MENU
科研中心

科研中心

之江实验室聚焦网络信息和人工智能两大领域,重点在未来网络计算、泛化人工智能、泛在信息安全、无障感知互联、智能制造与机器人等五大方向开展基础性、前沿性技术研究。

发布日期:2018-09-08

数据、运算力、开源平台,人工智能发展的三大驱动力!

《Age of Artificial Intelligence 》

——微软亚洲研究院创始成员李劲博士

1536726880829225tEFv.jpg

本次报告首先让我们一起回顾一下人工智能复兴,然后谈谈人工智能的发展和现状,包括人工智能近年来迅猛发展的驱动力(数据,算力,开源)、人工智能的旧技术和新技术、人工智能的局限性等。然后,我想介绍一下我们组目前开发的人工智能开源平台DL Workspace。最后,总结一下人工智能未来的发展趋势。


一、人工智能的复兴、发展和现状

目前很多人都在关注人工智能,尤其是深度学习方面的知识,这是目前一个非常重要的技术力量。同时大家也看到,人工智能已经迅速的进入到实际应用当中,如计算机识别、语音识别、机器翻译系统等。

人工智能的迅速发展,我认为有几个主要驱动力,驱动力之一是得益于大量的数据,很多公用数据大家都可以自由从网络上获取,这些数据是图像数据库,它为图像识别有巨大推动作用。驱动力之二是飞速发展的运算力。例如Ve级的CPU,这是一个很惊人的数据,如果你记得五年前开始做微软那个实验的时候,一次实验基本上是一个月的时间。驱动力之三是很多高质量的开源软件和工具平台,在这个报告里面我会介绍我们的开源平台,比如说docker 、spark、grafana influxdb等,我认为这是驱动深度学习飞速进展的一个非常重要的原因。

深度学习有非常强大的功能。使用它我们可以在多项人工智能项目中,比如说图像视频识别、语音识别、机器翻译上已达到极佳的性能,而且后面可以看到深度学习是很容易部署的。深度学习很重要的作用就是,它能把很多人工智能工作统一化,我还记得仅仅五年前,我们做研究工作的时候,做图像识别、做视频研究和做语音,以及做机器翻译,每一个不同的组用的工具是不一样的,导致的结果就是每一部分的研究员都是完全割裂的,你专门学习怎么做图像识别,怎么学习怎么做语音识别,而现在一套深度学习的工具可以完成很多项工作,这也促成了深度学习工具的大发展。

总之,深度学习和AI已经让计算机达到了一个非常炫酷的程度。另外一个很有趣的工作是,阿尔法狗出来以后,社区看到了这个,很快合作一起,这个工作被开源实现,只要有运力你也完全可以拥有一个阿尔法狗的引擎去做下一步的研究。这是一个强人工智能的问题,证明为什么没有最大次数,大家想一想这个证明是怎么做的?人的证明是反证法,假设你有个最大的支持,就是这样一个情况。这样的逻辑是目前的人工智能研究根本没有办法做的。所以强人工智能其实还有很长的路要走。我们在人工智能的发展中一个很重要的部分。

再举一个例子,飞机的自动驾驶目前的情况怎么样,飞机的自动驾驶已经证明比人类的驾驶员能做得更好,如果你是飞行员,训练中告诉你,你不要干预飞机的内部工作,因为这会降低整个安全系数。但是,训练中同时要求你要一直不停地监视自动驾驶情况,使得一旦有意外出现,人需要立刻介入进去,这个对人实际上是有很大的负担。最近优步的自动驾驶出了事故,第一次自动驾驶的汽车撞死了行人,当时汽车的情况是这样的,我们再看一看当驾驶员在车里是怎么样的,这等于是放任汽车自动驾驶,但是突然出现危险的时候,他惊讶万分,但是已经来不及反应了。你怎么样让人和计算机进行交互,平时的时候,尽量不能干预它的工作,但是一旦有意外发生,计算机要你干预的时候,人有没有足够的时间去反应,来快速切入,这是一个很大的难题。

二、关于DL workspace

下面我讲一讲我们组最近做得一个工作,DL workspace,这是一个异构的多用户的平台,我们是机动化搭建出来的。你可以在谷歌、微软的云,你也可以在自己的私有服务器的存储上搭建我们的平台。只要10分钟左右的学习时间,你就可以直接开始深度学习的工作。下面我们来看一下视频。

整个平台是一个云平台,所以你的计算完全是在云当中,一般的计算机就可以使用了。有了这个平台,今年我们这个组招了西雅图的几个高中生,在参加这个项目之前,这些学生都没有参加过任何的深度学习的训练,大概10周时间,这是他们可以做到的。时间的关系,我放另外一个视频。

1536727033524915L9rl.jpg

DLWorkspace  --- Turn-Key AI Infrastructure

三、人工智能的未来发展

整个报告基本就是这样的,我们可以说深度学习的时代确实已经到来了,而且我个人想象深度学习会对生活和生产各种应用都产生很深入的影响。我认为深度学习的三大主要驱动力是数据、算力、开源平台的出现,深度学习是非常有用的工具,它能够使很多工作达到顶尖的水准,但是我们也需要理解深度学习的技术,知道深度学习其实不是无所不能的。我很高兴,上面听到郑老师(郑南宁院士)讲到的人工感知的问题,这些其实可以跟深度学习更进一步的互补,来提高我们的水平。



上一条:“直觉性AI”,郑南宁院士为你深度解析新…

下一条:人工智能真的有了本质的突破了吗?听IBM…

该内容仅限
内部人员查看

请登录