軟體重要，硬體同樣重要，我們要聯合軟體和硬體，最大化整個計算的效率、安全性和系統的可靠性。

接下來，清華大學副教授朱軍解讀了其實驗室的新研究成果珠算。珠算是一個貝葉斯深度學習的 GPU 庫，該平台可以支持深度學習，也可以做貝葉斯推斷，當然還可以對兩者進行有機融合。珠算區別於其他平台的一個很大特點是，其利用了深度學習進行貝葉斯推斷，因此也可以很有效地支持前面所說的深度生成模型。（更多內容可參閱機器之心的文章《資源 | 清華大學發布珠算：一個用於生成模型的 Python 庫》。）

之後，亞馬遜人工智慧首席工程師 Leo Dirac 致力於 Apache MXNet 機器學習框架的開發工作，在大會現場通過《MXNet 在工業級的深度學習應用》的演講介紹了機器學習與亞馬遜雲。正如上午通用電氣 Wesly Mukai 的演講中提到的一樣，在亞馬遜，機器學習技術也已經深入到公司各個業務，併產生了巨大價值。亞馬遜對於工業級機器學習運用和傳統公司有所不同，Leo Dirac 表示：「亞馬遜定義的工業級的深度學習，不是關於礦廠或者是火車、鐵路，我們的工業級 AI 是基於數以百萬級用戶上的人工智慧應用，包括大規模場景識別，或是亞馬遜的商店。」

Session 2：機器學習交叉研究

這場 Session 圍繞機器學習與其它領域的交叉學科展開，其中我們也能聽到一些很有價值的批評與思考。

首先，著名的機器學習「叛逆」、紐約大學心理學教授 Gary Marcus 為我們解讀了如何邁向通用智能之路。事實上，Marcus 在發表的作品、評論或是公開的演講中，都以一個嚴厲的深度學習批評者身份亮相。他相信，要想實現真正的人工智慧，光有深度學習是遠遠不夠的，還需要更多方向，應該更加認真地對待認知科學，尤其是發展心理學和發展認知科學。Marcus 表示，感知（Perception）只是實現通用人工智慧的一小部分，雖然它很重要，但是人類智能裡面還有更多的元素，比如常識、推理、分析等。

接下來，北師大認知神經科學與學習國家重點實驗室教授吳思將我們帶進了神經科學的領域。他認為，人工智慧應該向生物智能學習動態信息的處理，而要處理動態信息，預測是關鍵。他通過三個生物系統為我們剖析了生物智能與目前的人工智慧的區別。他認為智能的感知需要同時結合信號傳遞速度的快慢——傳遞得慢，可以幫我們整合多模態的信息；而如果物體高速運動，它又有補償信息，會補償這個時間延遲。吳思說：「我們是生物進化的結果，我們的大腦進化成如今的樣子是為了更好地適應環境。假設機器人在日常環境中跟我們交流，一方面它需要慢，另一方面如果快速處理的話，又需要快。因此這兩樣要共同發展。個人認為，未來的機器人也會面臨這樣的問題。」

如果這還不夠腦洞大開，接下來麥吉爾大學語言系副教授、電影《降臨》科學顧問 Jessica Coon 更是將我們帶入了外星人、實地考察和普遍文法的語言學領域。她認為，我們語言的獨立性要去包含語言學的一些知識，我們也要理解類型方面很類似的語言內在規律，比如像英語和中文，它們有相對固定的詞序以及擴展方法。最後，她還談到了薩丕爾-沃爾夫假說。她說，語言學研究發現英語、喬爾語和俄語對以下三個顏色的區分是不同的，在喬爾語中，一個單詞概括了這三個顏色，但是俄語中有三個單詞對應相應的顏色。這是不是意味著語言對世界觀差異的影響？

杉數科技聯合創始人、首席科學家，上海財經大學交叉科學研究院院長葛冬冬則試圖在運籌學領域給我們帶來新的啟迪。他談到，對於很多現實的東西，一個人要做決定，做決定的時候，發現這個規律可能是很複雜的，最後建立了一個非常複雜的系統，這個系統怎麼根據複雜的規律之間錯綜複雜的關係，把最優化的決策找出來，這就是運籌學的任務了。而在最近兩年，葛冬冬明顯感覺到運籌學在如今社會的機遇和挑戰，這個機遇主要體現在兩個方面：演算法和社會環境發生的變化。最後，葛冬冬談到：「運籌學，要順應這個改變，它能做的事情是很多的。為機器學習提供模型的思考，演算法的保障，同時也是數據到決策全面調整最核心、最後的一環，非常關鍵。再者，通過優化和建模的方法，對實際問題能夠起到很多的指導作用。」

接下來，俞棟、鄧力、吳思和 Bay Labs 科學和技術負責人 Johan Mathe、麥克馬斯特大學工程實踐與技術學院助理教授高振一起在舞台上進行了主題為「機器學習的前沿與交叉研究」。他們結合自己的研究背景對機器學習前沿以及與神經科學、心理學等多領域的跨學科研究和思想進行了探討。

Session 3：先鋒青年

在這一輪 Session 環節，第四範式聯合創始人兼首席研究科學家陳雨強與 NIPS 2016 最佳論文「VIN」作者之一吳翼都各自帶來了非常乾貨十足的分享。

作為明星人工智慧創業公司第四範式的聯合創始人和首席研究科學家，陳雨強所帶來的主題為「No Free Lunch：機器學習模型『寬與深的大戰』」的演講非常全面地探討了學界中的深度模型和工業界中的寬度模型，同時還分析了這兩種模型的各自特點。他介紹說：寬與深的模型並沒有誰比誰好，這就是免費午餐定理：不同業務使用不同的模型，不同的模型有不同的特點。他對這些特點進行了說明：寬度模型有比較準確的記憶能力，深度模型有比較強的推理能力；寬度模型可以說出你的歷史，在什麼情況下點過什麼廣告，深度模型會推理出下次你可能喜歡哪一類東西。寬度模型是依靠層次化特徵進行泛化的，有很強的解釋性，雖說特徵很多，但是每一個預估、為什麼有這樣的預估、原因是什麼，可以非常好的解釋出來；深度模型是非常難以解釋的，你很難知道為什麼給出這樣的預估。寬度模型對平台、對工程要求非常高，需要訓練數據非常多、特徵非常多；深度模型對訓練數據、對整個模型要求相對較低一點，但現在也是越來越高的。

接下來上台分享的是加州大學伯克利分校的在讀博士吳翼，他的導師是著名的人工智慧領域「標準教科書」《人工智慧：一種現代方法》的作者之一 Stuart Russell（他將在明天分享主題為《人工智慧的過去、現在與未來》的演講）。在今天的分享中，吳翼講解了他所參與的一項曾獲 NIPS 最佳論文獎的研究——價值迭代網路（VIN）。吳翼提到，他們成功地將一個經典的規劃演算法和經典的卷積神經網路建立了聯繫。從而將一個規劃演算法，在神經網路中表達成了卷積神經網路的形式。「現在我們可以將規劃演算法 value iteration 作為一個模塊嵌入到之前我們提及的網路結構中。我們稱之為 value iteration network，簡稱 VIN。」而由於有個 value iteration 模塊，整個網路也就有了學習規劃和進行長期規劃的能力。

大會最後環節是以《機器智能時代的青年先鋒視野》為主題的圓桌討論，作為人工智慧領域的青年代表，Zachary Lipton（卡內基梅隆助理教授）、張先軼（澎峰科技創始人）、吳翼分享了各自在學習、就業及創業方面的經驗。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！