商湯科技徐立講述：AI到底是什么？

主講老師和特邀講者：清華大學海峽研究院大數(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人黃學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《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，深度學習是高潮。

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的智能。需要用人的先驗知識，進行人工指導的智能，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?，F(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)中國首個深度學習框架

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，可以看到深度學習在中國是很熱的。

說到深度學習，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)了自己的深度學習原創(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)學習，我們有20億人臉數(shù)據(jù)同時訓練；此外還有復雜關(guān)聯(lián)應(yīng)用的多模態(tài)數(shù)據(jù)學習。

深度學習，學習的是對事物的刻畫。普通的機器學習依賴專家知識，深度學習提供另外的可能性，學的是一種全局表達。這樣的學習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。