2019苏州人工智能产业年会心得笔记

目录

2019苏州人工智能产业年会心得笔记

核心总结：

第一天——暖场视频

第一天——上午两场主题演讲

从智能系统或智能体含义处理的角度看认知计算

海上目标智能信息感知与融合技术研究

第一天——下午汇 第一场

1.人工智能推进物联 、传感器技术创新与应用

2.人工智能，大教育，大健康

3.当前人工智能技术特点与发展趋势

4.迁移学习，人工智能的最后一公里

5.平安智能化医疗战略与实践

6.我国人工智能研究基金资助与展望

尖峰对话：

第一天——下午汇 第二场：

1.认知智能的商业未来。

2.百度风投，产业智能化。

3.人工智能，零售服务，阿里巴巴

4.华为计算芯片

卡脖子，尖峰对话

第一天——晚上查阅资料补充：

1. 什么才是“智能”该有的样子——要有理解

2.深度学习并非全能——五个条件

3.人工智能未来的方向——第三代人工智能

4.为何一定要可解释性——机器智能与人类智能

5.如何做到让机器理解——数据+知识

第二天——知识智能分论坛：

1.主动模仿学习

2.自然语言与理解

3.偏标记学习

4.教育

5.xlnet

6.图神经 络与认知推理

---

核心总结：

角度一：从深度学习展开：

1.可解释性工作必须开展。

深度学习在实际应用中最大的短板就是却反可解释性，小错不犯，一犯就是大错。真正的实际应用不允许出现这种情况。这也严重阻碍了很多技术的落地应用。

思路：知识图谱+NLP。从知识和语义下手，是机器从学习数据到理解含义，才能真正做到可解释。

2.数据采集仍十分缺乏。

深度学习依赖大量数据，但现在很多应用场景的数据极其欠缺，严重限制了深度学习在各行业实际应用的落地及发展。

思路：更多更好的传感器+联邦学习

 

角度二：从人工智能展开：

1..从人类本身学习——思路方面

人工智能的发展应用在大局上应以人类智能为主，机器智能为辅。高中教育方针是培养学生的基本知识与基本能力。这个方针同样适用于人工智能的发展。当前的人工智能，尤其是深度学习，大多是在知识（数据）层面碾压人类从而导致性能超越人类，但远远没有理解能力（基本能力）。这也是深度学习缺乏解释性的原因。

2.从人类本身学习——人体方面

脑科学的研究，脑机接口的研究等都是下一步的研究热点。神经 络与人类大脑中的神经元相差甚远，通过学科交叉，从脑科学中去真正模仿神经 络与学习模式，或许能打开新的天地。

第一天——暖场视频

第一代人工智能：知识驱动，符 学习。

第二代人工智能：数据驱动，机器学习。

第三代人工智能：可解释、鲁棒性。安全、可靠和可信。

第三代人工智能三个应用方向：金融，医疗，智能制造

 

两个重量级的人工智能大会：

中国人工智能大会

世界人工智能大会

 

迁移学习：

联邦学习：解决数据孤岛问题 隐私保护

在保护数据隐私的基础上进行数据的共享，建立更大的模型

第一天——上午两场主题演讲

从智能系统或智能体含义处理的角度看认知计算

杨学山

1.人工智能发展面临瓶颈。

26年来没有重大发展。ai奇迹短期难再现，深度学习技术潜力已近天花板。——2019年5月26日，张钹院士采访。

2.认知计算如何破局也不清晰

计算智能、感知智能、认知智能：

计算智能：快速计算、记忆存储

↓     提高感知能力，即加入视觉、听觉、触觉能力

感知智能：机器主动感知视觉、听觉、触觉等

↓     提高认知能力，在完成识别能力，加入推理和抽象，提高泛化能力

认知智能：能理解会思考、有概念、意识、推理能力

3.人的智能究竟具备何种特质/strong>

4.人的信息处理究竟如何进行

从视 膜开始，就是人理解的含义。根本不是符 。

5.理解认知计算

把输入从符 变成含义感知。所有输入均理解。

6.自动化系统的信息处理究竟如何进行

7.自动化系统中信息的属性

8.人与自动化系统的计算异同在哪里/strong>

9.感知——含义计算为基础的认知计算模式

10.可实现吗/p>

认知苹果，梨。万事开头难。

海上目标智能信息感知与融合技术研究

何友

亚丁湾海域，每3天一次抢劫，抢劫全程15分钟结束。需要全域感知。

 

军用人工智能还处于人工智能阶段，民用人工智能则发展快，可带领军用人工智能发展。

 

第一天——下午汇 第一场

1.人工智能推进物联 、传感器技术创新与应用

关键词：物联 ，传感器技术，创新与应用，产业角度

 

数据的应用可以保密，但数据的采集应该共享。

 

5g+互联 ，打破行业壁垒。各个行业、公司掌握着非常全面但各有侧重的数据，数据合起来很全，但分开就很散。如果能实现数据的共通，打破行业壁垒，将非常方便。但这也将带来就业等 会问题。如ETC与高速杆，高速都变成了ETC通行，但依旧有个杆拦着，因为牵扯几十万的就业岗位

。

5g在相当长的时间依旧解决人联 （人与人的连接）。

 

云、边、端：云指云计算。边指边缘计算。端指设备

 

5g是一个过程，不是一蹴而就的事情。

 

络带宽 成本问题

 

结论：传感器技术决定着系统功能的优劣。

2.人工智能，大教育，大健康

机器人，人机交互

 

理解是人工智能的核心难题。知其然，知其所以然。

3.当前人工智能技术特点与发展趋势

李修全

 

深度学习使感知智能率先到商用化门槛。

 

不完全信息博弈任务，2019进展巨大。dota2，成本巨大。算力门槛提高。

开源框架发展迅速。工业tf，学术pytorch。

软硬件协同（cuda等），人工智能现在发展特点。

 

方向：智能计算前移。语音识别芯片，ai摄像头新品。（边缘计算）

 

4.迁移学习，人工智能的最后一公里

杨强

迁移学习，解决小数据的方案。

 

行业性质，用户隐私，商业利益，三者导致小数据和数据孤岛。

 

迁移学习：举一反三。

 

joint learning。某张ppt提了一句，没看懂）

 

最近在做联邦学习，解决数据孤岛。（说明是热点，中国人工智能大会上也有）

 

联邦学习：数据不动，模型来回跑。参数在企业间沟通，参数包加密。

 

联邦+迁移。尤其在跨领域，效果更好。例如银行+监管。

 

这中间，数学加密演化，分布式算法演化是关键。

5.平安智能化医疗战略与实践

平安：金融和医疗。

6.我国人工智能研究基金资助与展望

尖峰对话：

企业家：技术与业务结合，可解释性让人信服。定型定量的指标非常欠缺。

 

人工智能（新事物、新技术）的两个阶段：

第一阶段：探索。物理思维，举一反三，联想思维。

第二阶段：总结理论。需要数学。

 

不完全信息博弈，（打扑克，炒股）现在实际需要解决的问题。

 

第一天——下午汇 第二场：

1.认知智能的商业未来。

 

2.百度风投，产业智能化。

ai并未寒冬，实体行业寒冬，导致相对寒冬。

 

ai使企业有精力个性化业务。（迁移学习）（以人为准则，先达到人类程度）

 

3.人工智能，零售服务，阿里巴巴

4.华为计算芯片

从xx运算到向量运算再到矩阵运算，下一步发展方向是什么/p>

 

芯片好做，但要有需求引领，芯片做出来才有用。

 

卡脖子，尖峰对话

卡脖子：地基不牢，基础硬件和底层框架一旦撤走，后果不堪设想

 

第一天——晚上查阅资料补充：

参考资料1：CCAI 2019 | 张钹：走向第三代人工智能_人类

http://www.sohu.com/a/326202104_505819

参考资料2：张钹院士：人工智能技术已进入第三代

http://www.acfic.org.cn/fgdt1/zjgd/201906/t20190612_128914.html

参考资料3：知识图谱是什么传统知识表示的区别-电子发烧友

http://m.elecfans.com/article/804786.html

1. 什么才是“智能”该有的样子——要有理解

什么是“智能”该有的样子/p>

既然当前人工智能取得的成果还存在不少局限，那么，什么才是“智能”该有的样子/span>

张钹的答案是：要有理解。

以问答系统为例，计算机之所以能够给出问题的答案，并不是因为它理解了人类在说什么，而是依靠大量的数据检索，寻找或匹配出了与问题相对应的答案。它可以回答“美国总统是谁”，但如果你问“特朗普是个人吗”，它大概会懵掉。

现在的深度学习本质是基于概率统计，什么叫做概率统计有那么玄，深度学习是寻找那些重复出现的模式，因此重复多了就被认为是规律（真理），因此谎言重复一千遍就被认为真理，所以为什么大数据有时会做出非常荒唐的结果，因为不管对不对，只要重复多了它就会按照这个规律走，就是谁说多了就是谁。

2.深度学习并非全能——五个条件

特别是对于业外的人，都认为我只要掌握了大数据，利用深度学习说不定还能搞出奇迹来，于是大家做了很多很多预测，比如在多短时间内计算机会在什么事情上能超过人。

但实际上，在这个之后，奇迹并没有发生，按照我的估计，今后也不会大量发生。准确一点说，今后或许会在个别领域取得进展，但是不会像之前预计的那样全面开花。特别是中国市场乐观的认为“中国市场大、数据多，运用又不受限制，所以将来奇迹一定会发生在中国”。

结果很多企业在做的时候发现，不是那么回事。从目前的情况来看效果最好的事情还是这两件：图像识别、语音识别。我看了一下，中国人工智能领域20个独角兽30个准独角兽企业，近80%都跟图像识别或者语音识别有关系。

 

虽然当前人工智能的进步让人刮目相看，但是张钹认为，这些成功是因为场景都满足了以下五个条件：

第一个是必须具备充足的数据，充足不仅仅是说数量大，还要多样性，不能残缺等。

　　第二个是确定性。

　　第三个是最重要的，需要完全的信息，围棋就是完全信息博弈，牌类是不完全信息博弈，围棋虽然复杂，但本质上只需要计算速度快，不要靠什么智能，可是在日常生活中，我们所有的决策都是在不完全信息下做的。

第四个是静态，包括按确定性的规律演化，就是可预测性问题，在复杂路况下的自动驾驶就不满足这一条；实际上它既不满足确定性，也不满足完全信息。

第五个就是特定领域，如果领域太宽他做不了。单任务，即下棋的人工智能软件就是下棋，做不了别的。

 

　　经济观察 ：就是说在满足这五个条件的前提下，目前的人工智能是胜任部分工作的/p>

　　张钹：如果你的工作符合这五个条件，绝对会被计算机替代，符合这五个条件的工作特点很明显，就是四个字“照章办事”，不需要灵活性，比如出纳员、收银员。如果你的工作富有灵活性和创造性，计算机绝对不可能完全代替，当然部分代替是可能的，因为其中肯定也有一些简单和重复性的内容。如果认识到这一条就会认识到人工智能仍处于发展阶段的初期。不是像有些人估计的那样“人工智能技术已经完全成熟，而进入发展应用的阶段”。

因此张钹提出，人工智能的核心应该是知识表示和不确定性推理。因为人类智慧的源泉在哪知识、经验、推理能力，这是人类理性的根本。对人工智能来说最重要的能力是知识，而非数据。

3.人工智能未来的方向——第三代人工智能

张钹表示，人工智能实际上经历过两代，第一代是符 推理，第二代就是目前的概率学习，它最大的问题是不可解释和不可理解。

为什么人工智能需要可解释性/p>

假如人工智能将来越来越多地应用到实践中，那么人类就必须要知道，计算机是如何“想”的。比如智能驾驶汽车要上路，如果人类不清楚工作原理，那如何放心的把生命安全托付给计算机/p>

 

张钹：我们的结论是，只依靠深度学习很难到达真正的智能。这是很严峻的结论，因为如果有这样的问题，在决策系统里头是不能用这样的系统，因为它会犯大错。我在很多场合讲过，人类的最大的优点是「小错不断、大错不犯」，机器最大的缺点是「小错不犯，一犯就犯大错」。这在决策系统里头是不允许的，这就显示人跟机器的截然不同，人非常聪明，所以他做什么事都很灵活，这就使得他很容易犯各种各样的小错。但是他很理性，很难发生大错。计算机很笨，但是很认真，小错误绝对不会犯，但是它一犯就是天大的错误。刚才把那个把噪声看成知更鸟，这不是大错吗把敌人的大炮看成一匹马，不是大错吗是人类不会发生这种错误，人类只会把骡看成驴，但是计算机的识别系统会把驴看成一块石头。原因在哪儿strong>原因还是 AI 的理解能力问题。

 

因此张钹提出要建立可解释、鲁棒性强（即性能稳定，抗干扰能力强等状态）的人工智能理论和方法，发展安全、可靠和可信的人工智能技术。他提倡发展第三代人工智能。

4.为何一定要可解释性——机器智能与人类智能

经济观察 ：有一种观点认为我们强调的“白盒”（可理解性）它实际上是从人的思维来强调的，但是通过大数据、概率统计工具离散到连续的投射，它实际上是机器的思维，你不一定需要它给你一个解释，只要正确的答案就可以了/p>

　　张钹：目前有两种意见，一种观点认为智能化的道路是多条的，不是只有一条路能通向智能，我们通过自然进化产生了自然智能，那么我们为什么不能通过机器产生机器智能个智能和自然智能不会是完全一样的，条条大路通罗马，我们通过自然进化获得的智能也不见得是最佳的。这个观点我赞成，机器智能与人类不相同，其实是有好处的，恰恰可以互补，发挥各自的长处。

但是从长远来看，必须得走人类智能这条路，为什么为我们最终是要发展人机协同，人类和机器和谐共处的世界。我们不是说将来什么事情都让机器去管去做，人类在一边享受。我们要走人机共生这条路，这样机器的智能就必须和人类一样，不然没法共处，机器做出来的事情，我们不能理解，我们的意图机器也不知道，二者怎么能合作/strong>

 

经济观察 ：就是必须具有可解释性/p>

　　张钹：是，就是可解释性，你要它做决策，你不理解它，飞机就让它开，谁敢坐这架飞机以目前的阶段，车和飞机还是不能完全让机器开的。为什么司机坐在上面我们放心为我们和他同命运，要撞死一块撞死，机器和你可不是同一命运，它撞不死，你撞死了。

有的人非常脱离实际的去想这个问题，这是不对头的，人类怎么会去那样发展机器呢（注：指把人类的命运全部交给机器）类不会去那么发展的，有些人在那边担忧什么机器人统治人类，我说这最多只能算远虑。

5.如何做到让机器理解——数据+知识

张钹：这个目前我们有两条路，一个是和数学结合，一个是和脑科学结合。你想想如果没有新的数学工具，没有来自于脑科学启发下的新思路，哪来的新理论strong>另一方面是要把数据驱动和知识驱动结合起来，因为通过数学、脑科学上寻求突破是比较艰难的，前面这件事现在则完全能够做。

 

自动驾驶不可能对付突发事件，如果这个突发事件它没见过，它就解决不了。怎么来解决这个问题呢际上就是要解决从「Without」到「With」理解的问题。

人工智能现在有两种基本方法，一种是用符 模型来模拟理性行为，符 模型可以表达信息的内容，所以它是在一个语义的符 空间里头，但是非常不幸，这个离散的符 表示，数学工具很难用，很多数学工具用不上去，所以它发展很慢。

另一种是在模拟感性行为的时候，我们用的是特征空间的向量，向量就是数，可以把所有的数学工具都用上，优化的工具、概率统计的工具全部用上。所以数据驱动方法这几年发展非常快，再难的问题，下围棋非常难吧，计算机也可以「算」出来。但是它有一个非常大的缺陷，它是在特征空间里，缺乏语义。我们用数据去训练一个模型，所谓「黑箱学习法」，加上你的数据质量不高，很难学出有用的东西。什么叫概率统计复多了就是真理。如果数据质量差，充满了「谎言」。谎言重复多了，就变成真理了。

我们现在想出的解决办法是这样的，就是