CNCC 2019 次日，吴建平、徐扬生、俞士纶等人的特邀报告来了！

2019 年 10 月 18 日 AI科技评论

作者 | 丛末

编辑 | 杨晓凡

AI 科技评论将全程跟踪报道CNCC 2019，敬请关注！

10 月 17 日至 19 日，由 CCF 主办、苏州工业园区管委会、苏州大学承办的 CNCC 2019 在秋意正浓的苏州如约而至。今年大会以「智能+引领社会发展」为主题，选址苏州金鸡湖国际会议中心召开。比之大会首日，今天会场的人口密集度又增加了不少。

随着昨天七场特邀报告告一段落，剩余的八场特邀报告也如期在今天 CNCC 的演讲舞台上精彩呈现。

今天的首场报告由清华大学教授、中国工程院院士吴建平带来，他的报告主题为「互联网体系结构的演进、创新和发展」。

他指出，互联网体系结构是互联网的关键核心技术，是剖析和研究互联网各部分功能组成及其相互关系网络层承上启下保证全网通达的核心。而随着传送格式由 IPv4 演进到 IPv6、转发方式实现了无连接存储转发，唯一可变的路由控制成为了实现体系结构技术的创新点，目前其面临着五大重要的技术挑战，包括可扩展性、安全性、实时性、高性能、移动性。因而在这种情况下，推进路由控制不断满足通信和应用发展需求（复杂多变量）达到全网最优成为了互联网研究的重大科学难题。

中国工程院院士、香港中文大学（深圳）首任校长徐扬生带来主题为「智能机器人研究：问题和思考」的报告。 一登场，他便谈起自己参加 CCF 组织活动的经历：「其实我比较少参加 CCF 组织的活动，上次参加还是 1993 年，当时现场的一些朋友可能还没有出生，所以今天能够站在这里做分享，我非常激动。」

他表示今天将基于自己在机器人领域 35 年的研究经历，分享一些研究感悟，其中报告中提及的问题大多数都是机器人领域目前尚未解决的问题。「在场的各位博士生可以听听，说不定大家能够从中找到一些可以做研究的课题。」

现在，机器人的定义依旧沿用其早期对这一概念的定义：感知+认知+行为。然而在过去的 30 多年时间里，机器人领域的研究有 85%-90% 都集中在行为方向，另外的 5-15% 左右集中在感知和认知方向，而操作、移动以及抓取等都属于行为的研究范畴。

接下来，他基于自己这些年的研究成果，包括爬树机器人、管理宠物的机器人、在软性物体上爬行的机器人、书法机器人以及全方位驾驶车，分享自己在机器人研究中所面临的一些挑战和启发。「很多人问我，这些机器人有什么用，我的回复是，我的大多数机器人做出来都是没用的，我主要是兴趣驱动，但是做出来以后一部分有用一部分没有用，科研就是不能太功利的。」

随后，针对当前「智能为何表现得如此无知，而多数研究都集中在行动」这一问题，徐扬生也表达的自己的看法：大家往往都认为行动才是最基本的，然而实际上智能才是最基本的。以人类类比，人体中最基本的器官就是心脑，即智能，对人如此，对机器人亦如此。

那智能来自哪里？智能是学习的过程。机器人目前主要学自算法，而他认为，机器人更应该从人类行为、自然界学习。

最后，他还针对「机器人的学习能力实现到什么样的程度可以通用化」、「应该研究动态还是静态的机器人」两个重要的机器人研究问题分享了自己的思考。

韩国高丽大学校人工智能系主任教授、韩国科学技术翰林院院士、IEEE Fellow 李晟瑍（Seong-Whan Lee）是第二位出场的嘉宾，他基于其研究工作——人工智能冰壶机器人系统「Curly」给大家带来了深度强化学习方面的报告，报告题目是「深度强化学习：现实中的回合制策略游戏」。

首先，他对冰壶策略游戏进行了科普：冰壶策略游戏是奥运会的一个比赛项目，选手需要在冰面上将石球向中心位置投掷，被称作「冰上国际象棋」。而人工智能冰壶机器人系统通过寻找到最优策略来完成比赛，整体来看包括四个部分：

第一部分是理解博弈状态，即识别出石球每移动一次的实施运动轨迹；
第二部分是构建匹配的大数据，即收集和学习与最优化策略匹配的大数据；
第三部分是真实模拟，即基于石球的碰撞、磨蹭以及冰面的情况来进行真实模拟；
第四部分则是规划最优策略，即基于 DNN 和 MCTS 算法来解决不确定性问题以实现策略最优化。

随后，他对其研究成果——人工智能冰壶机器人系统「Curly 」在在真实的冰壶赛场上的比赛视频进行演示，展现了「Curly 」系统的三个组成部分：基于 AI 的冰壶策略和模拟引擎能够考虑冰面的高度不确定性；抛掷型机器人可通过牵引力控制实现自动驱动；跳跃型机器人基于视觉技术能够识别冰壶场地以及石球在场地上的整体布局。

据悉，无论是在传统的游戏环境，还是与人类对手（即排名第一的韩国女子冰壶队）互动时，该系统都表现得非常不错。

接下来，是来自平安、滴滴、百度的三位企业嘉宾依次带来报告，他们从企业应用的角度出发，以不同的视角为大家带来了人工智能技术创新方面的分享。

平安集团首席科学家肖京在主题为「智能化金融战略—探索与实践」的报告中，基于平安对智能化技术的研发及应用实践，分享了对于智能化大数据分析挖掘在金融业务应用方面的探索。

他指出，相对于互联网+，智能+更加复杂，前者互联网只是模式的创新，相对容易实现；而后者则是技术上的创新，需要具备数据、技术（算法和算力）、场景和行业专家四大要素，让业务流程的每个环节都实现智能化。

在「智能+」的能力建设上，他从平安对智能+ 的案例实践出发，指出可以分三步走：

第一阶段是婴儿阶段，即形成包括听觉、视觉、阅读理解能力在内的基础认知；
第二阶段是学习阶段，即构建海量信息和知识图谱的全面知识体系；
第三阶段是专家阶段，即能够具备打造专业解决方案的能力，能够让 AI 赋能金融服务、医疗、智慧城市等行业应用场景。

最后，他也提及平安对于 AI 伦理问题的极大关注，不仅积极参与各大部委对于 AI 伦理的标准制定，还专门成立了平安人工智能伦理委员会，创建了一套完整的体系来保证 AI 不会被滥用。

滴滴出行联合创始人、首席技术官、自动驾驶 CEO 张博立足于滴滴「AI for Transportation」的科技战略，带来了「AI 引领出行变革」的分享。

他首先分享了滴滴成立的初衷很简单，即解决出租车司机和乘客的痛点：一方面，出租车司机大约 30% 的时间和燃油都花费在寻找乘客的过程中，同时也带来了交通拥堵、尾气排放等一系列问题；而另一方面，乘客也需要走到路边花时间去拦车。在过去的七年时间里，滴滴主要朝着地域和出行车品类两个维度发展，目前业务也覆盖一千多个城市，5.5 亿多万用户，运送人次超过 100 亿次，这些也为滴滴积淀了海量的出行大数据。

他将交通分为三层结构来谈自己对于未来交通的预测：从智能交通基础设施来看，包括未来应该如何更好地设计路网或红绿灯来控制车流和人流；从智能交通工具上来看，未来十年内会发生两个方面的变革，一是能源从汽油变成电，二是智能驾驶会显著提高交通的安全和效率；在人和车的关系上，会从每人拥有一辆车变为多人共享一辆车。

基于这三层结构，他重点介绍了滴滴在共享出行和智能驾驶方面所做的一些工作或积淀的优势：

在共享出行方面，滴滴目前已拥有较强的供需预测能力，例如，滴滴目前对未来 15 分钟的供需预测的准确率达到 85%，从而对司机进行最佳调度和派单，提高效率和优化。
在智能驾驶方面，滴滴能够聚合其在科技、数据和运营方面已经积淀下来的优势来实现智能驾驶的目标。「实际上，未来智能驾驶的最好落地场景就是滴滴这样的出行互联网领域。」

百度集团首席技术官王海峰则从深度学习平台在产业智能化中发挥的作用出发，带来了主题为「深度学习平台支撑产业智能化」的报告。

他指出，过去两百多年历史中已经经历了三次工业革命，在对历史的回顾中可以发现驱动工业革命的核心技术具有很强的通用性。虽然某项技术一开始可能起于某一行业，但最终会应用到人类生产、生活的方方面，并推动社会进入工业大生产的阶段。而这种工业大生产阶段具有标准化、自动化和模块化三大特点。

当下我们正处在第四次工业革命的开端，而人工智能则是科技和产业变革的核心驱动力量，推动人类社会逐渐步入智能时代，其经历的三个典型阶段包括：从人工规则到机器学习再到深度学习。

随后，他以 OCR 技术和机器翻译为例，阐述了深度学习对于人工智能任务所带来的革命性变化，具有很强的通用性，与此同时，深度学习作为智能时代的操作系统，能够向下对接芯片实现整体优化，向上承接各种应用将技术落地到实际场景，处于一个非常核心的位置。

然而，目前深度学习大规模产业化也面临来自开发、训练和部署方面的挑战。对此，百度开发了飞桨深度学习平台，并且具备标准化、自动化、模块化的特征，在农业如水培蔬菜智能种植、工业如精密零件智能分拣以及社会公益等实际场景的智能化应用中发挥出了很好的支撑性作用。

深度学习在当前人工智能领域的地位自不必多言，而对于已在大数据领域深耕多年的美国伊利诺大学芝加哥分校（UIC）教授俞士纶而言，解决实际问题，数据挖掘不仅需要深，还需要广。 俞士纶基于自己近来的研究工作带来了「Broad Learning: A New Perspective on Mining Big Data」的分享。

他表示，实际上，大数据时代并非数据量很大，而是指多种多样的数据，而广度学习则能够融合各类的数据，从而挖掘出更多信息，具体而言可以分三步走：

首先，定义并获取相关的有用数据源，也即找到对你的问题有用的数据；
其次，设计一种模型来将异质数据源信息融合起来；
最后，基于模型整体的需求从各种数据源中深度地去挖掘信息。

与此同时，他指出广度学习的类型可分为三类：

第一类是在同一个实体上有不同类型信息的学习，即某一实体可能存在文本、图片、音频、链接等不同类别的数据，包括多视角学习、多源学习和多模态学习；
第二类是在不同的但类型相似的实体上信息的学习，如迁移学习，比如说某一实体的数据太少，而另一实体的训练数据较多的话，就可以将数据更多的一方的数据迁移到数据较少的一方；
第三类是存在复杂网络类型关系的不同类型实体信息的学习，这样的话要采用基于融合的异质信息网络（HIN）的方法来对实体之间的关系来进行融合和挖掘。

随后，他基于药物发现、社交网络的推荐等案例详细讲述了如何将深度学习和广度学习结合起来使用，以实现更好的数据挖掘效果。

最后一位上场的报告嘉宾是北京大学研究员、2019CCF 青年「两秀讲者」袁晓如，他的报告题目是「从遇见到预见 - 数据可视化的未来」。

袁晓如指出，在计算机产生之前，可视化就已经有各种各样的形式，比如说在宋朝期间就有了苏州的城区图——平江图，大家还可以在博物馆里看到，也就是说人类在很早起的阶段，就希望用一些方式来更好地呈现周围的世界，而图则是一个最方便的形式之一。而现在的可视化，更多地指将复杂、海量的大数据转化为更好地读懂的形式，并且随着数据日益复杂化，可视化要表达的内容也要丰富得多。

实际上，可视化本质上是指在数据和人之间创建一个媒介，即对外界事物建立模型，以帮助人类更好理解复杂的事物。目前，可视化面临的主要挑战在于可视化构型的设计空间巨大，包括如何用几何的部件和视觉通道组合起来形成可视化构型，该构型可能表示高维数据，也可能表述网络数据，但这些构型由于使用的视觉通道不一样，彼此之间并不等价，它们针对某一问题可能有效，而针对另一问题可能并不有效，因此如何对其进行组合是一个复杂问题。

随后，他从面向更复杂数据的可视化、可视化的生成更方便、可视化的使用更方便三个维度，结合一系列案例来阐述可视化在实际数据中的应用情况。

「这两天的报告中，有人讲人工智能，有人讲大数据，也有人讲强大的计算力，我们将这三个方面视作推动社会进步的三驾马车，而与此同时我们不要忘了马车上还坐着一个人，所以我们还需要一个好的界面来帮助我们更好地与三驾马车进行交互，而我希望可视化将来能够扮演好这一角色，帮助人类更好地驾驭好马车！」他最后总结道。

本次大会的所有特邀报告环节到此完美落幕，而今天下午的技术论坛依旧延续了昨日的精彩，包括「类脑计算」、「人工智能前沿技术：探索、实践和机遇」、「微表情检测和识别」、「集成电路设计——促进芯片的敏捷开发」等在内的 28 场技术论坛场也都人满为患。

与此同时，万众期待的 CNCC 颁奖晚宴也将在今晚落下帷幕，AI 科技评论后续将为大家带来相关报道，敬请期待！