中国工程院院士论坛惠州召开，徐扬生、高文、王海峰、吴枫带你看 AI 发展与未来

雷锋网 AI 科技评论按，2018 年 5 月 11 日，中国工程院院士「智能与网络前沿问题与应用」论坛于惠州召开，本次大会由中国工程院指导，香港中文大学（深圳）、鹏城实验室（深圳网络空间科学与技术省实验室）承办，惠州仲恺（国家级）高新区管委会、星河控股集团协办。

会上，中国工程院院士、香港中文大学（深圳）校长徐扬生，中国工程院院士、鹏城实验室主任高文，百度副总裁、研究院院长王海峰，中国科技大学信息科学技术学院执行院长吴枫带来了四场精彩的主题报告，他们的演讲涉及到机器人、智能城市、AI 应用、类脑计算、视频编解码等多个领域，各位学术大牛或详细地报告了最新的学术进展，或幽默地展示了自己最新的研究，现场座无虚席。

机器人与人工智能时代的教育

作为第一位演讲的嘉宾，徐扬生院士开场即表示，现在已经到了人工智能时代，这一时代人工智能对社会的发展会产生诸多影响，同时人工智能也将影响到教育。在报告中，他先是列举了他们研制的各种机器人和智能机器，之后谈到机器人从动作到智能的发展，在演讲的最后，他提到了智能革命以及心脑解放对人类社会的影响，以及人工智能时代应该进行什么样的教育。

他表示，机器人即感知、认知再加上动作。之后，他展示了他们研制的一系列机器人，比如单轮机器人、爬树机器人、爬衫机器人、家庭服务机器人、安全监控机器人、救灾机器人、智能交互机器人、智能帽控轮椅、智能鞋等等。

在他看来，机器人技术有四大特征：

• 一是智能化技术，即自主识别判断能力；

• 二是综合性技术，这是典型的交叉学科；

• 三是实时性技术，需要能对不可预知的突发情况进行快速处理；

• 四是交互性技术，这里涉及到与人与机的各种交互。

他表示，这里面存在很多科学问题，比如图像的理解、智能的描述、实时深度学习、人与机器的交互、普适性感知。

他表示，在之前的几十年，机器人基本上围绕着动作在发展，而现在得益于大数据的支撑，是时候考虑机器人的智能了。「智能比动作更重要。」他强调。他以人来举例，他说道，人的骨骼、皮肤、肠胃等等一直处于更新换代中，但人的脑部中枢和神经细胞终身不变，大脑和「心灵」，远比肉体重要。引申到技术，他表示，现在越来越多的机械代替人肉体的劳动，但是，大脑与心灵的解放远比肉体要重要。

他强调，心脑解放将带来一场智能革命，人类将重新进行社会分工，许多行业会面临消失的困境。机器人的强项是记忆、逻辑、精准、快速，人的强项是直觉、感情、想象、创造，所以人应该发挥自己的强项。这就引出人工智能时代的教育问题，他认为，应该培养学生的想象力和创造力，引入非知识型的教育和考试。

深度剖析智慧城市大脑

接下来是高文院士的精彩报告，高文院士讲了智慧城市的应用，并从技术层面对智慧城市大脑进行了剖析。

他提到城市现存的交通问题、安保问题，对于交通堵塞问题，目前一般的做法只是根据每个路口的交通状况做出分析，解决能力很差。他提到杭州的案例，他表示，杭州由于车辆、路口众多，经常存在堵车现象，他们通过云计算重新规划信号灯，控制红路灯的时间，达到了平均 17% 的驾驶速度优化。他们称这一系统为城市大脑。之后，他详解了城市大脑系统的构造，最底层是数据库，中间是数据交换平台，上层是算法，再往上是操作和服务的平台，外围是各种各样传感器。所有信号都会汇总到这个系统里，进行统一优化。

但他表示，虽然用以上系统根据以往的数据来做调度规划表现不错，但对突发事件无法及时做出判断。主要原因如下：现在在设计系统的时候，是为存储而设计，不是为了实时响应而设计，不够智能；系统里没有统一的时间戳；没有准确的地理位置信息；无法在压缩数据上直接解码分析。

之后他提出数字视网膜的概念，这一系统可以解决数据和算法利用率低的问题。他提到其中的核心技术，

• 一是高效的编码；

• 二是视频特征的紧凑表达；

• 三是视频编码与特征编码的联合优化；

• 四是联合 R-D 和 R-A 优化。

他表示，数字视网膜结合了视频编码+特征编码，既能精细编码视觉内容，又具备面向识别理解的功能。之后，他提到数字视网膜的整体框架，详细描述了构建方案以及效果，例如可以进行无牌车搜索、遮挡车辆搜索等。

在演讲最后，他总结道，要想真正做好智慧城市，仅仅依靠现有的摄像机和系统是不行的，需要提升到带有数字视网膜的摄像机。他表示，技术上的标准已经完成了，接下来就是产品和系统开发。

雷锋网 (公众号：雷锋网) 此前对高文院士的城市大脑进行过相关报道，详情参见： 高文院士50张PPT，带你看懂城市大脑的瓶颈与重大突破点

百度在人工智能上的布局

随后上台演讲的是百度副总裁、研究院院长王海峰，王海峰的演讲主题是《智能时代的机遇与挑战》，演讲伊始，他说道，前面两位院士不约而同都讲到了人工智能，他今天的主题也是智能。他表示，互联网近年来快速发展，带来一系列强大的算法、大数据以及计算平台，这是人工智能得以高速发展的基础。

他说道，人工智能正在影响各行各业，为行业带来更高的效率，更高的生产力。

接下来他讲了百度在人工智能上的布局，他表示，百度成立之初即布局人工智能，在 2010 年开始全面布局，目前已经形成相对比较完整的生态。

百度人工智能技术布局主要有四个层面：

• 一是基础层，这里就是前面提到的大数据、算法、大计算；

• 二是感知层，这里包括语音、图像、视频、AR/VR；

• 三是认知层，这里包括自然语言处理、知识图谱、用户画像；

• 四是平台层，即AI开放平台与生态。

他表示，百度所建立的平台一方面服务于百度的业务，比如做搜索，另一方面也可以让各行各业受益。

接下来他讲了百度的智能搜索，现在用户需求越来越复杂，越来越多的内容线上化，设备和场景越来越丰富，因此，搜索要改变。他将传统搜索与智能搜索进行对比，传统搜索只存在网页数据，抓取之后进行需求匹配、排序。

智能搜索依赖庞大的知识图谱构建计算，还有基于深度学习的搜索排序与应答、基于知识图谱和深度语义分析的需求理解。在交互层，除了搜索框里的文字，更多是用麦克风进行语音交互，同时也可以利用摄像头进行视觉交互。

之后他为大家展示了百度知识图谱的一小部分以及如何构建这一知识图谱，他也谈到需求理解中几项典型技术如语义排序、多模交互问题等等。

在百度AI整体战略布局上，主要有底层的智能云，中间的百度大脑，最上层的阿波罗自动驾驶平台，DUER OS 对话平台等。

他表示，第三方企业可以用他们开放出来的平台解决问题，比如充电桩故障、生鲜商品销售预测、制冷设备智能调控、人力资源筛选等。他也举了很多语音技术应用的典型案例，例如语音搜索、同声传译、语音播报、语音交互、有声阅读、语音指令、语音质检。之后，他提到 OCR、视频比对以及 AR 技术等。他表示，数据分析非常重要，可以解决很多问题，他也提到一些解决方案，例如数据仓库解决方案、日志分析解决方案、数据挖掘解决方案、物联网行业解决方案等。

最后他讲了自己对技术趋势的理解，他表示，深度学习技术是AI的核心技术，但这一技术在理论基础上存在三个问题——小样本、低能耗、可解释性。从应用技术上讲，他表示感知技术在深度学习技术的推动下得到了非常好的发展，很多地方已经可以超过人了。但认知技术虽然发展很快，但整体还没有到超过人的程度。未来认知技术到底怎么样发展，还有很多要探讨的地方。

从产业角度来看，他表示这里涉及到软硬件、深度学习框架、AI 芯片的发展。他表示，深度学习会成为未来产业很核心的部分。

最后他做出总结，真正想将人工智能技术应用于各行各业，带来各行各业生产力提升，更多不是单点技术，而是多种人工智能技术综合应用，同时也要结合应用场景进行系统化创新。

在他的报告结束之后，吴枫教授带来了以《类脑人工智能及应用》为主题的报告，这也是今天的最后一场报告。

类脑人工智能以及利用 AI 进行视频编码

他带来的内容涉及三方面，一是深度学习，二是类脑计算，三是人工智能的应用。

报告伊始，他谈到人工智能这几年取得了很多突破，这些突破实际上是基于深度学习技术，通过强大的计算能力，对大规模的数据进行学习，然后得到深度神经网络的模型。他提到目前深度学习和人脑主要有两个相似度：第一，深度学习的神经元模型是由人脑神经元推导出来的。第二，从早期的浅层神经网络发展至今，现在的深度学习有很多层次，这和脑比较相似。

他提到目前深度学习的局限性：

• 一是离不开大数据、高质量的标注；

• 二是自学习、迁移学习等能力弱；

• 三是消耗大量计算资源；

• 四是现有机器没有形成概念和知识，缺少逻辑分析和推理。

接下来，他谈到类脑人工智能，在国家去年发布的人工智能发展规划里，明确提到类脑智能计算理论，他表示，欧盟、美国和中国都在发展脑计划，进行脑认知和模拟方面的研究。他谈到中科大的类脑智能技术及应用国家工程实验室，实验室的使命就是要建立脑科学研究和人工智能研究的桥梁，把脑科学研究得到的成果应用到人工智能发展里。

接下来是类脑智能的发展瓶颈：

• 第一，对脑机理的认知不够清楚，在这里，他对脑结构与功能进行解析，其中涉及到数据存储、数据重构、数据可视化、量化分析多个层面。

• 第二，类脑计算模型和算法不准确。他提到 2014 年网格细胞的发现以及 2018 年 DeepMind 发表的一篇 nature 论文。他表示，脑科学研究会给人工智能发展带来启发。

• 第三，计算架构和能力的制约，他表示，现在的计算系统是计算与存储分离，这样的系统功耗高、并行度低、规模有限。而借鉴人脑的计算模式，可以提出高密度、低功耗的计算系统。

他提到现在亟需借鉴脑网络结构，发展低功耗计算，从电路、架构层次等方面展开研究，实现存算一体的网络化计算。他们也在模拟神经元计算上做了一些尝试，比如实现了基于 180nm 标准 CMOS 工艺的低功耗数模混合神经元芯片，实现了多种高精度、低功耗的模数转换器。

演讲最后，他提到人工智能的相关应用——视频编码。他表示，现在的智能编码框架可以用学习的方法从大规模数据中获得模型，替代原来基于经验或者少量数据统计出来的模型。他也详解了智能视频编码的框架，以及基于学习的后处理技术、基于学习的熵编码，在对比中，可以看到基于学习的编码方案名列前茅。

雷锋网 AI 科技评论总结：以上为中国工程院院士「智能与网络前沿问题与应用」论坛内容介绍。在半天会议中，徐扬生院士的报告普及了人工智能与机器人的相关知识， 并让我们对教育问题进行重新思考；高文院士的汇报了目前城市大脑的突破，该如何发展城市大脑；王海峰院长让我们了解到深度学习的各种应用，以及百度在人工智能上的布局；吴枫院长则带来了对于计算的前沿思考——借鉴脑网络结构来发展计算系统，以及深度学习在视频编码上的应用。

。