7月12日-7月14日，2019第四屆全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR 2019）于深圳正式召開。峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，深圳市人工智能與機(jī)器人研究院協(xié)辦，得到了深圳市政府的大力指導(dǎo)，是國(guó)內(nèi)人工智能和機(jī)器人學(xué)術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級(jí)交流博覽盛會(huì)，旨在打造國(guó)內(nèi)人工智能領(lǐng)域極具實(shí)力的跨界交流合作平臺(tái)。

7月14日下午，在「智慧城市·視覺智能」專場(chǎng)上，澎思科技首席科學(xué)家、新加坡研究院院長(zhǎng)申省梅進(jìn)行了題為「后深度學(xué)習(xí)時(shí)代的智能視覺技術(shù)落地」的演講。

作為人工智能領(lǐng)域嶄露頭角的公司，申省梅介紹道，澎思科技從傳感器-圖像處理到3D幾何，從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)、增強(qiáng)學(xué)習(xí)，從監(jiān)督學(xué)習(xí)到半監(jiān)督、無監(jiān)督學(xué)習(xí)都有布局，澎思擁有計(jì)算機(jī)視覺全棧技術(shù)，并在人臉識(shí)別、行人檢測(cè)，目標(biāo)跟蹤、行人再識(shí)別、車輛異常行為檢測(cè)、自動(dòng)駕駛、移動(dòng)操作機(jī)器人等多項(xiàng)大賽中拿到冠軍。

在限制條件下的人臉識(shí)別已經(jīng)取得了很好的成績(jī)，但對(duì)于如何提高非受限條件下的動(dòng)態(tài)人臉識(shí)別效率，申省梅認(rèn)為除了在人臉識(shí)別技術(shù)上不斷提高外，還要從源端著手，以及采用圖像增強(qiáng)的方法，比如超分辨，去除運(yùn)動(dòng)模糊、降噪、去抖動(dòng)、去霧、去雨、去雪等。

另外，在視覺的落地上，申省梅認(rèn)為應(yīng)該堅(jiān)持“以商業(yè)價(jià)值為導(dǎo)向的算法開發(fā)”。用“最有效的算法+最經(jīng)濟(jì)的軟硬體”解決客戶的剛需，更重要的是，算法-軟硬件變動(dòng)更新速度，要快速對(duì)接客戶的不同需求，形成敏捷而有價(jià)值的運(yùn)營(yíng)模式。

獲得最佳視覺模型最簡(jiǎn)單的規(guī)則是，足夠多的平衡數(shù)據(jù)、足夠好的數(shù)據(jù)標(biāo)注、足夠深的網(wǎng)絡(luò)。

隨著大量數(shù)據(jù)的生成，半監(jiān)督無監(jiān)督的探討有所突破，計(jì)算機(jī)視覺的未來發(fā)展十分樂觀。

隨著工業(yè)界對(duì)計(jì)算機(jī)視覺的持續(xù)青睞，眾多企業(yè)將結(jié)合實(shí)際應(yīng)用場(chǎng)景來剪枝優(yōu)化遷移，不斷開拓新的應(yīng)用領(lǐng)域，人工智能行業(yè)的發(fā)展還遠(yuǎn)沒有到巔峰，還有眾多的落地機(jī)會(huì)。

澎思科技首席科學(xué)家申省梅

以下是申省梅大會(huì)現(xiàn)場(chǎng)全部演講內(nèi)容，雷鋒網(wǎng)作了不改變?cè)獾恼砑熬庉嫞?/strong>

大家好，我是澎思科技的申省梅，我今天跟大家分享的是課題是“后深度學(xué)習(xí)時(shí)代的智能視覺技術(shù)落地——商業(yè)價(jià)值為導(dǎo)向的技術(shù)研發(fā)”。

今天的內(nèi)容分為三個(gè)部分，第一部分是計(jì)算機(jī)視覺澎思科技的全棧技術(shù)；第二，有這樣的技術(shù)之后，商業(yè)價(jià)值在哪里？我們要講的是以商業(yè)價(jià)值為導(dǎo)向的算法開發(fā)。第三部分，分享一下人工智能行業(yè)的發(fā)展前瞻。

計(jì)算機(jī)視覺澎思科技的全棧技術(shù)

澎思的計(jì)算機(jī)視覺全棧技術(shù)包含兩個(gè)方面，首先是澎思有一支全球頂尖的算法團(tuán)隊(duì)，有國(guó)際前沿的算法研發(fā)能力。計(jì)算機(jī)視覺包含了對(duì)周圍世界的描述-幾何學(xué)，和計(jì)算機(jī)模仿大腦對(duì)看到的世界的學(xué)習(xí)建模。以前的學(xué)習(xí)是機(jī)器學(xué)習(xí)，現(xiàn)在深度學(xué)習(xí)逐步代替了機(jī)器學(xué)習(xí)，并且我們也看到了很多幾何學(xué)方面出現(xiàn)的問題和局限，大家用深度學(xué)習(xí)把它解決得很好。我們從傳感器（包括普通相機(jī)、高清相機(jī)、ToF 傳感器，Imaging LiDAR），我們從它的底層的研究、圖像的處理到3D融合、3D重建，從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)，從深度學(xué)習(xí)到強(qiáng)化學(xué)習(xí)，從監(jiān)督學(xué)習(xí)到半監(jiān)督、無監(jiān)督學(xué)習(xí)，橫跨了所有的計(jì)算機(jī)視覺領(lǐng)域。

另一方面，我們團(tuán)隊(duì)也參與了很多產(chǎn)品、解決方案的研發(fā)，擁有豐富的經(jīng)驗(yàn)。

這里跟大家分享一下我們?cè)谟?jì)算機(jī)視覺領(lǐng)域展現(xiàn)的成果。我們?cè)鴧⒓舆^多項(xiàng)國(guó)際比賽，并拿到冠軍，包括人臉方面的，如人臉識(shí)別。目標(biāo)檢測(cè)、圖像分類、圖像分割方面的獎(jiǎng)項(xiàng)，也包括情感、目標(biāo)跟蹤，及智能交通方面，還有機(jī)器人、自動(dòng)駕駛方面的比賽。去年我們?cè)贗ROS的操作機(jī)器人當(dāng)中拿到冠軍，還有NeurIPS里面的自動(dòng)駕駛也拿到了冠軍，這個(gè)自動(dòng)駕駛牽涉的技術(shù)面是非常廣的，有機(jī)器視覺，還有導(dǎo)航、控制。剛才大家提到了很多機(jī)器人跟別的學(xué)科的不同，就是因?yàn)樗粌H僅是看到了、理解了，還要做決策，做決策的過程實(shí)際上是一個(gè)交互的過程。

人臉識(shí)別方面，我們參加了美國(guó)NIST人臉識(shí)別比賽，獲得了冠軍，包括1：1、1：N、N：M的應(yīng)用。為什么我們重視這個(gè)比賽，是因?yàn)樗菬o約束人臉的比賽，無約束人臉就是人臉拍的時(shí)候沒辦法控制它的角度，有各種各樣的姿態(tài)，有很多遮擋，還有光線不同，反光、光線不均勻，還有各種表情，以及有時(shí)候像素非常低，這個(gè)比賽也是動(dòng)態(tài)和靜態(tài)混合的比賽。在這個(gè)比賽當(dāng)中，我們應(yīng)用了遷移學(xué)習(xí)，也應(yīng)用了異構(gòu)多模融合和雙模態(tài)的對(duì)抗性生成網(wǎng)絡(luò)。

還有一個(gè)比賽是微軟的百萬人臉大比賽，我們也是獲得了雙項(xiàng)競(jìng)賽冠軍。

在做人臉識(shí)別的過程中，我們也用了深層對(duì)抗網(wǎng)絡(luò)GAN，使得數(shù)據(jù)的不平衡性得到改善，從數(shù)據(jù)的結(jié)果可以看到，大家有用3D的方式來增加訓(xùn)練數(shù)據(jù)，但相比之下，我們用GAN來做的，效果會(huì)更好。

大家說人臉識(shí)別到目前已經(jīng)解決了很多的問題，已達(dá)到99.9%，但我們需要考慮是在什么條件下，在限制條件下拍攝的人臉，比如說人證合一，這方面已經(jīng)做出了很好的成績(jī)，但是對(duì)于非限制條件下拍攝的人臉，甚至是在動(dòng)態(tài)監(jiān)控下拍攝的人臉，人臉非常模糊，連人都很難認(rèn)出來的情況下，到底怎么辦？是不是達(dá)到很好的水平？實(shí)際上，并沒有。

這樣一個(gè)挑戰(zhàn)性的人臉問題，我們不僅要從人臉識(shí)別的角度讓它提高，還要從源端做起，在各種各樣條件下做到捕捉到清晰的人臉。如果攝像機(jī)沒辦法自己達(dá)到這種效果，用普通的相機(jī)，再加上圖像增強(qiáng)是不是可以幫忙。

這就談到圖像增強(qiáng)，右邊這個(gè)圖是經(jīng)常發(fā)生的事情，當(dāng)太陽光照過來的時(shí)候，有一部分非常暗，有一部分像素都飽和了，大部分人用的HDR的方法，就是寬動(dòng)態(tài)范圍攝像，這種方法在一定程度上可以解決問題，可以看到HDR的圖已經(jīng)比原始的要好很多，當(dāng)我們這個(gè)場(chǎng)景中出現(xiàn)了運(yùn)動(dòng)的人或車，或運(yùn)動(dòng)的一些東西的時(shí)候，你用這種方法產(chǎn)生的效果就是左下角這種圖，那個(gè)火車在動(dòng)，它上面的字都看不清了，如果是一輛汽車，它的車牌就沒辦法識(shí)別了。我們用了智能化動(dòng)態(tài)信息補(bǔ)償?shù)姆椒?，生成右邊這種清晰的圖像。當(dāng)我們用在CCTV（閉路電視）的相機(jī)上，就可以看到左邊和右邊的區(qū)別。

這個(gè)圖像增強(qiáng)包括了怎么去噪聲，前面的演講嘉賓也談到了，過去有很多很著名的方法，比如有一個(gè)很好的去噪聲方法BM3D，它去高斯噪聲非常有效。但泊松噪聲圖像下的去噪是非常難的，因?yàn)樗脑肼暦讲钍歉肼曄袼氐膹?qiáng)度相關(guān)，所以過去的方法沒辦法得到很好的效果。最近我們用深度學(xué)習(xí)CNN和LSTM的方法拿到好的效果，通過主觀和客觀的比較，它在特別嚴(yán)重的噪聲條件下有很強(qiáng)的競(jìng)爭(zhēng)力，可以看到最后這個(gè)是我們的結(jié)果。

在AI圖像增強(qiáng)方面，我們的相機(jī)有去抖動(dòng)、去霧、去雨、去雪的效果，我在這里就不一一詳細(xì)介紹了。

以商業(yè)價(jià)值為導(dǎo)向的算法開發(fā)

第二方面就是以商業(yè)價(jià)值為導(dǎo)向的算法開發(fā)。

澎思的立場(chǎng)——應(yīng)用驅(qū)動(dòng)的解決方案、商業(yè)驅(qū)動(dòng)的算法研究。當(dāng)我們知道了一個(gè)應(yīng)用的需求、客戶的需求的時(shí)候，我們會(huì)一起分析，這個(gè)需求需要怎樣的解決方案。作為算法來說，我們會(huì)分析什么樣的算法適合這個(gè)解決方案。我們的計(jì)算機(jī)視覺全棧技術(shù)都有，但并不是每個(gè)技術(shù)都適合作為解決方案的。商業(yè)上最有價(jià)值的方法就是用最有效的算法、最經(jīng)濟(jì)的軟硬件來滿足客戶的剛需。

你看到這個(gè)“算法池”的意思是有可選性。這個(gè)算法池不像過去那樣做出來是一成不變的，因?yàn)楝F(xiàn)在的深度學(xué)習(xí)日新月異。所以這就要求算法人員以及把算法放進(jìn)軟硬件的人員要非常敏感、快速反應(yīng)。我們的硬件是可編程的，可以把一個(gè)很大的算法濃縮在這個(gè)小盒子里面。同樣的盒子，如果覺得成本貴了，我們還可以用低成本的硬件，用比較輕便的算法交給客戶。

剛才講到了，因?yàn)榕焖嫉臓I(yíng)銷團(tuán)隊(duì)是在前線工作，了解To B、To G客戶的剛需，所以有一個(gè)團(tuán)隊(duì)可以把剛需反饋回來，我們的軟硬件算法人員一起討論方案，研究出來最經(jīng)濟(jì)、最靈活的軟硬件平臺(tái)，更重要的是我們的人要非常快速反應(yīng)。

現(xiàn)在的大環(huán)境跟過去不同，尤其是做解決方案的，即使是同樣的領(lǐng)域的客戶，但他的要求是不同的。另外，深度學(xué)習(xí)每天有新的東西出現(xiàn)，去年和今年比，今年的模型就可以比去年快20倍，所以這就要求我們的軟硬件團(tuán)隊(duì)要設(shè)計(jì)靈活，以適應(yīng)快速的更新。

這是我們最近的人臉動(dòng)態(tài)識(shí)別，給到客戶那邊，他們做了很多的比較，他們認(rèn)為我們比友商的性能提高了很多。我們最新的人臉?biāo)惴?，包括輕量級(jí)、標(biāo)準(zhǔn)級(jí)的，已經(jīng)交付于我們的軟硬件團(tuán)隊(duì)，融入軟件平臺(tái)、硬件設(shè)備里。

另外一個(gè)技術(shù)我們做的是跨攝像機(jī)空間的ReID技術(shù)，也叫做行人再識(shí)別。當(dāng)攝像機(jī)看不到人臉的時(shí)候，我們能看到人的身體，所以會(huì)用人身體的特征來進(jìn)行再識(shí)別。

在上周我們的再識(shí)別在Market1501、DukeMTMC、CUHK03等三個(gè)數(shù)據(jù)庫上的比賽都拿到了第一。這個(gè)競(jìng)爭(zhēng)蠻激烈的，因?yàn)楹芏嗟墓径荚谒⑦@個(gè)榜。ReID支持以圖搜圖，一個(gè)相機(jī)看到一個(gè)可疑的人，拍下來了，就可以用這個(gè)圖去搜這個(gè)人跑到哪里了，臨近的相機(jī)調(diào)動(dòng)起來，馬上就可以找到這個(gè)人。

另外一個(gè)以商業(yè)價(jià)值為導(dǎo)向的算法研發(fā)是行人屬性。行人屬性和ReID不一樣，它沒有圖可以搜，但它可以輸入特征，如“短頭發(fā)，穿著白色上衣、藍(lán)色牛仔褲、白色運(yùn)動(dòng)鞋，背著書包的男子”，我們輸入這些特征，可以從視頻里面搜索出來，最近我們這方面也獲得了很好的成績(jī)。

關(guān)于智能交通方面，我們有車輛、車牌的檢測(cè)和識(shí)別，不光是在白天，也在晚上達(dá)到了很好的精度。

再談一下超分辨率。很多人做超分辨率可能是為了讓多媒體內(nèi)容或視頻的噪聲減少，看得更清晰，對(duì)于人臉識(shí)別，一定的噪聲、一定的清晰還是可以識(shí)別出來的。

但對(duì)于非常小的人臉，比如說已經(jīng)小于20×20了，在現(xiàn)在的人臉識(shí)別當(dāng)中就是放棄的，因?yàn)樘×?。但是我們用了高分辨率，我們可以做?2×12這么小的像素，也就是說一個(gè)相機(jī)拍得很遠(yuǎn)的一張人臉，我們用了高分辨率的網(wǎng)絡(luò)，大家可以看到最右邊的就是輸入，中間就是我們高分辨率網(wǎng)絡(luò)的輸出，最右邊是理想的希望達(dá)到的水平，也就是真實(shí)的樣本。我們進(jìn)行了大量的實(shí)驗(yàn)，把人臉識(shí)別率從75%提升到97%。

還有3D重建，在這個(gè)當(dāng)中，我們的關(guān)鍵技術(shù)就是視覺SLAM。我們有做這個(gè)的基因，一旦有客戶對(duì)我們提出這方面的要求，就能很快把它做出來。

現(xiàn)在談到視頻結(jié)構(gòu)化，剛才也有人談到這一點(diǎn)，視頻也好，語音也好，要在上面進(jìn)行數(shù)據(jù)處理是不可能的，所以一定要視頻結(jié)構(gòu)化。但對(duì)我們來講，視頻結(jié)構(gòu)化的優(yōu)先順序是不一樣的，因?yàn)槲覀冇腥说目凇④嚨目冢詫?duì)人和車是優(yōu)先做的。

關(guān)于行人，可以看到人有基本的特征（性別、年齡、頭部是怎么樣的，有沒有戴眼鏡，他的上裝、下裝是什么樣的，他的攜帶物，以及行為），我們看到一個(gè)視頻，就會(huì)把它描述下來，生成這個(gè)視頻的Metadata，回頭搜尋的時(shí)候就可以做邏輯推理，應(yīng)用到不同的場(chǎng)景。

對(duì)車輛也是如此?，F(xiàn)在學(xué)術(shù)上都是針對(duì)一個(gè)任務(wù)就有一個(gè)模型，多個(gè)任務(wù)就有多個(gè)模型，我們現(xiàn)在要設(shè)計(jì)一個(gè)單一的模型，輸出不同的任務(wù)，最重要的是保證性能不下降，還要把這樣的東西放在一個(gè)小盒子里，而不是放在服務(wù)器上，所以這也是我們的挑戰(zhàn)。正是因?yàn)槲覀冏约涸O(shè)計(jì)算法和軟硬件，所以我們可以做的到。

除了人、車以外，要做城市規(guī)劃，做其他方面應(yīng)用，對(duì)場(chǎng)景也非常重視。場(chǎng)景的視頻結(jié)構(gòu)化、時(shí)間、地點(diǎn)，這些都是視頻的Metadata，有了它之后你就可以做各種邏輯推理，完成各種任務(wù)。

人工智能行業(yè)的發(fā)展前瞻

最后這個(gè)部分是跟大家一起探討人工智能行業(yè)的發(fā)展前瞻，也有很多人在擔(dān)心人工智能是不是已經(jīng)到頂峰了、是不是已經(jīng)開始停滯了。因?yàn)橛?jì)算機(jī)資源消耗很多的電能、數(shù)據(jù)難以獲取，會(huì)存在很多障礙。我們一起來探討一下，從2010年以來，計(jì)算機(jī)視覺取得了飛躍的發(fā)展，離不開三大要素。

這三大要素可能很多人都知道，也有人說是四大要素，因?yàn)橥顿Y的大量的涌入非常重要。

這三大要素，第一是數(shù)據(jù)-大數(shù)據(jù)-超大數(shù)據(jù)。

第二是計(jì)算資源，大家看到英偉達(dá)的GPU每半年都會(huì)更新?lián)Q代，速度越來越快，顯存越來越大，而且價(jià)錢越來越便宜。在昨天的AI芯片會(huì)場(chǎng)我們也看到了很多公司在做落地的AI芯片。

第三方面是人工智能開拓者、領(lǐng)頭人，以及在研發(fā)行業(yè)中耕耘的人員的努力。今年6月份的CVPR上，李飛飛團(tuán)隊(duì)的ImageNet的文章獲得PAMI獎(jiǎng)，得到了非常好的肯定，沒有這樣的數(shù)據(jù)就沒有今天的AlexNet，VGG、GoogleNet、ResNet，我相信每個(gè)人都會(huì)同意這一點(diǎn)，這樣超大的數(shù)據(jù)庫訓(xùn)練的模型，不但用在拍照的圖像上，也可以將它用到醫(yī)學(xué)圖像。

今年大家也看到了開拓人工智能的三位先驅(qū)者都獲得了圖靈獎(jiǎng)，肯定了他們對(duì)今天的人工智能的飛躍發(fā)展起到的作用。

要得到一個(gè)很好的視覺模型，不但是視覺的，甚至說語音也是可以的，但它的基本原則是什么呢？我們認(rèn)為：一要有足夠的數(shù)據(jù)，這個(gè)數(shù)據(jù)要平衡。二要有很好的標(biāo)注，標(biāo)注中不要有很多噪聲。三是要用足夠深的網(wǎng)絡(luò)，這樣就可以訓(xùn)練出一個(gè)魯棒性很好、泛化性很好的模型。

但問題是從哪兒來數(shù)據(jù)呢？這個(gè)數(shù)據(jù)的標(biāo)注牽涉到很多的人力、物力和時(shí)間，要用很深的網(wǎng)絡(luò)，越深的網(wǎng)絡(luò)牽涉的計(jì)算機(jī)資源就越大。剛才我們看到曠視有一個(gè)很大的GPU資源來做訓(xùn)練，這都是問題。計(jì)算機(jī)資源這一塊我就不談了，大家也知道很多，也在不斷地改進(jìn)。

我就談?wù)剶?shù)據(jù)的限制。因?yàn)閿?shù)據(jù)的有限性，如果數(shù)據(jù)不夠，帶來的問題就是魯棒性、泛化性不好，在這個(gè)數(shù)據(jù)上訓(xùn)練的東西不可以輕易地用在另外的場(chǎng)景，或者用在上面的性能會(huì)大幅地下降。但是我們想一下，傅里葉變換這個(gè)無限的表達(dá)公式是完美的，但是當(dāng)它用在硬件的時(shí)候，我們的硬件是有限的，所以也需要有限的東西來表達(dá)無限的。比如說用8×8DCT來做圖像跟視頻的壓縮，也會(huì)發(fā)現(xiàn)它在很多場(chǎng)合下產(chǎn)生類似魯棒性的問題，所以這應(yīng)該不是一個(gè)問題。

如何解決大量數(shù)據(jù)的生成和標(biāo)注，以及數(shù)據(jù)的長(zhǎng)尾問題呢？除了我們每個(gè)人都知道的數(shù)據(jù)采集、人工標(biāo)注，當(dāng)然現(xiàn)在又出現(xiàn)了很多很好的標(biāo)注工具輔助我們。最近我們也看到了很多人用GAN來生成數(shù)據(jù)，如做ReID、人群估計(jì)，有很多的場(chǎng)景可以用GAN來生成。

有人也用虛擬模擬軟件Simulator，我們知道做自動(dòng)駕駛的，沒辦法去采集一些數(shù)據(jù)。比如要采集下雨的數(shù)據(jù)，要等到雨天開車出去；要采集下雪的數(shù)據(jù)，要等到冬天下雪的時(shí)候出去；要采集危險(xiǎn)的數(shù)據(jù)，怎么去采集呢？用虛擬的模擬軟件Simulator，采集不同場(chǎng)合下、不同情形下的數(shù)據(jù)。但是有人會(huì)問，采集下來的數(shù)據(jù)與現(xiàn)實(shí)的差別很遠(yuǎn)，有人也會(huì)用GAN來把虛擬的數(shù)據(jù)轉(zhuǎn)成更接近現(xiàn)實(shí)的數(shù)據(jù)。也有人用環(huán)境互動(dòng)的方式、強(qiáng)化學(xué)習(xí)的方式生成數(shù)據(jù)，有的會(huì)用多種模型、多種模態(tài)來半自動(dòng)地生產(chǎn)數(shù)據(jù)。

隨著大量數(shù)據(jù)的生成，半監(jiān)督、無監(jiān)督學(xué)習(xí)的方法有所突破，我相信計(jì)算機(jī)視覺的未來發(fā)展是非常樂觀的。

人工智能行業(yè)的發(fā)展，我個(gè)人認(rèn)為還沒到巔峰，我相信大部分在座的人也會(huì)同意這個(gè)觀點(diǎn)，尤其是還有很多的落地機(jī)會(huì)，我們的學(xué)術(shù)總是走在前面的，落地還有很長(zhǎng)的時(shí)間。

作為工業(yè)界的我們，就要考慮實(shí)際情況，怎么樣來做遷移學(xué)習(xí)，怎么樣剪枝優(yōu)化壓縮。還有更重要的就是在現(xiàn)有環(huán)境中去思考、去開拓新的AI應(yīng)用，多去想一想、嘗試一下AI能為我們做什么。剛才也有很多人談到了這個(gè)時(shí)代。我覺得IoT時(shí)代，從互聯(lián)網(wǎng)時(shí)代開始，給我們帶來了很多游戲規(guī)則的變化，比如一個(gè)公司不擁有酒店，但它可以做酒店的生意，那是什么公司呢？Airbnb。你沒有車，可以做車輛有關(guān)的業(yè)務(wù)，那就是Uber、滴滴，在新加坡是Grab，你沒有商店，可以賣東西，早上我聽了阿里的介紹，我也是很有感觸。IoT的時(shí)代造就了那么多的公司，游戲規(guī)則的變化?，F(xiàn)在是人工智能的時(shí)代，再加上IoT，還會(huì)讓更多這樣的公司出現(xiàn)。

所以大家都帶著這種思考，嘗試一下AI能為我們做什么。還有就是你們可以在自己的環(huán)境當(dāng)中搜集、建立數(shù)據(jù)集，因?yàn)楹芏嗟默F(xiàn)象，過去有人嘗試用公式把它表達(dá)出來，但是很多現(xiàn)象是沒有辦法用公式表達(dá)的。但是你有數(shù)據(jù)集，可以收集數(shù)據(jù)，標(biāo)注、訓(xùn)練模型，從而發(fā)現(xiàn)它們內(nèi)在的關(guān)系，然后可以制定決策，這ye包括經(jīng)濟(jì)的決策、金融的決策，DNA方面的研發(fā)，這些都可以去探討，從你挖掘數(shù)據(jù)中探討它們的內(nèi)在關(guān)系。

另一方面可以建立強(qiáng)化學(xué)習(xí)、遞增學(xué)習(xí)的商業(yè)環(huán)境去訓(xùn)練挖掘。

在人工智能方面還有很多的空間可以做，比如我們說到監(jiān)控相機(jī)對(duì)物體的檢測(cè)或識(shí)別是要理解看到了什么，，但是研究機(jī)器人就不僅僅要知道看到了什么，它還要采取行動(dòng)。所以不僅僅是理解，還有決策，反饋再?zèng)Q策。所以這個(gè)強(qiáng)化學(xué)習(xí)是很重要的。DeepMind很成功，你看到他們很多的人工智能的開發(fā)都在游戲方面，真正把它用在機(jī)器人的實(shí)際操作方面，你會(huì)發(fā)現(xiàn)還有很多的問題，這里面有很多的空白大家可以做。你在機(jī)器人的大會(huì)上，看到那些疊衣服的機(jī)器人，你看了以后覺得不錯(cuò)，但是那個(gè)速度超慢，你不會(huì)覺得它能代替人。因?yàn)樯虡I(yè)價(jià)值不在那里，這就是人工智能的空缺，我們還有很多東西可以去做。最后一點(diǎn)就是我們要打造靈活的軟硬件、AI平臺(tái)，讓它的落地做得更好。

最后講一下澎思新加坡研究院，它在澎思科技主要承擔(dān)兩方面的任務(wù)，第一是做垂直領(lǐng)域技術(shù)的開發(fā)，最重要強(qiáng)調(diào)快速，能夠有工業(yè)級(jí)研發(fā)的交付能力，結(jié)合公司的發(fā)展方向做創(chuàng)新。第二是要做前沿科技的探索和儲(chǔ)備。我們?cè)谛录悠逻@個(gè)窗口，直接接軌全世界，我們又帶著全球的視角來探索前沿科技，并且我們要非常敏感，要很快在我們這邊研發(fā)一些突破性的技術(shù)，讓我們公司在新的領(lǐng)域、新的業(yè)務(wù)當(dāng)中有一些大展手腳的機(jī)會(huì)。

今天我就分享到這里，謝謝大家。雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。