Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

参与李亚洲 李泽南

清华AI研究院孵化RealAI:宣布数千万天使轮融资,研发新一代人工智能技术

1 月 4 日,来自清华大学 AI 研究院的创业公司 RealAI(瑞莱智慧)宣布完成数千万元天使轮融资,这家公司由田天出任公司 CEO,清华大学 AI 研究院院长张钹、清华大学教授朱军担任首席科学家。

据悉,作为资本寒冬下的新年第一笔融资,本轮融资由 BV 百度风投和中科创星联合领投,水木清华校友基金跟投,这些资金将主要用于平台建设、产品开发、团队扩建等。

RealAI 是一家孵化自清华大学 AI 研究院的科技公司。致力于打造基于安全、可靠、可解释的概率机器学习方法的 AI 基础平台,并引领第三代人工智能新纪元。据称,这家公司的 B 端行业解决方案已经服务于多家工业和金融领域的重要客户。

近来人工智能赋能行业升级持续升温,然而清华大学 AI 研究院院长、中科院院士张钹教授这样评价现有的人工智能技术:「机器最大的缺点是「小错不犯,犯就犯大错」」,当前 AI 技术对训练数据过分依赖,这导致算法在工业领域等样本和标注不足的场景中极易出错;其次模型可解释性不强,在医疗、金融决策等敏感领域难以被广泛接受,张钹院士曾举例「比如医学图像识别,计算机识别率能够超过人类,但是医生不敢用,因为机器判断这张图片是有癌症,医生根本不知道它根据什么判断出来的,这是普遍遇到的问题」;另外模型安全性差,通过对输入样本进行人类无法分辨的简单修改,就可以误导神经网络给出错误结果。

根据 2018 年全球高校计算机科学领域实力排名 CSranking,在人工智能单项的全球排名中,清华大学仅次于卡内基梅隆大学全球居第 2 位。源自于清华大学 AI 研究院的瑞莱智慧是作为其推进人工智能技术与产业的深度融合的产学研示范企业,由毕业于清华大学、曾获清华特等奖学金和西贝尔学者荣誉的田天博士担任公司 CEO。清华大学 AI 研究院首任院长张钹院士与 MIT TR35 中国区入选者朱军教授共同担任公司首席科学家。张钹院士所带领的清华大学 AI 研究团队一直以来在人工智能的最前沿探索,致力于通过贝叶斯深度学习、可解释学习、AI 对抗攻防等新技术,解决目前主流模型存在的缺陷。

RealAI 致力于研发新一代人工智能

团队近年来开发的「珠算(ZhuSuan)」概率编程库,大幅降低了开发贝叶斯深度学习算法的技术门槛与成本;并实现基于贝叶斯深度学习算法的半监督学习与无监督学习,显著减少实际场景中需要的标注数量;团队在 AI 安全和可解释等方面也取得了令人瞩目的成果,通过对模型的可解释性进行建模,能够实现对模型决策的解释,让模型更加安全可靠。

CEO 田天表示,RealAI 成立的目标就是探索新一代安全、可靠、可解释的人工智能,并将这些先进技术成果赋能各类行业应用。田天希望通过 RealAI 实现技术平台化,能让更多人能掌握和应用新一代人工智能技术,同时也与行业专家和客户深度结合,以新技术解决现有 AI 难以突破的行业痛点。RealAI 创始团队中不仅有毕业于清华大学、北京大学、中科院的人工智能专家,也有来自金融、能源等不同领域的行业专家,通过对业务场景的深入分析提供全套 AI 赋能解决方案。目前也正在吸纳更多优秀的人才加入。

在 AI 的安全性方面,深度神经网络在标注数据少、训练环境和测试环境有差异时往往缺乏良好的泛化能力。AI 安全就是研究黑客会如何恶意地利用深度网络在泛化能力上的漏洞来使它犯错误。RealAI 采用先进的 AI 安全技术来提升模型在少标注数据下的学习的能力、以及抵御黑客攻击的能力。后者能显著提升 AI 系统在关键决策领域的稳定性。

据悉,瑞莱智慧成立于 2018 年 7 月,尽管正处于资本寒冬,但团队的「明星效应」使其在资本界备受青睐,融资一经启动仅短短数天便获得了巨额天使轮融资意向。目前,其基于新一代人工智能技术,RealAI 研发了无监督学习算法、可解释性算法,能够解决行业中标注数据缺失问题,帮助人类借助算法解释更好的进行决策。目前 RealAI 已经与工业、金融等领域的顶尖企业展开合作,研发了工业领域的异常检测、预测性维护等,金融领域的反欺诈、金融征信等多种应用产品。

参考内容:

RealAI 官网:https://realai.ai/

清华大学成立 AI 研究院:张钹院士任院长,Jeff Dean 成为计算机学科顾问

产业清华大学瑞莱智慧
1
相关数据
朱军人物

朱军,清华大学计算机系长聘副教授、卡内基梅隆大学兼职教授。2001 到 2009 年获清华大学计算机学士和博士学位,之后在卡内基梅隆大学做博士后,2011 年回清华任教。主要从事人工智能基础理论、高效算法及相关应用研究,在国际重要期刊与会议发表学术论文百余篇。担任人工智能顶级杂志 IEEE TPAMI 和 AI 的编委、《自动化学报》编委,担任机器学习国际大会 ICML2014 地区联合主席, ICML (2014-2018)、NIPS (2013, 2015, 2018)、UAI (2014-2018)、IJCAI(2015,2017)、AAAI(2016-2018)等国际会议的领域主席。获 CCF 自然科学一等奖、CCF 青年科学家奖、国家优秀青年基金、中创软件人才奖、北京市优秀青年人才奖等,入选国家「万人计划」青年拔尖人才、MIT TR35 中国区先锋者、IEEE Intelligent Systems 杂志评选的「AI's 10 to Watch」(人工智能青年十杰)、及清华大学 221 基础研究人才计划。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

半监督学习技术

半监督学习属于无监督学习(没有任何标记的训练数据)和监督学习(完全标记的训练数据)之间。许多机器学习研究人员发现,将未标记数据与少量标记数据结合使用可以显着提高学习准确性。对于学习问题的标记数据的获取通常需要熟练的人类代理(例如转录音频片段)或物理实验(例如,确定蛋白质的3D结构或确定在特定位置处是否存在油)。因此与标签处理相关的成本可能使得完全标注的训练集不可行,而获取未标记的数据相对便宜。在这种情况下,半监督学习可能具有很大的实用价值。半监督学习对机器学习也是理论上的兴趣,也是人类学习的典范。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

异常检测技术

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。 通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。 异常也被称为离群值、新奇、噪声、偏差和例外。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

推荐文章
暂无评论
暂无评论~