高文院士：学习人工智能专业，能成为大师吗？

2020-04-03 15:01

导语：目前为止，人工智能还不是一个完整的学科

第二十届全国图象图形学学术会议（NCIG2020）将于6月28～30日在新疆乌鲁木齐市召开，大会将汇聚国内图像图形及相关领域领军人才，聚焦领域热点问题，多角度全方位洞见未来发展趋势。北京大学高文院士确认出席大会并将作题为《数字视网膜– 城市大脑从云计算走向端边云混合的体系架构》的特邀报告。

作为合作媒体，近期，AI 科技评论有幸与高文院士做了简短对话，包括三个主题，分别为： 

1）对图像图形未来研究走向的判断；

2）对当下人工智能专业的看法；

3）目前在产学研结合的路上如何平衡基础研究和应用研究。

针对图像图形研究的未来走向，高文院士认为，我们做图像视频研究从一开始就做错了一点，即人的眼睛看世界并不是一帧一帧看，而是先对视觉信息进行特征提取和编码压缩，然后送到大脑；而我们目前的相机、摄像机却并不是，这是造成当前视觉数据量急剧增大，而又难以检索的主要原因。他指出，从长远来看，这种形式必然会被抛弃。

其次，针对当下广泛开设的人工智能专业，高文院士认为，社会有强烈需求，开设此类专业可以补充人才空缺；然而人工智能本身是一个交叉学科，若想在这个领域取得先进的研究成果，需要首先知道自己的“根”在哪，也即有一个作为根本的其他学科的深厚背景，否则将是无根浮萍，难以成为“大师”。

伴随着当下企业做人工智能研发进入深水区，高文院士指出，不能天真地认为企业会做基础研究，企业所做研究一定是应用研究，一定是为其产品服务的；所不同的是，这些应用研究面向的是未来五年、十年还是二十年的产品。

以下为对话内容：

1、图像视频研究，一开始我们做错了什么？

问：图像图形作为人工智能的一个重要的窗口，高老师也是这一领域的领军泰斗，能否谈下图像图形未来的研究走向？

高文：首先我要说一下为什么我要做数字视网膜。现在城市大脑把所有的注意力都放在城市云计算系统上面。而摄像头本身的功能就只是纯粹做视频压缩。或者准确来说有两类摄像头，一类只做压缩；另外一类除了压缩外，还会把人脸、车、车牌号等目标都识别出来。基本上就这两类摄像头。 

基于这种摄像头所构建的「城市大脑」其实是有问题的，因为这个系统本身是一个头重脚轻的系统，它并不是一个功能搭配合理的系统。

 

我们来看看人的识别系统。人有眼睛，眼睛后面就是视网膜，然后从视网膜到整个视觉系统中间的连接，叫做视觉通路（Visual passway）。其实视网膜收集完信息以后，视觉通道在向大脑传输信息时，做了视觉编码，这种编码和我们通常说的图像编码不一样，它叫视觉编码，视觉编码做的事情是特征抽取和特征压缩。 

现在一般的图像视频分析里面只做特征抽取，所以和人的系统是不一样。

为什么我要做数字视网膜？实际上是自然界给我们提供了一个非常好的参照，就是人的视觉系统。我们就要做一个类似人的视觉系统，把它数字化，所以就叫数字化视网膜。

这个系统搭配好了以后，首先云端计算资源不需要消耗那么多，而且整个系统不管是响应速度、识别率，还是识别精度，都会比现在的系统提高很多。所以从系统优化的角度，数字视网膜模型是城市大脑进化的一个比较好的模型。

那么说到图像图形未来的研究走向，我觉得这个问题有点大，我这里仅说一点。

图像和视频本身是因为有了照相机、摄像机而产生的一个领域。但是对于照相机和摄像机的数据，我们如何使用和储存呢？

我们的思路是：摄像头采集了很多信息，而这些信息的量又太大，所以要压缩一下；另外传输、存储时应该组织一下，然后在分析的时候去抽取这些信息。

但实际上我们一开始就有一件事做错了，被照相机数字化图像的结果印到了歧路上，当然这是没有办法的，存在即合理。因为人看世界的时候，不是一帧一帧看的，但现在摄像机、照相机是按帧去采样，最后结果就产生了超大量的数据，从而给后续的数据存储、处理带来了很多问题。但如果把前面摄像机和照相机的机制给变掉，可能就会不一样了，当然这个是开脑洞的一种说法了。

但对于这个领域的研究者而言，现在还不能把前提推翻。

那么我们在现有的前提下，在有了一帧一帧的图像和视频的前提下，怎么来处理这些数据呢？现在基本上就是按数字视网膜这种思路在处理了。

目前这样的系统还会继续研究，还会变得越来越复杂，还会花很多投资在这里面。但是从长远来说，此前的那种思路可能慢慢地就会被抛弃掉。当然至于多长时间就不知道了，这可能十几年、几十年，乃至几百年后才会从根本解决。

 

2、学习人工智能专业，能成为大师吗？

问：在图像和视频领域，与其他学科存在很多的交叉，包括跟脑、心理学、数学等各个方面的交叉。现在人工智能在视觉领域的发展虽然看起来很蓬勃，但是未来10年后会走到什么方向上去呢？现在很多的前沿科学家们也都给出了各种各样的预期，但是对于我们学者来说，我们希望能够脚踏实地的去把这些交叉的领域给做起来，那么从您的角度上面来看，包括您提出来数字视网膜，包括现在我们在图像图形跟脑科学、心理科学的交叉，基础研究科学上可能会在哪些方面更值得我们去关注或者说去突破？ 

高文：目前为止，人工智能本身并不是一个完整的学科。「人工智能学科」本身这个说法是容易误导人的，因为人工智能是一个交叉学科，涉及到很多基础，包括计算机科学、数学，另外比如像脑科学、神经科学，电子学等等，它实际上是一个多学科交叉的领域。 

任何一个经过这些分支领域培训的人，如果他愿意再多一点精力来学习人工智能，他就能够学会，并且能够进入人工智能领域去从事研究。 

现在教育部批准成立人工智能专业，是因为人工智能这个方向比较热，很多地方、企业、国家机关需要，所以设出一个专业，专门有意识地培养这方面的人，我认为这更多的可能是从满足社会需求的角度来这样做，我认为这是无可厚非的。 

但是如果你要想成为一个顶级的人工智能研究学者，直接学人工智能是成不了大家的。你要想成大家，还要从刚才说的那些具体的学科学起。比如说你如果想要基于哪个领域往别的领域去交叉，首先要把自己这个领域搞深搞透，然后再去做一些交叉的事，这就有可能成为大家。作为一个“大家”，首先要知道“根”是什么。 

所以我认为直接进到人工智能学科的学生，将来很有可能像前些年的管理学本科专业出来的人一样，这些人真正去做管理学的研究往往做不好，因为管理的基础不是管理，而是各个不同的细分领域。所以从这个意义上说，做交叉研究首先要把自己最“根本”的基础打牢，然后再往其他的领域去交叉，这样才能把人工智能的研究做好。 

所以教育部怎么做我都认为是可以的，有社会需求，教育机构就应该做培养人才的这种投入或引导，我觉得都是可以的，没什么问题，但是做研究就要头脑清醒一点。

3、产学研结合的路上，如何平衡好基础研究和应用研究？

问：人工智能在理论上还有很多待探索的问题，应用上也有很多需求，可以说是一个机遇和危机并存的研究领域。而现在也有很多产业介入到人工智能的科学研究上，可能会有一定的迷失，到底如何平衡好基础理论和具体应用这两个方向的研究？既能够落地，又能够在理论上取得突破，其实现在还有很长的一段路，具体要怎么走？

高文：企业一定做的是应用研究。有一些企业做纯粹自由探索的基础研究，可能是那个企业资金比较充裕比较灵活，老板愿意投资去做，这是有可能的，但是大多数企业其实还是有他自己的追求目标。 

这种应用研究是分阶段，可能是5年以后要变成产品，也可能是10年或者15年、20年要出成果，这就叫应用研究。 

而真正的基础研究，到底什么时候变成产品或者最后到底能不能用上，都不确定。基础研究就是要探索一些未知，回答的是“为什么”，回答完了，任务也就完成了，而不需要告诉我们说这件事有什么用，或者这件事什么时候能用。 

基础研究，企业是不会真的投入去做；尽管有，那也是极少数、极个别的，那么基础研究应该是谁做？一定是大学、国家研究所去做。因为他们是由政府资助。当然以前也有很多私人基金会做基础研究，或者是有钱人的孩子自己做点探索。 

所有企业做的研究都不是基础研究，而就算做应用研究，也要看他准备的是前瞻多少年的应用研究，比如像无人驾驶，就是前瞻了大概10年左右的应用研究。我觉得无人驾驶在有约束条件下，10年之内是有可能在很多地方出现的，都用起来，这是完全可能的。所谓有约束条件，就是说，不是在任何情况下都会出现，而是在某些条件下它才会出现，才可能被大量用起来。 

很多企业看到10年之内可能会有市场机会，就把钱砸进去，然后投入一些人去做研究，做开发，这是可以的。但可能他们一开始把话说过头了，把这个约束条件全都给忽略了，那做着做着就完全不对了，可能根本做不出来。所以现在很多企业开始往后退，这都是很正常。 

所以人工智能的基础研究应该由大学、研究机构去做。而企业做的应用研究基本上也是设定了一个定期的目标。

---

 

由中国图象图形学学会主办，新疆大学承办的第二十届全国图象图形学学术会议（NCIG 2020）将于2020年6月28-20日在新疆乌鲁木齐举办。高文院士将作为特邀讲者[16]，再次为我们带来数字视网膜的最新研究报告，该会议将汇聚国内图像图形及相关领域领军人才，聚焦领域热点问题，多角度全方位洞见未来发展趋势，包含3个特邀报告，2个讲习班，4个论坛，5个竞赛，1个优秀博士论坛，多个展览，是国内图像图形领域专家学者合作交流的平台，值得期待！

NCIG 2020 官方网站：http://ncig2020.csig.org.cn

高文院士简介

高文，北京大学博雅讲席教授。1982年于哈科大获得学士学位，1985年于哈工大获得硕士学位，1988年和1991分别获得哈工大计算机应用博士学位和东京大学电子工程博士学位。1991至1996年就职于哈尔滨工业大学，1996至2006就职于中国科学院计算技术研究所，2006年2月至今就职于北京大学。IEEE Fellow、ACM Fellow、中国工程院院士。他的研究领域为多媒体和计算机视觉，包括视频编码、视频分析、多媒体检索、人脸识别、多模态接口和虚拟现实。他最常被引用的工作是基于模型的视频编码与基于特征的对象表达。他先后出版著作七本，合作发表300余篇期刊论文、700余篇国际会议论文。先后多次获得国家科技进步奖、国家技术发明奖、国家自然科学奖等学术奖励。