雷鋒網 AI 科技評論按：此前，AI 科技評論已經給大家報道了 10 位院士對AI 的深度把脈，而在「新一代人工智能院士高峰論壇」上，除了院士們的熱烈討論，還有來自學界、業界的一線研究者的聲音。
他們聚焦於不同的研究領域，並一直工作在最前線，從科研和應用的角度來看，他們的分享同樣獨具借鑑意義。
12 月 21 日 ，由鵬城實驗室、新一代人工智能產業技術創新戰略聯盟主辦的為期兩天的「新一代人工智能院士高峰論壇」進入第二日。論壇分為上午場和下午場：
上午場中，來自阿里、清華大學、中科大、中科院計算所及自動化所、北大的專家聚焦 AI 芯片和類腦，從科研的視角分享了各自領域的最新進展。
下午場中，來自中國平安、衛健委、交警局、螞蟻金服、中科院計算所、雲天勵飛的六位專家，從應用的視角分享了人工智能的目前的應用情況以及未來的探索。
我們首先來看聚焦當下 AI 領域兩個最熱門的研究方向——AI 芯片和類腦的分享。
1、謝源：AI 時代的架構創新與機會
來自阿里巴巴達摩院的謝源教授作為首位上臺的報道嘉賓，帶來了主題為《AI 時代的架構創新與機會》的報告。
阿里巴巴達摩院技術實驗室負責人、IEEE、AAAS、ACM Fellow 謝源
正式進入演講前，他先以英特爾和英偉達過去五年的股市漲幅（前者 63%；後者 900%）為例，指出了當前芯片市場中是否創新對於一個企業所帶來的影響，就正如馬雲曾說過的一句話：很多人輸就輸在，對於新興事物第一看不見，第二看不起，第三看不懂，第四來不及。
藉此，他呼應今天的演講主題表達了自己的核心觀點：人工智能時代的來臨，給計算機體系結構的創新帶來了新的黃金時代，大家需要看到挑戰，同時也要抓住機遇。
在過去的 50 年間，人工智能的發展經歷了三次起起伏伏，其中的三大關鍵因素便是算法、大數據和算力。而在當下的第三次浪潮中，軟件和硬件的融合成為新的趨勢，其中 AI 芯片更是成為了此次浪潮中極為重要的因素。傳統意義上的軟件公司如 Facebook、亞馬遜，以及中國的互聯網企業都開始湧入這一賽道。
這一形勢下，AI 時代的硬件創新可謂是一個激動人心的「戰國時代」，AI 硬件很難出現像過去 50 年的 PC 和移動時代一樣，出現 X86 、ARM 一統天下的局面，而是呈現出百花齊放的形勢，這也讓硬件研發存在更多的可能性。
具體而言，他指出了三個可以探索的大方向：
第一，異構計算。AI 時代沒有哪一個單獨的芯片能夠做到一統天下，例如 CPU、GPU、FPGA 這些不同的通用芯片，各有其優勢，因此未來可能需要嘗試在同一個平臺上使用不同的芯片。對此，他也帶領團隊開展相關工作，研究如何通過異構計算的方法來提高高性能分佈式系統的訓練效率。
第二，芯片從通用走向專用。從谷歌在 2017 年發佈的第一款 ASIC TCP——TPU，到阿里前不久發佈的平頭哥含光 900 芯片，這些專用的芯片相比通用芯片的優勢非常明顯：可以為特定的場景定製，從而實現功耗、成本以及性能的最優。
第三，圍繞存儲做新架構探索。他指出，AI 時代對存儲的帶寬容量的要求非常高，計算過程中將數據從存儲搬到計算單元、再從計算單元搬回存儲中所需的容量和性能損失遠遠超過做計算本身。因此，當下 AI 硬件創新面臨的一個很重要的挑戰，就是存儲牆。針對這一挑戰，他也提出了兩個探索方向：
一個方向是利用 3D 堆疊技術解決未來計算中的存儲帶寬問題。AMD 於 2015 年發佈的 Fiji 核心便是這一思路的產物，其可以直接用 Fiji GPU 來加速 DNN，性能大幅提高。現在，幾乎所有 AI 芯片公司都會沿用這一思路，考慮在芯片訓練中使用這種 HBM（高帶寬存儲器）。
另一個方向則是計算存儲一體化，這是未來有可能改變傳統的把計算和存儲分開的馮·諾依曼架構的一個方向，並且這種方法不僅僅改變計算機體系結構，還能在材料、底層半導體技術上做更新。其中一個比較有趣的工作便是 ReRAM 技術，能夠讓計算和存儲發生在同一個地方，而不需要做數據的搬移，節省的能耗和提高的性能非常多。
「AI 時代，我們可以探索到計算機體系結構的非常前沿且新的主題，從底層看，可以嘗試異構計算、3D 堆疊以及計算存儲一體化等；往上看，則是在應用層做創新。這個時代存在著無數創新的機會，這也將為芯片這個行業帶來新的春天。」
2、陳雲霽：深度學習處理器基礎研究
中科院計算所研究員陳雲霽，在題為《深度學習處理器基礎研究》的報告中，基於自己的研究工作分享了自己的思考。
中科院計算所研究員
「AI 時代當下的一個很明顯的趨勢，就是超級計算機正在和智能技術走向融合，而隨著傳統芯片無法滿足深度學習處理的需求，未來的計算機需要採用專門芯片去實現智能處理，其中最核心的算法則是深度學習處理器。」陳雲霽研究員指出，這也是他一開始研究深度學習處理器的初心。
基於多年的研究經歷，他指出，設計深度學習處理器體系結構背後的核心思想是：如何用一個深度學習處理器芯片去高效處理海量、各種各樣且不斷演進的深度學習算法。
要實現這一目標，實際上還面臨三個矛盾：
第一個是有限規模的硬件和任意規模的算法之間的矛盾。深度學習處理器作為一個硬件，神經元和突觸數量都是有限的，並且在出廠甚至設置時，數量就已經固定下來；而算法則是在設計中可以任意調整的。
針對這一矛盾的解決思路是，將硬件的神經元虛擬化，即通過時分複用，將有限規模的硬件虛擬成任意大規模的人工神經網絡，其中的關鍵技術在於控制架構和訪存架構。
第二個是結構固定硬件和千變萬化的算法之間的矛盾。硬件的神經元和突觸連線在出廠時就是固定的，而算法的神經元或者突觸互聯的拓撲卻針對不同的算法是不一樣的，尤其是現在一些新的訓練方法，在訓練過程中可能會對整個神經網絡拓撲都帶來變化。
針對這一矛盾的核心思路是，自動抽取各種深度學習（機器學習）算法共性基本算子，再基於這些共性基本算子設計出指令集，最後通過指令集的組合來高效處理這些算法。其中的關鍵技術在於算子聚類和運算架構。
第三個是能耗受限的硬件和精度優先的算法之間的矛盾。比如說 Alpha Go 下每一盤棋，都要損耗好幾十度電，背後很重要的一個原因便是算法工程師和研究者並不會去考慮某個算法到底會耗費多少電；然而能耗對於硬件工程師而言則是需要重點考量的一個點。
針對這一矛盾的解決思路是，通過稀疏神經網絡處理器結構來解決。其中的核心是採用軟硬協同的思想，在訓練中不僅僅盲目追求提高神經網絡的稀疏度，而是追求規則化的稀疏，以此來提高稀疏神經網絡的處理效率，與此同時更利用神經網絡對於計算誤差的容忍能力，在有限的能耗下實現高精度的智能處理。
另外他還指出，從應用層面來看，在研製產品級芯片上還會面臨兩大主要挑戰：一個是如何快速地開發出系列化、統一化的端邊雲智能芯片；二是如何面向系列化、統一化的端邊雲芯片快速地構建軟件生態。
而從基礎研究到工程技術，其實更面臨著人才短缺的難題，而中國尤其缺乏做底層研究的人才。「雖然我國現在已經有 200 所高校開設了人工智能專業，然而培養的都是算法人才。無論是做芯片還是做系統軟件，只有培養出足夠多的具有系統思維的人工智能人才，才能這些事情做起來。」
3、吳楓：腦認知與類腦智能
中國科學技術大學校長助理吳楓帶來的報告主題是《腦認知與類腦智能》，他從自動化、智能化的成像數據處理對腦科學研究的支持入手，闡述了類腦智能發展所面臨的挑戰。
中國科學技術大學校長助理、類腦智能技術與應用國家工程實驗室主任吳楓
他表示，類腦現在被視作未未來人工智能發展的重要途徑，然而經過近幾年的研究，他認為類腦研究不僅僅會促進人工智能的發展，還可能對信息領域帶來變革性的變化。
相比於現在的信息系統體系，人腦具有低能耗、超高魯棒性、超強能力等優勢，然而人腦的理解非常之難，這也導致很多神經學家通常都集中在單個功能的研究上，人類到目前為止也沒有了解清楚人腦的全連接圖譜。而要想了解清楚，則需要做好對人腦數據的獲取以及數據的分析。
一方面，在人腦數據的獲取上，涉及到三個層面，包括：第一步，確定腦功能的分區；第二步，瞭解腦分區下面的腦網膜結構；第三步，觀察和解析腦的動態活動，也就是電活動。
另一方面，在數據分析上，由於獲取的人腦數據規模非常大且多為未經標註的電鏡數據，神經學家基本無法處理這些數據，對此，吳楓教授的團隊也做過一些相關的工作，包括：首先，利用胞體等特性進行自動神經胞體的分割；接著通過現在深度學習的技術，對光鏡細胞做出比較精準的分析；然後用算法將重疊的分割片的信息拼接起來，形成完整纖維的連接，從而最終對連接數據進行分析。
針對信息拼接過程中遇到的對準問題，他們還提出了用 3D 卷積的方法做電鏡圖像對齊，該方法的性能比傳統的方法提高數百倍，精度也進一步提升。
「雖然現在還沒有科學家能夠對突觸等人腦數據分析出來，但是隨著人工智能技術的發展，對全腦進行連接層面的分析和研究成為了可能，我認為後續這方面的工作非常有意義，並且有可能產生諾獎級的成果。而這需要花大量的時間和精力進行長期的研究。」演講最後，吳楓教授也表達了對於這一研究方向的期待和信心。
4、尹首一：面向無處不在的 AI 計算
清華大學微電子學研究所副所長尹首一分享了在可重構計算和 AI 芯片方面的一些研究成果和心得體會，他的報告主題是《面向無處不在的 AI 計算》。
清華大學微納電子系副主任尹首一
他首先指出，現在的大部分 AI 計算還依賴雲端，然而在未來的很多場景下，受限於很多客觀因素，一些數據可能不太適合上傳到雲上。
正如 ARM 和谷歌不約而同地對未來的 AI 計算系統體系提出了一致的願景：未來的 AI 計算應該是分等級的分佈式計算系統，即從雲到邊緣設備再到終端設備，讓不同等級的數據在不同的地方進行計算和處理，從「AI in Cloud」變成「AI Everywhere」。
而要實現這一願景，還面臨著一個難題：計算需求和功耗受限之間的矛盾。具體到 AI 芯片設計上，則主要有以下三個主要的挑戰：
第一個挑戰來自於可編程能力。也就是說，隨著算法的演進，AI 芯片能夠通過編程得到持續改進。
第二個挑戰來自於 AI 芯片落地應用處理任務時，不僅需要處理神經網絡，還需要處理大量常規的計算或經典的信號處理計算。
第三個挑戰則是能耗問題，尤其是對於邊緣設備或者物聯網設備而言，能耗問題非常突出。
為了實現這種超高能效、可編程又具有靈活性的計算，在過去六七年的時間裡已經有了相當多的工作，主要沿著兩個方向努力：一個方向是算法方向，對神經網絡模型進行剪枝、壓縮、量化、低位寬化；另一個方向則是在領域專用的體系結構上的探索，包括數據粒度、編程和存儲模型等。
針對體系架構，尹首一教授等人也做了一系列工作，其中就包括採用基礎的可重構計算架構來做 AI 計算芯片，主要從 MAC 單元、PE 及 PE 陣列架構三個層面上實現了硬件的可重構能力。採用這種架構設計出來的芯片，不僅能夠支持靈活的、不同神經網絡的編程，還能極大地降低能耗。
而下一階段，尹首一教授指出，應該嘗試實現可重構、可編程的體系結構和存儲計算一體化（In-Memory Computing）的融合。「這樣才是一個將來能夠真正把計算和能效繼續推高，把芯片的適用性和靈活性繼續擴大的 AI 芯片解決方案。」
5、程健：邊緣端智能計算和芯片
中國科學院自動化研究所南京人工智能芯片創新研究院常務副院長程健帶來的分享同樣聚焦緣端智能計算和芯片。
中國科學院自動化研究所研究員中國科學院自動化研究所南京人工智能芯片創新研究院常務副院長程健
他指出，現在的計算逐漸從雲端走向邊緣端，然而邊緣端的計算目前還存在很多問題：一方面是移動設備「算不好」；另一方面則是穿戴設備「算不了」。而這些問題背後的原因主要還是邊緣端的智能計算複雜度太高，當前的芯片還無法滿足這類邊緣端計算的需求。
在過去很長一段時間，國內學術界研究算法和研究硬件的人屬於兩個完全不同的領域，各自「井水不犯河水」，幾乎很難一起做研究，然而隨著近幾年來智能計算的發展，尤其是深度學習模型對芯片架構提出了新的挑戰和訴求，計算和芯片二者在研究中結合得越來越緊密。
深度學習從一開始的 AlexNet，有 8 層網絡，約 6000 萬個參數；發展到 2014 年的 VGG-19 模型，有 19 層網絡，大概 1.43 億個參數，深度學習模型越來越複雜，如果無法直接在存儲中處理數據和模型，就會對帶寬造成巨大堵塞，對效率產生很大影響。
這就要求提高邊緣端的計算能力，主要的推進方向有兩個：一是從神經網絡模型的表示、計算、存儲、 和學習等方面，通過壓縮、剪枝、量化等方法來簡化模型；二是使用專用加速器加速深度學習應用，將 32bits 浮點數轉換為定點數，減少延遲，降低能耗。
程健認為，智能計算按應用領域分為雲端和邊緣端，按任務可以分為訓練和推理，這四者可以組成四個象限：雲端訓練、雲端推理、邊緣推理以及邊緣訓練。而隨著目前智能計算走過了從雲端訓練到雲端推理、再到邊緣推理的階段，下一步可以探索邊緣訓練，特別是隨著 5G 通信的到來，將為這一方向的探索帶來了更多的機會。
6、黃鐵軍：視達（Vidar）：視覺新模型與超級視覺
北京大學信息科學技術學院教授黃鐵軍，則基於自己的最新研究成果，帶來了主題為《視達（vidar）：視覺新模型與超級視覺》的報告。
北京大學信息科學技術學院教授黃鐵軍
演講伊始，他先提出了一個問題：人為什麼躲不過子彈？原因是：人的眼睛往大腦傳送神經脈衝的速度比較慢，而且每秒只能傳幾十個脈衝，所以，當一顆子彈飛過來時，眼睛根本來不及向大腦傳輸信號。
基於此，他較為尖銳地指出，現在 90% 做計算機視覺的研究者根本還沒搞明白視覺到底是什麼，因而現在用攝像頭採集視頻+算法的技術研究路線和思維方式從根本上來說都是錯誤的。並且，用視頻作為視覺信息的表達方式的這一起點，就是錯的。
他表示，視頻實際上是影視產業發展的產物，它利用的其實就是人類視覺系統的缺陷——視覺暫留，來給人類以連續的畫面感，而生物視覺則是視網膜接收連續的光子撞擊，再由神經節細胞接收到足夠刺激後發放脈衝，接著脈衝序列被傳送給大腦，最後大腦從脈衝序列中解碼出外部世界，
因此，要真正實現機器智能，就必須放棄視頻這一概念，用新的思路去做研究：瞭解從眼睛到大腦的神經脈衝是如何編碼外界的視覺信息的。基於這一思路，黃鐵軍教授在視覺信息處理方面最近開展了一個工作，便是模仿從視網膜到大腦的神經脈衝對外界視覺信息進行編碼。他將這項工作稱之為視達（vidar）。
最後他再次強調，計算機視覺的研究者應該徹底改變用攝像頭+算法的研究思路：「第一，不再用以前的識別攝像機，而要用新的視達芯片和攝像機來抓識取過程；第二，不要在計算機上編算法，而要在脈衝神經網絡做脈衝序列。」
人工智能技術在現實場景中的應用情況如何？以及未來會有哪些值得探索的方向，我們繼續來看：
7、肖京：人工智能賦能實體金融
平安集團首席科學家肖京首先分享了人工智能在金融領域的賦能情況，他的報告題目是《人工智能賦能實體金融》。
平安集團首席科學家肖京
他指出，相對於互聯網，智能化應用更加複雜，前者只是模式的創新，相對容易實現；而後者則是技術上的創新，需要具備數據、技術（算法和算力）、場景和行業專家四大要素，讓業務流程的每個環節都實現智能化。
在智能化應用的能力建設上，他從平安在智能化應用的案例實踐出發，指出可以分三步走：
第一階段是嬰兒階段，即形成包括聽覺、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，即能夠具備打造專業解決方案的能力，能夠讓 AI 賦能金融服務、醫療、智慧城市等行業應用場景。
最後，他也提及平安對於 AI 倫理問題的極大關注，不僅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，創建了一套完整的體系來保證 AI 不會被濫用。
8、羅樂宣：深圳市智慧醫療服務體系與人工智能應用探索
深圳市市委衛生工委書記、深圳市衛生健康委員會黨組書記羅樂宣主要介紹了人工智能在深圳市智慧醫療服務體系中的應用和探索。
深圳市市委衛生工委書記、深圳市衛生健康委員會黨組書記羅樂宣
在智慧醫療體系建設方面，總體來講是由深圳整個衛生健康委進行底層的統一規劃，並通過標準先行，去逐步推進衛生健康細則建設。在實施過程中則遵循四個「一」來推進：共享平臺統一、一碼（電子健康碼）服務一生、一網協同運行、一體協同監管。
在高水平醫院的建設上，不僅推動智慧醫院的建設，還進行智慧醫院跟企業的聯動，逐步提升例如電子病歷的水平等。
在便民惠民方面，深圳現在超過 95% 的市醫院都推行了預約掛號服務，同時提供一站式在線服務、預防、診療、康復和辦證服務。
在完善家庭醫生服務規範上，則打造了四個「統一」的服務體系，包括：統一呼叫中心，統一簽約管理，統一服務標準，統一績效管理。
與此同時，他還分享了在人工智能探索方面的一些工作，包括與騰訊、鵬城實驗室等企業和機構多方合作，來探索醫療大數據、人工智能的應用，以及在應用場景方面落地城市健康輿情可視化及趨勢分析系統等等。
9、徐煒：科技支持、智慧賦能——積極打造智慧交通先行示範
深圳市公安局交通警察局局長徐煒，則彙報了深圳交警在科技支撐、智慧賦能、智慧交通方面所做一系列工作。
深圳市公安局交通警察局局長徐煒
他指出，深圳智能交通、智慧交通一直都走在全國的前頭：第一套電子警察誕生於深圳，第一個車牌自動識別系統也誕生於深圳。多年以來，科技賦能交通管理也成為了深圳交通管理非常重要的亮點。
具體而言，人工智能技術通過以下方式賦能交通管理：
第一，在頂層設計上遵循「智慧+」理念，治理體系向智慧轉型。在這個方面，交通治理體系主要經歷了技術輔助、各自為政，科技引領、統管統建以及智慧賦能、百花齊放三個階段。頂層設計從城市交通大腦向交通智能體轉變，重點就安全、暢通、執法、服務這四大領域全面賦能。
第二，在警務變革上，深圳立了 26 個攻堅團隊，匯聚各種技術打造一箇中心三大體系：總指揮運營中心+執法、科技、後勤保障等 N 個指揮中心的「1+N」指揮中心；安全體系、治堵體系、運營體系三大體系。
演講最後，他也表達了自己的展望：積極打造智慧交通先行示範，即沿用比肩世界的最先進的交通管理理念以及科技賦能優勢，全面打造新一輪的交通管理體系，實現交通的綠色化以及可持續化。
10、漆遠：金融智能的思考與實踐
螞蟻金服首席 AI 科學家、副總裁漆遠博士，基於大量真實的案例分享了金融智能所遇到的挑戰，並對此提出了自己的思考。
螞蟻金服首席 AI 科學家、副總裁漆遠
他表示，金融與 AI 兩者其實是相輔相成、互相推動的關係：AI 可以賦能普惠金融提升風控能力，提高效率，改善用戶體驗和減少信息不對稱；而金融也為 AI 提供完美的場景，因為金融行業數字化程度最高，擁有全方位多場景的應用，與此同時， AI 可以對金融服務提供顯著的改善效果，所以金融行業也更有動力去發展和應用 AI。
他指出，金融智能面臨的挑戰主要集中在以下幾個方面：
第一，複雜動態網絡。一方面是一些恐慌行為會通過網絡的傳播效應導致更多人產生恐慌行為；另一方面，在交易風控中，人到設備、設備到人再到商戶之間的各種網絡產生大量複雜的結構性數據，如何對它們進行建模後分析是一個非常難的問題。
第二，金融中的對抗性無所不在。每一筆交易都有可能是人和系統的對抗。對抗性與前面的大規模網絡和實時處理需求結合起來，將會變成更大的挑戰。
第三，人機協作問題。一方面，要想服務海量用戶，需要實現自動化來提高效率；但另一方面，為了防止災難性風險或者系統性錯誤，金融系統中人工干預又是不可或缺的。怎麼把人的知識和機器的決策結合起來，會成為一個很好的研究方向。
第四，算法的公平性。隨著機器智能在越來越多的系統中發揮著關鍵決策功能，如何避免智能算法引入偏見從而做出「歧視性」的決策，是一個非常重要的問題。
第五，數據安全和隱私保護問題。隨著整個社會對數據和隱私保護越來越重視，如何打破數據孤島讓更多的數據融合產生價值，同時又要保證數據的安全隱私，這兩者之間其實挺矛盾的。
對此，漆遠博士也從螞蟻金服的案例出發分享了一些解決方案，例如構造了兩個非常關鍵的學習能力：螞蟻圖智能平臺和螞蟻共享智能平臺等等。
11、山世光：弱小數據驅動的視覺學習進展實例
中科院計算所研究員山世光，基於在人臉識別等圖像識別技術上超過 20年 的研究經驗，帶來了主題為《弱小數據驅動的視覺學習進展實例》的報告。
中科院計算所研究員山世光
山世光研究員指出，隨著人臉識別已經取得了非常大的進展，接下來將會從「看臉」時代轉向「讀心」的時代，從依賴強大的數據的學習算法轉向弱監督小規模數據驅動的視覺學習算法。因此，打造有溫度、有溫情的 AI 系統，非常重要。
對於「讀心」，他認為可以從三個層次來開展工作：
第一，測量生理性特徵，比如身高、體重、心率、呼吸、血壓、血氧、眨眼率、視線、瞳孔縮放、皮膚狀況、醉酒狀態等等。
第二，評估心理狀態。表情很多時候是虛假的，而微表情則更能體現人試圖隱藏的內心情緒。這些心理狀態的評估可以應用到學習、駕駛、健康等方面。
第三，通過觀察生理特徵和心理狀態，來評估人的內心精神狀況，包括是否抑鬱、幸福等精神層面的輔助診斷。
然而在具體的技術實現上，「讀心」首先就面臨著是數據稀缺的挑戰，比如針對自閉症兒童的數據，有個幾十人就已經算多的了。那麼如何在非常小規模的數據環境下做好機器學習呢？
他認為可以從以下三個方向來克服這個挑戰：
第一，自監督學習，思路是針對小樣本，儘可能地採用借鑑人的注意機制的方法，找到最值得關注的區域並提取特徵，從而即便在小樣本情況下也可以實現比較好的視覺特徵學習。
第二，弱監督學習，思路是通過引入不同的任務，進行多個任務的協同處理，從而將不同任務的算法進行優勢互補，實現弱監督條件下的學習。
第三，半監督學習，思路是協同訓練一部分帶標籤的數據和另一部分沒有標籤的數據，讓二者同時學習多個模型，互相補充和支持，將這些沒有標籤的數據也用起來。
最後，他總結道，未來十年，AI 會深刻地改變各行各業，AI 算法也會越來越深刻地瞭解人類，然而現有的算法還不足以支撐社會各界對 AI 的預期。如何在數據稀缺情況下做機器學習是未來要克服的挑戰之一，他今天分享的僅僅是實現標籤從無到有、由弱變強、從小到大的思路，而其他的思路，例如如何將領域知識設計成一種通用的算法等，也是值得領域研究者關注和研究的方向。
12、王孝宇：Regionlets 通用目標檢測
雲天勵飛聯合創始人兼首席科學家王孝宇博士，作為最後一位報告嘉賓，主要基於其對通用目標檢測方法——Regionlets 的研究歷程分享了體會以及思考。
雲天勵飛聯合創始人兼首席科學家王孝宇
一開場他便感慨道：「我之前掉進過一個坑，現在這個坑還沒填滿，大家有興趣的話還可以往裡面灌點水。」
而他口中的這個坑便是：在 2018 年，也就是提出 Regionlets 的五年之後，才真正將深度學習的方法加進去，做完全端到端到訓練。
他介紹道，Regionlets 是他們於 2013 年就開始研究的一項工作，該方法不僅能採用選擇性搜索策略對每個候選檢測包圍盒進行多種區域特徵的集成級聯式分類，還保留了目標的空間結構關係，可以靈活地描述目標，甚至是發生形變的目標。
2017 年，他們再次回到這項工作進行完善，然而知識將深度學習當做特徵提取的方法，直到 2018 年才完全引入深度學習的方法，做端到端的訓練。該方法最終在 COCO 目標檢測測評指標上的表現比 Mask R-CNN 還要好。
同時，他也基於研究工作以及創業經歷中遇到的一些問題，針對智慧城市這一研究領域分享了一些思考：第一，如何在佈滿攝像頭的城市中解決遮擋問題；第二，如何在目標檢測中將時間維度和空間維度同時考慮進去；第三，在做多個目標檢測時，如何提高搜索精度以及提高對比效果？
在 12 場精彩報告中，還穿插進行了兩場圓桌會。
上午場的圓桌會中，黃鐵軍、謝源、陳雲霽、吳楓、尹首一、程健六位嘉賓針對「 AI 的新架構，像模擬腦、模擬神經網絡的計算架構，哪個會最先進入商業應用的環節？」、「隨著量子的興起和商業化，它是否會對人工智能算法、芯片架構和類腦計算產生根本性的變革？」等問題發表了自己的意見並進行了討論。
而下午場的圓桌會中，陳熙霖、肖京、漆遠、王孝宇、徐煒、山世光六位嘉賓則要圍繞著 AI 技術的應用展開，交流了業務場景裡的相關問題。
最後，「 2019新一代人工智能院士高峰論壇」在各位專家的熱烈討論中畫上了圓滿的句號。下一屆「 新一代人工智能院士高峰論壇」，明年見！ 雷鋒網 雷鋒網
閱讀更多 雷鋒網 的文章
