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

杜伟报道

颜水成、David Silver等10人入选,2022 AAAI Fellow名单公布

2022 年度 AAAI Fellows 共有 10 位学者入选。

AAAI(Association for the Advancement of Artificial Intelligence)是国际人工智能领域最权威的学术组织,Fellow 是该学会给予会员的最高荣誉,仅颁给对人工智能做出「非同寻常的卓越贡献者」,而且评价时间以十年计。由于其评判极严格,历届 AAAI Fellow 入选者均为人工智能领域公认的著名学者,每年严格限制不超过 10 位(通常是 5 位)入选,因此被誉为国际人工智能领域的名人堂。

近期,AAAI 公布了 2022 年度的 Fellows 评选结果。本次入选 AAAI Fellows 的学者共有 10 位,其中包括两位华人 —— 冬海集团人工智能实验室(SAIL)主任 & 集团首席科学家颜水成博士和香港科技大学电子与计算机工程系教授冯雁。此外,DeepMind 首席科学家、AlphaGo 之父 David Silver 也入选本年度 AAAI Fellows。

Sea首席科学家颜水成
颜水成博士现为冬海集团人工智能实验室(Sea AI Lab, SAIL)主任以及集团首席科学家。此外,他还是新加坡工程院院士、ACM Fellow、IEEE Fellow 和 IAPR Fellow。

颜水成的主要研究领域涉及计算机视觉机器学习和多媒体分析。到目前为止,他已经在顶级国际学术期刊和会议上发表超过 600 篇论文,H 指数为 125。2014 至 2020 年,他已经 6 次入选「Thomson Reuters 全球高被引学者」(2017 年除外)。

图源:Google Scholar

颜水成博士率领的团队共获得了 10 次计算机视觉领域两大核心竞赛 Pascal VOC 和 ImageNet 大规模视觉识别(ILSVRC)冠军和荣誉奖,10 余次最佳(学生)论文奖。他的团队还曾获得多媒体领域顶会 ACM MM 最佳论文奖、最佳学生论文奖和最佳技术演示奖的大满贯。

颜水成博士团队提出的「Network in Network」(NIN)网络结构的核心 1×1 卷积是近年来几乎所有计算机视觉深度学习模型的标准模块,在学术界和工业界影响深远,其思想也被后期的 GoogleNet、残差网络(ResNet)等模型所采用。

2015 年加入 360 集团担任 AI 研究院院长及首席科学家,是颜水成从学界到业界的第一次转身。四年后,2019 年 7 月,颜水成加入依图科技担任 CTO。2021 年 1 月,颜水成依图科技离职。之后,他加入冬海集团任首席科学家,并组建和领导 Sea 人工智能实验室。

香港科技大学教授冯雁
冯雁现任香港科技电子与计算机工程系教授、人工智能研究中心主任以及中央美术学院客座教授。她的研究兴趣主要集中在跨语言信息处理、机器翻译、音乐信息提取、语音识别等方面。

她于 1988 年取得美国伍斯特理工学院的电子工程学士学位,并于1997 年取得哥伦比亚大学的计算机科学博士学位。

冯雁教授还曾担任 ACL SIGDAT 的组委会成员,并于 1999 年担任 EMNLP 实证方法会议主席,于 2002 年担任 SemaNet 会议的联合主席。同时,她还曾担任很多国际学术会议的程序委员会成员,包括 ACL、EMNLP、COLING 等。她 还是 IEEE 高级会员、ACL Member。

「AlphaGo 之父」David Silver
David Silver 是 DeepMind 首席研究科学家和伦敦大学学院教授,他的研究重心是基于强化学习的 AI 智能体。

2013 年,在 NeurIPS 会议上,David Silver 展示了一种算法,玩雅达利游戏(Atari)游戏达到了人类水平,并且开发的智能体通过像素来玩游戏。

2015 年,在 Nature 论文《Human-level control through deep reinforcement learning》中,他共同领导的研究团队将深度学习强化学习结合起来,进一步改进深度强化学习算法。

2016 年,他领导了举世闻名的 AlphaGo 项目,并在围棋比赛中首次击败了顶级专业玩家 —— 世界围棋冠军李世石,相关论文发表在 Nature 上。

2017 年,他领导的 AlphaZero 项目通过自学习击败了当时世界上最强的象棋、将棋围棋程序,包括战胜李世石的 AlphaGo。相关论文发表在了 Nature 和 Science 上。

2019 年,他又共同领导了 AlphaStar 项目,并在 1 月的《星际争霸 2》游戏中首次击败了两名人类职业选手,并在之后首个在星际 2 中达到大师级玩家水平。

他的研究获得了马文・明斯基奖、门萨基金会奖和皇家工程学院银质奖章。

其他入选者
得克萨斯大学奥斯汀分校计算机科学系教授 Inderjit S. Dhillon。他的研究兴趣主要为机器学习数据挖掘、数值线性代数、数值优化、网络分析和生物信息学。
南加州大学(USC)信息科学研究所计算机科学系教授和首席科学家 Kristina Lerman。她的主要研究兴趣在社交网络,包括社会活动、社交元数据和信息源的语义建模。目前,她的工作目标是自动规划集体性知识,发现用户生成社区并预测新出现的趋势和群体行为。她的经验和实验研究确定了认知偏差对理解线上个人和集体性行为的重要性。
爱尔兰科克大学(University College Cork, UCC)计算机科学与信息技术学院教授 Barry O'Sullivan。他还是 UCC 数据分析洞察力中心(Insight Centre for Data Analytics)的创始主任、澳大利亚莫纳什大学的兼职教授等。他是人工智能、约束规划、规范性分析(运筹学)、道德和公共政策领域备受赞誉的学者。
田纳西州大学电气工程与计算机科学系教授 Lynne E. Parker。她是国家人工智能倡议办公室主任、白宫科技政策办公室(OSTP)人工智能分部的助理主任。她在分布式与异构机器人系统、机器学习人机交互等领域做出过重大研究贡献。
杜克大学计算机科学、电气与计算机工程、统计科学、数学以及生物统计学 & 生物信息学教授Cynthia Rudin。她的研究专注于创建有助于人类更好地做出决策的机器学习工具,主要是可解释机器学习及相关应用。

新南威尔士大学商学院 Michael J Crouch 主席、悉尼科技大学教授、魔法实验室(The Magic Lab)创始人 & 主任 Mary-Anne Williams。她的研究兴趣在于自适应管理、颠覆式创新、人工智能、社交机器人等。
索尼 AI 美国办公室主任 Peter Wurman 博士。在加入索尼 AI 之前,他曾是 Kiva Systems 的技术联合创始人 & 首席技术官、Cogitai 的工程副总裁。他的主要研究兴趣在于人工智能、机器人、系统架构、计算机算法等。此前,他入选了 2022 年 IEEE Fellow。

参考链接:
http://osullivan.ucc.ie/
https://yanshuicheng.ai/
http://www.pwurman.org/
https://www.davidsilver.uk/
http://web.eecs.utk.edu/~leparker/
https://users.cs.duke.edu/~cynthia/
https://www.cs.utexas.edu/~inderjit/
https://www.aaai.org/Awards/fellows-current.php
https://viterbi.usc.edu/directory/faculty/Lerman/Kristina
https://seng.hkust.edu.hk/about/people/faculty/pascale-fung
https://research.unsw.edu.au/people/professor-mary-anne-williams
入门2022 AAAI FellowsDavid Silver颜水成
相关数据
依图科技机构

依图是一家世界领先的人工智能公司,以AI芯片和算法技术为核心,研发及销售含AI算力硬件和软件在内的AI解决方案,全面解决机器看、听、理解和规划的根本问题,为AI发展和应用普及提供高性能、高密度和通用算力,满足云端数据中心、边缘计算和物联网不断增长智能计算需求,并将芯片技术与算法技术结合,形成在AI算力技术及产品领域的领先优势。在AI芯片领域,创新芯片架构通过融合通用计算和深度学习计算实现端到端处理能力,具备高性能及低功耗优势。在AI算法领域,在计算机视觉、语音和自然语言理解等领域处世界前列。

https://www.yitutech.com
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/
颜水成人物

颜水成,新加坡国立大学副教授、360集团副总裁、人工智能研究院院长、第十三批国家 "千人计划"专家。颜水成的主要研究领域包括计算机视觉、深度学习、信息检索应用与多媒体分析。他带领的团队曾提出的“Network in Network” ,对深度学习产生了很大的推动力,同时他的团队开发的”Purine”是全球第一个开源的支持多机多GPU的深度学习系统。

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。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

深度强化学习技术

强化学习(Reinforcement Learning)是主体(agent)通过与周围环境的交互来进行学习。强化学习主体(RL agent)每采取一次动作(action)就会得到一个相应的数值奖励(numerical reward),这个奖励表示此次动作的好坏。通过与环境的交互,综合考虑过去的经验(exploitation)和未知的探索(exploration),强化学习主体通过试错的方式(trial and error)学会如何采取下一步的动作,而无需人类显性地告诉它该采取哪个动作。强化学习主体的目标是学习通过执行一系列的动作来最大化累积的奖励(accumulated reward)。 一般来说,真实世界中的强化学习问题包括巨大的状态空间(state spaces)和动作空间(action spaces),传统的强化学习方法会受限于维数灾难(curse of dimensionality)。借助于深度学习中的神经网络,强化学习主体可以直接从原始输入数据(如游戏图像)中提取和学习特征知识,然后根据提取出的特征信息再利用传统的强化学习算法(如TD Learning,SARSA,Q-Learnin)学习控制策略(如游戏策略),而无需人工提取或启发式学习特征。这种结合了深度学习的强化学习方法称为深度强化学习。

AlphaZero技术

DeepMind 提出的 AlphaZero 不仅征服了围棋,也在将棋、国际象棋等复杂游戏中实现了超越人类的表现。DeepMind 推出的 AlphaGo 曾在围棋项目中取得了超越人类的表现,其研究曾经两次登上 Nature。2018 年 12 月,AlphaGo 的「完全自我博弈加强版」AlphaZero 的论文又登上另一大顶级期刊 Science 的封面。在论文中,AlphaZero 不仅征服了围棋,也在将棋、国际象棋等复杂游戏中实现了超越人类的表现。

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)

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。

运筹学技术

运筹学,是一门应用数学学科,利用统计学和数学模型等方法,去寻找复杂问题中的最佳或近似最佳的解答。运筹学经常用于解决现实生活中的复杂问题,特别是改善或优化现有系统的效率。研究运筹学的基础知识包括矩阵论和离散数学,在应用方面多与仓储、物流等领域相关。因此运筹学与应用数学、工业工程专业密切相关。

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。

机器翻译技术

机器翻译(MT)是利用机器的力量「自动将一种自然语言(源语言)的文本翻译成另一种语言(目标语言)」。机器翻译方法通常可分成三大类:基于规则的机器翻译(RBMT)、统计机器翻译(SMT)和神经机器翻译(NMT)。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

线性代数技术

线性代数是数学的一个分支,它的研究对象是向量,向量空间(或称线性空间),线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题;因而,线性代数被广泛地应用于抽象代数和泛函分析中;通过解析几何,线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型,使得线性代数被广泛地应用于自然科学和社会科学中。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

AlphaStar技术

AlphaStar是2019年1月DeepMind推出的打星际争霸2的AI系统。在1月的首次亮相中,DeepMind播放的比赛视频显示AlphaStar击败了两名人类职业选手TOL与MaNa,引起了业内极大的关注。DeepMind 官方博客介绍,AlphaStar 的行为是由一种深度神经网络生成的,该网络从原数据界面(单位列表与它们的特性)接收输入数据,输出构成游戏内行为的指令序列。具体来说,该神经网络使用了一个 transformer 作为躯干,结合了一个深度 LSTM 核、一个带有 pointer 网络的自动回归策略 head 以及一个中心价值基线。

围棋技术

围棋是一种策略性棋类,使用格状棋盘及黑白二色棋子进行对弈。起源于中国,中国古时有“弈”、“碁”、“手谈”等多种称谓,属琴棋书画四艺之一。西方称之为“Go”,是源自日语“碁”的发音。

将棋技术

将棋,日语平假名:しょうぎ 片假名:ショウギ 罗马音:syo u gi也叫本将棋,又称日本象棋,一种流行于日本的棋盘游戏。

雅达利游戏技术

雅达利(英语:Atari,NASDAQ:ATAR)是美国诺兰·布什内尔在1972年成立的电脑公司,街机、家用电子游戏机和家用电脑的早期拓荒者。不少诸如《乓》、《爆破彗星》等的经典早期电脑游戏的发行,使雅达利在电子游戏历史上举足轻重。经典游戏主机为1977年发行的雅达利2600。

推荐文章
暂无评论
暂无评论~