640浦江创新论坛 财智沙龙近日迎来了第一期,主题为 “类脑智能技术应用与趋势”,众所周知随着互联网经济已进入新常态,下一个时代将是类脑人工智能。而随着基础计算设施、深度学习算法、大数据等技术持续突破,人工智能发展瓶颈逐渐解决。人工智能技术给各行业带来巨大变革,垂直行业蕴含着巨大投资机会。

本次沙龙,将邀请学术界知名科学家和产业界、投资界资深人士,共同探讨脑科学与智能领域的新发展和新技术,分享行业发展趋势,交流创新智能技术应用的成果与挑战,促进技术与资本的对接。

本次论坛活动共分为四个板块:学术交流环节、行业前瞻、创业分享、圆桌讨论; 嘉宾之一的复旦大学类脑智能科学与技术研究院 冯建峰院长是国家 “千人计划” 第二批特聘教授,他的演讲主题:类脑智能和医学大数据。

冯教授分别从背景,依托平台和几个简单的例子为我们展开演讲,他总结到今天的智能是在大数据,在智能算法的基础上他们取得了很大的成功,包括解析大脑的工作流程、智能决策、智能制造,还有智能诊疗等在类脑智能方面所取得的一些成就。他通过精彩的案例为我们分析了落户于复旦的国际上最大的脑科学数据库的作用;他表示他们的目标是通过积攒的大量数据和算法,建造一个上海的大脑,一个通用智能的平台,把各种各样的功能集中在里面,而不是像今天的 AlphaGO 一样只能下棋,把智能的东西变成通用的智能。

中科院上海微系统研究所研究员张晓林在机器人工学领域、医学生理领域、仿生学交叉领域等都有多年的研究经验,他向我们介绍了从 1987 年至今的研发历程与方向以及视觉的进化演变过程。

他说人眼是非常全面的智能系统,它不是像一些触觉就是一个简单的传感器,它关系到眼睛机构,然后是控制机构,比方说以前的机器人识别几乎双目都是固定的,没办法动,一动就乱,但是现在的双目机器人眼球可以动、可以进行目标跟踪、可以切换以保证立体视觉的关键机能。

他还向我们介绍了视觉历程计、三维重建、仿生鹰眼智能监控系统等人工智能,他表示,如果人工智能做不了的就做不了,但只要人工智能能做的部分,肯定会比人做的好,因为不需要考虑能量、体积、重量等问题。

七海资本合伙人姚欣榆曾任腾讯企业产品负责人、微软 office365 大中华区首席市场战略官,他表示人工智能是一个大帽子,从研究到应用,它一定是一个非常长的周期。人工智能公司的壁垒在于它的数据量,如何比竞争对手更快的积累更多数据以及如何找到新的数据领域才是关键。从人工智能的角度来讲,在接下来的几年主要的爆发点应该是在人机交互角度,就是语言的处理、图像的处理,这一块是很容易改变产业格局的。人机交互的方式不是要机器来做决策而是真正听懂人在讲什么。

Intel 人工智能、算法资深应用工程师王欣为我们分享了 Intel 在前面一段时间里面的投资战略,告诉我们 APG 究竟在干什么。他表示人工智能到现在的理论研究已经达到非常高的程度了,但是后面的问题其实就是怎么产业化,怎么把它变成一个产品,怎么去造福于人类,怎么做出一个真正的东西。他认为我们可以把这件事情分成两方面,一方面是算法,一方面是芯片,算法是用来进攻的,用来占据市场、打开整个市场,但是芯片是用来防守的,怎么做到低成本,怎么变成非常优化的系统,让它变得更快,变得更加可以移动化,这样的角度上面,你的产品才能生存。

阅面科技创始人兼 CEO 赵京雷从一个创业者的角度为大家介绍了阅面科技。

他提出怎么样让这些算法在场景里面低成本、高效运行起来是关键。而视觉本身能带来几块的变化,第一视觉能带来更加安全的社会,第二视觉能够带来的是交互和便捷。从本质上赋予一个更加安全的 GT,提供更加便捷的服务。他表示,我们的类脑智能各方面也好,其实底层的技术一定是一个生产工具,但是怎么样和行业结合,或者你做的东西能够真正帮助行业做一些改变,这个时候它会释放很大的生产力。

云从科技研究院院长李继伟主要跟大家分享了人脸识别的发展和应用。他分析了为何到 2015 年人脸识别才进行了大爆发的原因,一方面随着互联网的不断积累,有了大数据的产生,GPU 高性能的进步,为处理大数据提供了基本的基础设施,从方法上深度学习的突破,以前的人脸识别基本上都是人工设定的特征,有了深度学习以后,相当于从原始的象素特征直接学习到人脸的高级特征,这样就有了端到端的学习框架。有了这三块的积累和突破以后,云从科技在人脸识别率上提升了两个数量级。2016 年人脸识别技术已经可以帮助公安破案,真正让刷脸成为了可能,此外还能为生活提供个性化服务。

在圆桌讨论环节里,6 位分享嘉宾依次就自己的观点和立场对以下三个问题作出回答和解释。

Q:
1. 我们都知道非常清晰地认识到类脑智能技术将对我们的社会、生活,包括生产带来深刻的变化,那么具体来说,究竟类脑智能技术将显著降低哪些成本?或者说会加速哪些领域的迅速发展?

2. 讲到类脑人工智能技术,数据的地位无疑是举足轻重的,目前做算法的公司也是很多的,那么如何搭建一些共享的大数据的训练平台,实现资源贡献?

3. 类脑智能区别于一般的人工智能的关键核心在于深度学习的算法,而要将它应用于更多的场景,则需要算法硬件的实现,类脑芯片的发展是必然的,目前类脑芯片的发展情况如何?成熟度如何?或者说我们现在有更多报道出来,说研制成功类脑芯片,更直接的问题就是如何衡量一款类脑芯片是否具有应用前景和商业价值?最需要考量哪些指标和性能?

A:
1. 姚欣榆:我觉得从发展趋势来讲,肯定是人工智能这一块,或者随着科技的发展,它一定会替代很多人类的劳动,从有人类开始,一直到 1800 年左右,人的生产力提升非常有限,蒸汽机发明以后,一下子替代了人的肌肉,现在人工智能一定会替代现在很大一部分人脑的工作,像美国,包括律师和会计、医生,很大一部分会被人工智能替代。虽然这个机器替代了很多人的工作,但是它反而创造出来更多的工作,我们以前讲 360 行,现在 36000 行都不止,行业越来越多,而且每个行业从业的人越来越少,像福特公司最高峰的时候有 100 万人,那个年代是大公司,现在这个时代的大公司像微软、谷歌可能就十几万人,越来越多领域的细分公司会出来。

2. 冯建峰:我自己有很多处理数据的感受,我主要做算法,所以我很有体会,数据有不同的类,有些数据是非常敏感的,当然不可能公开的,但有的数据的确是应该公开的,大家应该共享,比如说基因处理我们有不同的方法,中国的基因处理是不准出口的,所以我们必须要保护所有的数据,必须留在国内。国外的基因数据,我们正在改这个事情,我们刚做过一个调查,50% 的人愿意把自己的基因数据公开出来的。对不同的数据要有不同的办法来处理,当然数据越大越好。第二个,对多站点的数据怎么样质量控制问题,其实是非常糟糕的,质量的控制问题使得数据对我们才能真正可以用起来。数据在哪儿?我自己很自信地说,比如说上海把所有的精神疾病的数据给我,明天我就给你把精神分裂症提高 5 个百分点或者 10 百分点的诊治率,怎么样打破数据的壁垒,大家分享一些数据,也是政府能够帮我们很大的忙,把中国很宝贵的数据用起来,这也是我们最大的优势。

3. 王欣:我就希望永远不要出类脑芯片,类脑要不停地迭代很多算法,或者程序会不停地换,如果最近提出要做类脑芯片或者神经网络芯片,基本上我觉得都是不靠谱的。但是五年以后,当你的网络开始趋向于聚合的情况。我认为五年内出神经网络的可能性不大,但是 APG 是可以做的,因为它可以随便插,随便写。

冯建峰:最早的深度学习是在 MIT 做的,模拟我们的视觉系统,前头好多层是固定的连接,一点固定就是可以芯片化的,最后的两层是学习的,我们今天的技术还达不到去改变它。里面有两块东西,一部分要用软件来实现,完全可以通过程序来改变,另外一部分就是固化,需要靠芯片来做的,软硬件结合是今天的发展趋势,不是说今天芯片就不能做,只是我自己的感觉,我们的确在有一些固化的地方可以先拿芯片来实现,但是今天最现实的就是软硬件结合。