中國金融信息網訊9月10日-13日，2017世界物聯網博覽會在無錫召開，江南大學吳小俊教授在人工智能高峰論壇上表示，大數據人工智能有很多不同的視角，對于人工智能要找到簡單有效的方法，這是我們未來的發展路徑。

江南大學教授吳小俊發表演講

以下為演講全文:

謝謝主持人對我的介紹，我來自江南大學，今天我其實是為我的老師楊靜宇來補場的。大家都知道在大數據領域我們有很多機遇，比如說美國的智慧地球、聯合國的全球大數據脈動以及我們中國提出來的感知中國，實際上這都會給我們的大數據提供很多的機遇。所以我今天主要談一談大數據當中人工智能的一些思想，以及大數據時代下人工智能的若干視角，對人工智能未來的走向做一些判斷。

我這個PPT是臨時做的，所以非常不好意思。因為我考慮到今天有部分國外的嘉賓，所以我也采用了中英結合的方式來介紹。

大家都知道，在大數據時代，我們實際上有很多的機遇，我們提出來新的希望，事實上都會給我們大數據提供很多的機遇。所以如何面對抓住這些機遇，我想今天講大數據的概念，主要是談一談大數據當中的人工智能的一些方法和思想，以及希望通過大數據時代的人工智能一些視角，然后來對這些人工智能未來走向做一些判斷，這就是我今天要探討的人工智能發展觀。

無論是深度學習，還是我們大數據，其實都不是新東西，這個由于時間關系不解讀，我們每天都面臨大量的不同的數據，這個數據量增長速度非常地快。事實上我們對大數據的理解，無論是政府也好，我們的學術界也好，事實上都有一些問題。

大數據是數據集，如果有現成的數據工具能解決的話，就不叫大數據，所以事實上挑戰會非常多。大數據給我們挑戰，同時也給了我們很多機遇，所以有人對大數據特點給出一些總結。世界上主流的媒體都對大數據給予了很大的關心，都進行了關注。面向大數據時代的人工智能，主要是說我們有沒有一些新的方法來處理大數據。實際上我們面對大數據、人工智能，我們面臨一個非常矛盾的問題。

一方面，我們大數據，數據量大、復雜，數據稀疏關聯，所以一些簡單算法或許可以給出更好的結果。但是剛才柴院士前面也講了深度學習，深度學習是非常好的東西，大的模型有非常令人驚奇的效果，所以像AlphaGo，像我們的實時翻譯系統，都是帶給我們新的變化。但是這個事實上是有些矛盾，因此學術界最近正在將兩者進行融合，如何找到既簡單又很高效的大數據處理方法，對大數據處理方法主要的點有三個:領域的理解，如果你沒有領域知識，沒有辦法來處理大數據;要有數據，大數據的東西比較多，由于太大，會帶來很多挑戰;開發一些新的方法。有人對大數據的人工智能給出了一些解讀，事實上這個觀點跟柴院士觀點是一致的，人機融合，今后協同工作，使的我們大數據問題得到進一步解決。

下一步從物聯網、大數據聚類學習、智慧城市和深度學習四個緯度解讀一下大數據人工智能的一些新的趨勢。比如我們大家關心的物聯網，比如說我們的智能家居，智慧醫療，所以這里有很多人工智能問題，物聯網掀起了挑戰，人工智能就是新的一些技術，在物聯網當中人工智能其實可以說無處不在，我們人工智能主要技術都可以在物聯網當中得到很好的應用，比如說感知、定位、跟蹤、優化等等。

第二個就是數據的聚類。物以類聚、人以群分，因為是大數據，數據量非常大，我們如何進行區分?聚類是非常好的方法，聚類對我們的大數據分析非常重要，因為我們大部分數據都會有標簽，這個聚類分析既是老話題，又是一個新話題，為什么?

面對我們的大數據，聚類很難解決，面對幾百個這樣的聚類分析算法，如果認為現在的聚類方法跟過去是一樣的，那是一個大的錯誤。面對大數據的聚類分析，我們會有一些新的要求和新的思想方法論，比如說我們的抽樣、總結和聚合。我們希望隨著數據量不斷增長，我們的算法能夠很好的總結聚類特性，還可以對大數據進行適當的應用，這樣使得問題得到解決。對于復雜的圖象庫，用聚類分析可以做的非常好，我的團隊有博士生和青年教師正在做這個方面的研究。2014年由于無錫政府和江南大學的共同努力，使得我們無錫成為亞洲唯一的智慧城市，我們正在做一些這方面的研究。

我們陳校長所講的，在本月14號到17號在江南大學要召開智慧城市大會，智慧城市又涉及到非常多的方方面面，這些非常多的方方面面涉及到的數據，如何來進行處理，如何來為我們政府，最主要是如何提高我們民生，為我們的市民來有效的服務，這里面就有很多的大數據問題。這些大數據怎么辦，這是我們遇到的一些挑戰，最近我們在做一些智慧醫療方面的數據處理，大家到醫院去可以知道，先給你做各種各樣的檢查，檢查以后對各類數據來進行分析，最后做出結論。我們江南大學是教育部學校，通過教育部給我們的科技部提出了一些方案，就是國家重大研發計劃，明年初重大研發計劃就會發布，我覺得這就給我們在座的各位老師、各位同行創造了一些機遇，江南大學在重點研發計劃思路的設計上面是有一些貢獻的。

另外一個是深度學習，我們也在研究深度學習。大家知道深度學習是對大腦很簡單的模擬。在大腦當中，信息處理是從底層到高層，語言信息逐步明顯。我的理解和觀察是，在深入學習當中最重要的一個模型叫做卷積神經網絡(CNN)。CNN是一個寶藏，目前全世界人就像金礦一樣都去挖，每個人挖到的情況不一樣。江南大學用圖像表示，如果你觀察底層信息的時候，這個方面很有意思，我對近年來一些人工智能的期刊和會議，尤其是頂級會議和頂級期刊做了歸納和分析?，F在很多主流的人工智能期刊都不一樣，如果有時間愿意跟同行做一些交流。我總結一下，深度學習現在整體方向是什么?因為深度學習需要海量的計算資源，所以如何得到比較簡潔的資源，如何得到更好辨別性能的模型，以及在這個深度學習當中怎么樣獲取更多的語義信息，這將是深度神經網絡、深度學習一個很好的未來的方向和大家現在正在做的，我們也在里面做一些工作。

最后一個視角就是人臉特征識別，人臉特征識別是很重要的方面，我們做了透視等很多問題。2011年之前是限制環境下的人臉圖像，2011年至今是非限制環境下的人臉圖像。面對這樣一些問題，我們提出了一些方法，比如說我們把深度學習、神經網絡的特征提取做了一些工作，這個是我們發布的論文。同時我們把從深度學習當中，獲取的一些營養元素，利用叫做積累回歸的方法，來對人臉特征做一些研究，這個方面的一些研究也得到一些結果。有一些結果還是不錯，比如7月份在全世界競賽當中，江南大學和英國一家大學的合作成果，獲得了全世界第四名，還是非常令人滿意的。我們還有一些其他方面的工作，時間關系不再一一介紹。

對于大數據人工智能，尤其是視覺信息處理，我們遇到的挑戰是很多的，比如一些圖像怎么來理解，怎么樣用機器來理解。

回應我的主題，人工智能發展是否會存在極限，我初步回答一下。AI的初步目標是對人腦的模擬，AI的最高的目標是對人腦的擴充和超越，超越似乎是沒有極限的!人和機器的智能可能會不斷地相互超越，而人和機器共同思考和工作正是大數據時代AI的重要特征。AI發展極限也許不確定，也許不存在!

做一個總結，大數據從研究來看才是剛剛開始，我們面臨挑戰會非常多，不是說業界聲音越大，技術就越成熟。實際上我們遇到很多挑戰，大數據人工智能有很多不同的視角，我今天給出一些有限的視角，也是我們正在關注的問題。深度學習是對大腦很簡單模擬，同時又是非常暴力的，這種簡單而暴力的方法實際上離我們完成超越，還有非常多的路要走。深度學習應該說也不是人工智能發展的唯一，比如說有人最近提出來像寬度學習等等這樣的問題，我對人工智能的發展是否存在極限這樣的問題也做了個人的判斷和分析。

最后用愛因斯坦一句話，做的任何事情是要越簡單越好，但是不能過于簡單。這個啟發我們對人工智能尋找方法，我們既要找到簡單，但是又要非常有效的方法，所以這是我們未來一個發展路徑。非常感謝!(根據速錄整理，未經本人審閱)

更多資訊請關注工業以太網頻道