人工智能前沿专场 | 瑰珀 & 休生伤杜

今年看着早鸟票（399）便宜，就又参加了一次CCF-GAIR。但疫情的影响很大，去年的诺奖嘉宾的豪华阵容就没见到。但主题和方向是更加专注。我前后三天，主要听了五个专场：人工智能前沿、机器人前沿、AIoT、企业服务、联邦学习与大数据隐私。

高文院士做的人工智能前沿专场的开场报告。具体内容见雷锋网的链接： https://www.leiphone.com/news/202008/d4Pyo7W4toBODSsK.html

总结了城市大脑1.0的一些问题，比如过度进行中心化的运算，导致能效比低下。比如低价值的数据存储和传送、浪费存储和带宽。

生物大脑，视觉信息很多在视网膜已经得到处理，不需要海量的信息送入大脑。所以这也是城市大脑2.0的进化方向。

合理分布算力于边缘节点，对数据有效提取，适当结构化后再送入中心节点。

这样就又进入了如何才是好的编码的问题。以目前的来看，编码是处理数据冗余的方式，无非是空间、时间和编码上的冗余。就中心的智能体的能力，则需要数据编码有利于深度学习的方式。

南大周志华教授相当的年轻，确实是非常有为的学术人才，他讲的题目倒不是他之前的成就，而是一个新的领域：Abductive Learning(反绎学习)。

高屋建瓴地将GPT-3评价为一种暴力美学，即堆砌算力的深度学习。均为已有技术，一次训练则要消耗1300万美元，一个小bug都只能靠后期处理，不能重来了。

这种风格只能由财大气粗的工业界来执行，学术界应当关心一些更前沿的研究。

将AI分成逻辑推理——即利用知识（人类可理解），机器学习——即利用事实（人类可类比，但不可理解）。

而反绎学习则是在一种并不完备的观察上，加上推测，而得出最可能的解释的方向。但反绎学习也有个前提，即知识或（事实）数据，至少有一个应是对的。

跟机器学习不一样的地方是：逻辑推理上无法使用梯度下降。

反绎学习强于人的学习及机器学习。

我发现自己对这个题目颇感兴趣，因为他将机器学习用于规则的猜测和补全，以求得到最合理的解释，这符合人类对未知的学习过程，也真正用算力增强了人类的思考过程。

黄铠的报告没什么新意，跟去年差不多。关于5G和IoT的表述对我来说也是老生常谈了。 https://airs.cuhk.edu.cn/zh-hans/news/12935

主要是说了一下对于运作跨5G，边缘计算，IoT的研究团队和研究环境的运作。

科大讯飞的胡郁的演讲，可以看到科大讯飞也跟其他AI企业一样，什么都做了。语音方面当然是特长。 https://www.leiphone.com/news/202008/FLnQGRn4bMW9Z3NY.html

印象最深刻的是其提出的“涟漪效应”，样本不足的情况下，训练质量上不去，于是就开放给公众使用，免费的，从中收集了大量样本，一来一回，多个涟漪后，AI的质量和真实效果也渐趋一致了。

下午场。

荀恩东的报告主要NLP领域中语义理解的一些方法介绍。过于专业和niche。示例能听明白，但操作上提不起兴趣。

何晓冬是京东的技术副总裁，应该是从MSRA挖过来的。

主要话题是人机对话以至人机交互系统方面。由于京东是全球顶尖电商，海量的销售、海量的客服，自然要求有越来越好的，甚至是能通过图灵测试的chatbot来降低客服的人力需求和提升客户对话质量。

同时也用到了多模态的其他数据，比如图片、视频、链接等，而不仅仅是对话的上下文，这样，各种AI技术自然就被使用上了，客服对话又有时延的要求，从而对AI的运算速度、性能也有要求。

遗憾的是，何总演示的视频中，似乎是专门演出来的，并不像是生产系统的真实使用。

陈长汶教授的内容与他的即将发表的paper一致：Internet of Video Things: Next Generation IoT with Visual Sensors.

我看这个报告也没有整理出网页，可能还真要看paper回顾了。

颜水成是依图科技的CTO，之前是360的人工智能研究院院长。

依图应该是觉得从事人工智能产业的其中一个层的工作竞争/内卷太苦了，于是从芯片、算法、场景落地一起做……他说了还多芯片该怎么做，芯片和算法怎么互动，AI运算环境中精度和速度的平衡等。

我觉得挺苦的，中国那么多人投入这个产业，而且都是极聪明的人，AI的落地主要还是缺乏商业驱动力，而技术型的聪明人则认为我干脆从头做到尾，依图如是，旷视、商汤等亦如是。

后面追思Thomas S. Huang的活动我就没参加了。