《评人工智能如何走向新阶段》后记（再续11）
由AI科技大本营下载自视觉中国
123. 2019 年 12 月 20 日由鹏城实验室、新一代智能产业技术创新战略联盟主办的“新一代人工智能院士高峰论坛“在深圳开幕，聚焦 AI 前沿技术动态，重点关注人工智能在开源开放平台、高端芯片、类脑研究、智能应用的动态。
124. 腾讯 AILab & Roboticx X 主任，ACM、IEEE Fellow 张政博士作“机器人的智能演进”的报告。他再度提到去年分享过的“AIG 理论”（其中 ABC 代表机器人的基础能力，A 指机器人能看、说、听及理解，B 指机器人本体，C 指自动控制；DEF 指更高一层的机器人能力，D 指进化学习，E 指情感理解，F 指灵活操作；G 表示守护人类。）他最后谈到：“用机器人增强人的智力、关怀人的情感、发挥人类体能潜力、实现人机协作四个方面创造未来。”
125. 依图科技 CTO，IEEE、IAPR Fellow 颜水成博士作“Transform AI into Affordable intelligence ”的报告。他指出让人工智能变为 Affordable intelligence 所面临的挑战，并从芯片和模型角度分享一些工作进展。他还谈到：一个 AI 创业公司的核心使命是实现 AI 真正落地。这就需要解决两方面问题：（1）算法，保证可用，精度足够高，能真正解锁一个场景；还要足够用（因为现在很多场景仅凭单模态的算法已经无法提供用户满意的解决方案）。（2）算力，要让用户“买得起”（高端芯片）、用得起（功耗足够低）。
126. 旷视首席科学家孙剑博士作“视觉计算的前沿进展”的报告，他重点从卷积神经网络和计算机视觉技术，谈到计算机视觉研究历史和进展。他谈到神经网络卷积问题，现在大家用的较多的是 3X3 或 5X5 卷积，卷积经历了 AlexNet、GoogleNet、FasterR-CNN（Facebook）、Shuttle Net VYV2（旷视），当前最新研究进展是动态卷积/条件卷积。他还谈到神经网络宽度、深度和深度学习模型大-小对训练和测试带来的挑战及解决方案。
127. 中科院计算机研究员，ACM、IEEE、IAPR Fellow 陈熙霖作“迈向可理解的计算机视觉”的报告。国际欧亚科学家院士、深圳市 AI 与机器人研究院副院长、IEEE Fellow 李世鹏作“万物互联、集智过人”。他开始谈到从 IoT(物联网)到 AIoT(人工智能物联网)再到 IIoT(智物联网)的发展过程。
128. 五位院士（陈杰、丁元华、王沙飞、王立军、张建伟）在论坛圆桌会议上，讨论未来中国 AI 的发展与展望。他们认为这次论坛涉及 AI 算法、应用、资源上的一些突破和进展，但 AI 发展还要经历一个漫长的阶段，需要加强 AI 基础理论和核心算法的研究员 AI 高端芯片的研制。他们还讨论了专家在会上发言中遇到挑战的如下一些问题：AI技术落地应用场景问题（AI很难像人一样，对未知场景或目标进行智能推理）；可解释性问题（现在 AI 可以计算海量大数据且能实现一定感知，但得出的结果是否正确？尚难说！未来是否可以通过加入人的经验来改善这个问题）。
129. 谷歌发布最新计算机视觉（CV）图像语义分割技术 DeepLab V3+计算机视觉（CV）是人工智能主流技术之一，图像语义分割是 CV 中的重要的基本问题之一。识别图片信息历经图像分类到目标定位，再到目标的检测，最终发展到图像语义分割技术。
图像语义分割在自动驾驶系统（如街景识别与理解）、无人机应用（着陆点判断）及可穿戴设备中获广泛应用。谷歌研发的 DeepLabV3+是开源的图像语义分割模型。
130. 中国、美国、欧洲、日本布局人工智能；人工智能+制定受高度关注。将人工智能技术应用到制造业，进一步实现智能化。推动智能管理、智能工厂、智能物流等全方位智能化。
131. 人工智能如何突破深度学习算法走向新阶段？多数人工智能专家认为新算法如下：（1）脉冲神经网络硬件实现与类脑智能算法，（2）将真脑（神经元）与脑外计算机相连的脑机接口算法，（3）知识表示，数据驱动与知识驱动相结合的认知算法。不久前高文院士认为在未来的新算法中还包括量子计算，有道理！上世纪九十年代以来，量子技术应用于信息的获取、存储、传递、处理和使用等过程中，形成了量子保密通信、量子计算模拟、量子精密测量等应用。隨着第二次量子革命的出现，量子信息技术将促进感知、计算、存储、通信、应用等过程的一体化融合，以量子信息系统形态推动人工智能的发展（量子计算可作为突破深度学习的新算法出现）。
132. 美国《国家利益》杂志网站 12 月 22 日文章：“中国能击败美国在人工智能领域后来居上吗？”在当今这场竞争中，这两个对手处于什么位置？从市场需求角度看，在金融科技方面，中国微信支付有 9 亿用户，而苹果支付只有 2200 万用户；在功能方面，微信支付能做的亊远多于苹果支付；中方在此过程中产生大量数据，能让 AI 系统更好地评估，在移动支付方面，美国人每花 1 美元中国人就花 50美元。在人脸识别领域，世界上最有价值的 AI 创业公司来自中国。在语音技术上，中企在所有语言上打败美企。世界头号语音识别创业公司是中国的科大讯飞，用户群有 7 亿，是苹果语音助手用户的近两倍。
AI 进入日常生活，关键靠 5G 基础设施。全球制造 5G 设备的 4 大品牌中有两家是中企，美国没有一家。中企拥有 5G 专利是美企的两倍。金融市场反映了现实，“七大人工智能巨头”如今太平洋两岸平分秋色。2018年投资于 AI 的风险投资平均每 10 美元有 5 美元流入中国创业公司，4 美元流入美国公司。中国对 AI 研究和开发的投资猛涨到美国水平，中国正为 AI 的一代优势打下知识基础。中国今年在被引用率最高的相关论文超过美国。中国还在大力投资基础设施，在目前 500 台最快的超级计算机中，中国拥有 2819 台，美国有116 台。去年国际空中机器人大赛前三名均为中国队，在中学生国际信息学奥林匹克意赛中，中国已获 84 块金牌，美国 52 块。在培养人才方面，在 AI 领域，中国每年理工毕业生是美国的 4 倍，目前中国出国留学生平均 5 名就有 4 名回国（30 年前每 20 名留学生只有 1 人回国）。
133. 科学家实现生物间记忆移植。10 月，《科学》杂志刊登得克萨斯大学西南医学中心科学家的研究成果，通过使用光遗传学技术控制幼年斑胸草雀大脑与听觉经验学习相关的区域，选择性地激活大脑中某些特定的神经元回路，向幼年斑胸草雀的脑中有效地植入记忆（曲调），成功在无教导的情况下让幼鸟学会鸣唱之前未听过的简单歌曲。强大的记忆力是学习知识的捷径，人类也在对快速获取记忆从而获得知识、提高智能水平进行着不断的追求和探索，记忆移植无疑是一种最为快捷的途径。这一成果不仅为老年痴呆症、自闭症等疾病的彻底治愈带来了曙光，也使得机器人学习人类常识性知识成为可能。虽然距离实现真正的人类记忆移植还有很长的路要走，而且还存在这样那样的争议，但不论怎样，现阶段能够取得这样的成果都足以令人期待更加美好的未来。
134. 单体和群体均可变形的集群机器人出现。 9 月，科罗拉多大学波德分校和东京大学的研究者发表文章称，他们开发出了一种新型集群机器人ShapeBots。这种机器人的单体和群体均可发生变形，多个 ShapeBots 可以构建不同的二维图形，机器人的位置可以根据图形自动调整，并且还可以根据用户需求进行三维的形状变换。智力和能力较低的微小个体通过集群协作的形式往往能实现智力和能力的飞跃式提升，完成许多个体所不可能完成的复杂任务，这也是群体智能引起关注的主要原因。目前，群体智能还有大规模群体智能空间构造、运行、协同以及演化等诸多核心技术需要解决，ShapeBots 无疑为解决这些核心技术问题奠定了良好的基础。
135. 人形机器人费德尔（Fedor）飞上太空。8 月，俄罗斯联邦太空总署在哈萨克的拜科努尔航天中心，成功以太空船联盟 MS-14 将人形机器人费德尔（Fedor，识别号码为 Skybot F850)发射运往国际太空站。费德尔是坐上机师的座位上升空的,并在太空人斯克沃尔佐夫监督下展开太空实验任务。费德尔身高 1.8 米，体重 160 公斤，可模仿人类的动作，其设计初衷就是代替人类去还不安全的外太空完成太空探索和外太空家园的建设任务。现在，费德尔会走路，能提重物、俯卧撑、匍匐前进，会使用各种工具完成喷水、电钻、开锁、气割等建设家园的初始任务，还会开摩托车、越野车等各种交通工具，甚至还会开枪射击，具有保卫家园的能力。尽管有消息称费德尔返回地球后由于不明原因而无法启动，但它的航天之旅无疑使人类移民太空的梦想更近了一大步。
136. 谷歌达到“量子霸权”(？)9 月，谷歌声称已经达到“量子霸权”，打造出第一台能够超越当今最强大的超级计算机能力的量子计算机，能够在3 分 20 秒内完成当今最强大的超级计算机 Summit 需要约 10000 年才能完成的计算量。这一消息被 NASA 发布到官网上之后不久又迅速删掉。众所周知，当前人工智能产业发展的三大主要推动力为深度学习算法、大数据和云计算。量子霸权的实现，不仅可以大大加快深度学习暴力计算的速度，提高深度学习的实时性，拓展深度学习的应用领域，促进人工智能产业化纵深发展，而且还可以加快类脑智能等新型算法和技术的研究进程，推动人工智能向更高层次的跃迁。
137. 微软 AI 发展致力于研究“可解释的 AI”领域。微软亚洲研究院副院长张益肇针对 AI、AI+的应用 X：AI 技术不断发展重塑我们的生活和各行各业，并推动产业向数字化、智能化转变，通过与 AI 结合，金融、交通、医疗或为首批获利企业。我们常说 ABC，A—强大的算法 Algoiithm，B—海量的数据 BigDate，C—大规模的计算 Compute。如何推动行业与 AI 结合？AI 赋能行业 ABCDE（五大关键因素），D—专业的领域 Domain，E—生态链 Ecosystem。ABC 三大因素是 AI 的基石，也是数字化转型的基础，产业数字化转型还需 D-专业领域和E 生态链两大关键因素，D-专业领域指任何 AI 落地的场景，需行业专家一起参与（如在 A+医疗方向，微软很多应用是与辉瑞等医药企业一起共同完成的）。E-生态链，除落地的场景，AI 在行业的发展还需要一个完善的生态链。
138. 斯坦福大学开源用于神经百万量级 OGB 基准测试的数据集。斯坦福大学的 TukeLeskovec 教授在 NewIPS2019 大会上演讲时宣布：开源开放图形基准，是朝着图形神经网络建模基准迈出的重要一步。图神经网络是近年来迅速发展起来的机器学习的一个分支。通过将非结构化数据转换成结构化节点和边的图，然后利用图神经网络进行学习，往往可以取得更好效果。然而，图神经网络发展至今，还少有工人的基准数据集。TureLeskovec 教授在会上发布了图神经网络的开放性能基准数据集 OGB（开放图形基准）。通过这个数据集，可以更好地评估模型性能等指标。
139. 中美欧日布局人工智能制造业，人工智能+制造，发布战略规划受普遍关注。在推动生产流通环节自动化、数字化、网络化的基础上进而实现智能化。
140. 2019 年 6 月，美国政府发布《国家人工智能研发战略规划》（2019版）,确定八大国家人工智能研发战略：
（1）对人工智能研究进行长期投资。
（2）开发人与人工智能协作的有效方法。
（3）明确并解决人工智能的伦理、法律和社会影响。
（4）确保人工智能系统安全可靠。
（5）开发可共享的公共数据环境，用于人工智能系统训练和测试。
（6）开发衡量和评估人工智能技术的基准和标准。
（7）更好的了解国家人工智能研发人员的需求。
（8）加强人工智能领域的公私伙伴关系，加速人工智能的发展。
141. 机器学习框架之战正在 TensorFlow 和 PyTorch 之间展开，PyTorch库使用动态更新的图形操作，使训练神经网络过程简明，支持数据并行和分布式学习模型。目前 AI 研究人员正在放弃 TensorFlow 涌向 PyTorch。
142. 高文院士认为，国外科技巨头像谷歌、微软、亚马逊等都早在 AI领域推行开源，并通过 AI 开源工具（框架）与平台打通产业链并形成生态，中国 AI 技术成果不能都架构在外国公司的机器学习框架之上，我们要研发自已的开源框架与平台。他还说，鹏城实验室推出 iHub 开源托管平台，希望与 GitHub 建立镜象协议（据说 GitHub 准备在中国建立分站）。高文并鼓励国内企业或机构从资金（参股）和技术上支持从美国搬到瑞士的开源的 Risk-Ⅴ。希望 OpenI 开源启智社区不忘初心，研发我们自已的 AI 开源工具（框架）。
更多推荐
《评人工智能如何走向新阶段》后记
《评人工智能如何走向新阶段》后记（再续1）
《评人工智能如何走向新阶段》后记（再续2）
《评人工智能如何走向新阶段》后记（再续3）
《评人工智能如何走向新阶段》后记（再续4）
《评人工智能如何走向新阶段》后记（再续5）
《评人工智能如何走向新阶段》后记（再续6）
《评人工智能如何走向新阶段》后记（再续7）
《评人工智能如何走向新阶段》后记（再续8）
《评人工智能如何走向新阶段》后记（再续9）
《评人工智能如何走向新阶段》后记（再续10）