吴小俊:对于人工智能要找到简单有效的方法

http://tuhanxiong4.cn/2020-09-14 11:21:57

中国金融信息网讯9月10日-13日,2017世界博览会在无锡召开,江南大学吴小俊教授在人工智能高峰论坛上表示,大数据人工智能有很多不同的视角,对于人工智能要找到简单有效的方法,这是我们未来的发展路径。

江南大学教授吴小俊发表演讲

以下为演讲全文:

谢谢主持人对我的介绍,我来自江南大学,今天我其实是为我的老师杨静宇来补场的。大家都知道在大数据领域我们有很多机遇,比如说美国的智慧地球、联合国的全球大数据脉动以及我们中国提出来的感知中国,实际上这都会给我们的大数据提供很多的机遇。所以我今天主要谈一谈大数据当中人工智能的一些思想,以及大数据时代下人工智能的若干视角,对人工智能未来的走向做一些判断。

我这个PPT是临时做的,所以非常不好意思。因为我考虑到今天有部分国外的嘉宾,所以我也采用了中英结合的方式来介绍。

大家都知道,在大数据时代,我们实际上有很多的机遇,我们提出来新的希望,事实上都会给我们大数据提供很多的机遇。所以如何面对抓住这些机遇,我想今天讲大数据的概念,主要是谈一谈大数据当中的人工智能的一些方法和思想,以及希望通过大数据时代的人工智能一些视角,然后来对这些人工智能未来走向做一些判断,这就是我今天要探讨的人工智能发展观。

无论是深度学习,还是我们大数据,其实都不是新东西,这个由于时间关系不解读,我们每天都面临大量的不同的数据,这个数据量增长速度非常地快。事实上我们对大数据的理解,无论是政府也好,我们的学术界也好,事实上都有一些问题。

大数据是数据集,如果有现成的数据工具能解决的话,就不叫大数据,所以事实上挑战会非常多。大数据给我们挑战,同时也给了我们很多机遇,所以有人对大数据特点给出一些总结。世界上主流的媒体都对大数据给予了很大的关心,都进行了关注。面向大数据时代的人工智能,主要是说我们有没有一些新的方法来处理大数据。实际上我们面对大数据、人工智能,我们面临一个非常矛盾的问题。

一方面,我们大数据,数据量大、复杂,数据稀疏关联,所以一些简单算法或许可以给出更好的结果。但是刚才柴院士前面也讲了深度学习,深度学习是非常好的东西,大的模型有非常令人惊奇的效果,所以像AlphaGo,像我们的实时翻译系统,都是带给我们新的变化。但是这个事实上是有些矛盾,因此学术界最近正在将两者进行融合,如何找到既简单又很高效的大数据处理方法,对大数据处理方法主要的点有三个:领域的理解,如果你没有领域知识,没有办法来处理大数据;要有数据,大数据的东西比较多,由于太大,会带来很多挑战;开发一些新的方法。有人对大数据的人工智能给出了一些解读,事实上这个观点跟柴院士观点是一致的,人机融合,今后协同工作,使的我们大数据问题得到进一步解决。

下一步从物联网、大数据聚类学习、智慧城市和深度学习四个纬度解读一下大数据人工智能的一些新的趋势。比如我们大家关心的物联网,比如说我们的智能家居,智慧医疗,所以这里有很多人工智能问题,物联网掀起了挑战,人工智能就是新的一些技术,在物联网当中人工智能其实可以说无处不在,我们人工智能主要技术都可以在物联网当中得到很好的应用,比如说感知、定位、跟踪、优化等等。

第二个就是数据的聚类。物以类聚、人以群分,因为是大数据,数据量非常大,我们如何进行区分?聚类是非常好的方法,聚类对我们的大数据分析非常重要,因为我们大部分数据都会有标签,这个聚类分析既是老话题,又是一个新话题,为什么

面对我们的大数据,聚类很难解决,面对几百个这样的聚类分析算法,如果认为现在的聚类方法跟过去是一样的,那是一个大的错误。面对大数据的聚类分析,我们会有一些新的要求和新的思想方法论,比如说我们的抽样、总结和聚合。我们希望随着数据量不断增长,我们的算法能够很好的总结聚类特性,还可以对大数据进行适当的应用,这样使得问题得到解决。对于复杂的图象库,用聚类分析可以做的非常好,我的团队有博士生和青年教师正在做这个方面的研究。2014年由于无锡政府和江南大学的共同努力,使得我们无锡成为亚洲唯一的智慧城市,我们正在做一些这方面的研究。

我们陈校长所讲的,在本月14号到17号在江南大学要召开智慧城市大会,智慧城市又涉及到非常多的方方面面,这些非常多的方方面面涉及到的数据,如何来进行处理,如何来为我们政府,最主要是如何提高我们民生,为我们的市民来有效的服务,这里面就有很多的大数据问题。这些大数据怎么办,这是我们遇到的一些挑战,最近我们在做一些智慧医疗方面的数据处理,大家到医院去可以知道,先给你做各种各样的检查,检查以后对各类数据来进行分析,最后做出结论。我们江南大学是教育部学校,通过教育部给我们的科技部提出了一些方案,就是国家重大研发计划,明年初重大研发计划就会发布,我觉得这就给我们在座的各位老师、各位同行创造了一些机遇,江南大学在重点研发计划思路的设计上面是有一些贡献的。

另外一个是深度学习,我们也在研究深度学习。大家知道深度学习是对大脑很简单的模拟。在大脑当中,信息处理是从底层到高层,语言信息逐步明显。我的理解和观察是,在深入学习当中最重要的一个模型叫做卷积神经网络(CNN)。CNN是一个宝藏,目前全世界人就像金矿一样都去挖,每个人挖到的情况不一样。江南大学用图像表示,如果你观察底层信息的时候,这个方面很有意思,我对近年来一些人工智能的期刊和会议,尤其是顶级会议和顶级期刊做了归纳和分析。现在很多主流的人工智能期刊都不一样,如果有时间愿意跟同行做一些交流。我总结一下,深度学习现在整体方向是什么?因为深度学习需要海量的计算资源,所以如何得到比较简洁的资源,如何得到更好辨别性能的模型,以及在这个深度学习当中怎么样获取更多的语义信息,这将是深度神经网络、深度学习一个很好的未来的方向和大家现在正在做的,我们也在里面做一些工作。

最后一个视角就是人脸特征识别,人脸特征识别是很重要的方面,我们做了透视等很多问题。2011年之前是限制环境下的人脸图像,2011年至今是非限制环境下的人脸图像。面对这样一些问题,我们提出了一些方法,比如说我们把深度学习、神经网络的特征提取做了一些工作,这个是我们发布的论文。同时我们把从深度学习当中,获取的一些营养元素,利用叫做积累回归的方法,来对人脸特征做一些研究,这个方面的一些研究也得到一些结果。有一些结果还是不错,比如7月份在全世界竞赛当中,江南大学和英国一家大学的合作成果,获得了全世界第四名,还是非常令人满意的。我们还有一些其他方面的工作,时间关系不再一一介绍。

对于大数据人工智能,尤其是视觉信息处理,我们遇到的挑战是很多的,比如一些图像怎么来理解,怎么样用机器来理解。

回应我的主题,人工智能发展是否会存在极限,我初步回答一下。AI的初步目标是对人脑的模拟,AI的最高的目标是对人脑的扩充和超越,超越似乎是没有极限的!人和机器的智能可能会不断地相互超越,而人和机器共同思考和工作正是大数据时代AI的重要特征。AI发展极限也许不确定,也许不存在!

做一个总结,大数据从研究来看才是刚刚开始,我们面临挑战会非常多,不是说业界声音越大,技术就越成熟。实际上我们遇到很多挑战,大数据人工智能有很多不同的视角,我今天给出一些有限的视角,也是我们正在关注的问题。深度学习是对大脑很简单模拟,同时又是非常暴力的,这种简单而暴力的方法实际上离我们完成超越,还有非常多的路要走。深度学习应该说也不是人工智能发展的唯一,比如说有人最近提出来像宽度学习等等这样的问题,我对人工智能的发展是否存在极限这样的问题也做了个人的判断和分析。

最后用爱因斯坦一句话,做的任何事情是要越简单越好,但是不能过于简单。这个启发我们对人工智能寻找方法,我们既要找到简单,但是又要非常有效的方法,所以这是我们未来一个发展路径。非常感谢!(根据速录整理,未经本人审阅)

更多资讯请关注频道


培训机构招生方案 https://www.xiaobaoonline.com/recruit