主講老師和特邀講者：清華大學(xué)海峽研究院大數(shù)據(jù) AI 中心專家委員雷鳴，商湯科技聯(lián)合創(chuàng)始人、CEO徐立，清華大學(xué)自動化系教授季向陽，軟銀賽富投資基金資深合伙人羊東

2018 年 3 月 29 日，北京舉辦的 2018 年中國 AI 開年盛典——新智元產(chǎn)業(yè) · 躍遷 AI 技術(shù)峰會，邀微軟全球技術(shù)院士、微軟語音、自然語言和機器翻譯團隊負責(zé)人黃學(xué)東博士和微軟全球杰出工程師張祺博士，解析語音和機器翻譯最新突破和人機交互未來趨勢，闡釋微軟 “行業(yè) + AI” 在中國落地的戰(zhàn)略布局！想近距離交流互動？

3月22日，清華大學(xué)《人工智能前沿與產(chǎn)業(yè)趨勢》系列課程第二講開課，本講聚焦當(dāng)前AI領(lǐng)域最火、落地應(yīng)用最成功的計算機視覺，由商湯科技CEO徐立主講。徐立博士結(jié)合計算機視覺和人臉識別的具體應(yīng)用，對AI的發(fā)展階段進行了回顧，并對計算機視覺的技術(shù)突破和行業(yè)需求作了一番深入的探討。

這張圖大家可能在很多地方看過類似的，不過行業(yè)的發(fā)展并不是拿這樣一張簡單的圖就能把它的起起伏伏講清楚。計算機視覺是人工智能的一個分支，但計算機視覺本身也有很多分支，每個分支的發(fā)展都是不一樣的。

從圖中我們可以很清楚地看到每一個高潮是在什么地方，第一個高潮出現(xiàn)在1957年，第一個神經(jīng)網(wǎng)絡(luò)的發(fā)明；到1986年，BP算法實現(xiàn)了神經(jīng)網(wǎng)絡(luò)的突破，人工智能進入第二個高潮；再到現(xiàn)在，深度學(xué)習(xí)是高潮。

每個分支的高潮低谷又是不一樣的。計算機視覺在90年的時候處于低谷，那時候“模糊邏輯”大行其道。比如說有一個“電梯模糊”，你站在五樓按下電梯，電梯上到五樓卻沒有停，它繼續(xù)往上走。它的解釋是，它發(fā)現(xiàn)上面還有一個人在按電梯，它經(jīng)過計算發(fā)現(xiàn)先去載上面的乘客，再下來載你，這樣節(jié)能的效率更好。但是呢，這樣特別不人性化。所以呢，后來模糊邏輯就不行了，后來就不用了。

所以在每個時間點人工智能都有自己的發(fā)展方向，但總體上是螺旋形。

那么人工智能是什么呢？徐立博士給出的定義是，人工智能是一種超越人的生產(chǎn)力工具。這一波AI的革命性是由于突然之間，人們發(fā)現(xiàn)技術(shù)能夠在工業(yè)的某條紅線上產(chǎn)生突破，形成了非常強大的生產(chǎn)力工具。所以它其實是一個artificial labor的問題。

那么既然是生產(chǎn)力工具，讓我們來看一些數(shù)據(jù)：

到2035年，人工智能有望推動世界勞動生產(chǎn)率提高40%以上。

這包括大部分沒有被人工智能影響的企業(yè)、國家和地區(qū)。所以那些頭部的企業(yè)基本上就是勞動力被取代的模式，兩個人被一個人干掉。所以我認為未來十年一個最大的問題是做人機融合，就是怎樣利用這些人。我們現(xiàn)在看到AI在某些產(chǎn)業(yè)已經(jīng)代替了人類的勞動和工作，那么人類所需要做的是怎樣駕馭機器，怎樣實現(xiàn)更好的生產(chǎn)率。至于機器有沒有情感，在什么階段能把人全部取代，這不是我們這幫人研究的問題。

另一個數(shù)據(jù)：

到2030年，人工智能將促使全球生產(chǎn)總值增長14%，為世界經(jīng)濟貢獻15.7萬億美元的新增產(chǎn)值。

這相當(dāng)于現(xiàn)在中國和印度生產(chǎn)總值的總和，即是說，用十年的時間就能新造出一個中國和印度。那么這些新增產(chǎn)值從哪來的呢？還是來自于效率機器。所以未來在很多垂直行業(yè)，AI將代替更多的人類。

人工智能發(fā)展的路徑：從技不如人到超越大眾、超越專家

徐立提出，AI作為一種生產(chǎn)力工具，可以分為三個階段：

第一階段：技不如人的階段。

10年前我也干這個行業(yè)，2006年的時候我發(fā)表了第一篇人臉識別的論文。那時候我也做同樣的事情，但是為什么沒有發(fā)展的空間呢？十幾年前AI在安防領(lǐng)域、在電梯閘機等場景的應(yīng)用都很廣泛，但是沒有現(xiàn)在這樣熱起來，很關(guān)鍵的一點就是那時候人臉識別根本就沒有工業(yè)應(yīng)用的條件。當(dāng)時有一個閘機卡扣用人臉識別，用的海外的產(chǎn)品，準確率是53%。這什么概念呢？就是說系統(tǒng)可以告訴你這是什么人，不是什么人，但是你隨便猜的概率是50%，用人臉識別技術(shù)的準確率是53%。這就是很尷尬的產(chǎn)品。

所以說不是這個技術(shù)沒有革命性的貢獻，它是有的，最關(guān)鍵的是它要過了工業(yè)的紅線，才能達到工業(yè)應(yīng)用的條件。

工業(yè)的紅線的定義就是人的準確率。就算當(dāng)時有人臉識別算法，跑了一遍之后還是需要人來看，因為它的準確率沒有人高。所以這算是人工指導(dǎo)的智能。需要用人的先驗知識，進行人工指導(dǎo)的智能，一般不能超越人。

第二階段：超越大眾。

就是說算法要超越普通人的準確率。從這個角度講，人臉識別最先的應(yīng)用就是替代大眾。比如安防攝像頭，每天2000小時的視頻需要人來看，那么機器看的準確率高過普通人的時候，就可以找機器來看。這是非常大的需求。

再一個例子是金融。比如說上海有一家互聯(lián)網(wǎng)金融公司，創(chuàng)辦三個月已有3000名員工，我一問都震驚了，我說這發(fā)展太快了吧。他說不是，因為需要上傳各種證件，需要很多人來驗證這些證件。但是到現(xiàn)在，基本上已經(jīng)不需要人來做這些事情，所有這些驗證都是機器來做。原因就是人臉識別已經(jīng)過了那條工業(yè)紅線，機器做的已經(jīng)能夠比普通人做得好，那么干嘛還浪費人力來做呢？

為什么強調(diào)是超越大眾（普通人）呢？因為現(xiàn)在還是所謂大數(shù)據(jù)驅(qū)動的模式。以前是人工指導(dǎo)的智能，現(xiàn)在能夠處理大量數(shù)據(jù)之后，成為純數(shù)據(jù)驅(qū)動的智能，這樣帶來了超越大眾的可能性。

人的知識可以通過數(shù)據(jù)標注教給電腦。那么什么樣的數(shù)據(jù)最容易獲得呢？就是普羅大眾都會的事情。他們具備普通的知識，他們的知識可以通過數(shù)據(jù)標注傳達給電腦，只要有了這些標注的結(jié)果，你就可以教計算機學(xué)會。

第三階段：超越專家。

這個階段我們很多情況下都沒有達到。專家的知識很多情況下很難通過數(shù)據(jù)標注教給電腦。比如說金融交易，雖然很多交易都自動化了，但一些頭部的交易員還在，因為他們有特殊的知識，特殊的信息或者技能。

但AlphaGo是個特例。AlphaGo早期還處于中間這個階段，就是超越大眾。因為它是用人類的50萬棋譜來訓(xùn)練的。后來它就脫離了棋譜，它在某種決策問題上，決策空間確定的情況下已經(jīng)可以做到超越專家。

這就是人工智能發(fā)展的三個階段，第二個階段只是實現(xiàn)artificial labor，第三個階段才能做到服務(wù)升級。現(xiàn)在大部分情況下我們還處于第一階段和第二階段之間。

中國AI實力全球領(lǐng)先，商湯創(chuàng)中國首個深度學(xué)習(xí)框架

有幾個數(shù)據(jù)能夠反映中國在人工智能領(lǐng)域的實力是全球領(lǐng)先的。

2016年時中國的人工智能專利的數(shù)量增長了70%，雖然總數(shù)量還是美國領(lǐng)先。另外在泛AI的學(xué)術(shù)頂會AAAI上，中國發(fā)表的論文數(shù)量占據(jù)31%；具體在視覺這個垂直領(lǐng)域，CVPR論文的中國作者占據(jù)40%，這也跟我們的認知是吻合的，不知道為什么干視覺的都是中國人。

最后一個數(shù)據(jù)是商湯的，商湯創(chuàng)立三年來在CVPR發(fā)表的論文達到119篇，這是去年的數(shù)據(jù)?，F(xiàn)在已經(jīng)遠超了，因為今年CVPR我們有44篇入選。

所以說中國在計算機視覺這個垂直領(lǐng)域做得是不錯的，而且熱度很高。

下面這張是谷歌搜索Deep Learning的熱度圖，熱度越高顏色越深，可以看到深度學(xué)習(xí)在中國是很熱的。

說到深度學(xué)習(xí)，大家知道谷歌有TensorFlow，F(xiàn)acebook有Torch，伯克利呢有Caffe。所以商湯開發(fā)了自己的深度學(xué)習(xí)原創(chuàng)平臺，叫Parrots。有了這個平臺我們可以處理的東西就很多，當(dāng)時在ImageNet，我們做了超過1000層的深度神經(jīng)網(wǎng)絡(luò)。我們有三大要素保障這個平臺的優(yōu)異性能，除了剛才說的超深網(wǎng)絡(luò)，還有超大數(shù)據(jù)學(xué)習(xí)，我們有20億人臉數(shù)據(jù)同時訓(xùn)練；此外還有復(fù)雜關(guān)聯(lián)應(yīng)用的多模態(tài)數(shù)據(jù)學(xué)習(xí)。

深度學(xué)習(xí)，學(xué)習(xí)的是對事物的刻畫。普通的機器學(xué)習(xí)依賴專家知識，深度學(xué)習(xí)提供另外的可能性，學(xué)的是一種全局表達。這樣的學(xué)習(xí)可以帶來很強的對事情的描述。

計算機視覺的技術(shù)突破和行業(yè)需求：浸透衣食住行方方面面

計算機視覺的技術(shù)突破之一是“生成”。比如這張PPT中，我們給出一段文字描述“這只小鳥有白色的胸部，淺灰色的頭部，和黑色的翅膀和尾巴”，計算機可以生成這只鳥?！盁o中生有”，這非常厲害。

這很有意思，可以帶來很多想象力。技術(shù)突破是說每次都可以超越你的想象，達到更高的水平。

那么行業(yè)需求是什么呢？衣食住行，人們生活的每一個方面都受到計算機視覺技術(shù)的廣泛的影響。

舉一些簡單的例子：

衣：用文字可以生成你想要的衣服，只需要一張照片，每天可以隨時換衣服。這些都是生成的結(jié)果。

食：吃飯當(dāng)中也有各種各樣可以利用計算機視覺的場景。比如說可以識別食物，計算食物的卡路里。

?。罕热缯f人臉識別的閘機，這個已經(jīng)非常普遍了。另外一個很大的應(yīng)用場景時無人商店。

行：很容易想到的就算自動駕駛。可能有人說這還遙遙無期，但是在特定的情況下，慢速的自動駕駛很多已經(jīng)可以應(yīng)用起來。

視覺計算：成像、感知、識別、理解

成像、感知、識別、理解，這整一套就是視覺。那怎樣是又看又理解呢？我們剛才說過技術(shù)紅線，就是要超過人，就計算機視覺來說，技術(shù)紅線就是看清和理解都需要超過人的水平。

在“看清”這一點，機器很多情況下已經(jīng)遠遠超過人。比如上面這張畫是一張明信片，畫的是一個城市，上面有這個城市的名稱。機器可以看出來：

機器能夠從單張照片里面抓取很多信息，這很厲害。

機器在藝術(shù)創(chuàng)作方面也能做得很好。上面這張圖，左邊是人創(chuàng)作的，右邊是機器創(chuàng)作的，可以說機器畫的并不比人差。

機器也能夠?qū)σ曨l進行藝術(shù)加工，例如視頻的風(fēng)格化。

人臉識別應(yīng)用場景案例：模糊——增強

怎么在非常模糊的情況下如何識別？比如說上面這張圖，你們覺得像誰？

這對公安來說非常重要。

人臉識別技術(shù)在這方面非常厲害，它能把左邊這張模糊的圖增強。

不光是抓人，增強技術(shù)的應(yīng)用非常廣泛。比如說日本有一個網(wǎng)站叫Waifu2x，可以利用圖像增強技術(shù)修復(fù)漫畫。

在深圳我們已經(jīng)大規(guī)模部署人臉識別技術(shù)。再舉一個在實操中的應(yīng)用的例子：我們將歷年在展館有案底的嫌疑人照片導(dǎo)入布控目標庫，建立布控任務(wù)，系統(tǒng)自動化比對出在逃的嫌疑人，在深圳文博會期間成功抓獲了25人。

對話環(huán)節(jié)

清華大學(xué)海峽研究院大數(shù)據(jù) AI 中心專家委員雷鳴，商湯科技聯(lián)合創(chuàng)始人、CEO徐立，清華大學(xué)自動化系教授季向陽，軟銀賽富投資基金資深合伙人羊東就計算機視覺未來的突破點、商湯將技術(shù)成功落地的經(jīng)驗、投資的經(jīng)驗、創(chuàng)業(yè)的建議等問題進行了對話。