新疆信息港
旅游
当前位置:首页 > 旅游

中国AI力量崛起直追美国但在这些方面还存top-iyiou

发布时间:2019-06-19 12:06:44 编辑:笔名

中国AI力量崛起直追美国 但在这些方面还存差距

作为人工智能国际会议,由美国人工智能协会(American Association for Artificial Intelligence)组织的AAAI大会在美国旧金山召开,在今年的大会上中国面孔成为不可忽视的力量。在2571篇投稿论文中,中国和美国的投稿数量分别占到31%和30%,虽然在被接收论文数量上,中国还是低于美国,但数量已经大幅提升。

一个小插曲则是,今年的AAAI大会原计划在新奥尔良召开,由于和中国春节冲突,AAAI Fellow、AAAI现任执委杨强教授和几位教授紧急向组委会发送邮件,使得终破格更改了时间和地点。

可见,中国在AI领域正在蓄势,逐步成长为中坚力量。据《乌镇指数:全球人工智能发展报告》,在全球人工智能专利数量方面,中国以15745个紧跟在美国26891个之后位列第二,日本以14604个排名第三。值得一提的是,三国占总体专利的73.85%。

华人势力

不仅仅是学者,来参会的中国公司也变多了。杨强表示。从今年的活动赞助商而言,百度、腾讯和亚马逊、IBM一并成为金牌赞助商,小i机器人、今日头条也跻身银牌赞助商之列。在今年收录的论文中,百度、腾讯、华为、360、今日头条、携程等中国公司的人工智能团队也有出现。

百度研究院院长林元庆对财经说,过去几年里,她在参加国际上人工智能领域的会议中,确实可以看到参加会议的华人非常多,而且在过去几年里增长很快。他认为这同时也和国内几家公司在人工智能领域的投入有关系。

中国人适合做人工智能,世界上43%的人工智能论文都是中国人写的。创新工场创始人李开复曾向财经表示。根据美国白宫此前发布的《国家人工智能研究与发展策略规划》来看,从2013年到2015年,SCI收录的论文中,深度学习或深度神经络的文章增长了约6倍,按照文章数量计算,美国已经不再是世界。在增加文章必须至少被引用过一次附加条件后,中国在2014年和2015年都超过美国,位居前列。

这一轮人工智能并不是一个新的革命,而是18世纪工业革命自动化的一个延续,技术一旦掌握到手里,可以迅速扩展到做全世界的生意,所以这对于中国起到了一个弯道超车的作用。杨强表示。

中国人数学好、刻苦努力无疑为中国发展人工智能提供了良好的基础,但更大的驱动力在于产业需求。一方面对于传统企业而言,需要新技术来推动产业变革,中国的经济结构还有很多不合理、低效率的地方,通过人工智能浪潮,就形成了一种新的竞争。杨强强调。

对于互联巨头或新兴独角兽公司而言,同样需要借助人工智能技术,激发已经存储的海量数据,提升服务度,创造潜在盈利机会,互联大市场孕育的应用到C轮需要人工智能。李开复表示。例如今日头条在借助人工智能技术,将内容和视频进行重新排序,实现资讯分发的千人千面,美图也利用人像数据库,对数据进行标记、结构化,优化图像算法。

全世界只有中美两国有如此大量的数据、大规模的计算和应用场景,在应用层面中美基本处于同一起跑线。地平线机器人技术创始人兼首席执行官余凯向财经表示。余凯曾担任百度研究院副院长、深度学习实验室(IDL)主任,带领的团队将深度学习技术成功应用于广告、搜索、图像、语音等方面,在此之前他也曾在美国NEC研究院、西门子数据研究部、微软亚洲研究院工作。

在余凯看来,中国有世界上的互联公司,且拥有搜索、社交、电商、互联金融等很好的应用场景,大规模的计算平台都需要大规模的应用场景,在小实验室是做不了的,年轻人在这样的工作环境中会得到持续的锻炼,包括工程实验能力、对算法的理解等。

的优势是人多,这种优势体现在三个层面,人多意味着市场大,有更强的驱动力去把这件事情做好。其次针对社会服务层面,需要很多数据。第三,人才基数比较大,冒出人才相对多一些。第四范式创始人、首席执行官戴文渊告诉,从数据量、投入的人力财力来看,中美之间没有多少差距,且中国更有优势。

中美差异

但将论文数量视为中国人工智能发展水平有失公允,虽然在靠近商业价值应用层面中美并驾齐驱,但在基础性、原创性研究、创新土壤、人才储备层面,中国相较美国还存在不小的差距。

国内更多是技术的落地、产业化和应用,国外仍然有很多人在公司和研究院做前沿研究,包括寻求方法论上的突破,我们擅长把事情做得更细致,相对而言突破性和奠基性的工作还不够多。地平线机器人技术联合创始人、算法副总裁黄畅告诉财经。

黄畅毕业于清华大学计算机科学与技术系,曾在美国南加州大学和NEC美国研究院担任研究员,2012年加入百度美国研发中心,2013年和余凯参与组建百度深度学习研究院,任高级科学家、主任研发架构师。在黄畅看来,做研究无外乎寻找新的问题和研究新的方法,而在这两方面国内和国外相比还存在不小的差距。

杨强认为,深度学习是不断发展的,研究领域的应该是开拓新的领域,而不是在原有的基础上深挖。把一个10层的深度模型拓展到100层甚至1000层,我觉得这个确实是一个进步,中国人目前是这个层次,但这些在我看来并不是一个原创。杨强举例说道。

现在很多高校是看教授和学生的论文达标情况,会议论文的发表对学生申请院校、教授评级、申请科研经费等都有帮助,真正做出突破性理论研究,不迎合考核体系的非常少。戴文渊直言。在他看来,虽然有相当数量的人参与到人工智能研究,但的研究成果并不与参与人数的激增成正比。

余凯认为,有一些中国学生很擅长刷分、刷榜。别人做到99.5%,我做了99.7%,并不一定有实质性突破,世界也没有因为这个刷分而变得不一样。原创性的创新需要不一样的思考,现在讲深度学习比较多,所有的人都进行深度学习,而不是思考What is wrong ?How to be different?余凯强调。

在人工智能领域浸染十年有余的戴文渊也有同样的感受,很多人用力的方向有问题,准确率达到99.1%、99.15%或者99.2%,其实没有什么差别,并不应该把精力用在这些地方,而应该关注不到60分的领域,去把它做及格。

回归至深度学习的历史发展脉络来看,正是一个边缘化课题走向主流技术的路径。早在上世纪80年代初期,深度学习学派的开山人物Hinton一直坚持神经络的探索,但受限于当时的电脑速度、数据量等问题,深度学习理论是一项边缘化的研究,当时AI的主流研究方向与之截然相反,推崇小样本学习,主推SVM学习。

正是以Hinton为代表的一群人对深度学习的坚持,才一步步将边缘课题变成人工智能核心技术。十年前进入这个领域,中国学生都在学优化理论,现在一窝蜂地学习深度学习,很少有人在怀疑深度学习是不是解,就像之前很少有人去思考优化是不是解。戴文渊说道。

人员成本居高不下

在余凯看来,中美之间的差距表现在两方面,一方面是人才储备的匮乏,很多高校在很长时间内并没有人工智能专业,而在美国基本上大的院校都有人工智能教授。以美国卡梅隆大学为例,设有专门的机器人研究所,其中光教授就有100多位,纵向而言,中国布局的时间也比较晚。

早在2012年余凯回国在百度成立了人工智能团队,担任百度人工智能研究院执行院长,在他的记忆里,当时在高校招人非常困难,很多是在招进百度之后再自己培养。

其次从产业链而言,谷歌或者Facebook的人工智能团队不仅可以从斯坦福等院校招人,还可以从微软、IBM、HP等大公司挖走人工智能领域的人才,当时别的企业还想着从百度挖人,无论从科研教育还是整个产业界,起步都是晚的,规模还是小的。

至今余凯仍会频繁去美国参加一些学术会议,让自己保持更多的思考,国外技术创业比较多,大家探讨的是数学公式及算法,而在中国大部分在讲趋势、概念,如果PPT上放上公式就变得很无聊,心态比较浮躁。

资本驱动之下,人工智能成为创业火热的领域,也在加速人才的流动。根据华创资本发布的《2016早期企业薪酬调研报告》来看,人工智能和大数据领域类的早期企业在过去一年的员工离职率高达44%,人员流动活跃。

付不起工资、抢不到人成为人工智能企业在人才招聘方面面临的博弈。人才比较少,需要的公司又多,人工智能的人员成本因此居高不下。戴文渊表示,我们想要寻找突破常规的人才,需要找到能够将30分的东西做到60分甚至80分的人才,例如目前做深度学习的人有很多,但迁移学习的人才就非常少。

德才兼备是余凯选人的标准,所谓德即对人工智能本身的热情,愿意为之做长期奋斗,而不是短期的。大部分人是在赶时髦,如果冰天雪地的时候心还是热的,那才叫热情,才则是数学功底、统计功底、编程能力等等。

的人才、优质的研究成果永远匮乏,好比人工智能领域论文从每年800篇涨到3000篇,但真正出色的论文在数量上基本不会有太大变化,许多人是在随大流、挖坑灌水、解决细枝末节的问题,产生的真实价值并不大。黄畅补充道。

与O2O、电商等产业不同,人工智能的技术创新仍旧需要长期且基础性的理论研究工作,如何从顶层设计出发,加强人工智能基础理论研究和核心技术突破,加强人工智能科研人才、技术人才的培养与引进,才是人工智能发展的持续动力。

人工智能挑战

一派繁荣之下,正视人工智能的作用变得更为重要。相较于告诉人们人工智能能做什么,目前更重要的反倒是告诉人们,人工智能不能做什么。余凯笑着说道。结合当下的发展情况人工智能仍然面临诸多挑战。

首要挑战就是数据不足的问题。众所周知,人工智能建立在海量数据基础之上,通过大数据训练,来优化算法模型,以人脸识别技术为例,训练这一算法模型需要至少百万级别的图片数据。

目前人工智能主要是监督式学习,有监督的训练就需要带标签的数据,因此数据的质量和度及输出结果密切相关。如何剔除数据中的噪音、垃圾信息,获取优质且带有标签的数据成为新挑战,也正是因为这个原因,半监督式甚至无监督式学习方法必然成为未来的研究热点。黄畅说道。

另一大挑战在于深度学习的推广和场景迁移能力不足,每个领域的数据都需要重新收集、标准和再训练,很难进行跨领域推广。这些挑战也是人工智能工业界和学术界急需突破的问题。在招聘的过程中,学习深度学习的人很多,而懂得迁移学习,具备思辨能力的人很少。戴文渊表示。反映到人才培养和教育而言,如何引导并鼓励学生进行跨领域、原创性的探索研究尤为重要。

例如今年AAAI论文来自斯坦福大学计算机科学系的Russell Stewart、Stefano Drmon,他们所撰写的论文《用物理和特定领域知识让神经络进行不带标签的监督学习》,就是将物理知识与深度学习相结合,通过跨领域研究给AI带来新的启发。

声明:本文仅为传递更多络信息,不代表ITBear观点和意见,仅供参考了解,更不能作为投资使用依据。

2018年天津体育种子轮企业
2016年烟台体育上市后企业
习大大为什么首次为世界互联网大会站台
友情链接
厦门有哪些神经内科医院 忻州有哪些皮肤科医院 忻州有哪些肝病科医院 吕梁有哪些司法鉴定科医院 佳木斯一乙医院哪家好 生殖整形发病原因 癫痫性精神障碍医院 大动脉炎医院 恶性肿瘤所致贫血医院 结节性痒疹医院 急性附件炎医院 甲亢医院 巨人症与肢端肥大症医院 口咽部粘连医院 溃疡性结肠炎性关节炎医院 抗利尿激素分泌异常综合征医院 口蹄病医院 类固醇后脂膜炎医院 麦收皮炎医院 男性乳腺增生医院 运城有哪些医院 湖南有哪些血管外科医院 湖南有哪些正畸科医院 湖南有哪些中医肛肠科医院 湖南有哪些中医内分泌医院 黑龙江有哪些其他内科医院 黑龙江有哪些过敏反应科医院 黑龙江有哪些小儿泌尿科医院 黑龙江有哪些中医外科医院 黑龙江有哪些药学部医院 安徽有哪些职业病科医院 内蒙古有哪些肿瘤综合科医院 内蒙古有哪些实验中心医院 福建有哪些肾病内科医院 福建有哪些屈光医院 重庆有哪些其它科室医院 重庆有哪些整形科医院 重庆有哪些肿瘤康复科医院 重庆有哪些计划生育科医院 重庆有哪些特诊科医院 山西有哪些皮肤科医院 江西有哪些急诊科医院 江西有哪些放疗科医院 江西有哪些妇科内分泌医院 江西有哪些透析中心医院 广西有哪些口腔预防科医院 汕头有哪些肝病科医院 佛山有哪些体检科医院 惠州有哪些病理科医院 惠州有哪些地方病科医院 汕尾有哪些内分泌外科医院 清远有哪些小儿肾内科医院 东莞有哪些高压氧科医院 衢州有哪些小儿神经内科医院 巴中有哪些超声科医院