苪勇：人工智能AI之趋势--全球人工智能大会纪要（最完整）-安信计算机

苪勇（微软亚洲研究院常务副院长）:人工智能AI之趋势从1956年在达特茅斯正式提出artificialIntelligence，到目前已经60年了。过去60年人工智能有那些属性，或者说哪些大的发展趋势？很有意思，另外几个也是用AI开头的词：聚合的智能（AgglomerativeIntelligence）、自适应的智能（AdaptiveIntelligence）、隐形的智能（AmbientIntelligence）。一．首先说下聚合的智能。对应的产品是微软认知服务（MicrosoftCognitiveService）。最近微软发布了一个认知的云智能API，使得第三方的开发者可以很容易的调用这些API，使得写出来的应用可以像人类一样看到世界听到世界理解世界。它包括五大方向，视觉，语音，语言，知识，搜索。说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1658.JPG举例来说，How-Old.net.这款应用很红，但是只需要20几行代码就可以开发，靠左边调用微软的云的认知服务API，就可以写出来很智能的应用。之后对人脸的检测，人脸跟踪和识别，除了识别出来，我们更想知道人的表情，去年11月份，我们有更新的一版，将表情监测加入其中，可以检测喜悦吃惊愤怒等表情。比人脸更难的是计算机有没有能力去理解他所看到的图片。计算机视觉领域有一个全球的比赛，ImageNet，它有1000个类别，120万训练样本，10万测试图像，这里面包括车辆，动物，文字等，让计算机看到他没有看到的图片，让计算机告诉你这张照片属于哪一类，这个是很困难的事情。说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1663.JPG过去的七八年，深度学习使得计算机视觉的分类问题得到了一个飞跃性的发展，在深度学习没有进入计算机视觉之前，如2011年时，错误率有20%多；到了2012年深度学习第一次应用到ImageNet中，一下子把错误率降到10%几，之后2013,2014，错误率一直往下走，到6%左右。2014年人类想知道自己能做多好，斯坦福一个博士把自己关在屋子里几个月学习，去参加这个比赛，错误率5.1%，他已经是人类中杰出的代表。去年年底微软用深度学习算法把错误率降到了3.5%，比聪明的人类还要好。得益于深度学习这四五年的飞速发展。说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1665.JPG深度学习在2012年时，用的最多的是AlexNet，共有9个隐含层，我们叫它深度网络；过去四五年由深往更深发展，14年有19层网络；15年时微软做了比人类错误率还要低的深度学习网络，有152层，从来没有做到过这么深的深度学习网络。 说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1667.JPG大家可能知道，想做的很深并不是很容易的事情，因为错误率在回来后要求偏导，很多次后结果就不稳定了，超过22层就很难了，微软研究院做了152层。中间结构也很有意思，就想人类的脑的链接一样，不仅有一层层的层之间的连接，还有直接往前的连接，这就是残差学习的过程，因为这个残差学习的算法，我们可以做到152层这么深，我们可以将错误率降到3.5%。这是一个很核心的技术，去年年底ImageNet上我们得到了第一名。除了图片分类，还有一类更难的问题是物体检测。图像分类只需要告诉我这是一个桌子这是一个人，物体检测还需要告诉我桌子在哪。这个我们基于深度学习算法，做出了很好的成绩。人能很容易检测的东西，计算机智能看到的东西就两个，除了0就是1，通过0和1能够理解图像对于计算机来说是非常难的事情。说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1671.JPG比物体检测更难的是像素级的精确的分类。任何图片都是由像素组成，我们不仅想知道图片中桌子的位置，我们还想知道每一个像素是属于桌子的还是椅子的。中间更难得事情是像素级的精确识别，我们希望每个像素都能知道，是一个人还是一个自行车等。二．自适应的智能怎么让机器在不同环境下能够自适应的去帮助人类。说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1676.JPG一个是微软自拍，这个自拍应用上线一个月，没有做任何宣传，完全口口相传，就有100多万用户在里面。他有很多核心技术，比如拍照时不需要考虑光线和大小，它会自动把光线和噪声补偿好，不仅如此同时他知道你拍摄的人姓名性别年龄肤色，做一些很智能的美颜，比如二十多岁女士会美颜的漂亮些，但是四五十的男士就不能美颜的太厉害。所以要知道看到的人的性别年龄肤色等，我们不希望拍摄的人去考虑这个问题，而是APP很智能的自适应的去考虑这个问题。说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1679.JPG第二想聊一聊自适应的智能，是实时语音翻译的技术。这个是很有意思的技术，从星际迷航里就有类似的电话，1966年星际迷航，不管任何球星国家，都能实时翻译交流。1966年还是科幻，AI技术的发展现在变成现实。语音处理团队2010年在微软技术界上公布了这个技术，实现了中英文实时翻译。2012年天津21世纪计算大会上BuckRachid进行了现场演示。这个技术很难，整体梳理流程是，首先把中文音频信号变成文字，然后中文文字翻译成英文文字，然后将英文文字用我说英文的方式发出声音来。这三个环 节每个错一点结果就完全不能看了。能做到这点需要二十几年的积累。三．隐形的智能说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1684.JPG我们都谈智能家居，智能环境，如果会场有各种智能设备，自动的做好事情同时隐于环境。如果穿在身上就是智能可穿戴设备。看两个例子。如果让智能硬件做到隐于环境的智能，他们一定要有智能，如果是个视频摄像头，希望摄像头看到外部世界并理解外部世界。计算机需要知道里面有人，有滑板，更需要知道人和滑板所在的位置，它能够用自然语言说出人类能听懂的话。生成这句话并不仅仅是计算机视觉一个领域的问题。如果真能做到这点，生活会变得更好。一个例子，一个盲人看不到外部世界，但是有一个眼镜代替他去看，并用语音来传达眼镜看到的东西，这是一件非常好的事情。MicrosoftHololens说明:C:\LiuBin\work\资料整理\201604\60周年人工智能大会\2016_04\IMG_1686.JPG3月30号，微软开发者大会提到了hololens，后面还有很多项目，有一个处于实验室内部阶段的项目，叫holoprotation，这个项目是指，今后开会时，两人在不同城市，但用全息3D的形式做到身临其境一样。这个科研项目是隐于环境的智能。视频中柱子上有几个摄像头，将人的动作捕捉下来，然后将3维信息去建立一个虚拟的人体，在另外一个地方显示出来。这个还需要很长时间去开发。四．AugmentedIntelligence增强智能人类与计算机各有强的地方也有各自弱的地方。如果从记忆里和计算能力上看，计算机远强于人类。但是人类具有两个半脑，左半脑是逻辑推理，记忆，右边半脑是想象力和抽象的能力，人类比机器强的地方就是人有创造力，想象力和发明的能力。今后人工智能的下一个60年，不再是人类与机器对比，而是人类和机器加起来，相互使用各自更强的地方，使两者相结合，使得我们有一个更加增强的智能。