“技术创新的使命就是要带来更大的社会价值，避免社会发展的分化，促进社会和谐发展。”陆伙仁是广东清远英德市连樟村的一名普通村民，这里曾被列为广东省省定贫困村，孩子们常年在外打工，他和他老婆相依为命，而他每年大量的时间都用在陪老婆去大城市看病。“我老婆同我一样都是78岁。她有三四种病，高血压、冠心病、糖尿病、心脏血管堵塞。半个月又回去医院了。挂号好难的，今天排不到就明天来，明天排不到后天来。”— —陆伙仁而对于从医20多年的乡医邓建文来说，也只能是心有余而力不足。“我们村里有530户人，大部分老人都是有一种或者好几种慢性病，经常病情都会有变化，所以我每天都在那里跑，到他们家里去看。小病我还能看，有些重的病还得往城里送。”— —邓建文2019年，连樟村成为全球第一个部署5G网络的乡村，2020年，连樟村也率先启动了数字乡村建设探索。广州，广东省第二人民医院的专家们开始对口帮扶连樟村的村民们，通过5G远程动态心电，可以让远方的专家实时查看村民的心电监测，还可以为村民进行远程心电诊断。5G网络部署之后，更多的创新应用不断涌出，5G支持的远程B超，可以让城市里有经验的医生通过5G网络实时传送的高清B超影像，来指导当地的医生操作B超设备，给当地的患者提供及时的检查和诊断服务。在过去传统的模式下，医生、病人和设备需要在一个地点才能完成的医治工作，由于有了5G网络，现在可以分隔在相距千里的不同地点来进行。极大地缓解了医疗资源不平衡和紧缺的问题。5G这样的数字技术像催化剂一样，使得远程听诊、远程移动CT也正在进入一些医院，5G使能的医疗服务让更多偏远地区的人能够平等地享受到高质量的医疗服务。5G网络的部署，也给了偏远地区的孩子们享受公平教育的机会，连樟村的孩子们，通过华为企业智慧屏，以线上课堂，远程授课方式与广东实验中学（广东省教育厅直属重点中学，国家级示范高中）的名师进行面对面对话、学习；通过VR眼镜，以虚拟现实方式“游历”大千世界，学习科技知识，开拓视野。技术创新正在为我们打开无数的“窗”，给我们点亮更美好的未来。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

转载https://blog.csdn.net/r6Auo52bK/article/details/101088166原文编注：近日，中科院院士、清华大学人工智能研究院院长张钹教授接受记者采访时认为，目前基于深度学习的人工智能在技术上已经触及天花板。从长远来看，必须得走人类智能这条路，最终要发展人机协同，人类和机器和谐共处的世界。未来需要建立可解释、鲁棒性的人工智能理论和方法，发展安全、可靠和可信的人工智能技术。张钹院士：AI奇迹短期难再现 深度学习技术潜力已近天花板在Alphago与韩国围棋选手李世石对战获胜三年过后，一些迹象逐渐显现，张钹院士认为到了一个合适的时点，并接受了此次的专访。深度学习目前人工智能最受关注的领域，但并不是人工智能研究的全部。张钹认为尽管产业层面还有空间，但目前基于深度学习的人工智能在技术上已经触及天花板，此前由这一技术路线带来的“奇迹”在Alphago获胜后未再出现，而且估计未来也很难继续大量出现。技术改良很难彻底解决目前阶段人工智能的根本性缺陷，而这些缺陷决定了其应用的空间被局限在特定的领域——大部分都集中在图像识别、语音识别两方面。同时，在张钹看来，目前全世界的企业界和部分学界对于深度学习技术的判断过于乐观，人工智能迫切需要推动到新的阶段，而这注定将会是一个漫长的过程，有赖于与数学、脑科学等结合实现底层理论的突破。作为中国少有的经历了两个人工智能技术阶段的研究者，张钹在过去数年鲜少接受采访，其中一个原因在于他对目前人工智能技术发展现状的估计持有部分不同看法，在时机未到之时，张钹谨慎的认为这些看法并不方便通过大众媒体进行传播，即使传播也很难获得认同。       一、“奇迹并没有发生，按照我的估计，也不会继续大量发生”               经济观察报：您是如何估计和评价目前人工智能发展的现状？张钹：这一轮人工智能热潮是本世纪初兴起的。首先是出现在学术界。学术界过去对人工智能是冷遇的，但是多层神经网络的出现带来了一些改变，神经网络的理论在上世纪50年代就有了，但是一直处于浅层的应用状态，人们没有想到多层会带来什么新的变化。真正引起大家注意的就是2012年斯坦福的实验（注：2012年谷歌和斯坦福利用多层神经网络和大量数据进行图像识别的实验），过去实验的图像样本数最多是“万”这个级别，斯坦福用了1000万，用多层神经网络来做，结果发现在人脸、**、猫脸三个图像类别中，这个模型的识别率大概有7%-10%的提高。这给大家非常大的震动，因为通常识别率要提高1%要做好多努力，现在只是把层数增加了，竟然发生两大变化，一个是识别率提高这么多；第二个是能处理这么大数据。这两个变化给大家非常大的鼓舞，何况在2012年之前，人工智能没有解决过实际问题。经济观察报：这种突破的原因是什么？张钹：现在分析下来是三个原因，大家也都非常清楚了，一个大数据、一个是计算能力、一个是算法。认识到之后，一夜之间业内业外对深度学习都非常震动，然后就发生了三件历史性的事件。第一件事是2015年12月，微软通过152层的深度网络，将图像识别错误率降至3.57%，低于人类的误识率5.1%；第二件事，2016年微软做的语音识别，其词错率5.9%，和专业速记员水平一样；第三件事：Alphago打败韩国围棋选手李世石。通过人工智能，利用深度学习、大数据这两个工具，在一定条件下、一定领域内竟然能够超过人类，这三件事情给大家极大的鼓舞。特别是对于业外的人，都认为我只要掌握了大数据，利用深度学习说不定还能搞出奇迹来，于是大家做了很多很多预测，比如在多短时间内计算机会在什么事情上能超过人。但实际上，在这个之后，奇迹并没有发生，按照我的估计，今后也不会大量发生。准确一点说，今后或许会在个别领域取得进展，但是不会像之前预计的那样全面开花。特别是中国市场乐观的认为“中国市场大、数据多，运用又不受限制，所以将来奇迹一定会发生在中国”。结果很多企业在做的时候发现，不是那么回事。从目前的情况来看效果最好的事情还是这两件：图像识别、语音识别。我看了一下，中国人工智能领域20个独角兽30个准独角兽企业，近80%都跟图像识别或者语音识别有关系。经济观察报：为什么会出现这样的情况？或者说在这么长时间后，我们对人工智能目前能做什么有一个清晰的认识了吗？张钹：人工智能在围棋上战胜人类后产生了这种恐慌，“大师才能做的事，人工智能居然能做，我的工作这么平凡，肯定会被机器所替代”。这里需要考虑一下它的局限性，我一直在各种各样的会上谈到不要过于乐观。人工智能能做的那三件事（语音识别、图像识别、围棋）是因为它满足了五个条件，就是说只要满足了这五个条件，计算机就能做好，只要有任何一个或者多个条件不满足，计算机做起来就困难了。第一个是必须具备充足的数据，充足不仅仅是说数量大，还要多样性，不能残缺等。第二个是确定性。第三个是最重要的，需要完全的信息，围棋就是完全信息博弈，牌类是不完全信息博弈，围棋虽然复杂，但本质上只需要计算速度快，不要靠什么智能，可是在日常生活中，我们所有的决策都是在不完全信息下做的。第四个是静态，包括按确定性的规律演化，就是可预测性问题，在复杂路况下的自动驾驶就不满足这一条；实际上它既不满足确定性，也不满足完全信息。第五个就是特定领域，如果领域太宽他做不了。单任务，即下棋的人工智能软件就是下棋，做不了别的。经济观察报：就是说在满足这五个条件的前提下，目前的人工智能是胜任部分工作的？张钹：如果你的工作符合这五个条件，绝对会被计算机替代，符合这五个条件的工作特点很明显，就是四个字“照章办事”，不需要灵活性，比如出纳员、收银员。如果你的工作富有灵活性和创造性，计算机绝对不可能完全代替，当然部分代替是可能的，因为其中肯定也有一些简单和重复性的内容。如果认识到这一条就会认识到人工智能仍处于发展阶段的初期。不是像有些人估计的那样“人工智能技术已经完全成熟，而进入发展应用的阶段”。二、“深度学习技术，从应用角度已经接近天花板了”      经济观察报：我们应该怎么去定义目前的深度学习技术路线，它是基于概率学的一个事物吗？张钹：       现在的深度学习本质是基于概率统计       ，什么叫做概率统计？没有那么玄，深度学习是寻找那些重复出现的模式，因此重复多了就被认为是规律（真理），因此谎言重复一千遍就被认为真理，所以为什么大数据有时会做出非常荒唐的结果，因为不管对不对，只要重复多了它就会按照这个规律走，就是谁说多了就是谁。我常常讲我们现在还没有进入人工智能的核心问题，其实人工智能的核心是知识表示、不确定性推理这些，因为人类智慧的源泉在哪？       在知识、经验、推理能力，这是人类理性的根本。       现在形成的人工智能系统都非常脆弱容易受攻击或者欺骗，需要大量的数据，而且不可解释，存在非常严重的缺陷，这个缺陷是本质的，由其方法本身引起的。经济观察报：就是说通过改良的方式无法彻底解决？比如我们再增加神经网络层数和复杂性或者再提升数据的量级，会解决它的缺陷吗？张钹：       改良是不行的，深度学习的本质就是利用没有加工处理过的数据用概率学习的“黑箱”处理方法来寻找它的规律，这个方法本身通常无法找到“有意义”的规律，它只能找到重复出现的模式，也就是说，你光靠数据，是无法达到真正的智能。      此外，深度学习只是目前人工智能技术的一部分，人工智能还有更大更宽的领域需要去研究，知识表示、不确定性处理、人机交互，等等一大片地方，不能说深度学习就是人工智能，深度学习只是人工智能的一部分。一直到去年人工智能大会交流的论文还是三分之一是机器学习方面，三分之二是其他方面。经济观察报：学界在这上面还是有一个比较清晰的认识？张钹：       我可以这么说，全世界的学界大多数有清晰的认识；       全世界的企业界大多持过于乐观的估计。            为什么出现这样的情况呢？因为从事过早期人工智能研究的人，大多已经故去或者年老，已经没有话语权。现在活跃在人工智能研究第一线的都是深度学习、大数据兴起以后加入的，他们对人工智能的了解不够全面。经济观察报：如果说每一个技术路线都有一个“技术潜力”，那么在深度学习方面，我们已经把这个潜力用了多少？张钹：       科学研究是很难精确估计的，但是深度学习如果从应用角度，不去改变它，我觉得已经接近天花板了，就是说你要想再出现奇迹的可能性比较小了。经济观察报：那基于此，目前商业公司在底层技术和产业应用上还是有很大的空间吗？张钹：只要选好合适的应用场景，利用成熟的人工智能技术去做应用，还有较大的空间。       目前在学术界围绕克服深度学习存在的问题，正展开深入的研究工作，希望企业界，特别是中小企业要密切注视研究工作的进展，及时地将新技术应用到自己的产品中。当然像谷歌、BAT这样规模的企业，他们都会去从事相关的研究工作，他们会把研究、开发与应用结合起来。经济观察报：有一种观点认为我们强调的“白盒”（可理解性）它实际上是从人的思维来强调的，但是通过大数据、概率统计工具离散到连续的投射，它实际上是机器的思维，你不一定需要它给你一个解释，只要正确的答案就可以了？张钹：       目前有两种意见，一种观点认为智能化的道路是多条的，不是只有一条路能通向智能，我们通过自然进化产生了自然智能，那么我们为什么不能通过机器产生机器智能？这个智能和自然智能不会是完全一样的，条条大路通罗马，我们通过自然进化获得的智能也不见得是最佳的。这个观点我赞成，机器智能与人类不相同，其实是有好处的，恰恰可以互补，发挥各自的长处。但是从长远来看，必须得走人类智能这条路，为什么？因为我们最终是要发展人机协同，人类和机器和谐共处的世界。我们不是说将来什么事情都让机器去管去做，人类在一边享受。我们要走人机共生这条路，这样机器的智能就必须和人类一样，不然没法共处，机器做出来的事情，我们不能理解，我们的意图机器也不知道，二者怎么能合作？经济观察报：就是必须具有可解释性？张钹：       是，就是可解释性，你要它做决策，你不理解它，飞机就让它开，谁敢坐这架飞机？所以目前的阶段，车和飞机还是不能完全让机器开的。为什么司机坐在上面我们放心？因为我们和他同命运，要撞死一块撞死，机器和你可不是同一命运，它撞不死，你撞死了。有的人非常脱离实际的去想这个问题，这是不对头的，人类怎么会去那样发展机器呢（注：指把人类的命运全部交给机器）？人类不会去那么发展的，有些人在那边担忧什么机器人统治人类，我说这最多只能算远虑。经济观察报：所以图灵的论文中也说这种观点“不值一驳”。张钹：       是，那是远虑，我们目前还有很多近忧，发展人工智能必须要考虑安全问题，这已是现实问题。你看语音合成，利用现有的技术可以做到以假乱真，和真人基本没有差别。现在看来这种技术不能推广应用，因为一旦推广就全乱套了，只要搞一段用语音合成技术做成的假录音，就可以让任何一位名人身败名裂。这些都是非常危险的技术。人工智能的治理已经提到日程上了。三、“我们培养不出爱因斯坦、培养不出图灵”经济观察报：一种观点认为中国有更多的数据和更多的工程师，这种规模能倒推带来基础研究层面的突破或者决定技术的路线？张钹：这里混淆了好多概念，科学、技术、工程。科技水平需要三个标准来衡量，一个是科研水平、一个是技术水平、一个是工程实践能力，或者产业化能力。我们中国什么情况？从工程角度来看，在一些领域我们“接近世界水平”；技术水平我用的词是“较大差距”，因为不少东西还是外国会做我们不会做；科研究领域我用的词是“很大差距”，科学研究就是原创，实际上，所有人工智能领域的原创成果都是美国人做出来的，人工智能领域图灵奖得主共十一人，十个美国人，一个加拿大人。经济观察报：数据显示中国在人工智能领域的论文发表量和被引用次数都已经进入前列位置，这是否说明中国人工智能科学研究领域的突破？张钹：如果单从论文来看研究水平，基本反映在三个指标上：数量、平均引用率、单篇最高引用率。拿人工智能来讲，中国研究者论文的数量和平均引用率都还不错，但是单篇最高引用率和世界差距就很大，而这个指标恰恰是反映你的原创能力。也就是说深度学习这个领域，我们的平均水平达到世界水平了，但是最高水平和世界差距还是很大的。不过还是要肯定的，我们应用上发展比较快。经济观察报：清华在这方面有什么优势吗？张钹：在人工智能重要的会议杂志上，这十年期间论文数量、平均质量CMU（美国卡耐基梅隆大学）排第一，清华大学排第二。我们培养的人，在计算机这个领域，清华的本科、博士生都是世界一流的。目前我们的跟踪能力是比较强的，一旦有人起个头，我们能迅速跟上去。但是很可惜，我们缺乏顶尖人物，也培养不出顶尖的人才，如爱因斯坦、图灵等。我个人认为原因之一，可能与中国的文化有点关系，我们的从众心理很严重，比如在人工智能领域，深度学习很热，发表的论文作者中几乎70%是华人，但是其他非热门领域，包括不确定性推理、知识表示等几乎没有华人作者。这就是从众扎堆，不愿意去探索“无人区”。当然也不要着急，科学研究本来就是富人干的事情，是富国干的事情，我们还是发展中国家，科学研究起点比较低，暂时落后是难免的，我们会迎头赶上。     四、“低潮会发生，但不会像过去那样”            经济观察报：如果说深度学习已进天花板，那么人工智能未来的前进方向将会在哪？           张钹：最近我们准备提出一个新的概念，就是第三代人工智能的概念，人工智能实际上经历过两代，第一代就是符号推理，第二代就是目前的概率学习（或深度学习），我们认为现在正在进入人工智能的第三代。原因很明显，第一代、第二代都有很大的局限性。经济观察报：你所说的第三代人工智能技术是有明确的实现方向或者特点吗？张钹：我们现在提出的是要建立可解释、鲁棒性（注：       可以理解为稳健性）的人工智能理论和方法，发展安全、可靠和可信的人工智能技术。            经济观察报：这样的技术可能要等很久？张钹：是啊，很难预计，我们也很着急。经济观察报：是不是还得回归到数学等理论层面里再去找新的方法？张钹：这个目前我们有两条路，一个是和数学结合，一个是和脑科学结合。你想想如果没有新的数学工具，没有来自于脑科学启发下的新思路，哪来的新理论？另一方面是要把数据驱动和知识驱动结合起来，因为通过数学、脑科学上寻求突破是比较艰难的，前面这件事现在则完全能够做。经济观察报：这个结合是指之前几十年人工智能的经验统合到一块？张钹：是的，至少有一个方向就是要把第一代和第二代结合，利用各自的优势。但是这两个结合很困难，因为他们在不同空间中操作，一个是向量空间，一个是符号空间，也需要有新的数学工具的加入。经济观察报：看人工智能历史，每一代技术之间有很长的间隔期，第三代人工智能技术也会这样吗？张钹：我认为会更长，因为需要攻坚，因为遇到的问题更困难。经济观察报：会不会再过10年、20年，人工智能在学界或者公众心中，又变成一个“隐学”，就像70、80年代那样，大众又不会再经常提起来这个词？张钹：低潮会发生，但不会像过去那样，原因在哪？因为有大数据、互联网和强大的计算资源，这些都会支撑人工智能继续走下去，尽管有的时候还只是表面上的繁荣。      附：       在2018 全球人工智能与机器人峰会上，清华大学人工智能研究院院长张钹院士做题为“走向真正的人工智能”（Towards A Real Artifitial Intelligence）的大会报告。以下为报告全文，供大家学习交流。张钹院士：走向真正的人工智能            我今天要讲的中心思想就是：我们现在离真正的人工智能还有一段很长的路。为了讲清这个思想，我必须回答下面三个问题：第一，什么叫做真正的人工智能？我们的目标是什么？      第二，为什么我们需要真正的人工智能？           第三，我们如何走向真正的人工智能？           我现在回答这三个问题。首先我们如何评价目前人工智能取得的成果，我们的评价很简单，针对这 5 件事：第一是深蓝打败人类国际象棋冠军；第二是 IBM 在电视知识竞赛中打败了美国的前两个冠军，这两件事是一种类型，后面的三件事是另外一种类型；即 2015 年微软在 ImageNet 上做图象识别，它的误识率略低于人类。还有百度、讯飞也都宣布在单句的中文语音识别上，它的误识率也略低于人类。还有一个是大家非常熟悉的 AlphaGo 打败了李世石。这 5 件事情都是机器在一定的范围内超过了人类，我们如何来评价这 5 件事？大家一致认为这 5 件事之所以成功，是由于前面三个因素，一是大数据，二是计算能力提高，第三是有非常好的人工智能算法。这三个因素大家都讨论得非常多了，没必要我再来说，我现在要说的最后一个因素是被大家所忽略的，这个因素是说，这所有的成果必须建立在一个合适的应用场景下。这 5 件事虽然领域很不一样，但是它们都满足完全一样的条件，或满足下面的 5 个限制，首先你必须有丰富的数据或者丰富的知识，如果这两件东西没有，或者很少，你不用来谈人工智能，因为你无法实现无米之炊。人工智能唯一的两个资源，一个是数据，一个是知识。还有确定性信息、完全信息、静态的、单任务和有限领域。这 5 个条件里面任何一个条件不满足，现在的人工智能做起来就非常困难了。大家想想这 5 个限制条件下的应用场景是什么样的应用场景？就是照章办事，不需要任何灵活性，这显然不是智能的核心。我们现在分析一下上述 5 个场景。下象棋是完全信息博弈，信息完全和确定，没有问题。其次，它遵循着完全确定的游戏规则演化，我们把这种情况也叫做静态。Watson 机器人也是这样，Watson 是什么样的对话问题呢？它为什么选择知识竞赛呢？我们知道知识竞赛提的问题都没有二义性，都是明确的，它的答案总是唯一性的。所以这样的问答对机器人来讲是非常容易的。它涉及的领域虽然比较宽，但也是有限的，包括大家觉得很玄乎的围棋，也完全符合上面 5 个条件，所以对计算机来说也是很容易的。目前计算机打麻将就不行，因为牌类是不完全信息博弈，所以比棋类要难。总之，我们对目前人工智能取得的成果要有一个正确的评价。目前的人工智能技术在以下领域都可以找到它的应用，它们是交通、服务、教育、娱乐等等，但我要强调是这些领域里面只有满足上述 5 个条件的事情，计算机做起来才会容易，如果不满足这些条件，计算机就做起来就困难了。大家常常关心什么样的工作会被机器所替代，我可以明确告诉大家，满足这 5 个条件的工作，总有一天会被计算机取代，就是那些照章办事，不需要任何灵活性的工作，比如说出纳员、收银员等等。在座的所有工作都不可能被计算机完全代替，但不排斥你的工作中有一部分会被计算机取代，老师、企业家等的工作不可能被计算机完全代替。为什么有这 5 个限制？原因在于我们现在的人工智能是没有理解的人工智能。            我们先看符号模型，理性行为的模型，举 Watson 的例子，它是个对话系统，我们现在所有做的对话系统都跟这个差不多，但是 Watson 做得更好些，它里面有知识库，有推理机制。沃森除了专家知识之外，还有大量互联网上大众的知识，还运用了多推理机制。请看，这就是 Watson 系统的体系结构。它里面有哪些知识呢？有很多，包括百科全书、有线新闻、文学作品等等。所有的知识用纸质来表示有 2 亿页，用存储量表示达到了 4TB。它能回答什么问题呢？用它的例子来说明。第一个问题，1974 年 9 月 8 日谁被总统赦免？这对美国人来讲很好回答，同样对计算机来讲也很好回答，你用这几个关键字「1974 年 9 月 8 日」、「被总统赦免」，就能在文献里头查出来是谁，他就是尼克松。也就是说根据问题中的关键字，可以在已有的文献里头直接找到答案，这就是一般的网络检索方法。第二个问题，荧光粉受到电子撞击以后，它的电磁能以什么方式释放出来？我们用「荧光粉」、「电子撞击」、「释放电磁能」等关键词，也可以找到答案：「光或者光子」。这种方法就是平时网络搜索的原理，应该说没有什么智能。回答下面的问题就需要「智能」了，跟智利陆地边界最长的是哪个国家？跟智利有陆地边界的国家可以检索到，它们是阿根廷和玻利维亚，但是谁的边境长？通常查不到。Watson 具备一定的推理能力，它从边界间发生的事件、边界的地理位置等等，经过分析推理以后就可以找出答案，它就是阿根廷。下一个问题也属于这种性质，跟美国没有外交关系的国家中哪个最靠北，跟美国没有外交关系的国家有 4 个，只要检索就行了，但是哪个国家最靠北，没有直接答案，但可以从其它信息中推导出来，比如各个国家所处的纬度、气候寒冷的程度等等分析出来，答案是北朝鲜。智能体现在推理能力上。       但是很不幸，现在的对话系统推理能力都很差。Watson 系统好一些，但也很有限。换句话说，我们现在的对话系统离真正的智能还很远。      我们通过索菲亚机器人就可以看出来，索菲亚的对话是面向开放领域，你可以随便提问，问题就暴露出来了。大家在电视上看到索菲亚侃侃而谈，问什么问题都能答得很好，这里面有玄机，如果你的问题是预先提出来的，因为里头有答案，因此回答得非常好，在电视上给大家演示的都是这种情况。如果我们临时提问题，问题就出来了。这是一个中国记者给索菲亚提的 4 个问题，它只答对了一个。「你几岁了」，这个问题很简单，它答不上来，它的回答是「你好，你看起来不错」，答非所问，因为它不理解你所问的问题。只有第二个问题它是有准备的，里面有答案，所以答得很好。「你的老板是谁」，这个肯定它有准备。第三个问题，「你能回答多少问题呢」？它说「请继续」，没听懂！。再问第四个问题，「你希望我问你什么问题呢」？它说「你经常在北京做户外活动吗」？这就告诉我们说，现代的问答系统基本上没有理解，只有少数有少量的理解，像 Watson 这样算是比较好的。           为什么会这样？也就是说我们现在的人工智能基本方法有缺陷，我们必须走向具有理解的 AI，这才是真正的人工智能。我这里提出的概念跟强人工智能有什么区别？首先我们说它在这点上是相同的，我们都试图去准确地描述人类的智能行为，希望人工智能跟人类的智能相近，这也是强人工智能的一个目标，但是强人工智能只是从概念上提出来，并没有从方法上提出怎么解决。大家知道强人工智能提出了一个最主要的概念，就是通用人工智能。怎么个通用法？它没有回答。我们现在提出来的有理解的人工智能是可操作的，不只是概念，这是我们跟强人工智能的区别。人机对话的时候，机器为什么不能理解人们提的问题。我们看一个例子就知道了，我们在知识库里把「特朗普是美国总统」这个事实，用「特朗普-总统-美国」这三元组存在计算机里面，如果你提的问题是「谁是美国总统」？机器马上回答出来：「特朗普」。但是你如果问其它有关的问题，如「特朗普是一个人吗」？「特朗普是一个美国人吗」？「美国有没有总统」？它都回答不了。它太傻了，任何一个小学生，你只要告诉他特朗普是美国总统，后面这几个问题他们绝对回答得出来。机器为什么回答不了后面的三个问题呢？就是这个系统太笨了，没有常识，也没有常识推理。既然特朗普是美国的总统，美国当然有总统，但是它连这一点常识的推理能力都没有。所以要解决这个问题，必须在系统中加上常识库、常识推理，没有做到这一步，人机对话系统中机器不可能具有理解能力。但是大家知道，建立常识库是一项「AI 的曼哈顿工程」。大家想想常识库多么不好建，怎么告诉计算机，什么叫吃饭，怎么告诉计算机，什么叫睡觉，什么叫做睡不着觉，什么叫做梦，这些对人工智能来说都非常难，美国在 1984 年就搞了这样一个常识库的工程，做到现在还没完全做出来。可见，要走向真正的人工智能，有理解的人工智能，是一条很漫长的路。这里介绍一点我们现在做的工作，加**识以后，对话的性能会不会有所改善。       我们的基本做法是建立一个常识图谱，用这个图谱帮助理解提出的「问题」，同时利用常识图谱帮助产生合适的答案。            下面就涉及到具体怎么做了，我不详细说了，我就说结果，结果是有了常识以后，性能有了显著的改善，对话的质量提高了。这篇文章已经发表，有兴趣可以去阅读。另外是准符号模型，深度学习、神经网络主要用来模拟感性行为，感性行为是一般很难采用符号模型，因为感性（感觉）没法精确描述。比如「马」，怎么告诉计算机什么叫做马？你说马有四条腿，什么叫做腿？你说细长的叫做腿，什么叫细？什么叫做长？没法告诉机器，因此不能用符号模型。目前用的办法就是我们现在说的神经网络或者准符号模型，也就是用人类同样的办法，学习、训练。我不告诉机器什么叫做马，只是给不同的马的图片给它看，进行训练。训练完以后，然后再用没见过的马的图片给它看，说对了，就是识别正确了，说不对就是识别不正确，如果 90% 是对的，就说明它的识别率是 90%。后来从浅层的神经网络又发展到多层的神经网络，从浅层发展到多层有两个本质性的变化，一个本质性的变化就是输入，深层网络一般不用人工选择的特征，用原始数据就行。所以深度学习的应用门槛降低了，你不要有专业知识，把原始数据输进去就行了。第二个是它的性能提高很多，所以现在深度学习用得很多，原因就在这个地方。通过数据驱动建立的系统能不能算是有智能呢？必须打一个很大的问号，就是说你做出来的人脸识别系统甚至识别率会比人还高，但是我们还不能说它有智能，为什么呢？这种通过数据驱动做出来的系统，它的性能跟人类差别非常大，鲁棒性很差，很容易受干扰，会发生重大的错误，需要大量的训练样本。我们刚才已经说过，给定一个图像库我们可以做到机器的识别率比人还要高，也就是说它可以识别各种各样的物体，但是这样的系统，我如果用这个噪声输给它，我可以让它识别成为知更鸟，我用另外的噪声输给它，可以让它识别成为猎豹。换句话讲，这样的系统只是一个机械的分类器，根本不是感知系统。也就是说它尽管把各种各样动物分得很清楚，但是它不认识这个动物，它尽管可以把猎豹跟知更鸟分开，但是它本质上不认识知更鸟和猎豹，它只到达了感觉的水平，并没有达到感知的水平，它只是「感」，没有上升到「知」。我们的结论是，只依靠深度学习很难到达真正的智能。这是很严峻的结论，因为如果有这样的问题，在决策系统里头是不能用这样的系统，因为它会犯大错。我在很多场合讲过，人类的最大的优点是「小错不断、大错不犯」，机器最大的缺点是「小错不犯，一犯就犯大错」。这在决策系统里头是不允许的，这就显示人跟机器的截然不同，人非常聪明，所以他做什么事都很灵活，这就使得他很容易犯各种各样的小错。但是他很理性，很难发生大错。计算机很笨，但是很认真，小错误绝对不会犯，但是它一犯就是天大的错误。刚才把那个把噪声看成知更鸟，这不是大错吗？你把敌人的大炮看成一匹马，不是大错吗？但是人类不会发生这种错误，人类只会把骡看成驴，但是计算机的识别系统会把驴看成一块石头。原因在哪儿？原因还是 AI 的理解能力问题。我们看这个自动驾驶，过去讲得很多，而且讲得很乐观，我们看看问题在什么地方。我们现在是这样做，我们通过数据驱动的学习方法，学习不同场景下的图象分割，并判别是车辆还是行人、道路等，然后建立三维模型，在三维模型上规划行驶路径。现在用硬件已经可以做到实时，请问大家，这样能不能解决问题？如果路况比较简单，行人、车辆很少，勉强可以用。复杂的路况就用不了。什么原因？非常简单，好多人总结出这个经验，行人或者司机都会有意无意破坏交通规则，包括外国人也一样，中国人更严重一点。这就使得数据驱动方法失效，比如说我们可以用数据驱动方法来了解各种各样行人的行为，我们可以通过大量进行训练，都训练完以后，如果出现新的情况呢？计算机能理解这是人从底下钻过来，很危险吗？所以你不可能把所有情况都训练到。自动驾驶不可能对付突发事件，如果这个突发事件它没见过，它就解决不了。怎么来解决这个问题呢？实际上就是要解决从「Without」到「With」理解的问题。人工智能现在有两种基本方法，一种是用符号模型来模拟理性行为，符号模型可以表达信息的内容，所以它是在一个语义的符号空间里头，但是非常不幸，这个离散的符号表示，数学工具很难用，很多数学工具用不上去，所以它发展很慢。在模拟感性行为的时候，我们用的是特征空间的向量，向量就是数，可以把所有的数学工具都用上，优化的工具、概率统计的工具全部用上。所以数据驱动方法这几年发展非常快，再难的问题，下围棋非常难吧，计算机也可以「算」出来。但是它有一个非常大的缺陷，它是在特征空间里，缺乏语义。我们用数据去训练一个模型，所谓「黑箱学习法」，加上你的数据质量不高，很难学出有用的东西。什么叫概率统计？重复多了就是真理。如果数据质量差，充满了「谎言」。谎言重复多了，就变成真理了。我们现在想出的解决办法是这样的，就是把这两个空间投射到一个空间去，这个空间叫做语义的向量空间。       也就是说我们把符号变成向量，同时把特征空间的向量变成语义空间的向量。怎么做？一是通过 Embedding（嵌入）把符号变成向量，尽量保持语义不变，可惜现在的方法都会引起语义的丢失，我们只能在投射的过程中让语义丢失得少。第二方面做的工作比较少，就是 Raising（提升），把特征空间提升到语义空间去，这主要靠学科交叉，靠跟神经科学的结合。只有这些问题解决以后，我们才能够建立一个统一的理论，因为过去的感知和认知是不同的处理方法，大家说不到一块，如果我们能够投射到同一空间去，我们就可以建立一个统一的理论框架，这是我们的目标。在语义空间处理就可以解决理解问题，但是这项工作是非常艰巨的。介绍一项我们现在做的工作。人工神经网络为什么不能得到语义信息呢？人脑的神经网络为什么可以呢？差别就在这里，我们现在用的人工神经网络太简单了，我们正想办法把脑神经网络的许多结构与功能加进去，我们这里只用了「稀疏发电」这一性质，就可以看出一些效果，人脸、大象或者鸟的轮廓，神经网络可以把它提取出来。还有一个办法就是把数据驱动跟知识驱动结合起来。       刚才讲了，人的智能没法通过单纯的大数据学习把它学出来，那怎么办？很简单，加上知识，让它有推理的能力，做决策的能力，这样就能解决突发事件。我们现在做的工作就是把这些结合起来，这是我们的基本思路，知识也好，数据也好，都投射到同一空间，然后都用同样的数学方法进行处理，这方面我们已经做了不少工作。最后做一个总结，我们从这个坐标看人工智能，横轴代表领域的宽窄，从单领域到多领域、到开放领域。纵轴代表信息的确定性与完全性，从完全到不完全、从确定到不确定。在左下角代表最容易的，就是刚才讲的符合 5 个条件的，现在人工智能在这部分解决得非常好，我们用白色来表示它，AlphaGo 在这里，深蓝在这里，工业机器人在这里。现在我们正在向灰色地区去走，打牌，信息不完全，现在打德州扑克，一人对一人，计算机能战胜人类，多人对弈，计算机还不行，这是灰色地带，我们还可以做，为什么可以做？尽管打牌是不确定的，但是它在概率意义下是确定的，你拿的这副牌的概率，可以算出来，同花的概率是多少，排成顺的概率是多少，既然概率能算出来，最终人类肯定会被计算机打败。Watson 在右边，它的领域比较宽，但是它是确定性的，所以是在灰色的区域。往右上方去就比较难了，自动驾驶、服务机器人、大数据分析，它是一个大框，有的简单，有的困难，就自动驾驶来讲，专用道、行车很少，路况简单等，在白色或者灰**，如果路况复杂就到了黄**域，黄**现在计算机还解决不好。最远的在哪儿呢？右上角，图灵测试。大家对图灵测试有很多误解，其实图灵测试是开领域问答，很难！索菲亚做得怎么样？很糟糕。自然语言理解也在这里，复杂环境下的决策在偏左一点的地方，这也是很难的。所以我们人工智能现在是从左下角往右上角走，我们现在处在出发点附近。有的人想把它用一些名词来区分人工智能的不同发展阶段，有专家问我，你的看法怎么样？我建议不要用新词，用新词往往说不清，很麻烦，有的人说现在是弱人工智能，以后是强人工智能，也有人说现在叫增强智能（Augmented Intelligence）也是 AI……概念太多说不清，还是简单一点，「我们正在通往真正 AI 的路上」，现在走得并不远，在出发点附近，人工智能永远在路上，大家要有思想准备，这就是人工智能的魅力。       大家为什么这么重视人工智能？因为我们永远在路上，这就吸引我们去解决这些问题，这些问题一旦解决了，人类的社会进步、人类的生活就会发生本质上的改变。            最后我用中文写最后一段作为总结，可惜我翻译不了。周穆王西巡狩，路遇匠人名偃师。翌日偃师谒见王，偕来一个假人。「趋步俯仰，信人也」。「领其颅，则歌合律；捧其手，则舞应节。千变万化，惟意所适。王以为实人也，与盛姫内御并观之，技将终，倡者瞬其目而招王之左右侍妾。王大怒，要杀这个偃师。偃师大慑，立剖其倡者以示王，皆傅会革、木、胶、漆、白 、黑、丹、青之所为。穆王始悦，诏贰车载之以归。这是 3000 年前我们古人对机器人的想象，看看现在的人工智能做得怎么样呢？索菲亚是我们现在达到的水平，可是她不会唱歌、不会跳舞，只会说英文，周王也听不懂，肯定没有印象。现在我们假设索菲亚「瞬其目而招王之左右侍妾」，向周王的姨太太们送去秋波，王会如何呢？我认为没反应，因为索菲亚是女的，他用不着吃醋。但是我们假设索菲亚「瞬其目而招王」，向大王送去秋波，王会大悦，立即神魂颠倒，坠入爱河？我认为不会，因为索菲亚根本不像人，它最近才刚刚安上手脚，走路都不利索，怎么行呢？所以我的结论是，「索菲亚通不过穆王的测试，当然它更通不过图灵测试」。我们的结论是什么？       人工智能刚刚起步，离真正的 AI 还很遥远，       大家共同努力吧，我们任重道远。

    随着经济发展水平和科学技术水平的不断提高，人工智能技术也在不断进步，如今的人工智能已经发展成为社会的热门领域，在各个社会领域均得到了广泛运用，可以说，人工智能技术已经成为了我们生活的一部分。有的人可能认为人工智能离我们生活很遥远，但实际上我们每天无时不再接触人工智能，人脸识别不就是人工智能在我们身边最普遍的应用。    人工智能的出现既为人类带来巨大的发展机遇，但它在带来机遇的同时也给人类带来了不小的挑战，曾经有一段时间，关于AI将替代人类的声音一直不断出现，这重要是因为有的AI技术已经可以与人类正面较量，甚至超过了人类。此前由香港汉森机器人技术有限公司研发的智能机器人索菲亚就曾让人类感受到了生存危机，索菲亚机器人是史上第一个获得公民身份的机器人，它曾在采访中扬言要未来要想人类一样正常生活，上学、结婚等等，看到索菲亚的发展人类在感叹人工智能技术神奇的同时，也察觉到了自身的危机。尽管如此，科研工作者依旧致力于研发新的AI技术，他们有着丰满的AI梦，但这条路并不是那么容易的。    近日，关于“深度学习是否会让人工智能陷入下一轮AI寒冬？”的话题再次成为了人们热议的对象。不久前，有媒体报道称IBM旗下的Watson Health被传出将甩手卖掉，虽然这一传闻目前还没有得到证实，但不免还是引发了各界的担忧。之所以传出这样的消息，是因为Watson Health近6年来还未实现盈利，比这个更严重的是其诊断精度和专家结果的匹配度只有30%，这可是曾经表示将替人类解决肿瘤治疗的AI部门，如今却只落得一个或将被甩手卖掉的下场，不难不让人为AI领域的发展表示担忧。　面对这样的情况，业内有专家分析称目前基于深度学习的人工智能技术已经达到了一个瓶颈期，要想在未来普遍实现像AlphaGo这样的AI技术几乎是不太可能。清华大学人工智能研究院的专家对“深度学习”也阐述了自己的看法，他表示当深度学习达到一个瓶颈期时，就是投入再多的财力和算力，其回报率也很难再增长。    “深度学习”实际上并不是字面意思理解的更深入地学习，这是一个科学的概念，是一门研究神经网络的学问。目前学术界给出的结论是深度学习的红利将近，但需要注意的是这并不意味人工智能受此影响就会再次陷入AI寒冬，在不断的探索下，就算深度学习的红利将近，AI也还会不断发展，这条路虽然走的不容易，但人类并不会就此止步，未来AI技术还将与5G技术结合，为人类带来更新的体验，一起拭目以待吧！来源：每日豆瓣一下

4、对话 AI 和图好了，硬核的机器学习算法讲得差不多了，下面我们看点轻松的，比如NLP应用。和NeurIPS正会一起开的workshop里有很多有趣的对话AI+图的论文。论文12：Multi-domain Dialogue State Tracking as Dynamic Knowledge Graph Enhanced Question Answering链接：http://alborz-geramifard.com/workshops/neurips19-Conversational-AI/Papers/51.pdf这篇论文提出了一个通过问答追踪对话进度（Dialogue State Tracking via Question Answering (DSTQA)）的模型，用来在MultiWOZ环境中实现任务导向的对话系统，更具体地，就是通过对话帮助用户完成某个任务，任务一共分为5个大类、30个模版和超过4500个值。它基于的是问答（Question Answering ）这个大的框架，系统问的每个问题都要先有一个预设模版和一组预设的值，用户通过回答问题确认或者更改模版中的预设值。有个相关的假说提出，同一段对话中的多个模版、多组值之间并不是完全独立的，比如，你刚刚订好五星级酒店的房间，然后你紧接着问附近有什么餐馆，那很有可能你想找的餐馆也是中高档的。论文中设计的整个架构流程很繁琐，我们就只讲讲他们的核心创新点吧：首先，作者们把对话状态建模为一个根据对话内容逐渐扩充的动态知识图。图中的节点由大类、模版和值构成，建立节点之间关系的过程也利用了上面那个假说，就是因为不同的模版之间有一些值可以是相同的、部分重叠或者是有关联的。其次，用一个图注意力网络（Graph Attention Net）学习为图中的节点分配权重，网络的输出也会被送入一个门机制，用来决定要在问题文本中表现出图的多大的一部分。作者们也使用了角色嵌入，这样模型可以由系统的话语和用户的话语共同训练  最后，作者们同时使用了CharCNN和ELMO嵌入来做对话文本内容的编码   转自，杨晓凡，https://www.leiphone.com/news/201912/GsRSElsUReef0z7o.html

一竿子捅翻领域共识Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations挑战解耦表征的无监督学习中的共识人类研究人员们相信，真实数据的多种多样的变化总是可以用一些关键因素的波动来解释；至于这些因素分别是什么，就可以用无监督学习的方式寻找解耦的表征，从而成功地揭示数据分布规律。这个方向目前已经有一些研究成果，研究人员们也已经形成了一些共识。但这篇论文可以说把现阶段的大部分成果和假设一竿子全部打翻。作者们首先从理论上说明，如果不在模型和数据上都引入归纳偏倚，那么解耦表征的无监督学习本来就是不可能的。接着，作者们用大规模实验表明，虽然不同的方法都可以找到和选取的训练损失对应的性质，但只要没有监督，就训练不出能良好解耦的模型。除此之外，随着表征解耦程度的提高，学习下游任务的样本复杂度并没有跟着降低。这几点结论都和当前的解耦表征无监督学习的共识形成鲜明冲突，这个方向的研究人员们也许需要重新思考他们要从多大程度上从头来过。作者们的建议是，未来的解耦学习研究需要分清人为引入的归纳偏倚和监督（即便是隐式的）两者分别的作用，需要探究通过人为选取的损失「强迫」模型学习解耦带来的收益到底大不大，以及要形成能在多个不同的数据集上测试、结果可复现的实验惯例。这篇论文被 ICML 2019 接收。论文地址：https://arxiv.org/abs/1811.12359    转自，杨晓凡，https://www.leiphone.com/news/201912/TK9EEFIUdjdbAC4J.html

抛洒物检测算法：实时检测车道通信情况，准确跟踪运动目标，并能有效地识别运动目标属性，发现抛洒物及时告警，尽快处置，减少交通隐患。利用视频，图像分析技术，对摄像机拍摄的画面分析，可按照气象局定义标准检测，输出能见度为白天五级，夜间三级。能见度检测算法：当遇到雾霾、雨雪或沙尘等恶劣天气条件造成能见度偏低的情况，极易发生多车追尾等交通事故。通过在华为HoloSens SDC摄像机部署能见度检测算法，对拍摄画面进行分析，按照气象局标准输出能见度分级信息为：白天五级，夜间三级，并主动预警。文中提到的商品链接：能见度检测算法 点击进入：华为好望商城，了解更多详情【华为云云市场，助您上云无忧】

“华为提供的AI+安防解决方案，大力提升了园区安防管理的智慧化。”——京铁云智慧货场 铁路货运新体系重塑，铁路货场迎来发展新机遇和挑战京铁云智慧物流科技有限公司（简称京铁云），是中国铁路北京局集团有限公司在“互联网+”背景下成立的一家新型互联网科技企业，以“大数据、云计算、物联网”赋能智慧物流，旨在重塑铁路货运新体系。为缓解城市运输拥堵和大气污染等问题，随着“蓝天保卫战”、“公转铁”以及“货运增量行动”等系列政策的颁布，城市货运思路和方式出现重大调整，让铁路货场再次成为众人关注的焦点。作为铁路货运业务的重要组成部分，铁路货场的信息化、现代化、智能化将直接影响整个货运流程运转效率。传统铁路货场转型升级，现状和困难摆在面前服务功能单一。传统货场大多以车流集结和货物定点到发为主，缺少仓储、配送、加工、包装等多样化的现代物流服务功能，难以应对新时代物流需求。技术设备滞后。机械化、自动化和智能化的设备应用不足，货运速度带不起来。服务体验不佳。传统模式下，人力成本大，安防薄弱，运营效率偏低，管理成本高，业务创新难。华为智能安防园区-智慧货场解决方案,将园区的理念带入货场华为联合京铁云，结合双方优势资源，共同探索铁路货场所需的业务模式，促进铁路货场多系统间的数据融合以及业务协同，实现更多智能化业务创新，设计华为智能安防园区-智慧货场解决方案，基于园区的理念实现货场自身的安防和运营管理，全面助推铁路货运业务系统由数字化快速步入智能化。01华为智能安防园区-智慧货场解决方案介绍：统一管理平台对接，实现在一个平台对门禁、报警、视频监控等系统的统一管理、统一运维。所有数据融合互通，运维人员不用再同时打开N个软件客户端，手忙脚乱操作。在智慧货场，司机通过手机APP就可以查看货场地图，查看对应的订单任务，还可以看到对应的卸货区位和导航，实现快速准确入闸，不用再绕弯路；货场内堵车大大减少，货物也能更快地送到用户手中；为了保障园区的安全，不让危险人员进入货场，华为目标识别摄像机配合后端平台实现出入口和货场内的目标识别，并且结合大数据分析算法，实现整个园区内的目标轨迹，违规进入的人员无所遁形。诸如此类，华为智能安防用智慧能力和优异品质助力智慧货场实现了视频周界防护、智慧考勤等等。华为智能视频云平台，云化设计，一台起步轻装上阵，同时具备：支持摄像机快速接入上线、视频质量诊断、电信级可靠性保障等特性。华为软件定义摄像机，以“专业AI芯、开放的摄像机OS、丰富的算法和应用生态”持续进化，支持第三方算法在线更新加载，支撑货场未来的整体管理软件升级。将智能识别前移到端侧，实现算法快速闭环，降低传输带宽，降低平台侧智能计算的压力。02华为智能安防园区-智慧货场解决方案价值：可视化统一管理，总览全局；通过视频监控、视频巡更等消除安全死角，减少人力投入；目标和车牌通行、访客线上自助预约、园区内设施和服务导航；智慧考勤服务，实现员工、访客、车辆的便捷通行。智能视频周界方案，相比传统周界技防综合成本降低15%。“三步走”，京铁云智慧货场将全路推广截止目前，华为助力京铁云智慧货场完成三家店、黄村、新办公区样板点打造。未来将逐步推进对“9+2”其余货场的全面复制，华为将携手京铁云，持续打造“信息化、现代化、智能化”的高效智慧货场。了解更多相关产品请点击进入：华为好望商城【华为云云市场，助您上云无忧】

  为加快推进“可视、可测、可控、可服务”的高速公路运行监测体系建设，不断提升服务能力和监管水平，更好地满足人民群众高品质出行需求，在2019年11月交通运输部印发了《全国高速公路视频联网工作实施方案》和《全国高速公路视频云联网技术要求》。规范要求每2公里一对摄像机，进行摄像机的加密、改造等工作，为高速公路的全面视频云联网奠定基础。高速视频监控建设作为高速公路机电三大系统之一，对高速公路的运营、调度、保障起着至关重要的作用。        按照本次规范要求，路侧视频监控设备按照每2公里一对摄像机的方式建设，传统的高速云台枪型摄像机作为目前高速公路主流的路侧视频采集设备,已经在高速行业长期的使用，其功能特点适用于大面积区域活动目标的监视。但是随着高速客户行业需求的发展，如全场景可视、智能化、防抖等新的需求，华为在软件定义摄像机基础上打造了一款满足高速行业需求的多镜头、全场景智能的AI双模球机，具备全景+细节全天候可视、前端智能等特性，进一步满足可视、可测、可控、可服务要求。华为AI双模智能球机（简称“二郎神”）全景+细节可视        根据光学成像的基本原理：在相同的感光元器件设备中，焦距短，可视角越大，可视距离近；焦距越长，可视角越小，可视距离远。        高速行业中一般采用的云台摄像机主要是云台枪型摄像机或者球型摄像机，焦距一般在100mm以上，光学变倍在20倍。当进行光学变倍拉近拉远时，都会造成全局视角的缺失，部署效果如下图：        1）当云台摄像机在短焦段时，视场角大，监控距离短，但是造成画面中像素偏低，无法实现有效监控；        2）当云台摄像机在长焦段时，视场角小，监控距离远，但是造成近处画面丢失，近处成为盲区，杆下黑的情况常出现。        华为AI双模球机结合华为手机的技术，在一个球机上加入5mm的镜头，实现单设备具备1个长焦220mm镜头和1个广角5mm镜头。220mm长焦镜头可以根据需要监视20-1000m任意区间的事件细节；广角5mm镜头视场角大，可以进行全场景无盲区的覆盖。两者配合实现细节和全局的可视，规避了传统云台摄像机的短板，部署效果如下图：全场景智能        目前高速公路中事件监测主要有两种方案：前端智能监测和后端智能分析监测。前端智能大都采用枪机+球机的组合模式，由固定镜头进行道路事件初步检测，长焦镜头进行二次放大确认，确保全景与细节，兼顾检测准确性。后端智能主要是通过部署事件监测盒子进行事件监测分析，并输出结果进行呈现。        华为AI双模智能球机基于华为软件定义摄像机的能力，充分发挥摄像机大算力优势，在传统的枪球联动的基础上做了进一步优化，在双模球机中通过加载自研或业内优秀的算法实现长焦事件监测、广角态势监控能力，目前已经具备7种事件监测算法（如停车检测、逆行检测、行人闯入、遗洒物、拥堵检测、团雾检测、交通事故），9种视频质量诊断场景（图像诊断雪花、偏色、画面冻结、增益失衡、摄像机抖动、条纹噪声等），全面覆盖部级规范要求。结合华为好望商城，还可以持续加载如事件监测、天气检测等多种行业算法，进一步提升高速公路端侧设备的智能化程度。                              华为AI双模球机除了在视角和智能功能上进行开创性的创新设计以外，AI双模球机还具备内置陀螺仪防抖、自洁净玻璃等特性，满足高速公路的应用需求。        华为作为高速公路视频监控领域领先的解决方案供应商，我们将结合华为在光学、通信、算法等技术积累，持续推出创新产品，联合合作伙伴，深耕公路行业，持续为高速公路客户提供更加可靠、智能、专业化的视频监控解决方案，为公路稳定运营提供更有力的保障，提升公路运营决策的能力，为人民出行创造舒适安全的环境。文中提到的商品链接：货车异常行驶检测；点击查看详情华为云云市场-好望商城在售【华为云云市场，助您无忧上云】

如今，AI人工智能已经慢慢渗透到我们的生活中，且能够帮助我们处理许多大大小小的问题。人工智能技术对人类社会的影响越来越广泛，如果你留心注意，其实会发现它们已经在您身边：高空抛物检测：针对高空抛物难取证、难阻止、难处罚的问题，华为联合博思廷推出高空抛物防控解决方案，对设定区域内的高空抛物进行全天实时检测，发现坠落物实时告警，并准确标识出坠落物及其下落轨迹，协助用户直观定位起始坠落点，便于回溯查找责任人。电瓶车检测：虽然有相关法规规定禁止电瓶车进入室内，但对其管理依然是一个挑战。针对高层楼宇电瓶车管理难、火灾隐患高的问题，华为联合考斯推出电瓶车检测解决方案，实时监控电梯内的摄像头画面，方便楼宇管理人员及时发现电瓶车，提高管理效率，减小因为电瓶车起火导致的火灾风险。人员倒地检测：针对弱势群体摔倒发现慢的问题，华为联合南京小网科技推出人员倒地检测解决方案，对设定区域进行全天精确检测，智能分析，精确区分人和干扰物，一旦发现倒地人员可实时自动告警，全时全力保证居民生命安全。煤气罐识别：液化煤气罐属于特种设备，在使用完后罐内会残存少量液体，遇到明火会发生爆炸。针对煤气罐不规范放置问题，华为联合小天科技推出煤气罐智能识别解决方案，识别特定区域的煤气罐，若检测到煤气罐立即进行告警，有效避免因煤气罐使用、放置不当引起的安全问题，减少人力监督误差，减少人力监管成本。华为HoloSens打造智能平安社区，开启智慧美好生活点击进入：华为好望商城 HoloSens【华为云云市场，助您上云无忧】

一片森林长成需要多少年？几十年乃至上百年。毁灭一片森林需要多久？只需一场大火，千年大树百年松，一朝火起皆成空。澳大利亚的山火持续了近半年，大火给当地生态系统和人类社会都造成了严重的打击，烧毁了大面积的森林，吞噬了超过十亿只野生动物，排放了数亿吨二氧化碳，将几百种生物推向濒临灭绝的边缘，这一切都令人无奈又心痛…如果这一切可以早点被发现……入秋以来天气干燥，又到了山火频发的季节，山火肆虐，吞噬生命无数，令人痛心惋惜，痛定思痛，怎样才能减少森林火灾呢？Huawei HoloSens AI双光谱热成像摄像机，AI可见光+热成像双剑合璧，致敬“最美逆行者”，守护英雄，火眼金睛，防患于未燃。搭配天感烟火检测解决方案可适配厨房、电动车自燃、消防检测、室内烟火检测、实验室、办公室等各种复杂环境，进行全覆盖智能化，实时监测烟火状况，保存图像和视频，发送告警信息至管理人员的手机端和网页端。商品链接：天感烟火检测解决方案点击进入：华为好望商城【华为云云市场，助您无忧上云】

2020年9月17日，以“智汇津门，路畅行安”为主题的首届全国智慧交管行业峰会在天津成功召开，来自全国的近500位部交管局领导、专家学者与企业领袖，共同探讨人工智能、云、大数据、5G等新技术在智慧交管领域的应用。华为机器视觉总裁段爱国出席并发表了“全息感知，数据智能，赋能交通智能体”主题演讲，从当前交通管理智能深化面临的十大挑战出发，分享了华为在构建交通智能体的优秀实践。华为致力于把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界。未来二三十年，人类一定会进入万物感知、万物互联和万物智能的智能社会。5G、AI和机器视觉三种技术相互促进、相互激发，加速智能世界的到来。未来十年，机器视觉将成为万物感知入口，引爆行业数字化。2020年，华为机器视觉不断丰富产品与场景化解决方案，在交管领域重点聚焦智能化应用落地，取得了巨大进展。摄像机出货量相比去年同期大幅提升，于5月份发布了AI超微光卡口摄像机，被称为华为机器视觉的“Mate7”，全息路口解决方案在发布后短时间内取得了多个项目突破的喜人成绩。交通综合治理道阻且长，当前交管智能深化还面临着诸多挑战，段爱国从感知检测、建设施工、数据应用三个维度的十大挑战出发，分享了华为机器视觉在赋能交通智能体的创新成果。挑战1：设备多，麻雀杆，升级维护难传统摄像机功能固化，导致路口一种业务部署一套设备，麻雀杆现象非常严重，不仅造成资源浪费，而且影响市容市貌。其次这些设备的功能升级、维护极其困难，对新出现的新能源车牌无法识别。如何做到一个设备实现全业务智能、可持续升级迭代是用户共同期许。华为创新方案：华为软件定义摄像机（HoloSens SDC）支持一机多用，违法/事件/流量多功能合一；支持开放SDC OS架构，可通过华为算法商城快速加载第三方算法，例如华为与上海电科合作，在SDC上加载了16种违法检测算法，如“连续变道、变道不打灯、未交替通行”等新型违章检测算法已实战部署。挑战2：光污染隐患大，强反光看不清道路上的高光爆闪灯对交通安全影响很大，常受到民众投诉，若不加补光灯或者采用红外爆闪灯，车辆抓拍的图片效果差，有偏色，无法达到执法取证的要求。如何做到不要爆闪灯、但要全天候高清全彩是个业界难题。华为创新方案：华为AI超微光卡口，采用LED智能精准补光技术，有效截止杂散光束对司机的影响，能减少光污染90%。内置2颗AI芯片，总算力达到20TOPS，用算力换图像，通过深度卷积网络模型实时优化图像质量，对夜间低照度车辆抓拍效果和白天车窗玻璃彩纹干涉的车内图像进行增强，从而得到全天候、全彩、不偏色的车内外高清图像。挑战3：全局与细节无法兼顾交通管理既要掌控全局态势，又要知晓事故、事件的细节。传统的云台远近无法兼顾，基本无智能；枪球一体机的固定枪机不能随球机同步转向，双镜协同能力有限。如何做到全局与细节兼顾，还要强智能？华为创新方案：华为“二郎神”AI双模智能球机，采用90°广角加40倍长焦的双镜头一体化设计，双镜智能协同，远近兼顾，实现全场景无盲区的覆盖，同时支持多场景不同预置位不同智能检测。挑战4：电动车、行人违法多，监管难传统电警、卡口重点关注的对象是机动车，而对其他交通参与者如行人和电动车的关注较少，导致交通违法管控、信控配时比较困难。如何提升对其他交通参与者的感知问题亟待解决。华为创新方案：华为经济型全结构化摄像机可实现行人、机动车、非机动车全结构化，并对行人流量精准采集。同时全结构化摄像机前端智能化，生成图片转发到后端平台分析的模式比前端非智能摄像机加后端平台做视频分析的模式更具优势，大大提升了算力的利用效能，同时降低对芯片制程的要求。挑战5：城市破路施工影响大，审批难老城区在智能化升级改造中常面临破路施工难题，对交通影响巨大。同时破路施工的审批周期常在三个月以上，而不需要破路的施工审批周期仅需2周。如何做到不破路，又能智能升级改造是刚需。华为创新方案：华为即将推出的无网电警卡口采用VideoX无线组网技术，不破路，快速部署，可全面覆盖各种路口形态，降低系统建设TCO。挑战6：临时点位部署难在重大赛事安保、应急指挥中常需要临时增加视频点位来实现全程可视。业界常采用4G摄像机，但由于4G带宽原因，视频流畅度并不高；一些业界5G摄像机因为处理不好I帧码流与基站带宽的匹配问题，单基站接入数量非常有限，建设成本高。华为创新方案：华为是全球5G技术的领导者，推出的5G摄像机采用端网协同的智能流控技术和智能编码技术，可实时根据5G信号强弱智能调整I帧码率，使单基站的摄像机接入数量对比业界提升2-3倍，即使在网络丢包率达到10%的情况下，FillP传输专利技术对带宽利用率依然超过95%，视频体验更流畅。挑战7：部分道路布网、取电难部分农村道路、高速公路、偏远道路，布网、取电难，现场运维不方便，容易造成监管盲区。华为创新方案：华为的“四无”生态型摄像机，突破时空限制，采用高效能光储一体化技术，用更小的太阳能电池板和刀片锂电解决供电问题，通过VideoX自组网技术，解决无网问题，通过远程运维，减少人力成本。挑战8：单维数据不精准，路口管理不精细十字路口的优化治理受限于缺少精准的数据，传统的单维采集方式存在诸多限制，如单向视频容易被大车遮挡，夜间低照度、雨雪雾霾天气数据准确度不高；传统的环形线圈极易损坏，在线率低；浮动车数据采样率低，数据颗粒度大；雷达对低速目标不敏感，易产生断点，重复计数。因此，提供全面、准确、实时、精细的交通数据，是交通精细化治理的基础。华为创新方案：华为基于AI超微光卡口、毫米波雷达和智能交通微边缘ITS800打造了全息路口解决方案。采用多方向雷视拟合技术，结合高精度地图呈现路口数字化上帝视角，精准刻画路口每一条车道、每一辆车的行为动向。ITS800边缘计算单元可生成有标识的车牌、车辆属性、车速、位置、行驶姿态等五类元素据，可合成40多种业务指标，助力交通管理走向科学化、精细化。通过对交通事故、事件的自动感知，精准辅助定责，可节约处警时间20分钟，降低次生事故发生；提供精准车道级流量数据，支持路口信控自适应配时；通过实时交通热力图和路网出行规律，快速发现交通隐患点，缩短治理周期，并依据数据分析给出交通组织优化的合理建议。挑战9：路段点位少，违法多，监管弱路段是交通违法的高发区，但当前部署的卡口、电警摄像机主要集中在路口和少量重要路段，点位有限。但路段的社会视频有很多，如何有效利用各类现有视频资源，提升路段监管能力是当务之急。华为创新方案：智能视频存储IVS3800通过多算法仓，集成业界各类型人、车、违法、事件、流量算法，复用前端电警、卡口视频、图片流及社会点位视频流，实现交通违法、流量二次检测，扩大执法半径，实现现网视频利旧增值，有效节约投资。挑战10：人车数据不关联，执法取证难假牌、套牌查控难，交通肇事逃逸追查难，执法取证难，买卖分黄牛管控难。根源在于人与车数据未关联，不能实现违法精准处置。华为创新方案：智能视频存储IVS3800采用vPaaS多算法服务框架完成人车数据关联归档，实现以人搜车、以车搜人。同时支持256位车辆特征识别，在千万级干扰数据集上验证以图搜车准确率达到87%。华为机器视觉以HoloSensSDC全息精准感知打造“最亮双眼”，以HoloSens IVS全网数据融合构筑“最强大脑”，以HoloSens Store全域协同应用锻造“最快双手”，赋能交通智能体，助力交通管理进入科学化、精细化新时代。商品链接：交通事件检测；前端科技点击进入：华为好望商城【华为云与云市场，助您无忧上云】

近年来，随着云计算、大数据等技术的不断成熟，我们已经看到AI正以惊人的速度在各个行业中开展应用。可以说，AI已然成为未来智慧城市、智慧生产、智慧生活的强大引擎。作为业界公认的AI最先落地的领域，机器视觉利用视频+AI+大数据的能力，让智能视频和数据分析不仅仅应用于安全保障，更逐步成为各行各业的全新生产力。AI+机器视觉@旅游景区范围大，视频有死角，摄像机选点难度高？多路视频，存储难，分析难、检索难？丽江古城×华为HoloSens机器视觉，旅行，看见风景，看见AI。AI+机器视觉@教育考场视频画面有死角，运维复杂？试卷保密室安防要求严，人力成本高？多考点视频信息割裂，协同管理难？贵州省考试院×华为HoloSens机器视觉，标准化智慧考场守护教育公平。AI+机器视觉@电力隧道管廊安全作业管理难？传感系**立数据割裂，运维复杂？深圳前海电力×华为HoloSens机器视觉，解放摸黑前行的巡检人。AI+机器视觉@科创园区视频智能化识别率要求高？存量安防系统智能化升级成本高？视频存储空间利用率低？京东方×华为HoloSens机器视觉，给高创园区智慧升级打个样！AI+机器视觉@物流货场安全作业边界管理难，视频周界部署成本高？人、车、货数据信息割裂，业务协同闭环难度大？京铁云×华为HoloSens机器视觉，构建全新的货场运营体系。AI+机器视觉@办公园区红外周界误报率高传统安防人工告警时效性差？金风科技×华为HoloSens机器视觉，提供园区管理效率提升新引擎。AI+机器视觉@能源井下无光场景色彩还原难度高？矿区安全作业流程、人员流动管理难？多矿区视频信息割裂，数据共享难？淮河能源×华为HoloSens机器视觉，科技让生产更安全！时代洪流滚滚向前，新技术、新需求不断驱动行业数字化转型的日新月异。躬身入局，沉浸其中，与行业客户、生态伙伴一起解码核心业务场景，利用技术创新由内而外驱动行业数字化转型不断提速，华为机器视觉，在路上。点击进入：华为好望商城【华为云云市场，助您上云无忧】

  门口的刷脸闸机识别顾客体温，收银台处的摄像机识别VIP身份，货架前的监控识别偷盗行为，天花板上的摄像头监测热力图……        如果一个便利店老板想让店铺智能起来，他只需要进入一个名为Huawei HoloSens Store（华为好望商城）的网上商城，购买AI算法。点点鼠标，不同功能的AI算法就会自己部署到便利店的摄像机上。        当然，这些摄像机得是华为软件定义摄像机，一种像手机一样可以下载App的摄像机。        软件定义摄像机、智能视觉平台、算法商城、摄像机1拖N、共享协同、数据融合……这些词在2019年被华为一把扔进AI安防一江春水时，引起了业内不小的震动。华为机器视觉产品线总裁段爱国曾说：“华为做软件定义摄像机，智能手机这样的软件定义产品珠玉在前”！        2019年10月，华为重磅推出Huawei HoloSens Store（华为好望商城），并在线下业务试水。不到半年，Huawei HoloSens Store推出在线交易版，正式走上互联网平台。目前， Huawei HoloSens Store已经汇聚了四十多种算法，涉及零售、交通、政府、园区等各行各业。        不得不说，这对于智能安防行业的集成商、代理商来说是一个好消息。利用Huawei HoloSens Store，摄像机集成商不用再像无头苍蝇一样在智能视频算法市场中遍寻适配的算法。只需要在HoloSens Store网站上选择自己的设备型号和场景需求，就能匹配到合适、高质量的算法，一键部署到设备上。Huawei HoloSens Store目前的算法在数量约40多个，机器视觉云服务总经理徐迎辉说，为了保证算法质量，Huawei HoloSens Store会通过刚需程度和成熟度严选算法的两大标准，使商城获得良性循环的基础。由此可见，华为的HoloSens Store首先是要保证算法质量，并不急于冲量。买家和卖家是一个硬币的两面，就像淘宝商城能使得卖家免去实体店运营的麻烦一样，Huawei HoloSens Store同时为算法提供商（卖家）带来了便利。对于算法提供商来说，他们只需要把算法上架到Huawei HoloSens Store，平台会帮助他们精准匹配买家。换句话说，他们可以“埋头”搞研发，坐等算法变现。        对华为来说，Huawei HoloSens Store不仅为华为安防的客户提供了源源不断的算法，还是在通过这些算法解决千行百业的实际痛点，看到千行百业的产业AI化的可能。随之而来的，是华为乃至整个智能安防市场的扩容与放量。正如Huawei HoloSens Store商城总经理说，预计千万级发货的智能终端都将成为HoloSens Store的潜在用户。        就像App Store的出现标志着手机进入智能机时代一样，Huawei HoloSens Store的上线也标志着华为机器视觉注定走了一条和传统安防不一样的道路。        从2018年福州生态大会上的一个沙盘，到2019年华为机器视觉业务部门试水，再到今年3月上线在线交易版，Huawei HoloSens Store这一华为机器视觉的算法“泉水”已经蓄势待发。        2020年伊始，华为智能安防改名为“华为机器视觉”，剑指千亿机器视觉赋能千行百业的新市场。华为常务董事汪涛说，HoloSens Store是“智能视频落地千行百业的催化剂！”段爱国则预测，HoloSens Store将影响未来安防十年的发展！        近日，华为一口气发布了包括“四无”生态摄像机、5G摄像机、热成像摄像机在内的十几项新品和方案，有望进一步为Huawei HoloSens Store带来百万级的潜在用户！点击进入：华为好望商城【华为云云市场，助您上云无忧】

2020年8月28日，华为云AI院长峰会在杭州千岛湖举行，来自中国科学院、中国工程院的多位院士，以及清华大学、北京大学、浙江大学、上海交通大学、复旦大学、中国科技大、哈尔滨工业大学、南京大学、西安交通大学等国内40余家顶尖高校的人工智能学院与计算机学院院长、教授、专家出席了大会，峰会阵容堪称国内高校的“顶尖配置”。峰会上华为云发布了五大AI人才培养规划，其中“华为云AI十百千学术计划”之百篇经典论文复现截至目前已取得重大进展：华为云官方累计发布50余篇AI经典论文供参与者复现，涵盖了计算机视觉、迁移学习、自然语言处理多个领域，吸引了数十所知名高校学子报名参加论文复现，不仅覆盖了C9院校，也不乏博士后参与；共计百余篇经典论文算法上线华为云AI Gallery，供开发者学习和使用。百余篇AI经典论文算法已上线AI Gallery针对当前AI经典论文算法在开源社区上的代码质量参差不齐，很多代码不好用、难用、甚至用不了，以及一些论文作者不共享源代码，无法指导AI开发者可以更好的参考与探索的现状，华为云官方将一些经典而又常用的论文算法上线华为云一站式AI开发平台ModelArts，供广大AI开发者免费使用，降低开发者学习门槛；同时发起华为云AI经典论文复现活动，鼓励参与者基于ModelArts复现AI经典论文，并将复现的论文算法开放共享到ModelArts AI Gallery, 打造AI开发者学习社区，从而达到赋能AI开发者，让更多人来低门槛使用经典的算法目标。目前，已经有百余篇AI经典论文算法上线华为云AI Gallery，开发者可以了解算法介绍、查看代码，以及一键订阅算法，在ModelArts平台进行训练和推理。华为云ModelArts产品团队表示，将这些百余篇AI经典论文算法与现有教程结合，构建一整套由浅入深的“AI学习天梯”，帮助各行各业的开发者在人工智能领域“渐入佳境”。全方位支持AI经典论文复现为了让开发者更好地学习AI，华为云举办的AI经典论文复现活动，设置了百万级别奖金池，成功复现并通过验收即可获得奖金激励。每篇论文一支队伍复现，论文一经发布即引来各大知名高校学生参与，基于自身研究领域选择熟悉的论文。此外，为了帮助学生能顺利完成复现，活动中给报名学生们提供了全方位支持，包含ModelArts赋能和论文复现活动宣讲、提供充足的ModelArts算力、全周期指导和问题解答，整个活动受到了学生们的一致好评。代表性AI经典论文算法：图像分割-Fast-SCNN随着自动驾驶汽车的兴起，迫切需要一种能够实时处理输入的模型。目前已有一些先进的离线语义分割模型，但这些模型体积大，内存大，计算量大，Fast-SCNN: Fast Semantic Segmentation Network可以解决这些问题。它是一种针对高分辨率图像数据的实时语义分割模型，适用于低内存嵌入式设备上的高效计算。代表性AI经典论文算法：目标检测-TSD目前很多研究表明目标检测中的分类分支和定位分支存在较大的偏差，论文从sibling head改造入手，跳出常规的优化方向，提出TSD：Revisiting the Sibling Head in Object Detector方法解决混合任务带来的内在冲突，该方法可以灵活插入大多检测器中，帮助通用的检测器大幅度提升性能3%-5%，在COCO上，基于ResNet-101可以达到49.4的map，在SENet154上可以达到51.2。“学AI，就用ModelArts”据华为云ModelArts产品团队介绍，2021年，华为云AI经典论文复现计划将带来更多后续活动：一、邀请优秀的学生代表举办论文复现直播解读，手把手带开发者复现经典论文；二、不定期发布更多AI经典论文复现任务；三、邀请优秀的学生代表参加华为开发者大会（HDC.Cloud），与专家大咖们面对面交流。获取华为云AI相关活动资讯，请持续关注华为云AI社区，更多AI经典算法可访问华为云官网-ModelArts AI Gallery查看。

 产业「抖音同款播放器」上市：卡顿、黑屏和模糊，这些技术来解决火山引擎点播能力相关技术2021/02/26 18:37原文链接近三分之二离散制造企业积极上云，却为何收益寥寥？最近，麦肯锡发布《2021年离散制造业上云调查》(Cloud in Discrete Manufacturing Industries survey)报告，这也是首次针对全球工业企业（离散制造）云管理的一项调查。2021/02/26 18:30原文链接刚买60天，硬盘寿命就用掉10%：苹果M1版Mac夸张特性遭质疑MacBook Pro两年就能用报废？2021/02/26 14:36原文链接英伟达RTX 3060评测：虽然只卖2499，但刀法有点过猛更不用说抢不到了。2021/02/26 14:31原文链接拒绝尬聊，用高科技云拜年：揭秘首款卫星社交应用「北斗福到家」今年春节最走心、最具科技感的拜年方式。2021/02/26 14:28原文链接入门从算法到开发，字节跳动Leader们最中意的40项学习资源我们找到了字节跳动找到了多媒体、推荐算法、计算机视觉、强化学习、机器翻译、知识图谱、安卓、iOS、服务端、前端等几个方向的Leader，推荐了各个技术方向的自学资源。2021/02/26 18:37原文链接论文分享 | 丢弃卷积，纯Transformer构建GAN网络TransGAN：丢弃卷积，纯 Transformer 构建 GAN 网络。2021/02/26 14:27原文链接工程英伟达Jarvis 1.0公测版上线，打造实时对话式AI速度提升十倍包括用于对话AI的新的预训练模型，并带来迁移语言工具包。2021/02/26 16:27原文链接理论美团提出基于隐式条件位置编码的Transformer，性能优于 ViT 和 DeiTCPVT 提出的隐式位置编码是一个即插即用的通用方法。2021/02/26 14:03原文链接其他reddit高赞资源：20h系统性深度学习&强化学习课程，视频、PPT、代码全都有 | 免费无需强大知识背景，初学者的福音～2021-02-26 15:36:45原文链接机器人用上AI后，拥有了堪比人类皮肤的触觉：轻松引线穿针、夹取鸡蛋丨Science子刊城大&港大出品2021-02-26 13:52:00原文链接Redmi K40系列首发评测：便宜800块的K40，竟然干翻了Pro版！怕不是今年最香中杯。2021-02-26 09:58:31原文链接