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

浙大吴飞「舌战」阿里贾扬清:AI内卷与年薪百万,哪个才是真实?

机器之心报道

机器之心编辑部

为了推动 AI 技术的应用创新,促进人工智能领域的学术交流、人才培养,打造人工智能的人才交流平台与产业生态圈,中国人工智能学会联合杭州市余杭区人民政府联合发起了首届全球人工智能技术创新大赛,并得到了阿里云OPPO 等头部科技企业的积极参与和支持。阿里云天池平台为本次大赛提供平台和算力支撑。

「AI 青年说」是大赛主办方为提升青年开发者对 AI 的认识而主办的系列活动,该活动邀请知名青年学者,探讨理论研究与应用实践中的热点话题。本文对 AI 青年说系列活动第四期「乘风破浪的 AI 青年」圆桌论坛核心内容进行了总结回顾。

大规模数字化建设时代即将到来,届时 AI 技术将融入现代社会各个方面的核心。值此之际,中国人工智能学会牵头发起全球人工智能技术创新大赛,目前大赛正在火热进行中,总决赛将于 5 月下旬举行。

作为大赛提升青年开发者对 AI 的认识而主办的系列活动,「AI 青年说」系列也进行到了第四期。我们邀请到了浙江大学的吴飞老师和阿里的贾扬清老师进行圆桌对话,主题为「乘风破浪的 AI 青年」。

在本期活动中,浙江大学求是特聘教授、博士生导师吴飞老师和阿里巴巴集团副总裁贾扬清老师面向「人工智能技术和产业发展的趋势」展开了圆桌讨论。

两位嘉宾先介绍了各自的 AI 之路,为观众们分享自己的 AI 经验。其次,他们探讨了人工智能技术和产业发展的一些大的趋势,并从各自的观点出发,对各位观众朋友提供一些学习 AI 和个人发展的建议。

浙大吴飞「舌战」阿里贾扬清:AI内卷与年薪百万,哪个才是真实?

虽然吴飞与贾扬清老师都是青年学者,但都是经验丰富的 AI 老兵,在 AI 领域都有卓越的贡献与成就。机器之心在不改变原意的基础上,对两位专家的圆桌讨论内容进行了整理。

问:如何与人工智能结缘

吴飞:我是 2009 年的时候开始对人工智能产生兴趣,当时我对自己的研究方向产生了深深的焦虑,觉得自己当时研究所写东西「面目可憎,言语无味」。这个时候,我得到去美国加州大学伯克利分校统计系郁彬教授课题组做访问学者的机会,深入学习很多有关机器学习模型理论和算法的知识。

原来在冰冷的机器后面,有这么多深奥的模型、算法和这么新鲜的理论来支持。一年之后,我回到浙大,从此走上了人工智能的学术道路。

贾扬清:我最开始是学习自动化的。以前,我们开玩笑说,自动化主要做两件事情,一个是烧锅炉的,一个是开电梯的。

后来在研究生期间,我就对于人工智能和统计机器学习产生了更多的兴趣,当时人工智能并没有那么热,有一句流行的话,「人工智能是在 80% 的时间里,以 80% 的正确率,解决 80% 的问题」。但是我们也不知道,那 80% 的时间解决了哪些 80% 的问题,大家一直处于相对低谷的状态。

2006 年的时候, Geoffrey Hinton 在《Science》发表了一篇讲受限玻尔兹曼机(restricted Boltzmann machine)的文章,我开始对人工神经网络等基础理论以及大规模训练产生兴趣。我是 2009 年去了加州大学伯克利分校,也有幸跟吴老师在伯克利相处了一年多的时间。

攻读博士期间,我们发现神经网络深度学习的方法变得越来越重要,我们最开始从稀疏编码(Sparse Coding)等方面入手,构建一系列的软件栈以及相应的科学研究,来把基于深度学习的算法做得越来越好。

2012 年,AlexNet 的出现让全世界都突然意识到深度学习的重要,在此之前,2010 年左右,在语音领域 RNN 等方法已经开始被应用起来。当时我发现大家都在纷纷涌向深度学习算法,相应的软件工具平台却比较匮乏的,所以我们在伯克利就开始做 Caffe 以及后来一系列的深度学习框架。

在接下来的几年,我们见证了深度学习算法的大规模应用,无论是算法创新方面,还是方法的落地方面,都开始有了非常大的市场。

无论是阿里的城市大脑算法,还是达摩院的很多新型算法模型,很荣幸我的研究能够成为一个底座,支持大家在 AI 技术及应用上有进一步的创新和发展。

问:十四五规划人工智能列为前沿科技领域的「最高优先级」。这对人工智能专业而言,意味着什么?

吴飞:2017 年,国务院公布了中国新一代人工智能发展规划规划明确指出:人工智能是引领未来的战略性技术,必将推动人类社会和生活模式以及学习方式的巨大改变。

我想对年轻人而言,人工智能就意味着未来,因为它本身是一个使能技术,不断推动着社会的快速前进。规划还指出,高校要设置人工智能本科专业。2018 年,教育部批准了 35 所高校设置人工智能本科专业。到现在为止,全国一共有 345 所高校设置了人工智能本科专业。

图灵在 1949 年接受采访时谈到图灵机模型时曾说,「(图灵机模型的提出)这不过是将来之事的前奏,也是将来之事的影子。」

因此,对年轻人而言,无论是基础研究、关键核心技术的突破,还是赋能场景的实现,人工智能已经悄然地走进社会,像水和电一样的不断赋能社会的发展。

问:未来 AI 有哪些值得关注的趋势?

贾扬清:这些领域经历了从 0 到 1 的过程。在 2012 年以前,要做一个计算机视觉的识别系统,基本上就要去读一个博士,才能做出来,而且效果还不一定好。今天我们发现,从 0 到 1 的积累差不多已经完成了,或者说已经比较成熟。因此我觉得这些方法的标准化和应用化会变成大趋势。

今天如果我想做一个无人驾驶的 demo,就并不需要去学计算机视觉的博士。因为今天有非常多开源的模型,让我们能够非常迅速地把算法能力给补齐。算法的标准化、工程化,以及怎样迅速地把标准算法和特定的业务场景结合起来,是我们今天在计算机视觉、语音、自然语言理解等领域的大趋势。

当然科研还在继续往前走,我们在寻找新的高精尖方向。但同时我认为,怎样把现有结果大规模应用到不同场景中去,是一个非常大的趋势。

另外,我们会发现,以前单纯的垂直场景,比如像计算机视觉、语音、自然语言处理等已经开始逐渐融合,变得共通,这就需要用到大规模、多模态模型。如我们所见,谷歌、OpenAI、DeepMind 等公司都在这方面做出非常多的探索。

前段时间 OpenAI 推出 GPT-3 模型,这带来的启发是:我们需要有一个通用、多模态的模型,来统一理解各种形态的数据和各种形态的输入。

我觉得这代表了另外一个趋势。一方面是现有结果的工程化和规模化,另一方面是各子领域之间的相互贯通,以及做到更加深入、更加本质的理解。

吴飞:我补充一下,有两个方向的趋势值得关注。第一个是从 0 到 1,按照朱松纯教授的说法,现在的机器智能是「大数据小任务」,比如 GPT-3 有 1750 亿的参数,并且使用上千 GB 的训练数据把它训练出来。但如何让人工智能或机器智能具有人脑小样本学习的能力、动物的直觉能力以及举一反三的能力,这是我们面临的巨大挑战。

第二个我觉得是从 1 到 N,人工智能已经是一门使能技术。就像我们徐匡迪院士所言,「人工智能需要数学家参与进来。」

人工智能取得突破性的领域方向,一定是从脑科学、材料学等领域得到了启发,所以 AI 接下来的突破,一定是基于大数据、多学科交叉下的领域突破。

贾扬清:我也补充一点。今天的人工智能系统,特别是在感知领域,无论是计算机视觉还是语音,都存在一种 「一揽子买卖」 的状态。例如有一个输入和一个输出,标注是人或者车,这就是一个所谓的 one shot 过程,目标集有时是手工指定的。

怎样从单点的目标或者单点的预测(prediction)到更加完整的知识体系,即所谓的大知识。正如吴老师刚提到的大数据小任务,大数据大知识是我们今天需要打通的一件事情:在简单标签的基础上再构建一个知识体系,无论是逻辑关系还是其他关系。

传统的专家系统,更多的是通过人工手写的方式来做的,很难规模化。传统的机器学习方法还是小任务单点预测的状态。怎样能够让机器学习系统更加自动、规模化地生成结构化的知识和结构化的体系,我觉得,在接下来几年,这方面可能产生最大的突破,或者至少是需求最大的方面。

同时它也引出了另外一点,就是吴老师刚才提到的:人工智能怎样赋能行业,例如制药业的数据是非常少的,对于逻辑推理和知识抽象的要求非常高。因为它没有办法像图像识别一样能使用几百万张图片作为数据。

简而言之,未来有两个趋势:一个是从大数据到大知识,另一个是怎样通过抽象出来的知识体系,来赋能其他领域,以更好地使用 AI 技术。

问:人工智能目前存在的障碍与问题?

吴飞:发展人工智能一定要有丰沃的土壤,也就是人工智能发展的生态。今天要支撑起中国人工智能的发展,一定要依靠底层的算力、底层的软硬件以及中间算法和上层的应用软件。从底到高支撑起中国人工智能的发展,就是它的技术生态。

可能是之前我们忙于搞模型、搞算法、搞应用。而现在已经到了一个关口,需要阿里巴巴等企业的投入,需要浙江大学、清华大学北京大学等高校的投入,需要政府的关切以及各行各业人才的投入,同频共振、相向而行,建设一个良好的生态。

贾扬清:今天谈论得非常不足的一点是,怎样让所有人都能用到人工智能的技术。

此前我们更关注的是怎样发展高精尖的技术。纵观历史,我们说人工智能是通用化的技术,或者我们相信未来它将是技术发展的核心点,这就需要让所有人都能更容易地接触到人工智能

几十年前,英语专业有一个专门的职业叫翻译,而在国际化的影响下,如今很多人自身就能掌握中英双语。我们以前说:「计算机要从娃娃抓起。」而今天我们几乎每个人都有使用计算机或操作计算机的能力,无论是电脑还是手机。只有达到这种普惠程度的时候,我们才能够把一个技术称为通用的、普惠的技术。

今天人们要触达 AI 技术还是相对困难的。无论是在硬件上(搭一个带有 GPU 的机器),还是在软件上(安装一套人工智能框架以及底层数据的软件等),都还比较困难。

设想一下,如果任何一个懂电脑的人都可以在 5 秒钟之内开始尝试写 AI 算法的代码,并且很快能识别一张图像的内容。他也许并不懂底层的技术是怎样实现的,但创造性的火花很容易就此迸发。

高精尖的技术往往是比较抓眼球,容易被大家接受。而从长远角度看,这种潜移默化的普惠化、润物细无声的过程会收获更好的效果。

问:学好人工智能,需要哪些能力或者思维方式?

贾扬清:第一个蹦到脑子里的想法可能是好奇心。人工智能是一个特别强调融会贯通的领域。很多事情是学习时并不知道其用途,但有一天突然就用到了。我发现,越是杂学旁收的同学,越是能在应用时蹦出一些新点子来。

我们可以把底层的一些基础容器、异构计算等学一学,把数据库、大数据等体系学一学,把人工智能的数学、统计、算法等方面的知识学一学。也许并不需要完全像该专业的同学一样了解得很深,但是要能够理解一些基本概念、应用场景,以及顶层的设计逻辑。尤其是在各种领域落地的时候,这些知识就变得特别有用。

吴飞:人工智能和其他专业是一样的,都要有自我驱动力。自我驱动力具体讲就是要有扬清刚才讲到的好奇心,能吃苦,能瞄准一个目标不断前进。因为人工智能既「烧脑」,又很「烧手」。对大脑思维的考验非常严酷,然后又要求能够动手实现一些艰深的数学模型和理论模型。

始终保持好奇心是人工智能学习者应该具备的基本素养。

问:读博对于人工智能意味着什么?

贾扬清:学习人工智能与是否读博的关系并不是很大,每一个行业都会对博士有特别定义。在 AI 领域有非常多优秀的本科生和硕士生,他们并不比博士的能力差。

从个人经历来看,我的博士生涯教会我的最重要一点不是「怎样做一件事情」,而是让我更多地思考「我们应该解决什么样的问题」。

博士更多的是要定义问题,需要从特别复杂的场景中抽象出要解决的问题的定义。然后第二位的才是「怎样解决这个问题」,这是博士生涯对我帮助最大的一点。

从培养的角度讲,如果大家希望培养一下自己定义问题的能力,我觉得博士还是很值得读的。5 年的时间不长也不短,但能力的提升是终身获益的事。

吴飞:我完全同意扬清的观点。读博的问题要辩证看待。如果同学们渴望充电,有渴望学习的饥饿感,通过职业培训或者通过工作环境中的积累无法解决,那就去读博士。并且读博期间一定要注意,学习目的不只是获得文凭,也不只是发表文章,而是为了培养能力。

刚才扬清也讲了,这是一个终身的事情,人们常说读完博士之后,他能不能发展好要再看 5 年,5 年之后如果继续往前发展,就说明他已经走上了人生不断向前发展的轨道。

问:排除疫情的因素,出国深造还有没有必要?

贾扬清:这个问题没有非黑即白的答案。首先,现在国际交流越来越多,线上会议只有时差问题,就像看世界杯一样,出国可能没有 10 年前或 20 年前那么必要了。

另一方面,我一直相信不同文化、不同思想的融会贯通是创造新的思想和方法的丰沃土壤。如果有机会的话,我也建议大家出国去看一看,无论是参加一个学术会议,还是访学计划,或者投资更长的时间去读博。更加重要的是,从自己出发,打开心扉,去了解不同的文化与技术氛围。

吴飞:我是 2009 年 10 月份从北京首都机场出发,飞往美国旧金山。当时我已经 36 岁了,那是我第一次出国。在伯克利的时光,我基本是两点一线,从宿舍到伯克利的实验室。一年到头,我只有春节期间休息了几天,记得除夕约了扬清吃了顿饺子,那也是我没去实验室的仅有的一两天。

很多人都有出国的经历,但并不是所有出国的人都抓住了机会,也并不是每个人都能完成自己的志向。在美国高水平的大学里,如果能够把自己全部的精力都用于学习,是非常好的人生体验。

从伯克利回来之后,我的大脑里面会经常浮想起美国西海岸蔚蓝的天空以及宿舍夜里火车经过的鸣笛声。这不是在回忆美国的生活,而是在回忆当时的奋斗。

问:AI 内卷与年薪百万,哪个才是真实?

贾扬清:内卷是一个很有意思的概念,包括大家逛知乎常看到一个词语,叫调参侠。

在任何一个领域,尤其是在 AI 领域,有很多创新的事情可以做。内卷与否,是我们自己内心的表现。如果觉得自己做不出新的东西,只能调调参数,做一些增量工作,这肯定是内卷的。

容易的地方就会内卷的,难的领域往往会有突破。

应该给自己更多的信心与勇气。AI 已经是个日新月异的领域了,广泛应用到互联网、交通、电力、航空等领域,每年都有新的突破,何不去做创新呢。

吴飞:扬清有意避开了「年薪百万不是梦」,但对高校老师而言「年薪百万就是梦」。教师的工资明显没有学生高,这是人工智能领域的实际情况。我们培养了很多的学生,现在已是年薪百万。这说明人工智能专业的职业发展前景非常好。

未来的发展趋势不会改变,整个国家把人工智能作为一种战略性技术进行发展的大方针不变,各行各业都会对人工智能有极大热情。

为什么会内卷,是因为大家都跑到一条赛道上去了,比如都挤到大数据小任务的赛道,变成了所谓的「调参侠」。于是没人做农业、司法、环境等更具开创性的场景应用,就发生了内卷。

想象一下,你读完人工智能的博士或者研究生,如果进入一个稀缺人工智能的行业,那么你就是这个行业的 AI 之王,哪里会有内卷。

贾扬清:我也顺便谈下「年薪百万」这个事。像我今天早餐是自己做的,午饭是在食堂解决的,平时真的花不了多少。其实真让自己开心的事并不是年薪百万,而是我们做的东西有人用,大家都喜欢。我特别崇敬吴老师这些学校里面的老师。第一,他们在探索前沿研究;第二,他们在培养 AI 以及各个技术领域的人才。

问:AI 深造需要通才还是专才,有什么建议?

贾扬清:建议比较难说,我直接讲一个故事吧。我在硅谷碰到一位朋友,他是吴恩达的研究生,在 2014 年左右做这样一个事情:通过一个摄像头,为联合收割机装上 AI 的能力,自动除草、筛苗。他的公司最后被美国最大的农机生产企业收购了。当年他覆盖了全美国 3% 的生菜产量。这个数字不是很高,但是一个非常有潜力的方向,也是 AI 应用到农业里面非常典型的例子。

如果用稍微网红些的话来说,不想开拖拉机的科学家不是一个好工程师。

吴飞:我也给大家分享一个故事。我硕士毕业的时候,我想让导师送我一句话。我的硕士生导师就送我八个字:随心所欲,随遇而安。

我想这句话告诉我们,如果在新的环境里面,我们每个人应该很快就融入进去,叫随遇而安。不要抵抗环境,或者认为这个环境不好,以出世的态度做入世的事情。

随心所欲是什么?我觉得是按部就班,一个台阶一个台阶的往上走。现在软件工程领域有很多优秀的青年人才,他们的能力很强,也有非常多的机会。在这样的环境里面,大家一定要先融入环境,链接周围的人,产生链接效应,然后一起瞄准小目标、大目标,一步一步的前行。

我们依靠这种既拼搏又看淡的态度,就能做出自己想做的事情。

问:全球人工智能技术创新大赛,对学界与业界有什么意义?

吴飞:中国人工智能学会从为国家培养人才的角度来举办大赛,赛题也来自于产业界的需求,这非常好。人工智能最贵重的一点就是贵其能用,赋能社会,每个赛题都来自产业的需求。

同学们用在高校学习得到的知识和技术,来解决产业的问题,就打破了学科的壁垒,达到产教融合的效果。同学借此了解到业界解决问题的一些方法与思路,相信以后回到高校,可以更高屋建瓴地看待学习的内容。

所以全球人工智能技术创新大赛是高等学校和产业界携手,面向人工智能应用进行人才培养的好方式。

贾扬清:竞赛一直是推动创新的好机制,以前在读书的时候有挑战杯这样的比赛,这对我们在课程之外尝试一些新的东西是非常有用的。比如 Facebook 等公司也有黑客马拉松的机制,某程度上可以让大家跳出本职工作,尝试新的点子,产出新的技术或者产品。

借着吴老师刚才说的「随心所欲,随遇而安」,我觉得这个比赛大家可以「生死看淡,不服就干」。相信大家都能够从比赛中体会到快乐,收获到知识。

产业机器学习人工智能产业趋势吴飞贾扬清
相关数据
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
DeepMind机构

DeepMind是一家英国的人工智能公司。公司创建于2010年,最初名称是DeepMind科技(DeepMind Technologies Limited),在2014年被谷歌收购。在2010年由杰米斯·哈萨比斯,谢恩·列格和穆斯塔法·苏莱曼成立创业公司。继AlphaGo之后,Google DeepMind首席执行官杰米斯·哈萨比斯表示将研究用人工智能与人类玩其他游戏,例如即时战略游戏《星际争霸II》(StarCraft II)。深度AI如果能直接使用在其他各种不同领域,除了未来能玩不同的游戏外,例如自动驾驶、投资顾问、音乐评论、甚至司法判决等等目前需要人脑才能处理的工作,基本上也可以直接使用相同的神经网上去学而习得与人类相同的思考力。

https://deepmind.com/
吴恩达人物

斯坦福大学教授,人工智能著名学者,机器学习教育者。2011年,吴恩达在谷歌创建了谷歌大脑项目,以通过分布式集群计算机开发超大规模的人工神经网络。2014年5月16日,吴恩达加入百度,负责“百度大脑”计划,并担任百度公司首席科学家。2017年3月20日,吴恩达宣布从百度辞职。2017年12月,吴恩达宣布成立人工智能公司Landing.ai,并担任公司的首席执行官。2018年1月,吴恩达成立了投资机构AI Fund。

所属机构
朱松纯人物

朱松纯是全球著名计算机视觉专家,统计与应用数学家、人工智能专家,现任美国加州大学洛杉矶分校 [UCLA] 统计系与计算机系教授,UCLA计算机视觉、认知、学习与自主机器人中心主任。

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。

专家系统技术

专家系统(ES)是人工智能最活跃和最广泛的领域之一。专家系统定义为:使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题,并得出与专家相同的结论。简言之,如图1所示,专家系统可视作“知识库(knowledge base)”和“推理机(inference machine)” 的结合。

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。

自然语言理解技术

自然语言理解是人工智能的核心课题之一,也被广泛认为是最困难和最具标志性的任务。最经典的两个人工智能思想实验——图灵测试和中文房间,都是围绕自然语言理解来构建的。自然语言理解在人工智能技术体系中的重要性不言而喻,它一方面承载着机器和人的交流,另一方面直达知识和逻辑。自然语言理解也是人工智能学者孜孜以求的圣杯,机器学习的巨擘 Michael I. Jordan 就曾经在 Reddit 上的 AMA(Ask Me Anything)栏目中畅想用十亿美元建立一个专门用于自然语言理解的实验室。

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)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

逻辑推理技术

逻辑推理中有三种方式:演绎推理、归纳推理和溯因推理。它包括给定前提、结论和规则

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

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)。

图灵机技术

图灵机,又称确定型图灵机,是英国数学家艾伦·图灵于1936年提出的一种抽象计算模型,其更抽象的意义为一种数学逻辑机,可以看作等价于任何有限逻辑数学过程的终极强大逻辑机器。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

受限玻尔兹曼机技术

受限玻尔兹曼机(英语:restricted Boltzmann machine, RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。RBM最初由发明者保罗·斯模棱斯基于1986年命名为簧风琴(Harmonium),但直到杰弗里·辛顿及其合作者在2000年代中叶发明快速学习算法后,受限玻兹曼机才变得知名。受限玻兹曼机在降维、分类、协同过滤、特征学习和主题建模中得到了应用。根据任务的不同,受限玻兹曼机可以使用监督学习或无监督学习的方法进行训练。受限玻兹曼机也可被用于深度学习网络。具体地,深度信念网络可使用多个RBM堆叠而成,并可使用梯度下降法和反向传播算法进行调优。

阿里云机构

阿里云创立于2009年,是全球领先的云计算及人工智能科技公司,致力于以在线公共服务的方式,提供安全、可靠的计算和数据处理能力,让计算和人工智能成为普惠科技。 阿里云服务着制造、金融、政务、交通、医疗、电信、能源等众多领域的领军企业,包括中国联通、12306、中石化、中石油、飞利浦、华大基因等大型企业客户,以及微博、知乎、锤子科技等明星互联网公司。在天猫双11全球狂欢节、12306春运购票等极富挑战的应用场景中,阿里云保持着良好的运行纪录。 阿里云在全球各地部署高效节能的绿色数据中心,利用清洁计算为万物互联的新世界提供源源不断的能源动力,目前开服的区域包括中国(华北、华东、华南、香港)、新加坡、美国(美东、美西)、欧洲、中东、澳大利亚、日本。 2014年,阿里云曾帮助用户抵御全球互联网史上最大的DDoS攻击,峰值流量达到每秒453.8Gb 。在Sort Benchmark 2016 排序竞赛 CloudSort项目中,阿里云以1.44$/TB的排序花费打破了AWS保持的4.51$/TB纪录。在Sort Benchmark 2015,阿里云利用自研的分布式计算平台ODPS,377秒完成100TB数据排序,刷新了Apache Spark 1406秒的世界纪录。 2018年9月22日,2018杭州·云栖大会上阿里云宣布成立全球交付中心。

https://www.aliyun.com/about?spm=5176.12825654.7y9jhqsfz.76.e9392c4afbC15r
阿里巴巴机构

阿里巴巴网络技术有限公司(简称:阿里巴巴集团)是以曾担任英语教师的马云为首的18人于1999年在浙江杭州创立的公司。 阿里巴巴集团经营多项业务,另外也从关联公司的业务和服务中取得经营商业生态系统上的支援。业务和关联公司的业务包括:淘宝网、天猫、聚划算、全球速卖通、阿里巴巴国际交易市场、1688、阿里妈妈、阿里云、蚂蚁金服、菜鸟网络等。 2014年9月19日,阿里巴巴集团在纽约证券交易所正式挂牌上市,股票代码“BABA”,创始人和董事局主席为马云。 2018年7月19日,全球同步《财富》世界500强排行榜发布,阿里巴巴集团排名300位。2018年12月,阿里巴巴入围2018世界品牌500强。

https://www.alibabagroup.com/
相关技术
知乎机构

知乎,中文互联网综合性内容平台,自 2010 年成立以来,知乎凭借认真、专业、友善的社区氛围,独特的产品机制,以及结构化、易获得的优质内容,聚集了中文互联网科技、商业、影视、时尚、文化等领域最具创造力的人群,已成为综合性、全品类,在诸多领域具有关键影响力的内容平台。知乎将AI广泛应用与社区,构建了人、内容之间的多元连接,提升了社区的运转效率和用户体验。知乎通过内容生产、分发,社区治理等领域的AI应用,也创造了独有的技术优势和社区AI创新样本。

zhihu.com
机器之心机构

机器之心,成立于2014年,是国内最具影响力、最专业、唯一用于国际品牌的人工智能信息服务与产业服务平台。目前机器之心已经建立起涵盖媒体、数据、活动、研究及咨询、线下物理空间于一体的业务体系,为各类人工智能从业者提供综合信息服务和产业服务。

https://www.jiqizhixin.com/
小样本学习技术

人类非常擅长通过极少量的样本识别一个新物体,比如小孩子只需要书中的一些图片就可以认识什么是“斑马”,什么是“犀牛”。在人类的快速学习能力的启发下,研究人员希望机器学习模型在学习了一定类别的大量数据后,对于新的类别,只需要少量的样本就能快速学习,这就是 Few-shot Learning 要解决的问题。

OPPO机构

OPPO,成立于2004年,是一家全球性的智能终端和移动互联网公司,致力于为客户提供最先进和最精致的智能手机、高端影音设备和移动互联网产品与服务,业务覆盖中国、美国、欧洲、东南亚等市场。

www.oppo.cn
城市大脑机构
北京大学机构

北京大学创办于1898年,初名京师大学堂,是中国第一所国立综合性大学,也是当时中国最高教育行政机关。辛亥革命后,于1912年改为现名。2000年4月3日,北京大学与原北京医科大学合并,组建了新的北京大学。原北京医科大学的前身是国立北京医学专门学校,创建于1912年10月26日。20世纪三、四十年代,学校一度名为北平大学医学院,并于1946年7月并入北京大学。1952年在全国高校院系调整中,北京大学医学院脱离北京大学,独立为北京医学院。1985年更名为北京医科大学,1996年成为国家首批“211工程”重点支持的医科大学。两校合并进一步拓宽了北京大学的学科结构,为促进医学与人文社会科学及理科的结合,改革医学教育奠定了基础。

官网,http://www.pku.edu.cn/
暂无评论
暂无评论~