2018中国人工智能峰会总结

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qian_meng/article/details/82527952

概述

非常有幸能有这次机会参加2018中国人工智能峰会,感谢领导给与这次机会,如果没有这次参会学习,感觉自己之前的知识是和当前人工智能发展趋势就会脱节,无法了解当前最新进展与之后关注的方向。本次会议最初最期待的是前百度首页科学家吴恩达,因为之前听过他的几期人工智能学习视频,但整体听下了,其他业界大佬的演讲内容也不亚于吴恩达(吴恩达这次演讲主题反而不是技术类),虽然仅仅一上午时间,感觉意犹未尽,但也感觉不虚此行。下面对每位大咖演讲的重要内容作下记录,同时说说自己的感想。

潘云鹤

国家新一代人工智能战略咨询委员会组长,中国人工智能产业发展联盟理事长,中国工程院院长,原中国工程院常务副院长

重要内容记录

人工智能2.0时代

潘院长介绍了社会空间、物理空间、信息空间三维空间的具体关系,其中信息空间中存在大量的知识,当前的人工智能从这个空间可以得到大量的数据基础,也是使人工智能发展空间有着无限可能的必备条件。

跨媒体智能

跨媒体智能指的是融合视觉、语音、自然语言产生的架构跨媒体的人工智能,演示了几个例子:大疆眼镜、谷歌眼镜、盲人眼镜,这些跨媒体的设备已经在一些领域有了很好的应用。

人际混合增强智能

人工智能研究的重要方向之一是借鉴认知科学、计算神经科学的研究成果,使计算机通过直觉推理、经验学习将自身引导到更高层次。目前的机器智能仍然是以计算机为中心,并没有实现人们所希望的“以人为中心”。如何把人类认知模型引入到机器智能中,让它能够在推理、决策、记忆等方面达到类人智能水平,是目前科学界讨论的焦点

自主智能系统

机器自主智能是一种自主的智能思维。由于人工智能的发展及软硬件的进步,使计算机逻辑分析能力不断大幅提高,直至计算机的综合逻辑分析提高为逻辑思维,这种逻辑思维可以根据环境条件自主产生新的逻辑,并摆脱人类的框架式控制,而成为一种自主的智能思维

个人感想

对社会空间、物理空间、信息空间感触非常深,把人类世界分为各个维度去考虑,从而引出人工智能在各个维度中的具体应用,以及信息空间的大知识,从人类的社交、物联网等等产生的数据量级已经达到不可预估,而这些数据为人工智能发展空间带来的无限可能。人际混合增强智能将对人的思想进行学习,感觉人工智能的潜能真的是深不可测。

莱斯利.瓦利安特

2010年图灵获得主,“计算学习理论之父”,英国皇家学会会士,美国科学院院士,哈佛大学教授

重要内容记录

机器学习的必备条件以及其局限和如何解决

机器学习的八大必备条件:方向要明确、结果要容错、精准的参数、大量的数据支撑,结果不能有太多变化等等(没记全),机器学习不能够像人一样去推理,例如孔子有笔记本电脑吗?机器是不知道的,填词补全句子内容,机器无从下手。​要让机器能够进行推理,提供的数据的要可靠,然后需要去教机器如何去做。

什么是监督学习

监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例,但正常机器学习产生的结果是错误的,这时需要人去进行纠错改正,并将结果反馈给机器,让其不断训练提升结果的准确性。过程中进行了举例说明。

个人感想

莱斯利.瓦利安特的演讲是从学术理论的角度和大家探讨了当下大数据环境下,机器学习所面临的新挑战,听起来通俗易懂,可能自己的高度有限,或者演讲内容需面向大众,没有听到期望的那些高深的技术知识。

吴恩达

Landing.ai创始人、CEO,斯坦福大学计算机系客座教授,原百度首席科学家

重要内容记录

企业应如何使用人工智能

从三个方面讲述了企业如何进行人工智能的研究:AI人才、AI项目、公司战略+AI,其中AI人才建议单独成立部门,主要进行数据分析和算法研究,AI部门需要与各个公司部门进行对接,AI团队的建设不必要大而广,需要针对公司的情况,针对性的进行研究,团队的建设注意已外部资源引进+团队数据处理+具体业务;AI项目​不必须所有都自己研究开发,可以引进外部成熟的产品进行合作模式扩展;公司战略中的AI切忌研究通用性AI,通用性AI是谷歌和行业一些大型公司该做的,一般公司的AI应该进行垂直行业研究,而且是要对公司重要而非大规模的针对性研究。

政府对人工智能可以提供哪些支持

主要倡导政府要对人工智能进行政策支持,而且对一些数据要进行汇总开放,数据是人工智能的基础,开放数据让整个社会的人工智能活跃起来,然后通过无人驾驶技术说明人工智能将使规则被重新定义,因为当前的交通规则是根据人的驾驶来定义的,未来交通规则会根据程序来定义。

大学的人工智能情况

当前南京大学开设了人工智能学院,一些大学也开设了人工智能专利,是一个不错的方向。

个人感想

之前看吴恩达的视频大多数技术类视频,这次演讲更注重技术周边因素的讲解与提倡,感觉高度又上了一层,而且更加崇拜他了,不仅仅是技术专家,更是教育专家,关心整个业界的发展,从他讲到的“人工智能将重新定义社会规则”,意识到了人工智能的强大,与势不可挡。

周志华

南京大学计算机系主任,南京大学人工智能学院院长,欧洲科学院外籍院士,ACM/AAAI/IEEE/AAAS/IAPR会士​

重要内容记录

深度森林算法的提出与其在之后研究的特殊意义

以深度学习为导线,引出深度神经网络,深度神经网络截止最近已经有了很大突破进展,从之前8层神经网络就获得了全国竞赛的一等奖,到现在神经网络已经可以达到100层的水平,但由于深度神经网络必定会带来超参数,导致整个系统会高度复杂,维护成本非常高,当前人工智能研究者开始就深度神经网络寻求简化的算法,而深度森林算法成为了人工智能研究的方向,深度森林是一种新颖的具有显示表示学习能力的多层GBDT森林,它可以与目标传播的变体进行共同训练,这种方法在很多神经网络不适合的领域中具有巨大潜力。

监督学习以后的方向是弱监督学习

首先讲解监督学习的步骤,监督学习需要通过不断的增加数据样本(标准数据),机器通过不断的学习产生出结果模型,这个过程中需要人的参与,对结果模型进行监控,纠正,并把最新的结果反馈给机器,机器不断的学习。然后监督学习又分为强监督学习、弱监督学习,过程中举了一些例子说明两者的却别,其中弱监督学习的几个特征:输入数据可以不精确,输入的内容可以缺少,数据的数据量可以不大,较强监督学习,弱监督学习是以后机器学习的一个方向。

如何应对开放环境学习

讲解了当前机器学习的程度,以及后续机器学习会发展的方向,当前机器学习大都是通过大量的数据输入的结果会按照自然规律产生出人类能够接受的结果,但很多情况下,随着社会的发展,一些结果并不理想,所以后续机器学习要能够达到随着环境的变化,机器能够输入不同的结果,这也是机器学习以后的研究方向,让机器学习更加的智能。

个人感想

在听周院士演讲之前,一些机器学习概念感觉只会越来越深化,从而产生更多的意想不到的结果,像深度神经网络,感觉方向应该是不断的增加神经网络的层数,从而提供计算能力,但恰恰相反,因为深度神经网络的复杂性,反而应该需求另外一种途径。监督学习之前认为强监督学习才是方向,但也恰恰相反,减少样本,机器照样能够预期的学习效果反而是方向。感觉学习要将复杂问题简单化,不能一味的去提高计算机的性能来解决问题,寻求更智能,更高级的算法才是正道。

总体总结

本次大会演讲,印象最深刻的是吴恩达和周志华的演讲,吴恩达虽然是Landing.ai 的创始人,本次没有太多讲AI技术内容,而是从企业、政府、大学的角度讲述如何去培养技术人才、企业如何利用人工智能做战略布局,政府应该将更多的数据进行共享,感觉高度就不一样了;周华志而是从人工智能技术的方向去讲解未来的技术需努力的方向,而且这些对之后的人工智能领域的探索指引了方向,感觉意义非常重大。
本来对参加此类大会不是特别感兴趣,因为没有涉及到具体的技术,但此次大会学到了一些不一样的东西,感觉参加此类大会重要的是要了解当前主流技术的一个理念,大咖们的思想,了解一些技术为什么会被使用,当前技术发证的进展如何,以及技术的根本是什么样的,因为这些内容只有顶尖大咖们的研究是权威的。
参会过程中,通过查阅会展资料,一些大会的合作伙伴中也看到了一些好的产品,例如氪信科技的金融图谱,云问的智能客服系统等等都是不错的产品,以及一些合作媒体大都是科技类的媒体,后期信息采集可以从这些网站上下手。
​​​以上就是本次大会的收获。​​

展开阅读全文

没有更多推荐了,返回首页