【大咖核心观点集锦】2017年CCF-GAIR全球人工智能与机器人峰会主论坛
7 月 7 日，由中国计算机学会（CCF）主办、雷锋网与香港中文大学（深圳）全程承办的 AI 盛会「全球人工智能与机器人峰会CCF-GAIR」在大中华深圳喜来登酒店正式开幕。
这是2017年最不容错过的人工智能和机器人盛会，堪称人工智领域的「达沃斯论坛」。
不说其他的，先来看看今天主论坛三个模块主持人的咖位——
Session A: AI发展前沿主持人：
徐扬生，大会主席、香港中文大学（深圳）校长、中国工程院院士、IEEE Fellow
Session B: AI学术前沿主持人：
杨强：香港科技大学计算机系主任
Session C: AI产业前沿主持人：
张宏江，源码资本投资合伙人
再来看看今天的演讲嘉宾：
潘云鹤，中国工程院院士
谭铁牛，中国科学院院士、英国皇家工程院外籍院士、IEEE Fellow、IAPR Fellow
Subbarao Kambhampati，亚利桑那州立大学教授、AAAI主席
金出武雄Takeo Kanade，卡耐基•梅隆大学教授、美国工程院院士、美国艺术与科学学院院士、IEEE Fellow、ACM Fellow、AAAI Fellow
汪军，伦敦大学学院教授
徐茂栋，星河集团创始人、董事局主席
马维英，今日头条副总裁、IEEEFellow
孙剑，旷视科技(Face++)首席科学家
颜水成，360副总裁、首席科学家、IEEEFellow、IAPR Fellow
小编已经无法计算出这些大牛的咖值，更重要的是他们各自带来了对AI和机器人的最新思考和观点，让小编眼界大开。以下，直接奉上他们的核心观点集锦，有点长但足够精彩，大家慢慢读。
1
潘云鹤——中国工程院院士，国务院学位委员会委员、中国科学技术协会顾问、中国图象图形学学会名誉理事长、中国计算机学会理事、中国人工智能学会副理事长。中国智能CAD领域的开拓者，创造性地将人工智能引入CAD技术。
人工智能在国内外迅速升温，这一次升温和前几次不一样，不是由学术界首先行动的，而是企业界首先行动的。中国的政界也十分重视人工智能的发展，我相信很快就会发布中国的新一代人工智能重大专题。在这样的情况下，民间的热度也积极上升，尤其是媒体对此十分积极。但说到机器何时会代替人类？我认为这主要是媒体界的炒作。
人工智能应用的7个基本领域：
机器定理证明，主要是研究计算机进行逻辑推理；
机器翻译，研究计算机自然语言理解；
专家系统，研究问题求解和知识表达；
博弈，当初最早的时候研究搜索，后来逐渐转化为神经网络；
模式识别，主要用于视觉、听觉或者各种各样媒体的认知；
学习，主要是研究神经网络；机器人和智能控制，主要是研究和模拟人的感知和控制。
人工智能正在走向2.0时代，已经出现的一些端倪：
大数据上的深度学习，而且自我锻炼，形成了新的综合的进化技术，这在AlphaoGo中间已经表现得十分明显；
基于网络的群体智能已经开始萌芽；
人和机器结合在一起出现地越来越多，也就是穿戴式设备越来越多；
跨媒体推理已经开始出现；
无人系统迅速发展。
我们建议中国在新一代人工智能方面研究的重点方向，包括大数据智能、群体智能、跨媒体智能、人机混合增强智能、自主智能系统。它应该使用于中国现在迫切需要解决的问题，比如智能城市、智慧医疗、智能制造等等。
2
谭铁牛——中国科学院院士、英国皇家工程院外籍院士、发展中国家科学院院士、巴西科学院外籍院士，发表专著11部、文章500多篇，还有100多项发明。获得了一系列的国家级的奖，现在是中国图象图形学会理事长、中国人工智能学会副理事长。
我的报告题目是“模式识别研究的回顾与展望”，首先来说模式识别的概念：“世上万物，不管是物质的还是精神的，看得见还是看不见的都是一种模式，而对这些模式进行分析与处理，进而实现描述、辨识、分类、解释，这就是一种模式识别”。
模式识别的现状：
面向特定任务的模式识别已经取得突破性进展，有的性能已可与人类媲美；
统计与机遇神经网络的模式识别目前占主导地位，深度学习开创了新局面；
通用模式识别系统依然任重道远；
鲁棒性、自适应性和可泛化性是进一步发展的三大瓶颈。
在人工智能非常火爆的时候，模式识别领域有如下值得关注的研究方向：
从神经生物学领域获得启发的模式识别；
面向大规模多源异构数据的鲁棒特征表达；
结构与统计相结合的模式识别新理论；
数据与知识相结合的模式识别；
以互联网为中心的模式识别。
总结：
模式识别是人类最重要的智能行为，是智能化时代的关键使能技术；
鲁棒性、自适应性和可泛化性是模式识别面临的三大瓶颈；
向生物系统学习、结构与统计相结合，数据与知识相结合，并充分利用海量的互联网数据，是特别值得关注的研究方向。
3
Subbarao Kambhampati——AAAI主席，亚利桑拿州立大学教授，同时也在很多的国际机构任职，主要研究自动化的决策机制，特别是在人工感知的人工智能领域。
机器的学习过程与人类是不一样的。人类会观察这个世界上的事物，然后开始有了情感的智能，有了社会的智能，另外他们还会有感知的智能和推理的智能。而机器的过程则相反。不一样的原因是：计算机解决问题的方案跟人类解决问题的方案是不一样的。
AI可以帮助我们的孩子进行基础知识的积累。未来的人工智能推理技能将会得到极大的提高。但是现在的AI技术大热可能会蒙蔽我们的双眼，看不到它真正的前景。现在我们的AI做得还不够，我们还可以有超智能，例如应用在犯罪分子行为预测上。
在人工智能与人类交互方面，我们应该关注的部分：
我们能看到人工智能的正面报道，也能看到负面的，负面报道，我们必须关注；
有意识的人工智能，如何让人和机器能有效协作；
人类希望有能够感知的机器人与自己对话。
人类会对周围的环境、事物有情感上的反应，这是我们的情感的智能和社会的智能。我们需要社会的智能和情感的智能来弥补机器所不具备的这两部分的技能。
4
金出武雄——机器人领域的鼻祖级专家，卡耐基梅隆大学的创始人，同时也是非常著名的荣誉教授，主要研究机器人工、机器人学，享誉全世界的指路者。
今天我要给大家讲的主题是在真实户外场景中能够应用的机器人系统，为什么要讲这个主题？因为我觉得智能不光是用来玩游戏或者信息处理，实际上真正的智能应该是在真实的环境下跟人类进行互动，我们应该有这样的智能机器人系统。
首先我给大家介绍我最近的一些学术研究。一个全新的智能大灯，在下雨的过程中你就根本不会看到灯，因为有了智能大灯你看不到雨滴。这个智能大灯可以有效智能的避免射线直接投射到雨滴上，对你的视线产生相应的影响。
如果真的要践行一个理论能否能用，就只能用试验的方法展现给大家看，让大家了解到我们研究的方法在现实生活中是可以使用的，同时可以为社会带来相应的福祉。
未来的发展到底在何处？从我个人角度来说，特别在机器人的研发领域，我个人认为现在我们真的应该去设想一下，不仅仅只是想机器人的机制或者传感器或者算法，我们现在要真正关注的是整个集成性的机制、应用和其他技术，如果没有办法真正想到未来的应用，是没有办法做好现有研发的。
5
汪军——伦敦大学学院计算机系副教授，主要研究智能的信息系统，包括数据挖掘、计算广告学、推荐系统、机器学习、强化学习、生成模型等，有过多次最佳论文奖，是国际公认的计算广告学和智能推荐系统的专家。
AlphaoGo的一项核心技术就是强化学习。相比模式识别和监督学习，它在缺乏训练数据集的情况下仍然可以工作。强化学习系统能够直接和环境交互，得到反馈信息，在此过程中不断学习，因此更加自然、灵活。强化学习的一项主要特性，是以收益（reward）定义目标方程，生成优化策略。
多智能体的强化学习，是它们单独的和环境进行交互。在一种情况下它们各自优化自己的目标，但这些目标之间有约束；另一种情况下，它们联合起来优化一个主要的目标方程。根据具体的情况会有不同的变化。目前多智体强化学习的研究还是处于非常初步的阶段。
目前，多智体强化学习的研究仍处于非常初步的阶段。这里，有两个方面的关键问题：
问题 1：多智体协同研究中，智体数量少目前的研究，主要集中于少量多智体之间的协同。在有上万个智体的情况下，（应用研究成果的）效果就不是很明显。而许多现实场景中的多智体数量，可以达到百万、甚至千万级。
问题 2：智能体是否符合自然界规律？今天，如果要做一个强化学习的模型，这个模型必须要可以处理百万级的智体。
大家研究现在的这个趋势，如果和人的智慧来比的话，其实差的还是非常远的。我非常同意笛卡儿说的这句话：机器和人的能力差别非常大，其中有一个最重要的问题是意识（Conscience）。我跟认知学家进行交流，认知学家经常会说，在他们的心里面有一个梦想，就想研究认知，研究意识，但是他又没法去研究，因为他没有一个很好的手段，连这个意识是什么东西大家都定义得不是很清楚。虽然我们在人工智能方面，包括强化学习这一块，我们做了很多的突破，但是离真正意义上人的智能还是很远的，我们还要不断地进行努力。
6
孙剑——旷视科技（Face++）首席科学家，曾任微软研究院的主任研究员，带领了一个世界一流的世界计算的团队，曾经入选麻省理工学院计算评论杂志每年一度的35岁以下杰出青年创新者。
人工智能的复兴跟大数据、计算力、算法提升有关系，但是最重要的是计算方式的变革。神经网络虽然是人类在计算机上建立、发展的，但神经网络中激活函数、非线性单元、权重矩阵的应用可以形成非常高维的非线性函数，从而可以完成与以往天壤之别的任务。在这个之上，GPU还让神经网络的发展如虎添翼。
新的神经网络的计算有三个非常重要的元素，它要完成数据流的计算，在内存和处理中有非常高的带宽，更重要的是这样的计算方式既整合了学习方式，又整合了推理，最后整个这样的计算不需要复杂的指令，不需要判断，只需要非常简单的向量就可以完成。
计算机视觉方面还有这样几个挑战：
1、感知问题好解决，认知&概念问题非常难解决，甚至不知道如何教机器，但计算机视觉其实也有很大一部分是认知和概念问题，比如到底什么样的东西是椅子，有两个非常有力的例子，人都没法准确地描述到底什么是椅子；
2、还有弱线索、遮挡、模糊、对象追踪等情况，人类的在识别的时候会依据常识加入丰富的想象和推理，但是很难把这些能力教给计算机，计算机在这些状况下的识别就比人类差很多；
3、最后还有对精度要求非常高的场景，比如自动驾驶和医学图像诊断；以及基于背景知识的图像内容描述，挑战都是非常大的。不过这还意味着有 60 25996 60 15757 0 0 1004 0 0:00:25 0:00:15 0:00:10 3047 60 25996 60 15757 0 0 933 0 0:00:27 0:00:16 0:00:11 2935很多的潜力可以挖掘。
7
颜水成博士——360副总裁、首席科学家和智能研究院院长，原新加坡国立大学的教授，国家千人计划专家，国际计算机学会的杰出科学家。
深度学习的研究有两种不同的目标，一个目标是追求精度的极限，另外一种是追求产品的的极限。
第一个目标是学术界在驱动。如果用四元分析的方法，就是用场景、计算、算法和数据的方法来看，场景和数据是固定的，我们在不考虑这种计算资源受限的情况下，追求算法最大可能能达到的上限的边界，比如说我们在刷ImageNet、LFW、Switchboard做语音识别方面，都是这种类型，但是很多情况没法商业化，因为他没有思考在真实场景下它的资源消耗是什么样的。
另外一方面是追求产品的体验，这是由业界来驱动的。同样用四元分析的方法，它是场景和计算已经固定，比如说我们要做一个陪护机器人，它的应用的场景和它能提供的计算的能力是固定的，这时候唯一的做法就是把这个算法和数据形成一个闭环，然后在交叉迭代中去产生最好的最终的体验。这时候就已经不纯粹只是算法的一种设计，有很多方面都需要思考，比如说数据的清洗、模型的速度等等。
如果再简单一点去思考这两种研究的差别就在于，第一种研究更多的是用脑，第二种研究更多的是用心。但是它们俩又是相辅相成的。
猜你喜欢：
星河携手天津政府举办智能产业投融资论坛，所有演讲精华都在这里了