人工智能60周年前沿趋势交流会【转】

4月22日上午9点，包括22家中国人工智能学会代表，高校代表，以及行业大咖都云集北京国家会议中心，参加人工智能技术大会暨人工智能60周年纪念活动。大王有幸成为活动志愿者也来凑凑热闹。
除了中国科技处的处长做了大会致辞外，还有大咖分享人工智能前沿技术哦。主要的技术前沿交流有如下五点：
-人工智能AI之趋势——芮勇，MS亚洲研究院
-自学习的人工智能——杨强(香港中文大学)
-面向人工智能的新型计算架构——Marc Hamilton(NVIDA)
-人工智能在VR的领域研究——张代君(三星电子研究院)
- 能听会说到能理解会思考——胡郁(科大讯飞)

下面大王就详细说说

---

人工智能AI之趋势——芮勇，MS亚洲研究院

微软的芮勇先生提出了除了大家熟知的人工智能AI之外的另外4种A.I，针对每个A.I.都引述了MS在相关领域的研究成果：
Agglomerative intelligence 聚合的智能
关注的是认知服务(视觉，语音，语言，知识，搜索)，介绍通过MS的相关API，一款火热的web应用www.How-Old.net可以只用20几行代码实现。
其中图像识别举了个栗子说最大的图像数据集，ImageNet，120万训练样本，10W测试图像，1000个类别(67种狗，植物，运动多种类别)。MS深度学习已经做到3.5%的错误识别率，超过了人的认知。为什么会取得这种成功呢？原因在于深度学习，12年的时候只用8层学习网络，14年可以做到19层学习网络，15年MS实现超人感知的3.5%错误率使用了152层神经网络！更上一层的是物体检测，就像人脸检测一样，要不仅识别到无提示啥，还要分清楚是在哪里。更更精的，属于像素级的精准识别。
Adaptive intelligence 聚合的智能
微软自拍，上线一个月用户达百万，主要介绍了自然美艳，恩公降噪，曝光增强等功能。并且根据人物的性别年龄肤色自适应的修正。
Ambient intelligence 隐形的智能
图像理解：注释说明，在图像识别的基础上，加上自然语言处理，将看到的图像说出来，盲人的福音。

这幅图是MS一个实验中项目，可以跨越物理位置的限制，可以实现异地的全息3D交流哦。

---

自学习的人工智能——杨强(香港中文大学)

杨老师呢，先分析了人工智能的发展历程：
图灵开始，1950《机器可以思维吗》，
60年代：智能来自逻辑，有了一些成就但是具有一定局限性。
7080年代：神经网络，
2010年代：卷积神经网络，把一个global的计算转化为local的计算，从不同的层次观察同一个数据(获得不同的特征)，获得大局观。
下一个突破：强化学习，用来做planning的。
从学术角度分析了AI成功的必要条件：
高质量的大数据，是否小数据也能用于训练呢？
人才(算法)，并不是完全依赖工业发展
计算能力，芯片级厂商的努力

---

面向人工智能的新型计算架构——Marc Hamilton(NVIDA)

Mr.Hamilton对AI发展的制约因素做了介绍：40年前有很多相关research的出现，但是缺少研究的大数据；10年前各个领域企业的数据量丰富起来，可是缺少计算能力；5年前GPU的性能提升给计算能力带来了提升，但是仍然不够；3年前包括阿里谷歌百度在内的公司都希望能有专门的针对人工智能领域的芯片产生。。
NVIDIA过去三年投资超30亿美金用于人工智能专属处理器APU的研究，目前的最新产品Tesla P100处理器及NVIDIA DFX-1计算机在性能上获得较大提升，可以将以前23小时完成的NN编译仿真缩短到不到2小时。

---

人工智能在VR的领域——张代君(三星电子研究院)

张先生对比移动通信领域的发展趋势，移动通信虽然提出100多年，实际上最近就是40年快速发展，使得全球70亿人基本是60亿人都是移动用户，移动通信目前是10年一波。而回顾人工智能发展历史基本上60年3波，20年一波。还会有下一波，甚至更进一步。
介绍说：
专门的操作系统，device，infra的发展有助于推动人工智能，目前Alphago战胜李世石大家觉得猴赛雷，以后一个手机移动终端就可以支持这种计算能力，what does
this mean？
关于GPU/APU的计算能力，有预测说2018年300亿神经元 2040年是2018年的100W倍
关于connectivity，90%的VR都有移动性要求，未来需要结合云进一步实现AI。

---

能听会说到能理解会思考——胡郁(科大讯飞轮值CEO)

胡先生也举了Alphago的栗子，关于固定规则下的完全信息博弈，人们都知道说计算机战胜人类，只不过现在的运算能力还不够，对于围棋的10^17次方种可能性的计算起码也得10-15年以后才行，可是为什么这么快就战胜了呢？提前10-15年就能实现这个目标的原因在于深度学习。用了机器擅长的方法来学习，人类目前能够学习的只有16万盘，Alphago的学会了又自己下了3000W盘。
由此展开介绍科大讯飞正致力于AI感知能力到AI认知能力的跨越。
关于实现途径：
一是对人脑的进一步研究。人造神经网络还与人脑的差异比较大，这方面的研究时间不确定，5-20年说不准。
二是找根本的原因，比如现在工业方面基于大数据实现的人工智能，能够找到智能动力学的根本原理的话？也是一个长期投入的科研方向。
深度神经网络，大数据，互联网云计算迭代优化 是AI的三大宝。
接着介绍了讯飞在语音/图像识别中的研究成果
图像识别：CNN，图像手写识别CRDNN-HMM的文档识别处理统一框架。电子阅卷。
语音方面：RNN->CNN，attention-based NNs有可观的性能提升，聚集度的问题，
RNN递归神经网络，不同技术点叠加之后有冲突，容易拟合，会延迟高
语谱图，频谱图，将语音频谱图转化成图像，然后用图像处理的方法来处理，感觉有点儿厉害哦。

---

ok，上午的会议基本就是这样啦，下午的情况改日再更新！

喜欢的话记得关注锁骨卖萌哦，锁骨大王和你一样有一颗躁动的创业心，有好资源一定会第一时间分享给大家。