作者 | 叢末

編輯 | Tokai

站在2019年年末，這或許是本年度國內對人工智慧最後也是最大的一次把脈。

2019 年 12 月 20 日，由鵬城實驗室、新一代人工智慧產業技術創新戰略聯盟主辦的為期兩天的「新一代人工智慧院士高峰論壇」在深圳開幕。

這次會議延續去年強大的院士陣容，今年邀請了多達 10 位院士以及諸多人工智慧領域學術和企業界的頂級專家，從各自的領域深度剖析了人工智慧領域的發展現狀和未來值得探索的方向。

繼上次 AI 科技評論發表了蒲慕明、高文、張東曉、趙沁平、吳建平幾位院士及產業專家湯曉鷗、王海峰等人對人工智慧的深度把脈之後，

這次AI科技評論將分享張正友、顏水成、孫劍、陳熙霖、李世鵬和夏勤幾位業界人士對人工智慧的深度見解，同時，也有五位院士

中國工程院院士、同濟大學校長陳杰，

中國工程院院士、廣播電視技術專家丁文華，

中國工程院院士、通訊與資訊系統專家王沙飛，

中國科學院院士、鐳射與光電子技術專家王立軍，

德國漢堡大學資訊學科學系教授、德國漢堡科學院院士張建偉

對未來中國人工智慧發展的展望與建議。

我們一起來看。

1、張正友：機器人的智慧演進

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告嘉賓，帶來了主題為《機器人的智慧演進》的報告。

騰訊

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

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

「人工智慧目前還是初春，還不是非常智慧，存在很多問題。」話落下，他便以攝像機無法識別遮擋鏡頭的假影像為例指出目前人工智慧還只是從大量標註資料學習，泛化能力較差。

他認為，隨著感測器技術發展與充分應用，人與智慧化機器人共存的時代必然會來臨，這也是他選擇回國加入騰訊建立 Robotics X 機器人實驗室的重要原因。

張正友博士接著介紹了機器人的 6 個組成部分，包括本體、感知、執行器、動力系統、互動系統、決策。機器人的未來趨勢是自動化、智慧化，要在不確定的環境中自主決策。針對機器人的自主決策，他提出了 SLAP 正規化，即感測器和執行器要緊密結合，在學習和計劃模組的幫助下提升能力、做出決策。

針對智慧機器人技術未來的突破點，他再度提及去年分享過的「A2G 理論」，其中 ABC 是代表了機器人的基礎能力，A 是指機器人能看、說、聽以及理解，B 是機器人本體，C 是自動控制；而 DEF 是指更高一層的機器人能力，D 是進化學習，E 是情感理解，F 是靈活操控；最後一層——G 則是表示守護人類。這對更先進、更智慧的機器人提出了要求，而機器人的最終目標是要服務於人。

最後，張正友表達了對機器人發展的願景，那就是人機共存、共創、共贏，為此，需要從「用機器人增強人的智力、關懷人的情感、發揮人類體能潛力、實現人機協作」四個方面來建立這種未來。

2、顏水成： Transform AI into Affordable Intelligence

同樣是二次出席人工智慧院士高峰論壇的報告嘉賓還有依圖科技技術長，IEEE、IAPR Fellow 顏水成博士。他在主題為《Transform AI into Affordable Intelligence》演講中，指出了讓人工智慧變為「Affordable Intelligence」所面臨的挑戰，並從晶片和模型的角度分享了一些工作進展。

依 圖科技技術長，IEEE、IAPR Fellow 顏水成

顏水成提到，一個 AI 創業公司以及大廠 AI 實驗室的核心使命是實現 AI 的真正落地，這就需要解決兩個方面的問題：

• 第一個是演算法，一方面是要保證演算法「可以用」，即精度足夠高，能夠真正解鎖一個場景；另一方則是演算法要「足夠用」，因為現在很多場景僅憑單模態的演算法已經無法提供使用者滿意的解決方案。

• 第二是算力，一方面是要讓使用者「買得起」，比如用於支撐計算的 AI 晶片，它的併發效能要足夠高；另一方面是要讓使用者「用得起」，即這種算力要保證功耗足夠低，不然即便使用者買回家也可能因為資料中心的電費過高而無法使用。

隨著人工智慧在越來越多的場景中得到使用，而隨著技術上已經達到可以用的階段，現在除了對算力和演算法的要求越來越高，也更多地從「Affordable」的角度去考量。

顏水成博士進一步指出，研究表明，訓練和測試人工智慧模型所需要的算力，每三個半月就會翻一番，這個比摩爾定律已經快了很多。正如今年剛開完的 NeurIPS 會議上，大家比較關注的一件事情就是：當 AI 應用得越來越多，其帶來的電力消費也越來越高，這會不會對環境產生影響呢？

所以要真正讓 AI 在一個場景落地，最關鍵的兩個引擎是：

• 第一個引擎是高效能的 AI 模型，這是演算法的維度。要想獲得一個高效能的 AI 模型有兩種做法，一種是基於不同 Motivation 的模式，另一種是基於 NAS（神經網路架構搜尋）的模式。針對這一點，主要是希望能夠解決研究和應用中的「Affordable」問題。

• 第二個引擎是高效能的 AI 晶片，這是算力的維度。針對這一點，晶片廠商首先要遵循演算法和晶片原則，確保晶片在足夠大的使用場景中達到很高的效能；其次要預測領域中最前沿的演算法發展趨勢，確保接下來幾年時間這款晶片能「發揮所長」；最後要讓使用者的建設成本足夠低並用得起。

最後，他總結道，AI 在越來越多的場景得到應用，並且追求的精度和目標越來越高，這就對演算法和算力提出了越來越高的要求。而這時，AI 的「Affordable」問題就會變得越來越重要。

並且，如果要把 AI 轉換成「Affordable Intelligence」的話，高效能的 AI 模型和高效能 AI 晶片則是推動這一轉換的雙引擎，只有這樣才能讓我們最終的使用者能夠「買得起」和「用得起」。

3、孫劍：視覺計算的前沿進展

曠視首席科學家、何梁何利基金獎獲得者孫劍博士以《視覺計算的前沿進展》為題，重點從卷積神經網路和計算機視覺技術本身介紹了計算機視覺的研究歷程與進展。

曠視首席科學家、何梁何利基金獎獲得者孫劍

卷積神經網路開始得比較早，上世紀 80 年代日本就有教授提出這樣的概念，並得以發展。而後續針對卷積神經網路的研究工作，主要圍繞四個問題開展：

第一個是神經網路的卷積問題。現在大家用的比較多的是 3×3 或 5×5 的卷積，而卷積此前經歷了 AlexNet 網路、GoogleNet 網路、Facebook 提出的 faster R-CNN、曠視科技提出的 ShuffleNet V1/V2 等等，當前最新的研究進展則是動態卷積/條件卷積。

第二個是神經網路的深度問題。這是困惱神經網路多年的問題，當網路的深度不夠大時，就很難實現網路的訓練。神經網路最開始的深度是 8 層，過了兩年後增加到了 20 層，再之後微軟提出的深度殘差網路將深度增加到了 152 層，其採用殘差網路的思想能夠得到好的訓練結果。

第三個是神經網路的寬度問題。當深度學習複雜度超過一個點時，模型越大，訓練和測試的錯誤率反而會同時下降，跟我們傳統機器學習的認知不同，這其實跟網路的寬度有關。目前比較新的兩個方向：一個是從 Kernel 的角度著手，另一個是嘗試剪枝的方法，例如 MetaPruning。

第四個是神經網路的大小問題。一般來說，在訓練過程中神經網路的大小是不變的，然而研究發現，當在訓練中讓神經網路的大小變化時，能夠實現更好的網路效能。

針對計算機視覺技術本身，孫劍博士則重點選擇了目標檢測這一方向，分享了目前研究中所存在的一些問題和進展：

第一，當影像中的物體隔得很近時，檢測技術就無法精確檢測到單個物體；

第二，計算架構的設計問題，對此，曠視提出了輕量級的兩階段目標檢測器——ThunderNet，設計了多尺度架構的融合，在 ARM 裝置上的執行速度非常快。

最後，孫劍還指出了計算機視覺應用中的幾個最重要並且投入最多的關鍵問題：

• 第一，火災等特殊場景的資料非常難收集，並且很難透過資料增強的方式獲得；

• 第二，對於新的研究方法如自監督方法的需求；

• 第三，遮擋問題，雖然現在對此也有一些工作進展，但是深度學習還無法完全解決這個問題；

• 第四，深度學習和計算機視覺技術還無法很好連續追蹤同時處於動態的多個物體；

• 第五，視覺控制問題，比如說現在還無法透過視覺反饋來連續控制機器人或機械臂；

• 第六，現實應用中要實現低成本、易部署以及安全面臨的挑戰還很大；

• 第七，現有方法還無法實現高精度的預測問題。

4、陳熙霖：邁向可理解的計算機視覺

中科院計算所研究員，ACM、IEEE、IAPR Fellow 陳熙霖本次也作為報告嘉賓，帶來了主題為《邁向可理解的計算機視覺》的報告。他在報告中也從他的視角分享了計算機視覺領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，並對於計算機視覺的未來發展給出了自己的想法。

中科院計算所研究員，ACM、IEEE、IAPR Fellow 陳熙霖

他指出，計算機視覺從提出概念到現在已有差不多半個世紀，主要歷經了馬爾計算視覺、主動和目的視覺、多視幾何與分層三維重建、基於學習的視覺這四個階段。該領域雖然取得的進展很明顯，然而也帶來了一些問題，就比如評測基準的出現。

「之前大家在研究上彼此之間沒有比較，即便發了論文，但是結果可能在原地踏步，於是後來有了評測基準，然而帶來的一個壞處就是，現在的研究者尤其是學生就只顧著去「刷榜」了，這其實並不是在做真正的研究。所以這是一個很大的問題。」

他認為，在做計算機視覺研究上，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，當前計算機視覺研究還面臨著兩大嚴峻問題，

一是研究處於一個「封閉的世界」，這既體現新資料無法得到及時更新，無法從其他領域借用知識，也無法真正理解物體之間的真正聯絡；

二是無法很好地處理開放世界的問題，比如說無法區分現實世界的語言和語義上的區別等。

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，可遷移的對比學習以及利用上下文方面進行了一系列探索和工作。

最後他總結道，過去 50 多年時間裡，計算機視覺在應用上實現了很多成功，那未來將如何呢？——未來計算機視覺研究會朝著可理解的方向發展，即技術背後的知識會扮演更加重要的作用。

5、李世鵬：萬物互聯，集智過人

國際歐亞科學院院士、深圳市人工智慧與機器人研究院副院長、IEEE Fellow 李世鵬在題為《萬物互聯，集智過人》的演講中，重點回顧了 IoT（智慧物聯網）到 AIoT（人工智慧物聯網）再到 IIoT（智物聯網）的發展歷程。

國際歐亞科學院院士、深圳市人工智慧與機器人研究院副院長、IEEE Fellow 李世鵬

李世鵬認為，拋開其他因素，現在的人工智慧時代主要包括四個基本因素：AI、人、機器人和 IoT。其中，人是處於中心的因素，人跟智慧的互動叫人機耦合或者是人機協作，人跟 IoT 結合在一起是物理的智慧，人跟 AI 放在一起就是虛擬的場景。

而整個 IoT 的發展歷程可分為三個階段：

第一個階段是 IoT 最基本的階段。所有能連上網、能傳送資料的裝置都叫 IoT 裝置，主要是關注在裝置之間的連線問題、資料的採集跟通訊的問題。人則主要透過指令命令或者遙控跟 IoT 裝置進行互動。這個階段的智慧程度很低，基本上只能做 IFDtt 這種型別的條件控制。

第二個階段叫做 AIoT，這個名詞並不是國際提出來的，是一箇中國特色的概念。上一階段的 IoT 基本沒有智慧，對資料的應用也很簡單或者只停留在表面，而這個階段則對 IoT 產生資料進行智慧處理。一方面，使用者對 IoT 裝置的互動變得越來越智慧；另一方面，對採集的資料不僅僅停留在原始資料的解釋方面，而是把資料結合在一起，然後形成一些新的知識。在這個階段，AIoT 總有一個集中的控制器來控制所有的 IoT 裝置，因為它需要這樣一個大腦來進行總體的控制。

第三個階段也就是 IIoT（智物聯網）。在上個階段，獨立的智慧物體本身有一定的智慧，而且在很多時候可以獨立運作。而這個階段要探討怎樣把有智慧和獨立的智慧體之間的智慧聯合起來以及聯合在一起又能形成什麼智慧呢？人和機器之間的關係成為了比較平等的合作關係。

李世鵬認為，IIoT 帶來的聚合智慧的演變正在發生，這一趨勢可能會打破人工智慧行業的一些現有障礙，並最後可能為未來基於因果關係的 AI 框架鋪平道路。

6、夏勤：雲大為美——高效能運算晶片的現在和未來

華為海思首席晶片規劃師、海思圖靈產品管理部部長夏勤以《雲大為美——高效能運算晶片的現在和未來》為題，分享了關於高效能運算晶片的現在與未來的思考，並以華為的昇騰晶片和鯤鵬晶片為例，探討了高效能晶片設計方面的問題。

華為海思首席晶片規劃師、海思圖靈產品管理部部長夏勤

夏勤表示，高效能運算晶片已成為晶片領域非常熱門的方向，這個領域也產生了很多新的理論和新的技術，現在該領域的工程師無非在解一個三元方程，包括三個維度：效能、成本、易用性。如果從單一維度來看很容易解，但是如果要實現真正的量產，則必須同時解決好以下三個問題：

第一，核設計問題，可以往提升主頻、多核以及微架構（指令集）三個方向探索。比如在多核方向上，華為目前已經推出了從 8 核到 16 核再到 64 核的晶片；在微架構上，華為的鯤鵬 920 晶片對指令集做了一些像亂序、指令預取這樣的措施去提升效能，獲得了比較好的結果。

第二，片內設計問題，對此，華為在晶片上做的最佳化工作包括採用最新工藝減小晶片面積，提高良率，進而降低成本。

第三，外圍介面問題，在這個方面，華為在晶片的記憶體通道介面，包括介面速率、多 IP 互聯、加速器上都做了非常多的創新。

除此之外，AI 晶片的設計在軟體方面也面臨著前所未有的挑戰：首先，基於 AI 的計算要求更大的並行處理能力；其次，AI 晶片和 CPU 晶片非常大的差異點在於前者是真正意義上的異構計算；最後在 AI 軟體棧的建設上也面臨很大挑戰，例如華為鯤鵬軟體棧到昇騰軟體棧的開發過程，複雜度和難度就非常高。

她進一步總結了未來晶片設計的趨勢：

第一，未來單執行緒和單核效能會不斷提升，同時針對指令 集 會有更多的定義出現，此外隨著 ARM 的蓬勃發展，也會為未來的使用者自定義提供了很大的空間，從而較大地改善晶片的整體效能；

第二，在記憶儲存上，雖然現在還沒有出現比較好的技術，但在記憶體介面以及整個記憶體架構的重新定義還有很多探索空間；

第三，新的標準和介面技術的突破，這個方面會有新的技術嘗試，但是成果會出來得慢一些；

第四，靈活的電源管理，未來隨著異構計算的到來，低負載、低功耗的調優技術會變得非常重要。

「AI 未來有很多可以發展的方向，並且不是單維度的發展方向，雖然現在我們還不知道真正的 AI 時代何時會到來，但是我認為算力、協同、應用是整個 AI 技術未來能夠走向全面商用的三個關鍵維度。」

7、五院士 共論 AI 未來

第二場院士圓桌會在當日下午舉行，由中國工程院院士、同濟大學校長 陳杰主持。中國工程院院士、廣播電視技術專家 丁文華，中國工程院院士、通訊與資訊系統專家 王沙飛，中國科學院院士、鐳射與光電子技術專家 王立軍，德國漢堡大學資訊學科學系教授、德國漢堡科學院院士 張建偉四位院士，結合當日主題演講內容各抒對未來中國人工智慧發展的展望與建議。

丁文華院士：此次大會內容豐富，體現出中國人工智慧在各領域都有了非常大的進展。今年的演講內容涉及演算法、應用、資源，大家都在各自研究方向上實現了突破。我相信透過鵬城實驗室這個平臺，能夠聚集全國乃至全球的人工智慧領域的高階專家和人才共同交流和推進整個人工智慧技術的發展。

王沙飛院士：我認為現在整個人工智慧的發展還需要經過一個漫長的階段，有這麼幾個方面的挑戰和問題：

• 第一，現在人工智慧的技術在落地應用場景時，在智慧推理方面還存在很多問題，人工智慧還很難像人一樣對未知的場景或者目標進行智慧推理。

• 第二，可解釋性問題。現在 AI 可以計算海量大資料並且能夠實現一定的感知，但是得出的結果是否正確呢？或許未來我們可以透過加入人的經驗來改善這個問題。

今天聽各位專家的報告很受啟發，我認為透過各位同仁的努力，可以讓人工智慧突破基礎研究上的難點並獲得更好的應用。

王立軍院士：我主要研究鐳射晶片，近幾年隨著人工智慧、資訊感知的發展，也向通訊和資訊感知（光電整合晶片）開展研究。我研究鐳射晶片幾十年，有一些自己的體會。

國內晶片這些年發展比較緩慢，並且還處於受限於人的階段，為什麼會出現這樣的局面？有以下幾個原因：

第一，晶片在研製過程中需要的裝置費非常巨大，一般單位承受不起；

第二，在時間上，做晶片需要踏踏實實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儘快出成果，當然本意是好的，但是有些東西要尊重事實，像這種大投入、見效慢的，一些政府機構可能不是很願意投的；

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

現在我們國家意識到這些問題，也採取了一些舉措去攻克晶片問題。我相信幾年後，我們國內在晶片這一塊會有重大的突破。

另外針對資訊感知，我個人認為下一步在光電、混合整合晶片方面是一個很重要的方向，它既把積體電路的技術和整合光學的技術進一步整合，還把感知的軟體和光學的東西整合到一起，進一步提高了可靠性，會對 AR 產業有很大的推動。

張建偉院士：首先熱烈祝賀鵬城實驗室在一年多內取得這麼大的成就，定義了未來幾個重要的方向之後，組織各方各業的研究者從交叉的角度來解決國際民生的重大問題，已經成為了吸引產學研最高階人才聚集交流和頭腦碰撞的很重要的平臺。

今天聽了各位的報告後，我還想再強調幾點：

第一，打基礎。今天有專家談到了多模態的技術，從腦科學多模態的處理、晶片多模態的處理、影像識別、圖片理解等等，多模態資訊處理成為人工智慧一個核心技術，也非常值得我們進一步開發和研究。我 5 年前組織的跨模態學習專案就是中、德之間最大的研究專案，從腦科學、心理學、人工智慧、機器人等多方面來組織研究人的多模態學習機制，然後做新的演算法，最後用機器人來實現。

第二，人工智慧下一步如何落地。我認為除了提供人工智慧基礎平臺之外，下一步要真正融入需求和垂直領域，深度融合，把加工鏈做深做長，做成世界級的智慧財產權和世界級的市場，使人工智慧的價值更快產生。

第三，公共平臺交流、生態打造以及社會影響。現在地方政府也對開源和為企業提供平臺越來越重視，我認為在深圳這塊創業熱土上一定能作出新的世界級的人工智慧 Demo 樣機。