AI人工智能 | 人工智能机器人【中国人工智能网】

滚动新闻

一位学术青年眼中的CCF-GAIR,除了干货满满尚有哪些细节?

时间:2017-07-17 20:01来源:网络整理 作者:AI人工智能

Data is not information.

Information is not knowledge.

Knowledge is not wisdom.

AI科技评论按:本文为都柏林都市大学叶腾琪同学介入CCF-GAIR大会之后的观后感。通过他的文章,可以或许还原出一位学术青年眼中的CCF-GAIR大会。假如你也想就此次大会给我们投稿,接待接洽我们:[email protected]

最近深圳天气不太好,阴雨绵延,但集会会议所在照旧很给力的。深圳喜来登旅馆就在地铁口出口旁。旅馆很是气派,一应俱全,有图有真相。集会会议有三天,各自都分为A, B, C三个专场。

一位学术青年眼中的CCF-GAIR,除了干货满满另有哪些细节?

(大会现场的安保)

一位学术青年眼中的CCF-GAIR,除了干货满满另有哪些细节?

(会场内很豪华)

第一天的Session A聚焦AI成长前沿,由徐扬生院士主持,主要耕种于呆板人规模。第一位高朋是中国工程院院士潘云鹤,潘院士作为曾经的浙大校长,此刻是候补中央委员,同时也是AI 2.0打算的倡议者。潘院士的演讲主要照旧环绕AI 2.0打算的具体先容。

AAAI主席Kambhampati传授是主会场第二位演讲高朋,他的演讲中提到人工智能是计较机内里很大的主流偏向,这也意味着子偏向之间的不同可以很是大,也可以很是小。好比,做呆板进修偏向的学者对付电路大概一点都不清楚,但在呆板人规模这应该是基本常识。再好比,呆板进修和数据挖掘大部门事情都是一样的,但各个偏向的偏重点又有所差异。数据挖掘不会像呆板进修一样那么存眷模子的可表明性和计较本领,呆板进修也不会像数据挖掘一样去那么体贴通过现实糊口中的一些场景假设去办理问题。所以就像不是所有学计较机科学的城市修电脑,人工智能相关的学者不是所有的人工智能规模城市能干。

回到Kambhampati传授的演讲,固然笔者之前的尝试室印度人不少,可是听该传授的口音很重的英语仍然有些吃力。首先该传授对AAAI集会会议做了一番软文,号令更多的中国粹者插手AAAI会员(多交钱),多投稿(增加影响力)。AAAI和IJCAI是AI规模最好的两个会,因为投稿规模最全,但在呆板进修方面这两个会也就一般。AI规模的呆板进修偏向的论文往往追求新颖的想法和故事,可是论文严谨性不足,所以导致论文可信度不高。

一位学术青年眼中的CCF-GAIR,除了干货满满另有哪些细节?

回到演讲,传授又用了AI在社交网络和美国当局经费方面的例子说明此刻AI形式大好。其实对hype cycle较量熟悉的人是可以看出,上升期之后紧接着就是泡沫割裂时期。然后传授又较量了人工智能和人类智能,和人工智能成长汗青。他还提到了AI研究的伦理,举了一个污名昭著的关于“看相”的研究。固然剩下大部门科普内容对付笔者来说干货不多,可是传授照旧指出了几个研究偏向供我们研究(灌水):从更少的练习样本中进修、呆板的知识、不完整性和交互。Deep learning的有效性是基于海量样本数据,可是人类智能好像不需要太多的样板就可以进修。最后,传授主要先容了一下他组内里的事情,演讲就竣事了。

谭铁牛院士第三个登台分享。Google scholar上显示他的论文总引用次数约28000,重点存眷模式识此外研究偏向。我小我私家认为谭院士的演讲是本次大会中最不能错过的演讲,原因在于有干货有总结。传授按照他本身的履历总结让我很有共识,同时从演讲中可以看出,传授仍然活泼在科研第一线,时不时能让我在细节中发明惊喜。

谭院士指呈此刻模式识此外挑战主要有两个,第一是不不变,譬喻在强光照下,现有的许多视觉算法就会失效。第二是课表明性差,好比像深度进修,此刻学界普遍只能当成黑箱。

看到这里,想必许多读者要问了,黑箱就黑箱,能用就行啊。黑箱的主要弊端有两点,第一是无法表明可信性就差。为什么此刻各人很喜欢在深度进修灌水呢?因为你改个网络布局,发个论文,宣称它好,各人也不知道到底真的照旧假的。许多代码作者不果真,连尝试做没做都不知道。要是真的有人实验反复功效却比论文差太多,作者也可以宣称调参“能力”没到达。这个原理和我国前段时间生物界出的问题一样,也可以表明为什么生物是造假重灾区,数学却无法造假。第二是你无法表明,也就不知道如何最好的改造布局,功效变好变差全凭命运。接着演讲说,传授接着从生物开导的角度举办了许多归纳,好比影象问题(sequence learning),开导问题(transfer learning),多神经元等。传授根基上字字珠玑、全程无尿点,强烈推荐。

Session B的主题是AI学术前沿,由杨强传授主持。对付杨强传授,他的“迁移进修”理论深受宽大学术青年们存眷。迁移进修研究的是差异domain之间的迁移。譬喻,我会中文,我有本中英辞书,理论上我可以就看懂英文文献了。再好比,我们平时的场景是3D,可是我们的大脑仍然可以领略2D的影戏场景。

Session B中第一个做演讲的是来自CMU的金出武雄传授。计较机科学偏向有四个吊炸天的学校的存在,江湖人称Top 4,MIT, CMU, Stanford, UC Berkeley。金出武雄同时享有ACM, IEEE, AAAI三个Fellow,海内只有周志华传授同时拿了这三个Fellow。金出武雄的主要事情是呆板人偏向的视觉,在google scholar上拥有十万的引用次数,对比之下Kambhampati传授的引用次数是八千,杨强传授的引用次数是三万。

金出武雄传授的演讲主要是环绕他们组的事情展开,具体讲授了自动驾驶、自动汽车等实际场景下的视觉办理。就我小我私家的感受而言,他们的事情对较量于此刻遍及的计较机视觉来说,对付模子的依赖少,可是更偏重于图片处理惩罚,甚至是通过硬件去改酿成像。中间有个令人印象深刻的例子。下雨和下雪时候的反光会严重滋扰车载前头的图片,他们通过在摄像头之前加一个雷同于偏振片的镜片,使得雨滴在图片内里的成像变得很淡。别的,演讲内里尚有许多各类好玩的呆板人的视频,我才不要汇报你,你本身去看吧。

第二个做演讲的是伦敦大学学院传授汪军,他的论文引用次数在4000次阁下,他的研究偏向是AI在社群和集体偏向的应用。好比说多个多智能体的强化进修(游戏内里的差异AI单元的相助)、购物区域的自动筹划、分拣呆板人。他内里提出了一个雷同与GAN的想法就是在强化进修内里生成情况。这个想法照旧很新颖的。

这些演讲者的演讲内容可以总结为三类:打告白的(给协会、给研究组、给公司)、分享研究成就和宣传的、有总结和思考的。

下午是张宏江传授,他但是大有来头的。他引用次数是5.5万,曾经是微软亚洲工程院院长,所以和下午许多做演讲的高朋都有渊源。下午第一个演讲就不说了,纯做告白的。第二为演讲高朋为旷视科技首席科学家孙剑。孙剑有着2.4万的Google scholar引用次数,研究偏向为深度进修在计较机视觉方面的应用。

他总结了计较机的焦点也是经典问题可以归纳为分类(图像)、检测(区域)、支解(像素)和序列(视频)。分类的意思是识别,举个例子,图片内里的动物是猫是狗?两张差异的图片内里的人脸是不是属于同一小我私家?因此识别都是图像级此外。检测最著名的一个例子是各人手机内里照相的时候城市显示出框来标识人脸,也就是要找到物体地址的区域。支解是把图像上面的差异物体的表面给区分出来。视频可以当作是图像的序列。这几个任务看似简朴,但实际上不是。许多的计较机视觉问题都可以最后转化为这几个问题。因为篇幅愿意就不细说了。

孙剑最后还提到了他以为此刻计较机视觉偏向的难点,供各人研究。

Session C最后一个演讲的是360首席科学家颜水成,他的论文引用次数为3.5万。颜水成主要报告了他们在360内部的事情研究事情,都是一些较量熟悉的内容。然后,他提到了一些他在家产界利用深度进修的一些思考,千言万语总结起来就是与其为了场景研究开拓算法(追求精度),同等重要的,是为一些到达必然精度的算法找到好的应用场景(追求体验)。

第二天笔者介入的是金融专场。Session G是陈邦道主持,首位分享高朋为牛津大学传授、英国皇家工程院院士、欧洲科学院院士Prof. Bill Roscoe,陈邦道正是Bill Roscoe的学生。Prof.Roscoe 的演讲偏向笔者不太熟悉,主要先容了一些安详、区块链、哈希签名等,小我私家感受和AI的干系不太大。

第二个位演讲高朋为香港科技大学传授张晓泉,他的演讲中先容了许多Business Intelligence的方面,也就是金融和AI的融合,举的例子内里主要是quant了,即量化。笔者曾经对这一偏向有所涉及,读者感乐趣可以自行研究。不外,张传授的部门概念笔者不太认同,这里和各人接头一下。

张传授说呆板进修是无法表明可以预测的。实际上,呆板进修的个中很重要的一部门事情就是模子的可表明性和模子的预测本领评估,较量著名的成就是拿了图灵奖的PAC。并且在Machine learning中,statistical based machine learning也是一个很重要的部门,而这一部门根基上都是可以表明的。大概是因为Deep learning今朝主流观点是不能严格证明息争释,所以造成了许多错觉。小我私家领略,关于神经网络其实也是有部门可表明性,个中较量有名的是Universal approximation theorem,关于计较机理论的集会会议很是有名的有COLT和AISTATS。

接下来的三个演讲都是从企业界来的,个中一个是笔者的校友。因为其实英华较量少,这里就总结在一起。首先,企业做得模块大同小异。好比都有一些反欺骗财、智能获客、客户画像、智能客服等。模块内里的技能点也差不多。其次,大数据很重要,人工履历的融合(专家系统)也是很须要的。最后,他们说本身做得都很乐成,AI能乐成办理他们的大部门问题。对此,你怎么看?

一位学术青年眼中的CCF-GAIR,除了干货满满另有哪些细节?

最后一天一定去的是呆板进修专场Session Q,可是大部门内容其实仍然不是呆板进修。下午是CV+专场,因为篇幅原因就不展开了,但MSRA的梅涛博士的演讲是值得强烈推荐的,要知道MSRA根基上撑起了亚洲计较机视觉的半壁山河。

一位学术青年眼中的CCF-GAIR,除了干货满满另有哪些细节?

先说说小我私家收获。说几个直观的方面。

1)此刻的AI技能的简直确在许多方面到达了家产要求,可是AI自己和人类的智能仍然差许多。所以从学术的角度来说,我们在深度进修之后又一次来到了一个新的瓶颈期,假如你是真心搞学术而不是想灌水的话有几个偏向这些高朋以为可以打破。一个是理论偏向,可表明性为什么重要我之前也说过。假如深度进修(神经网络)可以在数学上透彻阐明,我们很有大概顿时找出深度进修的短板,从而顿时可以打破瓶颈。尚有一个是仿生学角度,大自然往往是最好的老师。固然生物学的角度并不能让我们获得数学证明,可是假如结果简直有打破性的奔腾,好比说我们可以或许发明总结哪些布局很好哪些不可,那么对AI的研究也有很大的促进。最后一个是在今朝的基本上补足一些明明欠好的处所,好比情况影响很大等。这个简朴来说就是应用偏向了。从家产上来说,为一个靠谱的算法找一个新颖的应用是重中之重。

2)学术圈也存在马太效应,也就是好的导师往往能带出好的学生,好的学生反过来会促进本来的研究组,好比像这会环绕MSRA的几个演讲者和主持尚有牛津的一对师徒。这里说的好是包罗人品和学术程度,人品是主要的。学术程度的话,你感乐趣的规模的世界领先的组就那么几个,大部门学生是无缘的。拥有大好人品的导师至少能在他拥有的资源上给你操作,包罗让你去更好的处所做会见、让你想去事情的时候可以实习、发了论文可以去介入集会会议。这样的老师都有一个配合点,就是他门下的许多学生结业之后还城市和他有学术上的相助、项目上的接洽甚至糊口中常常会见。我身边中许多伴侣因为年幼无知,碰上了一些人品差的导师(这些导师不少是海外的),这些导师对学生来说真的是人生的一场劫难。关于这方面今后有时间和读者再具体先容。

3)本次大会也有许多高朋做得很是当真,好比像谭铁牛院士。他的PPT中的引用都很类型,并且那些引用都不是乱放的。学术履历少的读者大概对这个就会发生疑问。实际上,作为一个较量好的研究者一定需要阅读大量的论文而且对最新论文都有跟进。所以在高条理的学术勾当中的引用都不是乱放的,而谭院士放出的引用的论文质量都很是高。第一说明他仍然活泼在科研一线、第二说明他干事很当真。我和他好处完全不相关。许多读者对搞研究的要领还不是很懂,一言以蔽之,读论文是一个很是根基的指标。

最后对回想自己总结一下。笔者之前在海外的时候就发明,他们出格喜欢进行一些雷同的勾当,我小我私家以为这个对整个行业促进长短常有用的。对付还只是第二届的GAIR大会,雷锋网已经远超我的预期了,再次感激雷锋网。能请到一些程度高、仍然在科研一线、有诚意来演讲的大牛真的很是不容易。不外,有些处所可以改造的,好比学术集会会议一般会布置茶歇和聚餐利便各人相互交换、演讲最后和圆桌集会会议应该提供观众提问等(雷锋网小编已经记下了,来岁的GAIR 大会接待各人现场提问)。

最后,我想说的是,海内其实已经在许多方面逐步逾越海外了。我每次建国际学术集会会议,中国人的比例远远高于中国人口比例,固然介入的中国人是从各个国度来的。至于中国能不能在AI偏向快速超车从而实现中华汗青伟大再起呢?让我们拭目以待!

一位学术青年眼中的CCF-GAIR,除了干货满满另有哪些细节?

    标签: