2019年末，10 位院士對 AI 的深度把脈（下）

作者 | 叢末

編輯 | Tokai

站在2019年年末，這或許是本年度國內(nèi)對人工智能最后也是最大的一次把脈。

2019 年 12 月 20 日，由鵬城實(shí)驗(yàn)室、新一代人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟主辦的為期兩天的「新一代人工智能院士高峰論壇」在深圳開幕。

這次會(huì)議延續(xù)去年強(qiáng)大的院士陣容，今年邀請了多達(dá) 10 位院士以及諸多人工智能領(lǐng)域?qū)W術(shù)和企業(yè)界的頂級(jí)專家，從各自的領(lǐng)域深度剖析了人工智能領(lǐng)域的發(fā)展現(xiàn)狀和未來值得探索的方向。

繼上次 AI 科技評(píng)論發(fā)表了蒲慕明、高文、張東曉、趙沁平、吳建平幾位院士及產(chǎn)業(yè)專家湯曉鷗、王海峰等人對人工智能的深度把脈之后，

這次AI科技評(píng)論將分享張正友、顏水成、孫劍、陳熙霖、李世鵬和夏勤幾位業(yè)界人士對人工智能的深度見解，同時(shí)，也有五位院士

中國工程院院士、同濟(jì)大學(xué)校長陳杰，

中國工程院院士、廣播電視技術(shù)專家丁文華，

中國工程院院士、通信與信息系統(tǒng)專家王沙飛，

中國科學(xué)院院士、激光與光電子技術(shù)專家王立軍，

德國漢堡大學(xué)信息學(xué)科學(xué)系教授、德國漢堡科學(xué)院院士張建偉

對未來中國人工智能發(fā)展的展望與建議。

我們一起來看。

1、張正友：機(jī)器人的智能演進(jìn)

騰訊 AI Lab & Robotics X 主任，ACM、IEEE Fellow 張正友博士作為下午場的首位報(bào)告嘉賓，帶來了主題為《機(jī)器人的智能演進(jìn)》的報(bào)告。

騰訊

AI Lab & Robotics X 主任，ACM、IEEE Fellow 張正友

正式進(jìn)入報(bào)告前，張正友回憶起去年同樣是高文院士邀請他人工智能院士高峰論壇做報(bào)告，而今年高文院士再度邀請他時(shí)，還強(qiáng)調(diào)了一句話「一定要做最新的研究報(bào)告」。他笑著打趣：「我估計(jì)他是想來考考我，想看看我這一年多來到底有沒有取得一些研究進(jìn)展。」

「人工智能目前還是初春，還不是非常智能，存在很多問題。」話落下，他便以攝像機(jī)無法識(shí)別遮擋鏡頭的假圖像為例指出目前人工智能還只是從大量標(biāo)注數(shù)據(jù)學(xué)習(xí)，泛化能力較差。

他認(rèn)為，隨著傳感器技術(shù)發(fā)展與充分應(yīng)用，人與智能化機(jī)器人共存的時(shí)代必然會(huì)來臨，這也是他選擇回國加入騰訊創(chuàng)建 Robotics X 機(jī)器人實(shí)驗(yàn)室的重要原因。

張正友博士接著介紹了機(jī)器人的 6 個(gè)組成部分，包括本體、感知、執(zhí)行器、動(dòng)力系統(tǒng)、交互系統(tǒng)、決策。機(jī)器人的未來趨勢是自動(dòng)化、智能化，要在不確定的環(huán)境中自主決策。針對機(jī)器人的自主決策，他提出了 SLAP 范式，即傳感器和執(zhí)行器要緊密結(jié)合，在學(xué)習(xí)和計(jì)劃模塊的幫助下提升能力、做出決策。

針對智能機(jī)器人技術(shù)未來的突破點(diǎn)，他再度提及去年分享過的「A2G 理論」，其中 ABC 是代表了機(jī)器人的基礎(chǔ)能力，A 是指機(jī)器人能看、說、聽以及理解，B 是機(jī)器人本體，C 是自動(dòng)控制；而 DEF 是指更高一層的機(jī)器人能力，D 是進(jìn)化學(xué)習(xí)，E 是情感理解，F(xiàn) 是靈活操控；最后一層——G 則是表示守護(hù)人類。這對更先進(jìn)、更智慧的機(jī)器人提出了要求，而機(jī)器人的最終目標(biāo)是要服務(wù)于人。

最后，張正友表達(dá)了對機(jī)器人發(fā)展的愿景，那就是人機(jī)共存、共創(chuàng)、共贏，為此，需要從「用機(jī)器人增強(qiáng)人的智力、關(guān)懷人的情感、發(fā)揮人類體能潛力、實(shí)現(xiàn)人機(jī)協(xié)作」四個(gè)方面來創(chuàng)建這種未來。

2、顏水成： Transform AI into Affordable Intelligence

同樣是二次出席人工智能院士高峰論壇的報(bào)告嘉賓還有依圖科技首席技術(shù)官，IEEE、IAPR Fellow 顏水成博士。他在主題為《Transform AI into Affordable Intelligence》演講中，指出了讓人工智能變?yōu)椤窤ffordable Intelligence」所面臨的挑戰(zhàn)，并從芯片和模型的角度分享了一些工作進(jìn)展。

依 圖科技首席技術(shù)官，IEEE、IAPR Fellow 顏水成

顏水成提到，一個(gè) AI 創(chuàng)業(yè)公司以及大廠 AI 實(shí)驗(yàn)室的核心使命是實(shí)現(xiàn) AI 的真正落地，這就需要解決兩個(gè)方面的問題：

• 第一個(gè)是算法，一方面是要保證算法「可以用」，即精度足夠高，能夠真正解鎖一個(gè)場景；另一方則是算法要「足夠用」，因?yàn)楝F(xiàn)在很多場景僅憑單模態(tài)的算法已經(jīng)無法提供用戶滿意的解決方案。

• 第二是算力，一方面是要讓用戶「買得起」，比如用于支撐計(jì)算的 AI 芯片，它的并發(fā)性能要足夠高；另一方面是要讓用戶「用得起」，即這種算力要保證功耗足夠低，不然即便用戶買回家也可能因?yàn)閿?shù)據(jù)中心的電費(fèi)過高而無法使用。

隨著人工智能在越來越多的場景中得到使用，而隨著技術(shù)上已經(jīng)達(dá)到可以用的階段，現(xiàn)在除了對算力和算法的要求越來越高，也更多地從「Affordable」的角度去考量。

顏水成博士進(jìn)一步指出，研究表明，訓(xùn)練和測試人工智能模型所需要的算力，每三個(gè)半月就會(huì)翻一番，這個(gè)比摩爾定律已經(jīng)快了很多。正如今年剛開完的 NeurIPS 會(huì)議上，大家比較關(guān)注的一件事情就是：當(dāng) AI 應(yīng)用得越來越多，其帶來的電力消費(fèi)也越來越高，這會(huì)不會(huì)對環(huán)境產(chǎn)生影響呢？

所以要真正讓 AI 在一個(gè)場景落地，最關(guān)鍵的兩個(gè)引擎是：

• 第一個(gè)引擎是高效能的 AI 模型，這是算法的維度。要想獲得一個(gè)高效能的 AI 模型有兩種做法，一種是基于不同 Motivation 的模式，另一種是基于 NAS（神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索）的模式。針對這一點(diǎn)，主要是希望能夠解決研究和應(yīng)用中的「Affordable」問題。

• 第二個(gè)引擎是高效能的 AI 芯片，這是算力的維度。針對這一點(diǎn)，芯片廠商首先要遵循算法和芯片原則，確保芯片在足夠大的使用場景中達(dá)到很高的效能；其次要預(yù)測領(lǐng)域中最前沿的算法發(fā)展趨勢，確保接下來幾年時(shí)間這款芯片能「發(fā)揮所長」；最后要讓用戶的建設(shè)成本足夠低并用得起。

最后，他總結(jié)道，AI 在越來越多的場景得到應(yīng)用，并且追求的精度和目標(biāo)越來越高，這就對算法和算力提出了越來越高的要求。而這時(shí)，AI 的「Affordable」問題就會(huì)變得越來越重要。

并且，如果要把 AI 轉(zhuǎn)換成「Affordable Intelligence」的話，高性能的 AI 模型和高性能 AI 芯片則是推動(dòng)這一轉(zhuǎn)換的雙引擎，只有這樣才能讓我們最終的用戶能夠「買得起」和「用得起」。

3、孫劍：視覺計(jì)算的前沿進(jìn)展

曠視首席科學(xué)家、何梁何利基金獎(jiǎng)獲得者孫劍博士以《視覺計(jì)算的前沿進(jìn)展》為題，重點(diǎn)從卷積神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)視覺技術(shù)本身介紹了計(jì)算機(jī)視覺的研究歷程與進(jìn)展。

曠視首席科學(xué)家、何梁何利基金獎(jiǎng)獲得者孫劍

卷積神經(jīng)網(wǎng)絡(luò)開始得比較早，上世紀(jì) 80 年代日本就有教授提出這樣的概念，并得以發(fā)展。而后續(xù)針對卷積神經(jīng)網(wǎng)絡(luò)的研究工作，主要圍繞四個(gè)問題開展：

第一個(gè)是神經(jīng)網(wǎng)絡(luò)的卷積問題?，F(xiàn)在大家用的比較多的是 3×3 或 5×5 的卷積，而卷積此前經(jīng)歷了 AlexNet 網(wǎng)絡(luò)、GoogleNet 網(wǎng)絡(luò)、Facebook 提出的 faster R-CNN、曠視科技提出的 ShuffleNet V1/V2 等等，當(dāng)前最新的研究進(jìn)展則是動(dòng)態(tài)卷積/條件卷積。

第二個(gè)是神經(jīng)網(wǎng)絡(luò)的深度問題。這是困惱神經(jīng)網(wǎng)絡(luò)多年的問題，當(dāng)網(wǎng)絡(luò)的深度不夠大時(shí)，就很難實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。神經(jīng)網(wǎng)絡(luò)最開始的深度是 8 層，過了兩年后增加到了 20 層，再之后微軟提出的深度殘差網(wǎng)絡(luò)將深度增加到了 152 層，其采用殘差網(wǎng)絡(luò)的思想能夠得到好的訓(xùn)練結(jié)果。

第三個(gè)是神經(jīng)網(wǎng)絡(luò)的寬度問題。當(dāng)深度學(xué)習(xí)復(fù)雜度超過一個(gè)點(diǎn)時(shí)，模型越大，訓(xùn)練和測試的錯(cuò)誤率反而會(huì)同時(shí)下降，跟我們傳統(tǒng)機(jī)器學(xué)習(xí)的認(rèn)知不同，這其實(shí)跟網(wǎng)絡(luò)的寬度有關(guān)。目前比較新的兩個(gè)方向：一個(gè)是從 Kernel 的角度著手，另一個(gè)是嘗試剪枝的方法，例如 MetaPruning。

第四個(gè)是神經(jīng)網(wǎng)絡(luò)的大小問題。一般來說，在訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)的大小是不變的，然而研究發(fā)現(xiàn)，當(dāng)在訓(xùn)練中讓神經(jīng)網(wǎng)絡(luò)的大小變化時(shí)，能夠?qū)崿F(xiàn)更好的網(wǎng)絡(luò)性能。

針對計(jì)算機(jī)視覺技術(shù)本身，孫劍博士則重點(diǎn)選擇了目標(biāo)檢測這一方向，分享了目前研究中所存在的一些問題和進(jìn)展：

第一，當(dāng)圖像中的物體隔得很近時(shí)，檢測技術(shù)就無法精確檢測到單個(gè)物體；

第二，計(jì)算架構(gòu)的設(shè)計(jì)問題，對此，曠視提出了輕量級(jí)的兩階段目標(biāo)檢測器——ThunderNet，設(shè)計(jì)了多尺度架構(gòu)的融合，在 ARM 設(shè)備上的運(yùn)行速度非常快。

最后，孫劍還指出了計(jì)算機(jī)視覺應(yīng)用中的幾個(gè)最重要并且投入最多的關(guān)鍵問題：

• 第一，火災(zāi)等特殊場景的數(shù)據(jù)非常難收集，并且很難通過數(shù)據(jù)增強(qiáng)的方式獲得；

• 第二，對于新的研究方法如自監(jiān)督方法的需求；

• 第三，遮擋問題，雖然現(xiàn)在對此也有一些工作進(jìn)展，但是深度學(xué)習(xí)還無法完全解決這個(gè)問題；

• 第四，深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)還無法很好連續(xù)追蹤同時(shí)處于動(dòng)態(tài)的多個(gè)物體；

• 第五，視覺控制問題，比如說現(xiàn)在還無法通過視覺反饋來連續(xù)控制機(jī)器人或機(jī)械臂；

• 第六，現(xiàn)實(shí)應(yīng)用中要實(shí)現(xiàn)低成本、易部署以及安全面臨的挑戰(zhàn)還很大；

• 第七，現(xiàn)有方法還無法實(shí)現(xiàn)高精度的預(yù)測問題。

4、陳熙霖：邁向可理解的計(jì)算機(jī)視覺

中科院計(jì)算所研究員，ACM、IEEE、IAPR Fellow 陳熙霖本次也作為報(bào)告嘉賓，帶來了主題為《邁向可理解的計(jì)算機(jī)視覺》的報(bào)告。他在報(bào)告中也從他的視角分享了計(jì)算機(jī)視覺領(lǐng)域存在的一些問題以及針對這些問題自己所做的一些探索工作，并對于計(jì)算機(jī)視覺的未來發(fā)展給出了自己的想法。

中科院計(jì)算所研究員，ACM、IEEE、IAPR Fellow 陳熙霖

他指出，計(jì)算機(jī)視覺從提出概念到現(xiàn)在已有差不多半個(gè)世紀(jì)，主要?dú)v經(jīng)了馬爾計(jì)算視覺、主動(dòng)和目的視覺、多視幾何與分層三維重建、基于學(xué)習(xí)的視覺這四個(gè)階段。該領(lǐng)域雖然取得的進(jìn)展很明顯，然而也帶來了一些問題，就比如評(píng)測基準(zhǔn)的出現(xiàn)。

「之前大家在研究上彼此之間沒有比較，即便發(fā)了論文，但是結(jié)果可能在原地踏步，于是后來有了評(píng)測基準(zhǔn)，然而帶來的一個(gè)壞處就是，現(xiàn)在的研究者尤其是學(xué)生就只顧著去「刷榜」了，這其實(shí)并不是在做真正的研究。所以這是一個(gè)很大的問題?！?/span>

他認(rèn)為，在做計(jì)算機(jī)視覺研究上，不僅要知道 What 和 Where，還需要知道 How、Why、When 等等。除了研究方法上的問題，當(dāng)前計(jì)算機(jī)視覺研究還面臨著兩大嚴(yán)峻問題，

一是研究處于一個(gè)「封閉的世界」，這既體現(xiàn)新數(shù)據(jù)無法得到及時(shí)更新，無法從其他領(lǐng)域借用知識(shí)，也無法真正理解物體之間的真正聯(lián)系；

二是無法很好地處理開放世界的問題，比如說無法區(qū)分現(xiàn)實(shí)世界的語言和語義上的區(qū)別等。

針對這些問題，陳熙霖在可解釋性決策模式，概念空間、語義空間、可視空間之間的相似性，可遷移的對比學(xué)習(xí)以及利用上下文方面進(jìn)行了一系列探索和工作。

最后他總結(jié)道，過去 50 多年時(shí)間里，計(jì)算機(jī)視覺在應(yīng)用上實(shí)現(xiàn)了很多成功，那未來將如何呢？——未來計(jì)算機(jī)視覺研究會(huì)朝著可理解的方向發(fā)展，即技術(shù)背后的知識(shí)會(huì)扮演更加重要的作用。

5、李世鵬：萬物互聯(lián)，集智過人

國際歐亞科學(xué)院院士、深圳市人工智能與機(jī)器人研究院副院長、IEEE Fellow 李世鵬在題為《萬物互聯(lián)，集智過人》的演講中，重點(diǎn)回顧了 IoT（智能物聯(lián)網(wǎng)）到 AIoT（人工智能物聯(lián)網(wǎng)）再到 IIoT（智物聯(lián)網(wǎng)）的發(fā)展歷程。

國際歐亞科學(xué)院院士、深圳市人工智能與機(jī)器人研究院副院長、IEEE Fellow 李世鵬

李世鵬認(rèn)為，拋開其他因素，現(xiàn)在的人工智能時(shí)代主要包括四個(gè)基本因素：AI、人、機(jī)器人和 IoT。其中，人是處于中心的因素，人跟智能的交互叫人機(jī)耦合或者是人機(jī)協(xié)作，人跟 IoT 結(jié)合在一起是物理的智能，人跟 AI 放在一起就是虛擬的場景。

而整個(gè) IoT 的發(fā)展歷程可分為三個(gè)階段：

第一個(gè)階段是 IoT 最基本的階段。所有能連上網(wǎng)、能傳送數(shù)據(jù)的設(shè)備都叫 IoT 設(shè)備，主要是關(guān)注在設(shè)備之間的連接問題、數(shù)據(jù)的采集跟通訊的問題。人則主要通過指令命令或者遙控跟 IoT 設(shè)備進(jìn)行交互。這個(gè)階段的智能程度很低，基本上只能做 IFDtt 這種類型的條件控制。

第二個(gè)階段叫做 AIoT，這個(gè)名詞并不是國際提出來的，是一個(gè)中國特色的概念。上一階段的 IoT 基本沒有智能，對數(shù)據(jù)的應(yīng)用也很簡單或者只停留在表面，而這個(gè)階段則對 IoT 產(chǎn)生數(shù)據(jù)進(jìn)行智能處理。一方面，用戶對 IoT 設(shè)備的交互變得越來越智能；另一方面，對采集的數(shù)據(jù)不僅僅停留在原始數(shù)據(jù)的解釋方面，而是把數(shù)據(jù)結(jié)合在一起，然后形成一些新的知識(shí)。在這個(gè)階段，AIoT 總有一個(gè)集中的控制器來控制所有的 IoT 設(shè)備，因?yàn)樗枰@樣一個(gè)大腦來進(jìn)行總體的控制。

第三個(gè)階段也就是 IIoT（智物聯(lián)網(wǎng)）。在上個(gè)階段，獨(dú)立的智能物體本身有一定的智能，而且在很多時(shí)候可以獨(dú)立運(yùn)作。而這個(gè)階段要探討怎樣把有智能和獨(dú)立的智能體之間的智能聯(lián)合起來以及聯(lián)合在一起又能形成什么智能呢？人和機(jī)器之間的關(guān)系成為了比較平等的合作關(guān)系。

李世鵬認(rèn)為，IIoT 帶來的聚合智能的演變正在發(fā)生，這一趨勢可能會(huì)打破人工智能行業(yè)的一些現(xiàn)有障礙，并最后可能為未來基于因果關(guān)系的 AI 框架鋪平道路。

6、夏勤：云大為美——高性能計(jì)算芯片的現(xiàn)在和未來

華為海思首席芯片規(guī)劃師、海思圖靈產(chǎn)品管理部部長夏勤以《云大為美——高性能計(jì)算芯片的現(xiàn)在和未來》為題，分享了關(guān)于高性能計(jì)算芯片的現(xiàn)在與未來的思考，并以華為的昇騰芯片和鯤鵬芯片為例，探討了高性能芯片設(shè)計(jì)方面的問題。

華為海思首席芯片規(guī)劃師、海思圖靈產(chǎn)品管理部部長夏勤

夏勤表示，高性能計(jì)算芯片已成為芯片領(lǐng)域非常熱門的方向，這個(gè)領(lǐng)域也產(chǎn)生了很多新的理論和新的技術(shù)，現(xiàn)在該領(lǐng)域的工程師無非在解一個(gè)三元方程，包括三個(gè)維度：性能、成本、易用性。如果從單一維度來看很容易解，但是如果要實(shí)現(xiàn)真正的量產(chǎn)，則必須同時(shí)解決好以下三個(gè)問題：

第一，核設(shè)計(jì)問題，可以往提升主頻、多核以及微架構(gòu)（指令集）三個(gè)方向探索。比如在多核方向上，華為目前已經(jīng)推出了從 8 核到 16 核再到 64 核的芯片；在微架構(gòu)上，華為的鯤鵬 920 芯片對指令集做了一些像亂序、指令預(yù)取這樣的措施去提升性能，獲得了比較好的結(jié)果。

第二，片內(nèi)設(shè)計(jì)問題，對此，華為在芯片上做的優(yōu)化工作包括采用最新工藝減小芯片面積，提高良率，進(jìn)而降低成本。

第三，外圍接口問題，在這個(gè)方面，華為在芯片的內(nèi)存通道接口，包括接口速率、多 IP 互聯(lián)、加速器上都做了非常多的創(chuàng)新。

除此之外，AI 芯片的設(shè)計(jì)在軟件方面也面臨著前所未有的挑戰(zhàn)：首先，基于 AI 的計(jì)算要求更大的并行處理能力；其次，AI 芯片和 CPU 芯片非常大的差異點(diǎn)在于前者是真正意義上的異構(gòu)計(jì)算；最后在 AI 軟件棧的建設(shè)上也面臨很大挑戰(zhàn)，例如華為鯤鵬軟件棧到昇騰軟件棧的開發(fā)過程，復(fù)雜度和難度就非常高。

她進(jìn)一步總結(jié)了未來芯片設(shè)計(jì)的趨勢：

第一，未來單線程和單核性能會(huì)不斷提升，同時(shí)針對指令 集 會(huì)有更多的定義出現(xiàn)，此外隨著 ARM 的蓬勃發(fā)展，也會(huì)為未來的用戶自定義提供了很大的空間，從而較大地改善芯片的整體性能；

第二，在記憶存儲(chǔ)上，雖然現(xiàn)在還沒有出現(xiàn)比較好的技術(shù)，但在內(nèi)存接口以及整個(gè)內(nèi)存架構(gòu)的重新定義還有很多探索空間；

第三，新的標(biāo)準(zhǔn)和接口技術(shù)的突破，這個(gè)方面會(huì)有新的技術(shù)嘗試，但是成果會(huì)出來得慢一些；

第四，靈活的電源管理，未來隨著異構(gòu)計(jì)算的到來，低負(fù)載、低功耗的調(diào)優(yōu)技術(shù)會(huì)變得非常重要。

「AI 未來有很多可以發(fā)展的方向，并且不是單維度的發(fā)展方向，雖然現(xiàn)在我們還不知道真正的 AI 時(shí)代何時(shí)會(huì)到來，但是我認(rèn)為算力、協(xié)同、應(yīng)用是整個(gè) AI 技術(shù)未來能夠走向全面商用的三個(gè)關(guān)鍵維度。」

7、五院士 共論 AI 未來

第二場院士圓桌會(huì)在當(dāng)日下午舉行，由中國工程院院士、同濟(jì)大學(xué)校長 陳杰主持。中國工程院院士、廣播電視技術(shù)專家 丁文華，中國工程院院士、通信與信息系統(tǒng)專家 王沙飛，中國科學(xué)院院士、激光與光電子技術(shù)專家 王立軍，德國漢堡大學(xué)信息學(xué)科學(xué)系教授、德國漢堡科學(xué)院院士 張建偉四位院士，結(jié)合當(dāng)日主題演講內(nèi)容各抒對未來中國人工智能發(fā)展的展望與建議。

丁文華院士：此次大會(huì)內(nèi)容豐富，體現(xiàn)出中國人工智能在各領(lǐng)域都有了非常大的進(jìn)展。今年的演講內(nèi)容涉及算法、應(yīng)用、資源，大家都在各自研究方向上實(shí)現(xiàn)了突破。我相信通過鵬城實(shí)驗(yàn)室這個(gè)平臺(tái)，能夠聚集全國乃至全球的人工智能領(lǐng)域的高端專家和人才共同交流和推進(jìn)整個(gè)人工智能技術(shù)的發(fā)展。

王沙飛院士：我認(rèn)為現(xiàn)在整個(gè)人工智能的發(fā)展還需要經(jīng)過一個(gè)漫長的階段，有這么幾個(gè)方面的挑戰(zhàn)和問題：

• 第一，現(xiàn)在人工智能的技術(shù)在落地應(yīng)用場景時(shí)，在智能推理方面還存在很多問題，人工智能還很難像人一樣對未知的場景或者目標(biāo)進(jìn)行智能推理。

• 第二，可解釋性問題?，F(xiàn)在 AI 可以計(jì)算海量大數(shù)據(jù)并且能夠?qū)崿F(xiàn)一定的感知，但是得出的結(jié)果是否正確呢？或許未來我們可以通過加入人的經(jīng)驗(yàn)來改善這個(gè)問題。

今天聽各位專家的報(bào)告很受啟發(fā)，我認(rèn)為通過各位同仁的努力，可以讓人工智能突破基礎(chǔ)研究上的難點(diǎn)并獲得更好的應(yīng)用。

王立軍院士：我主要研究激光芯片，近幾年隨著人工智能、信息感知的發(fā)展，也向通訊和信息感知（光電集成芯片）開展研究。我研究激光芯片幾十年，有一些自己的體會(huì)。

國內(nèi)芯片這些年發(fā)展比較緩慢，并且還處于受限于人的階段，為什么會(huì)出現(xiàn)這樣的局面？有以下幾個(gè)原因：

第一，芯片在研制過程中需要的設(shè)備費(fèi)非常巨大，一般單位承受不起；

第二，在時(shí)間上，做芯片需要踏踏實(shí)實(shí)幾年甚至是十幾年的功夫才能搞定的；

第三，我們最近幾年都追求盡快出成果，當(dāng)然本意是好的，但是有些東西要尊重事實(shí)，像這種大投入、見效慢的，一些政府機(jī)構(gòu)可能不是很愿意投的；

第四，做芯片的研究者尤其是年輕人也更愿意去投入一些見效快，馬上能出成果、出文章的研究。

現(xiàn)在我們國家意識(shí)到這些問題，也采取了一些舉措去攻克芯片問題。我相信幾年后，我們國內(nèi)在芯片這一塊會(huì)有重大的突破。

另外針對信息感知，我個(gè)人認(rèn)為下一步在光電、混合集成芯片方面是一個(gè)很重要的方向，它既把集成電路的技術(shù)和集成光學(xué)的技術(shù)進(jìn)一步集成，還把感知的軟件和光學(xué)的東西集成到一起，進(jìn)一步提高了可靠性，會(huì)對 AR 產(chǎn)業(yè)有很大的推動(dòng)。

張建偉院士：首先熱烈祝賀鵬城實(shí)驗(yàn)室在一年多內(nèi)取得這么大的成就，定義了未來幾個(gè)重要的方向之后，組織各方各業(yè)的研究者從交叉的角度來解決國際民生的重大問題，已經(jīng)成為了吸引產(chǎn)學(xué)研最高端人才聚集交流和頭腦碰撞的很重要的平臺(tái)。

今天聽了各位的報(bào)告后，我還想再強(qiáng)調(diào)幾點(diǎn)：

第一，打基礎(chǔ)。今天有專家談到了多模態(tài)的技術(shù)，從腦科學(xué)多模態(tài)的處理、芯片多模態(tài)的處理、圖像識(shí)別、圖片理解等等，多模態(tài)信息處理成為人工智能一個(gè)核心技術(shù)，也非常值得我們進(jìn)一步開發(fā)和研究。我 5 年前組織的跨模態(tài)學(xué)習(xí)項(xiàng)目就是中、德之間最大的研究項(xiàng)目，從腦科學(xué)、心理學(xué)、人工智能、機(jī)器人等多方面來組織研究人的多模態(tài)學(xué)習(xí)機(jī)制，然后做新的算法，最后用機(jī)器人來實(shí)現(xiàn)。

第二，人工智能下一步如何落地。我認(rèn)為除了提供人工智能基礎(chǔ)平臺(tái)之外，下一步要真正融入需求和垂直領(lǐng)域，深度融合，把加工鏈做深做長，做成世界級(jí)的知識(shí)產(chǎn)權(quán)和世界級(jí)的市場，使人工智能的價(jià)值更快產(chǎn)生。

第三，公共平臺(tái)交流、生態(tài)打造以及社會(huì)影響。現(xiàn)在地方政府也對開源和為企業(yè)提供平臺(tái)越來越重視，我認(rèn)為在深圳這塊創(chuàng)業(yè)熱土上一定能作出新的世界級(jí)的人工智能 Demo 樣機(jī)。

https://www.toutiao.com/i6773753853239099918/