江南大學吳小俊：深度學習不能代表人工智慧的全部
【網易智能訊 9月21日消息】昨日下午，由紅谷灘新區管委會、網易科技、網易智能、網易本地、網易江西共同舉辦的「網易AI公開課·南昌站暨『贏在紅谷灘』智慧對話專場」在南昌喜來登酒店舉行。
江南大學科研院院長吳小俊教授從人工智慧到機器人、大數據及其機遇、大數據時代的人工智慧和近期熱點等多個維度，深入淺出的為大家上了一堂人工智慧公開課。
吳小俊教授表示，人工智慧的研究領域經過幾十年的發展，目前的主要研究領域有專家系統、自然語言理解、模式識別、計算機視覺、機器學習、機器人、博弈和遊戲等細分領域。
他認為，人工智慧已經發展演變到機器人時代，很多研發組織發布了形態各異的機器人，這些都將在具體的應用場景當中發揮能力，此外，他認為大數據為人工智慧的帶來機遇，必須利用好這些數據，讓它為我所用，他還補充到，大數據的能量非常大，但是有很多機構進行了濫用，並且，大數據處理還出現了矛盾現象，所以，大數據對行業來說是機遇也是挑戰。
與此同時，吳小俊教授還為大家分享了對於近期熱點的觀點，對於物聯網，他認為正是物聯網的出現，得以讓智慧家居、智慧醫療、智慧農業走進千家萬戶，物聯網還將引發新的革命，感知、定位等等AI技術都可以與物聯網融合，這會讓很多新的應用得到更快的發展。
最後，他總結到，人工智慧發展的道路還非常長，深度學習不能代表人工智慧的全部，我們對人工智慧的發展充滿期待。
以下是吳小俊演講實錄：
各位領導、各位朋友、各位網友下午好！我今天給大家演講的主題是《大數據時代的人工智慧：機遇與挑戰》。我從以下幾個方面給大家做一個彙報：首先從人工智慧談到機器人。今天的人工智慧偏機器人。然後我給大家分享對大數據的理解以及大數據給我們帶來的機會。後面談一談大數據時代的人工智慧以及在最近一些研究和產業界的熱點，最後給出總結。
首先我們看一下什麼是人工智慧呢。人工智慧誕生於1956年，在美國像今天一樣年輕的朋友在大特茂絲開了一個會議，才有了人工智慧的辭彙。關於什麼是人工智慧有很多定義，總體認為人工智慧是計算機學科的一個分支，當然這些定義和內涵都在發生一些變化。不同的人給出不同定義，但是整體來講，認為是計算機的一個學科分支，人工智慧是模擬甚至在一定程度上超越大腦的功能。這就是人工智慧。所以從這個意義和角度來說，人工智慧就是讓機器完成那些由人完成需要智能的科學。
人工智慧最近在中國和世界取得了快速的發展，2016年被定為世界人工智慧年。人工智慧是一個多學科的特性，人工智慧與剛才講的計算機、與數學、哲學、生物學、語言學甚至跟經濟學都有密切的關係，所以它是多學科的範疇。人工智慧從1956年從誕生到今天，從1956年到1970年是基礎形成期，主要是邏輯為基礎。這個階段代表性的成果就是專家系統，就是利用我們的人工智慧程序模擬某一個領域專家的知識，比如中醫、採礦、化學的分子結構等等。
第四個階段是知識工程預智能系統階段，這個階段應該說沒有完全結束。這個階段是快速發展階段。
到了2006年在世界頂級刊物發表了一篇文章。對人工智慧非常明顯的劃分。人工智慧的研究領域是非常寬泛的，從專家系統、智能語言的理解，像人臉的識別，用計算機模擬我們大腦的功能，定理證明等等。我們老一輩的科學家吳文軍（音）在定理證明作出貢獻。還有我們的博弈、遊戲，遊戲跟我們的人工智慧有非常緊密的關係。
為什麼國外國內都很關注人工智慧？我們不能忽視軍事的應用，美國每年支持了大量的人工智慧項目。其中還有人機交互，今天很多人關心機器人，所以機器人也是人工智慧的一個分支。我們看看有哪些機器人。有一些長得像人的機器，首先我們要回答什麼是機器人，根據我的理解，機器人就是具有一定的機電系統。從這個角度來看，機器人不一定要像人，像這樣的也是機器人，但它並不像人。這從個角度來看，機械臂甚至有掃地的機器人，還有救援的機器人，還有水面機器人、空軍救援機器人，還有能夠爬行樓梯的機器人，這在軍事上就很有用。水下機器人我們是很驕傲的，在無錫蛟龍號為我們中國深海勘探作出重大貢獻。
前面這些機器人怎麼樣認知這個世界呢？就是通過大量的感測器，大量感測器搜集了不同類型不間斷的信息，就構成了大數據，我們就進入了大數據時代。更不用說現在社交媒體每天的微信、QQ等社交軟體產生了大量的數據。所以我們進入了大數據時代。大數據時代給我們帶來很多的機遇，比如說像歐文的水平面計劃，很重要的一個方面就是大數據。比如奧巴馬提出的智慧地球，比如說RHV作為全球最大的非盈利機構也是學術組織，提出了RHV的智慧城市試點計劃，想在全球選擇十個智慧城市。剛才主持人和楊總提到的中國機器人以及中國的人工智慧已經成為了我們的國家戰略。今後國家在人工智慧、在機器人這塊的投資會比較多，所以今天有一些投資人像李總會發表非常好的見解。
我們的鄰國日本和韓國分別提出了與大數據有關的計劃，帶來了很多機遇。我們每天搜集到很多的數據，我們沉浸在數據當中，如何利用這些數據，這是很值得探討的問題，有人問數據究竟有多大呢？從這張圖可以看出數據變化的速度，加速度非常快。這給我們帶來了一些挑戰。這樣一些不同類型的非常大的數據結構成了大數據。這個地方我引用了維基百科的定義，他說大數據是一個數據結，如此大而複雜，大到什麼程度呢？用我們手邊縣城的資料庫管理工具已經無法處理的，才叫大數據。
根據這樣一個理念，我們要反思一下，在中國大數據的概念被濫用。作為人工智慧的學者和研究者，我們要維護大數據的純潔性。大數據給我們提供了很大的機遇，有人對大數據總結四個V，分別是不同的類型還有類別，第三數據量龐大，第四可信度。這些都是大數據給我們提出的挑戰。比如世界定級期刊NATURE，講的是通過大數據能夠對糖尿病建模，因為糖尿病是不大容易治的病。通過大數據分析就有可能給出個性化的給藥方案。比如世界頂級期刊science，世界主流媒體對大數據給出了足夠的根據。這是一個交通堵塞圖。通過交通堵塞圖的亮度，就可以知道哪個地方交通是比較密集的。
剛才講大數據，我們有各種不同的大數據，如何利用大數據所包含的價值，靠的就是我們的人工智慧。但是大數據的人工智慧和傳統的人工智慧有本質的區別和不同。下面跟大家談談這方面的內容。臉譜的PAOLO談了一個觀點，大數據不是需要大機器而是大智慧，我理解這句話的含義，多方面認為我們對大數據的處理需要新的方法、新的手段才能進行。大數據在處理過程中已經出現了矛盾的情況，因為大數據量很大，品種很多，我們希望有很簡單的演算法，它的生命力可能會很旺盛。試想如果演算法很複雜、數據量也很大，類型很多，怎麼能有效地解決問題。所以這既是一個需求，也是我們對大數據處理演算法的期盼。但不幸的是，現在很深度的熱門學習，就是CNN轉集成網路都是用的大模型，比如轉集成模型計算複雜度非常高，無法用普通的PC計算。像CNN這樣的大模型確實得到非常驚人的效果，比如斯坦福大學的李非非教授，由於深度學習的引入，除了在圖象識別，在語音等很複雜的領域都獲得了驚人的效果。今天在很多場合已經被深度學習所佔領。
對大數據的知識發現，三塊很重要，首先你是解決哪個領域的，對這個領域知識的了解。我們大數據有一些數據。有人說僅僅有數據還是不夠的，還要有分析的方法。對大數據的人工智慧，有人提出一個看法，就是我們在未來的人工智慧，人和機器是相互合作的關係，就是人機的協同、人機的交互將比原來的人工智慧會更加明顯。
下面我對人工智慧的熱點跟大家做一些交流探討。從如下四個方面進行：第一個是物聯網與智慧城市。第二是大數據聚類，第三深度學習。第四機器人的自覺。
由於物聯網的引入，使智能家居成為可能。原來奧巴馬講的智慧地球還沒有實現，試想如果沒有智慧城市、沒有智能家居，怎麼可能實現智慧地球呢？這些方面都在做。比如我們的智慧耨也是所有物聯網最簡單的應用，因為它的要求不太高。比如說智慧醫療。像南昌這樣的省城資源還是比較多的，但是到了井岡山，資源就不一定那麼多。像我們的遠程醫療就能夠解決資源不足的問題。比如說谷歌這樣的公司和網易都很關注物聯網，比如谷歌的眼鏡、無人駕駛等等方面已經走進我們的生活，它不僅僅有使用價值，比如視覺、聽覺等等一些多媒體的處理會給我們的學術帶來很多的機會挑戰。
有人說物聯網掀起了技術革命，也有人說新瓶裝舊酒，我們不屈爭論這件事，由於物聯網的引入，至少使得與人工智慧相關的一些技術得到綜合運用，得到快速的發展。這張圖給出與物聯網相關的技術方面的變革。
在物聯網當中，幾乎用到了人工智慧的所有知識。比如我們如何綜合感知，比如說說感知到信息要進行定位，這個定位技術很重要。比如如何進一步跟蹤，如何進一步優化等等，這些都成功地運用到物聯網當中。
由於智慧城市設計的方面很多，比如交通、醫療、工業、農業、安全等等，這些方面不同類型的數據24小時不間斷構造了大數據，可以智慧城市的問題可以歸結為大數據的問題。就醫療來看，我們在做一些大數據的分析。進入醫院之後，醫生給你做各種各樣的檢查。我們國家已經醞釀差不多了，就是重大研發計劃，我們也貢獻了我們的智慧，就是智慧城市大數據處理及應用。
關於智慧城市方面，我們也在不斷地積累經驗，我們跟RHV合作，把無錫的經驗向世界傳播。在大數據的處理當中有一個技術很重要，叫做聚類分析。因為在大數據當中數據量非常大，我們現有很多機器學習的方法沒有辦法有效地使用，用一個物以類聚的方式進行分析。聚類的演算法成千上萬很多種，如何找到簡單有效的演算法，這是我們追求的目標。其中在聚類分析當中，其實佔據重要地位的K-means很有效，但是在大數據要做一些改善。國內做了很多工業。以大數據的聚類為例，在思想和方法論上，跟傳統的人工智慧已經有了明顯的區別，比如我這裡給出了幾個要點。第一點，就像我們全國代表大會，不能全部到北京去開大會。第二，演算法，小數據慢慢變成了大數據，我們也用一些方法對大數據進行處理。對更複雜的場景，比如對圖像庫進行分類、抽取其中重要的信息，事實上是有難度的。說到深度學習，傑弗瑞作出了貢獻。我們從生理學解剖發現，人腦當中的信息處理是分層的，基於這樣的思考，把這個運用到我們的深度網路模型當中。這是06年傑弗瑞提出的深度學習模型。提出之後一發而不可收拾。到之後李飛飛的競賽取得巨大進步以後，我們的谷歌、臉譜包括百度全部進來了，進來以後產生的成果也是非常多。到2017年，深度學習又有一些新的變化。
在深度學習當中佔據重要地位的是我們的轉集成網路。如果僅僅從網路原理圖來看，跟前面的神經網路結構沒有太大差別，這是我們傳統的神經網路，前面加入了編碼和磁化的過程，不斷重複，抽取出有效的支撐。就是這樣一些新的變化，導致了深度學習的革命。這是我們江南大學的美景，用深度學習表示以後，雖然不同的物體表觀有很大的不一樣，但是在神經網路的底層表現出非常相似的特性，這是很奇特的現象。
我們再來看近期與人工智慧相關的主流的國際會議和國際期刊，幾乎都被深度學習所佔領。比如說我們的CPPR、ICCV、ICPR五，裡面有很多深度學習的論文。每天都在產生大量深度學習的論文，如何從這樣大量的論文當中找出一些規律呢？近年來肯定有新的方向。比如由於深度神經網路太複雜，我們能不能找到一些很簡單的模型呢？所以最近有很多深度學習的簡化模型，結構簡化了，但是它的性能並沒有降低，它的間壁信息更好了，比如用於圖像的分類。2017年的競賽結束了，因為在這上面的性能已經比較好了，但是能不能提更高的要求呢？能不能讓深度學習網路得到更多的語義信息呢？是有可能的。深度學習的研究像語義化方向發展，這是它新的特點。
大家今天很關心機器人，機器人能夠很順利地工作一個很重要的原因就是認知視覺系統，它能夠獲得認知方面的信息，有助於機器人的工作。認知視覺當中有很多的內容，比如眼動跟蹤。我們看到很多機器人跟人的交互有一些是不夠完善的，比如看它的眼神就不太好，比如說純動跟蹤、動作感應、行為分析等等。近年來我們關心了一些人臉識別，有人說人臉識別沒有工作可以做了，我認為這是一個誤區。人臉識別有很多工作要做。在2011年之前是在限制的環境下做。2011年至今有了一些新的變化，就是非限制情況下的人臉識別。我們在這些方面做了一些探索，比如RHV的期刊和會議尤其是頂級期刊做了一些工作。即使對複雜的人臉都可以精確地定位人臉的特徵。
這是我們今年在夏威夷開的會議，我們把注意機制、接連機制引入到方法當中來，取得很好的效果，我們參加了CPPR人臉特徵定位競賽，雖然沒有取得最好，我們獲得了全世界第四名的成績。但是我們的方法是比較別緻的，我們並沒有用深度學習的方法。從這個角度來看，我們是非深度學習方法當中最好的性能。
我們在這方面也做了一些嘗試性的工作。時間關係就不一一介紹。事實上，人工智慧給我們帶來很多的挑戰。大家能否告訴我這個圖當中有多少人呢？你現在用最好的人工智慧演算法也很難點出裡面究竟有多少人，當然這個要求太高了一點。
今天我跟諸位分享了一些我對人工智慧的看法，尤其是大數據時代人工智慧新的方法論和思想以及我們近期的一些工作。值得指出的是深度學習只是從我們大腦深層結構當中獲得了一些簡短的啟發，所以深度學習只是大腦簡單的模擬，它並不代表人工智慧的全部，所以我們最近公眾有一些誤區，門衛一談到人工智慧，馬上把人工智慧跟深度學習划上等號，這是很大的誤區。除了深度學習以外，我們人工智慧研究的內容還有很多很多，人工智慧發展的路還會非常長，公眾對它的期待或許太高了一些，我從人工智慧比較低潮的時期學習人工智慧，我們剛開始學人工智慧的那段時間，很多看不起學人工智慧的人。經過這麼多年的發展，現在人工智慧已經能做很多事情，有一些讓我們自己都無法想像。但是公眾的期待如果太高，反而會對這個學科帶來一些負面的效果，對它健康的發展會產生負面的效果，這是我個人對它的一些認識。
關於對大數據的分析，我用這張圖來結束我今天的演講。愛因斯坦講過，每一件事情需要越簡單越好，但是不能再更簡單。我們在大數據處理當中，我們希望能找到簡單而有效的方法，但是如果簡單到這個方法不能有效地抓住事物本質的時候，那麼這種簡單就不可能產生有效的方法。所以這是我對這句話的理解。
今天給大家的演講和分享到此結束，謝謝各位同行、謝謝各位朋友！
TAG:網易智能 |