一文看懂第十九届“二十一世纪的计算”大会

人工智能正在掀起前所未有的全球风暴，热度和泡沫之下，真实的人工智能究竟是什么样？10月19日，多位全球计算机科学和人工智能学术领域的大师级人物一齐亮相由微软亚洲研究院与哈尔滨工业大学联合主办的第十九届“二十一世纪的计算”大会，分享他们各自在人工智能领域的观察和思考，共同探索人工智能的未来之路。

以下是大会主讲嘉宾的演讲内容精要，完整演讲内容将于后期陆续推出。

Peter Lee: 工匠力量改变人类社会

AI技术在棋类、游戏、自动化、医学等各个领域正带来难以置信的发展，但是目前看来，很多影响AI普及和应用的限制条件仍然存在。从欧洲工艺美术运动创始人William Morris所主张的“手工艺人”与艺术普及之间的矛盾，再谈到中国古代可抵千金的丝绸和玉器，微软全球副总裁Peter Lee将AI的所面临的现实情况娓娓道来：一方面大众都认可AI的普及会大大促进社会和商业的发展，而另一方面当前的AI还严重依赖稀缺且昂贵的AI“手工艺人”。

确实，近年来AI正在以前所未有的惊人速度向前推进。Peter认为机器学习是目前AI所取得一系列成就的基础，机器通过大数据来学习经验。输入到机器学习系统里的训练数据越多，基于系统生成的模型就会越完美。除大数据以外，强大的计算能力和算法支撑也是AI技术厚积薄发的核心力量。

在AI基础研究和产品应用双双取得重大进展时，Peter表示我们必须意识到AI开发还严重依赖需要经过特过训练的的AI“手工艺人”或者“工匠”，“手工AI”时代的根本性质仍然没有发生改变。因此，未来我们需要更多的AI工匠，创造出人人皆可用的AI技术。

John Hopcroft: 人工智能革命

1986年图灵奖获得者、康奈尔大学计算机系教授John Hopcroft教授是公认的计算机领域超级大师，他介绍到，深度学习是支持向量机（SVM）之后机器学习领域的重大发展，并以适用于图像识别的卷积神经网络介绍了深度学习模型的构成，指出了在高维空间里找到更优的局部极小值点和神经网络模型的训练加速问题等前沿研究方向。

人工智能热潮已经在全球范围内铺展开来，但事实上，我们离实现真正的人工智能还很远。首先，深度神经网络可以在某些特定任务、特定数据集上达到甚至超过人的水平，但那还远远不够；其次，当前的人工智能只是高纬空间的模式识别，比如，图像识别并没有理解物体的本质及其用途；最后，并不是所有的智力相关的任务都需要人工智能，因此，处理人工智能相关工作不仅需要技术加持，更需要把握问题核心。

Lise Getoor:  从图数据中获得有效推理

我们正处于数据爆炸的时代，图数据无处不在。然而，数量并不代表质量，大数据分析的挑战之一就在于如何能够合理利用大型、异构、不完整且带有噪音的集成数据进行合理推论。

图数据是加州大学圣克鲁兹分校计算机科学系教授Lise Getoor一直以来的研究对象，她介绍了一些图数据所需的常见推理模式，例如为缺失标签的节点做标签预测的协同分类（collective classification），给出数据里隐含的连接节点的边的连接预测（link predictions），以及判断两个节点是否为同一实体并进行合并的实体分辨（entity resolution），以及用于解决这些重要问题的一种技巧，概率软逻辑（probabilistic softlogic, PSL）。

Raymond Mooney: 深度学习革命

近年来深度学习在很多非常有挑战性的AI问题上取得了长足的进展，包括语言识别、图像识别、机器翻译、棋牌游戏等等。常年从事机器学习研究的德克萨斯大学奥斯汀分校计算机科学系教授Raymond Mooney选择深度学习作为切口，指出深度学习在目前看来有些“言过其实”，它带有明显的局限性，还不能真正解决AI。

在简要梳理了机器学习的发展史（从单层神经网络到知识工程、从多层神经网络和符号学习到贝叶斯学习和和方法、以及深度学习的复兴）之后，Raymond 列举了现今深度学习的三大推动力：算法、计算力和大数据，以及由此产生的几大制约因素，包括从无标签数据中学习，压缩模型的规模等。除此之外，深度学习系统还在面对针对性构建的恶意样本时仍然非常脆弱。

深度学习火热带来的的影响是革命性的，在包括计算机视觉、机器翻译和语音识别以及视频和棋牌游戏等多个方面取得成功。在深度学习吸引绝大部分注意力时，符号学作为机器学习的一个分支同样需要关注，二者结合才能真正实现人工智能。

滕尚华: 大数据时代的可扩展算法

身处大数据时代，我们对高效算法的需求比先前任何时候都要突出。南加州大学计算机科学与数学系教授滕尚华教授指出，数据体量的剧增使得人们对高效算法的定义发生转变，原有的多项式时间算法分析体系高效的算法可能不再适用于解决今天的问题，如今，我们要求算法是可扩展的，或者说是有线性、次线性复杂度的。而设计具有可扩展性的算法，需要借助一些技巧，例如拉普拉斯范式。这类技巧包括局部网络探索、高阶抽样法、稀疏化以及图分割等。

大数据时代的算法分析——网络分析如今有如下几个应用领域：图模型的抽样、网络集中度估计、社交影响最大化以及随机行走的稀疏化等。

洪小文: 探索机器和人类学习的方式

我们已经进入持续学习的时代，从“无所不知”到“无所不学”。微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文博士表示，随着人工智能对社会的影响越来越大，更多挑战需要人们去研究、去攻克，无论是机器还是人类都需要提升技能、跟紧脚步。

对于计算机而言，人类在不断探寻新思路帮助机器实现更高效的学习。深度学习往往需要大规模的标记数据，成本要求也相应提高，我们提出了新的学习范式——对偶学习来降低对大规模标注数据的依赖性。此外，自增强学习方法利用未完成训练的卷积神经网络对无标签数据进行测试，生成增强数据进行训练。

机器还可以在多方面帮助人们学习，例如提供学习建议和案例，作为语言学习的辅助手段。他以旨在帮助初学者提高口语水平的微软小英为例，介绍了语音识别、语音合成、自然语言理解、机器翻译、机器学习、大数据分析等人工智能前沿技术如何能够辅助人类学习。AI还可以有艺术创造力：创作诗歌、歌词以及音乐，对图片进行风格转换等。在这方面，微软运用生成式对抗网络训练小冰创作诗歌，还利用「风格基元」（StyleBank）、端到端在线视频风格迁移模型等对图像、视频等素材进行艺术化创作。

更多更详细的大会主讲嘉宾演讲内容及演讲视频将于近期陆续上线，敬请期待。

你也许还想看：

感谢你关注“微软研究院AI头条”，我们期待你的留言和投稿，共建交流平台。来稿请寄：[e-mail]。