CNCC2019次日 | 從互聯網、數據可視化、深度學習到AI，智能+社會還有多遠

時間 2019-12-01

標籤 cncc2019 cncc 次日互聯網數據可視化深度學習智能社會還有多遠简体版

原文原文鏈接

上有天堂下有蘇杭，你和大佬只差一扇窗。沒錯，這扇窗就是計算機工做者們的年度狂歡盛會——CNCC。姑蘇城外，金雞湖畔，桂花盛開，滿城飄香。金秋時節，CNCC2019如期而至，於10月17~19日和大夥相約蘇州金雞湖國際會議中心。會議由CCF主辦，蘇州工業園區管委會承辦。小芯做爲CCF官方合做媒體，前來「取經」。算法

全文共 6745字，預計學習時長 15分鐘

上回，論壇伊始，小芯和你們一塊兒見證了羣英薈萃，煮酒論「智能」。此時，小芯掐指一算，已知：本次大會的主題是「智能+引領社會發展」，嗯，差很少該講講「智能+社會」了。

料事如神非小芯莫屬（手動狗頭），這不，大會次日，衆多大咖齊聚一堂，共同商議「國家大事」——「智能+各領域的發展示狀及其如何引領社會發展」。

吳建平： 劃重點，推動路由控制達到全網最優很重要

清華大學吳建平

第一位閃亮登場的嘉賓是清華大學計算機系主任、中國工程院院士、英國皇家工程院外籍院士吳建平教授，他給咱們帶來的是「互聯網體系結構的演進、創新和發展」。

吳建平教授表示，互聯網通過50年的發展，已經成爲當今社會最重要的信息基礎設施，也是人類歷史上最偉大的技術發明之一。互聯網體系結構定義互聯網各部分的組成及其相互關係，是互聯網的最核心關鍵技術，是剖析和研究互聯網各部分功能組成及其相互關係網絡層承上啓下保證全網通達的核心，在互聯網的演進和發展過程當中扮演了十分重要的角色。

互聯網體系結構的核心是網絡層。但隨着傳送格式由 IPv4 演進到 IPv六、轉發方式實現了無鏈接存儲轉發，在分組傳送格式和(無鏈接存儲轉發)轉發方式相對穩定的狀況下，其路由選擇技術不斷演進和創新，以知足互聯網通訊和應用需求的不斷變化。爲了推動IPv6 下一代互聯網體系結構及其與將來互聯網體系結構的演進和創新，就必須解決互聯網在擴展性、安全性、高性能、實時性、移動性等方面的技術挑戰。

於是在這種狀況下，推動路由控制不斷知足通訊和應用發展需求（複雜多變量）達到全網最優成爲了互聯網研究的重大科學難題。

李晟瑍： 經過深度學習贏得策略遊戲

韓國高麗大學李晟瑍

接着出場的是韓國高麗大學校人工智能系主任教授、韓國科學技術翰林院院士、IEEE Fellow 李晟瑍（Seong-Whan Lee），他基於其研究工做——人工智能冰壺機器人系統「Curly」給你們帶來了深度強化學習方面的報告，報告題目是「深度強化學習：現實中的回合制策略遊戲」。

首先，他對冰壺策略遊戲進行了科普：冰壺策略遊戲是奧運會的一個比賽項目，選手須要在冰面上將石球向中心位置投擲，被稱做「冰上國際象棋」。而人工智能冰壺機器人系統經過尋找到最優策略來完成比賽，總體來看包括四個部分：

第一部分是理解博弈狀態，即識別出石球每移動一次的實施運動軌跡；

第二部分是構建匹配的大數據，即收集和學習與最優化策略匹配的大數據；

第三部分是真實模擬，即基於石球的碰撞、磨蹭以及冰面的狀況來進行真實模擬；

第四部分則是規劃最優策略，即基於 DNN 和 MCTS 算法來解決不肯定性問題以實現策略最優化。

並經過演示人工智能冰壺機器人系統「Curly」在真實的冰壺賽場上的比賽視頻，展示了「Curly 」系統的三個優越性能：

基於 AI 的冰壺策略和模擬引擎可以考慮冰面的高度不肯定性；
拋擲型機器人可經過牽引力控制實現自動驅動；
跳躍型機器人基於視覺技術可以識別冰壺場地以及石球在場地上的總體佈局。

不管是在傳統的遊戲模擬環境，仍是真槍實戰，與人類對手對抗（排名第一的韓國女子冰壺隊），系統表現都使人拍手稱讚。

徐揚生： 作機器人要有愛，不能太功利

香港中文大學（深圳）首任校長徐揚生

中國工程院院士、香港中文大學（深圳）首任校長徐揚生教授緊隨其後，給咱們帶來主題爲「智能機器人研究：問題和思考」的報告。

距離徐揚生上次參加CCF 組織活動已有26年之久，激動之情溢於言表。他表示今天將結合本身在機器人領域 35 年的研究經歷，努力爲你們分享一些研究感悟和有價值的事，其中報告中說起的問題大多數都是機器人領域目前還沒有解決的問題，但願可以爲你們提供一些能夠作研究的課題。

首先就什麼叫「智能機器人」，他給你們作了詳細的科普。在過去的 30 多年時間裏，機器人領域的研究有 85%-90% 都集中在行爲方向，另外的 5-15% 左右集中在感知和認知方向，而操做、移動以及抓取等都屬於行爲的研究範疇。如今，機器人的定義綜合了早期多個研究範疇：感知+認知+行爲。

「不少人問我，這些機器人有什麼用，個人回覆是，個人大多數機器人作出來都是沒用的，我主要是興趣驅動，可是作出來之後一部分有用一部分沒有用，科研就是不能太功利的。」基於研究成果，如爬樹機器人、馴服寵物的機器人、在軟性物體上爬行的機器人、書法機器人以及全方位自動駕駛，徐揚生繼續分享了本身在機器人研究中所面臨的一些挑戰和啓發。

接下來，在「智能爲什麼表現得如此無知，而多數研究都集中在行動」這一問題上，徐揚生表示：你們每每都認爲行動纔是最基本的，然而實際上智能纔是最基本的。以人類爲例，人體中最核心的器官就是心腦，抽象來講就是智能，機器人亦如此，智能發揮着決定性的做用。

那智能來自哪裏？衆所周知來自於學習。學習來自哪裏？廣泛認爲來自算法神經。那麼神經又來自哪裏呢？徐揚生認爲來自人類行爲。機器人目前主要依賴算法，而他認爲，機器人其實更應該經過人類行爲、天然界學習來完成升級。

最後，徐揚生還分享了「機器人的學習能力實現到什麼樣的程度能夠通用化？」、「應該研究動態仍是靜態機器人？難點在哪？」等一系列問題的我的觀點，完整展現本身對於智能機器人的深刻研究。

肖京： 咱們不只僅賣保險，還專一人工智能

平安集團首席科學家肖京

接下來登場的是三位是企業嘉賓，他們從企業角度出發，發出了智能+社會創新性的聲音。

卡耐基梅隆大學博士、平安集團首席科學家肖京首當其衝，基於平安對智能化技術的研發及應用實踐，分享了企業對於智能化大數據分析挖掘在金融業務應用方面的探索。他的報告主題是「智能化金融戰略—探索與實踐」。

他表示，隨着人工智能技術近期的飛速進步，「智能 +」逐漸取代了「互聯網+」成爲科技創新的主旋律。智能技術的應用創建在大數據基礎之上，兩者的緊密結合正在爲傳統行業帶來巨大的變革。

但，相對於互聯網+，智能+更加複雜，前者互聯網只是模式的創新，相對容易實現；然後者則是技術上的創新，須要具有數據、技術（算法和算力）、場景和行業專家四大要素，讓業務流程的每一個環節都實現智能化。

做爲天生數據化的金融領域，智能化更是必然的選擇。而做爲金融領域的領軍企業，平安在行業內更是率先開展智能認知技術的研發及應用，在衆多金融及醫療業務場景中取得了領先的成果，並提煉出了三步走戰略：

第一階段是嬰兒階段，即造成包括聽覺、視覺、閱讀理解能力在內的基礎認知；

第二階段是學習階段，即構建海量信息和知識圖譜的全面知識體系；

第三階段是專家階段，即可以具有打造專業解決方案的能力，可以讓 AI 賦能金融服務、醫療、智慧城市等行業應用場景。

論述三個階段時，他還結合了平安的一些實際案列，極具說服力。

最後，他還表示了平安目前對於 AI 倫理問題的極大關注，不只積極參與各大部委對於 AI 倫理的標準制定，還專門成立了平安人工智能倫理委員會，建立了一套完整的體系來保證 AI 不會被濫用。

張博： 拼車是解決交通擁堵很是有效的方式

滴滴出行聯合創始人張博

接下來的嘉賓是滴滴出行聯合創始人、首席技術官、自動駕駛 CEO 張博，他立足於滴滴「AI for Transportation」的科技戰略，帶來了關於「AI 引領出行變革」的報告。

首先他分享了滴滴成立的初衷，很簡單，就是解決出租車司機和乘客的痛點：一方面，出租車司機大約 30% 的時間和燃油都花費在尋找乘客的過程當中，同時也帶來了交通擁堵、尾氣排放等一系列問題；而另外一方面，乘客也須要走到路邊花時間去攔車。

過去20年的時間，互聯網和移動互聯網已經基本上解決信息的流動問題，而在將來，滴滴但願解決的是物理世界的人和物體的流動。在他看來，將來交通將會在三個層面發生變革：

最下一層：交通基礎設施；

中間一層：車輛交通工具自己的變革，電動汽車和智能駕駛將是趨勢；

最上一層：共享出行網絡，愈來愈多的人會從擁有車，變成共享，而共享的顆粒度會從車的維度降維到座位，拼車將會是解決交通擁堵很是有效的方式。

基於這三層結構，張博現場還展現了滴滴的AR實景導航功能，重點介紹了滴滴在共享出行和智能駕駛方面所取得的一些進展和成果。

在共享出行方面，經過在計算機視覺定位和三維場景構建等方面進行技術創新，滴滴已經在深圳機場、鄭州機場、等一些機場、火車站和大型商場上線AR導航功能，幫助網約車乘客更好地抵達上車點。且有較強的供需預測能力，對將來 15 分鐘的供需預測的準確率達到 85%，從而對司機進行最佳調度和派單，提升匹配效率，優化系統。

在智慧交通方面，目前滴滴已與全國二十多個城市開展智慧交通項目合做，對全國超過2000個路口的信號控制參數進行了優化，平均下降了10%-20%的擁堵。

在智能駕駛方面，滴滴可以聚合其在科技、數據和運營方面已經積澱下來的優點來實現智能駕駛的目標。

CNCC2019期間，滴滴還集中展現了滴滴在出行領域的AI佈局、解決方案和落地產品，包括智能派單、供需預測技術、滴滴城市交通大腦及自動駕駛測試車等。

王海峯： 深度學習平臺的建設，是實現「智能+」的必經之路

百度集團首席技術官王海峯

第三位企業嘉賓是百度集團首席技術官王海峯，他的主題是「深度學習平臺支撐產業智能化」，立足深度學習框架核心技術,介紹了深度學習開源開放平臺的技術和應用現狀，並探討了深度學習平臺在產業智能化中的核心支撐做用和發展前景。

他表示：咱們經歷過三次工業革命，在對歷史的回顧中，不難發現驅動工業革命的核心技術具備很強的通用性。雖然某項技術一開始可能起於某一行業，但最終會應用到人類生產、生活的方方面，並推進社會進入工業大生產的階段。而這種工業大生產階段具備標準化、自動化和模塊化三大特色。

當下咱們正處在第四次工業革命的開端，而人工智能則是科技和產業變革的核心驅動力量，而深度學習則是新一代人工智能浪潮中的核心基礎技術。發展以自主可控的深度學習框架爲核心的深度學習平臺，對於繁榮人工智能產業、推進各行各業智能化升級、促進社會經濟進步具備重要做用。

他將推進人類社會逐漸步入智能時代所要經歷的三個典型階段歸納爲：人工規則，機器學習，深度學習。並以 OCR 技術和機器翻譯爲例，闡述了深度學習對於人工智能任務所帶來的革命性變化，具備很強的通用性，能夠解決諸如SVM、CRF等模型所面對的問題。與此同時，深度學習做爲智能時代的操做系統，可以向下對接芯片實現總體優化，向上承接各類應用將技術落地到實際場景，處於一個很是核心的位置。

然而，目前深度學習大規模產業化也面臨來自開發、訓練和部署方面的挑戰——實現起來很複雜，開發效率很低。針對這幾個方面，百度開發了深度學習平臺「飛槳」PaddlePaddle。而且具有標準化、自動化、模塊化的工業大生產特徵，

飛槳底層的核心框架包括開發、訓練、預測。開發既能夠支持動態圖，也能夠支持靜態圖；訓練能夠支持大規模的分佈式訓練，也能夠支持這種工業級的數據處理；同時能夠有不一樣版本部署在服務器上、在端上，以及作很是高效的壓縮、安全加密等等。核心框架之上有不少基礎模型庫，好比說天然語言處理的基礎模型庫、計算機視覺的基礎模型庫等等。同時也會提供一些開發的套件，再往上會有各類工具組件，好比說網絡的自動訓練、遷移學習、強化學習、多任務學習等等。此外，爲了真正支撐各行各業的應用，咱們提供不少使用者不須要理解底層這些技術、能夠直接調用的服務平臺。好比EasyDL，就是能夠定製化訓練和服務的，基本上能夠不用瞭解深度學習背後的原理，零門檻就能夠用它來開發本身的應用；AI Studio則是一個實訓平臺，不少大學也在用這樣的平臺上課、學習；固然，還包括端計算模型生成平臺。

此外，還在農業如水培蔬菜智能種植、工業如精密零件智能分揀以及社會公益等實際場景的智能化應用中發揮了支撐性的做用。

俞士綸： 數據挖挖挖，不只要深，還要廣

美國伊利諾大學芝加哥分校俞士綸

接下來上場的是數據挖掘領域巨擘，美國伊利諾大學芝加哥分校俞士綸教授，基於近期的研究，他爲你們帶來了「Broad Learning：A New Perspective on MiningBig Data」（廣度學習：大數據挖掘的新視角）的分享。

他表示，大數據時代並不是量大，而是種多，除了深度學習，我們還須要廣度學習，作到融合各種數據，挖掘更多信息，具體來講，能夠分三步走：

第一步，定義並獲取相關的有用數據源，即找到對你的問題有用的數據；

第二步，設計一種模型來將異質數據源信息融合起來；

第三步，基於模型總體的需求從各類數據源中深度地去挖掘信息。

從具體的技術路線角度來看，俞士綸認爲廣度學習的類型大體能夠分爲三類：

第一類，在同一個實體上有不一樣類型信息的學習，即某一實體可能存在文本、圖片、音頻、連接等不一樣類別的數據，這種類型的廣度學習包括多視角學習、多源學習和多模態學習等（Multi-view Learning、Multi-source Learning、Multi-model Learning）。

第二類，在不一樣的但類型類似的實體上信息的學習。如遷移學習（Transfer Learning），好比說某一實體的數據太少，而另外一實體的訓練數據較多的話，就能夠將數據更多的一方的數據遷移到數據較少的一方。

第三類，在有複雜網絡類型關係的不一樣類型實體信息的學習。這包括基於融合的異質信息網絡（HIN）。

其中，對於廣度學習，最爲關鍵的任務主要有兩個：信息融合和知識發現。

從而對應的就有兩個基本的挑戰：1、發現什麼數據是有用的，如何將這些數據融合在一塊兒；2、明白想要挖掘的是什麼（並非全部數據對特定的知識發現都有用），以及如何從融合的數據中挖掘出有用的知識。

以藥物發掘。新葯上市一般很貴，緣由在於研發新葯的成本很是高，發現一個新葯以前可能失敗成千上萬次。但若是咱們可以用大數據的技術來作預測，把那些不成功的案例刪除掉，那麼就可以在很大程度上下降新葯研發的成本。可是，決定一種藥物可否治療一種疾病，並不只僅是看藥物的化學成分的；事實上，這須要不少種不一樣類型的信息或數據。例如基因信息、器官組織信息、藥物傳播臨牀試驗信息等。傳統的數據挖掘方法僅僅可以針對一種信息進行深度挖掘，但事實上若想要取得較好的效果，則須要將多種信息綜合起來。

電影推薦中，影響用戶喜愛的因素一樣多且複雜。大數據的挖掘是一項挑戰不只須要深度學習，也須要廣度學習。

袁曉如： 從碰見到預見 - 數據可視化的將來

北京大學袁曉如

特邀報告接近尾聲，最後一位上場的是北京大學研究員、2019CCF 青年「兩秀講者」袁曉如，他的報告題目是「從碰見到預見 - 數據可視化的將來」。

數據可視化與可視分析將人類的感知能力、經驗智慧與機器的運算能力緊密地結合在一塊兒，是符合人的認知特色的有效數據分析與理解途徑。上世紀80年代以來，可視化取得了飛速的發展，涌現了大量新穎的方法和被普遍應用的系統，爲各行業使用者提供對數據的洞察力，在科研、決策、政治、公共事物等方面都扮演了不可或缺的角色。

袁曉如指出，在計算機產生以前，可視化就已經有各類各樣的形式，好比原始人用圖來展現世界，再好比宋朝期間就有了的蘇州城區圖——平江圖，圖一直都是最方便直觀的表現形式。不一樣以往，如今的可視化，則更多地是指將複雜、海量的大數據轉化爲更好地讀懂的形式，並隨着數據日益複雜化，可視化要表達的內容也要豐富得多。

那麼，可視化究竟是在作什麼？答案很簡單，袁曉如解釋：可視化其實就是在數據和人之間，加入一箇中間媒介，讓咱們可以更好去理解咱們的世界。實際上就是幫咱們對外界的事物創建模型，讓咱們更好地理解復瑣事物。

目前，可視化面臨的主要挑戰是什麼？可視化構型的設計空間巨大，包括如何用幾何的部件和視覺通道組合起來造成可視化構型，該構型可能表示高維數據，也可能表述網絡數據，但這些構型使用的視覺通道不同，彼此不等價，也許它們針對某一個問題有效，但針對另外一個問題可能就不奏效了，所以怎樣組合是一個棘手的問題。

接着，袁曉如結合一些案例，拋磚引玉，從面向更復雜數據的可視化、可視化的生成更方便、可視化的使用更方便三個維度，來具體闡述可視化在實際數據中的應用狀況。

最後，他還不忘來個大會特邀報告的總結：「這兩天其實有不少的報告，有的人講人工智能，有的人講大數據，有的人講強大的計算能力，若是咱們把這個看做推進社會進步的三駕馬車的話，不要忘了，還須要一我的駕駛馬車。咱們須要一個良好的界面來跟咱們的馬車去進行交互。而我但願可視化未來可以扮演好這個角色，幫助人類更好地去駕馭馬車，一同走向美好的明天！謝謝你們。」

至此，本次大會的全部特邀報告完美結束。你覺得這就是所有？圖樣圖森破，咱們以後還有……

欲知大會後續，且聽小芯下回分解（調皮）。