AI技術專場上，德國漢堡科學院院士張建偉為現場觀眾帶來了《AI賦能，人機共融》主題演講，從人工智能發展現狀、人工智能未來挑戰及發展策略等多個角度進行了具體探討。
德國漢堡科學院院士張建偉
張建偉表示，人工智能技術發展迅猛，與過去相比算力巨幅提升。目前已經深入人們生活方方面面，包括製造業、交通、醫療、農業、建築等等。
演講中，張建偉還表示，“人機融合”給人們帶來許多機會，也給人們帶來人才培養和跨界融合等挑戰。如今正處於人工智能和機器人發展最好的時代，只有將產學研結合，將人工智能和機器人各垂直領域合作共享，才能在新的平臺上實現創新突破，實現人工智能卓越的未來。
以下為張建偉先生的現場演講內容，OFweek人工智能網作了不改變原意的整理和編輯：
大家下午好！首先熱烈祝賀OFweek上海人工智能展會的召開，今天我給大家帶來“AI賦能，人機共融”的主題演講。首先給大家回顧一下，為什麼人工智能如今發展愈發火熱，在各項垂直領域中人工智能技術的應用前景及其發展重要性，最後為各位總結一下未來人工智能帶來的挑戰和發展策略。
如今人類生活中對未來生活需求繁多，除了人工智能技術以外，新材料、VR、機器人、可穿戴設備等各項新技術的發展，都給未來生活方式帶來了新的挑戰。剛才幾位專家都談到了算力的問題，如今人工智能技術提供的高性價比計算能力，已經是我三十年前在清華學計算機時的100萬倍。
目前，從大數據技術發展來看，已從手工數據處理逐漸演變為半自動處理，數據自動分類和自動決策，大數據技術發展為人們處理未來生活的場景帶來新的機會，包括智慧工廠、無人化智能製造，以及智慧社區等交互場景。目前我國把人工智能作為下一代重點發展領域，人們更需要努力把握機會。剛才講到安防技術在自動駕駛中的應用，實際上在未來的製造業、交通、醫療、農業、建築等方面，都存在巨大的機遇。
以製造業為例，目前中國的製造成本在逐漸提高，未來如果沒有人工智能的幫助，大部分大型製造工廠極有可能搬遷到印度等製造成本相對較低的國家。所以人們現在面臨的問題是如何把人類的空間、物理的空間以及計算機人工智能理解的空間這三個空間進行統一的表達。
國家自然科學基金委現在也新增加了關於“人機共融”的研究項目，我有幸和丁漢院士一直來協調這個研究項目，目前已經進進展到第三年。未來或將應用在智能製造、康復機器人、太空作業、智能安防等多個領域。目前新一輪的人工智能熱潮是由於機器學習帶來了新的動能，除了DeepLearning之外，我們還有其他幾種重要的強人工智能學習方式，包括基於符號的、基於分析的、基於貝葉斯的以及基於動態進化的，所以未來的人工智能方向實際上是融合深度學習和符號知識的一個發展趨勢。
從機器學習發展方向來看，人們常說的CPS系統最早應用了機器自動化技術，隨著軟件數據增多，監督學習也逐漸在驅動過程中強化。在模擬人類大腦、視覺、聽覺和觸覺方面，人們將人工智能計算算法逐漸轉化成人工智能的控制算法和硬件以及簡化深度學習。
從圖像處理來看，我舉幾個央視“機智過人”節目的例子，比如人臉識別還有哪些挑戰？剛才的報告提到了高寬帶、高動態顯示、模糊圖像識別，這裡提到的人工智能系統還達不到強人工智能的標準。在第一集“機智過人”中，林警官利用他對人臉理解的強大人類智能，畫出了孩子的想象中的模糊圖像，利用這幅圖像成功鎖定了孩子的父母。這種深度學習和未來知識外推的能力，正是弱人工智能走向強人工智能的需求。
從大圖像識別來看，在醫療行業里人工智能已經能和水平較高的醫生展開競爭。比如醫療診斷、特殊疾病診斷，現在人工智能已經可以超過人類醫生。但在整個通用診斷中，人工智能和真正的人類醫生還相差很遠。此外，深度圖像識別還可以應用在其他領域，比如手機掃描識別任何一種植物、基於大數據的文本學習，比如微軟小冰寫詩，微軟小冰閱讀了三十幾萬首現代詩，給它一幅新的圖像，它就能順應主題寫出漂亮的詩句。
另外就是單模態訓練。從網上下載撒貝寧兩個小時的說話聲音，利用他的聲音來進行單模態訓練，就可以模擬出逼真的聲音，還可以應用在歌聲中。但是未來真正的深度融合並非如此簡單，除了感知方面應用以外，更重要的是CPS系統中物理世界的應用，如何真正發揮好“人機共融”技術，把人工智能變成可解釋的、透明的強人工智能是目前最大的難點。
人工智能和通訊設備給傳統CPS系統插上了一雙翅膀，在很多情況下可以實現更豐富的功能，而不增加其機電系統複雜度。剛才談到人工智能已經從應用技術進入應用場景，一些基礎研究項目比如深度學習、跨模態學習、強化學習、人腦建模、心理模型以及知識表達等都屬於應用技術。人們還把人工智能技術加入感知系統、機器人、自動駕駛、智能製造系統關鍵模塊、定位導航以及人機安全等，最後和人們衣食住行製造進行深度融合，這就是人工智能的應用場景。
目前，我們啟動了中德有史以來規模最大的人工智能基礎項目合作：跨模態學習。大家可以看到多傳感器融合和多模態交互的技術進展，以及未來的交互形式，從鍵盤到語音到圖像最後全面融合，未來機器人和電子電氣交流或許就是這種方式。
在這個過程中，如何把人類的空間、物理的空間以及計算機人工智能理解的空間進行融合是個嚴峻的挑戰。考慮到多模態信息表達和整個框架融合，我們用多模態交叉的形式來考慮自上而下的控制。用深度腦科學、心理學的辦法研究未來人工智能基礎算法，以及如何打造公共模塊。關於機器人和深度學習我也寫了幾本書，從移動機器人到各種各樣的機械臂和整個智能系統裡的公共模塊。在“機智過人”節目中有幾個例子，如何讓整個感知和驅動融合為一個系統、人和機器人如何進行籃球比賽、用視覺技術來感知快速運動的球等等。這些挑戰都超越了深度學習的範疇。但目前在動態的環境裡，人工智能機器人和人類的差距還非常大。
其次是在多智能體協同合作方面，通過智能無人機和三個人操作的遙控飛機進行比拼，實現飛行過程中自動鎖定目標，然後跟蹤目標，最後撒網捕捉目標，展示了未來多智能體互相合作的場景。
現在機器人之間也可以互相學習，通過互相學習能夠快速達到機器人展現新型智能的要求，包括在農業裡的自動識別、自動噴灑農藥、自動收割等，都說明人工智能已從單純識別感知進化到了系統全面運作。我們在與歐盟合作的科研項目中也做了移動機器人規劃，比如移動操作服務、機器人和老人互動、室內室外機器人互動場景以及服務機器人助老助殘的應用。另外，把深度學習和機器人結合，讓服務機器人表達多種人類基本知識，例如學校圖書館的服務場景，機器人得到學生的命令要一本書，最後給他取兩本書出來。在這種不斷的學習的過程中，使人機交互所需時間越來越短，機器人和環境模型的校準程度越來越精確。
現在所謂的連續學習技術是在深度學習和增強學習之後，除了輸入輸出的這種普通學習模式之外，針對每個狀態節點和決策系統的價值評估，用這些評估來做連續學習。索尼最近公佈了新一代的索尼機器狗，它就用上了連續學習技術，這說明現代機器人已經開始從增強學習往連續學習方向發展。
遷移學習也是一個走向強人工智能的重要方法，它能使機器學習的效能更強大。 比如我們自主開發的動態行走機器人，從教它走平地到教它走非平地的過程，從多模態操作方面實現了基於觸覺、視覺的靈巧操作，未來的機器人實驗會變得更有效、更靈巧。此外，在醫療和康復中人工智能應用也不在少數，配藥自動化、機器人做手術、機器幫助患者實現術後康復等等。
除了醫療場景以外，再看看以下場景，這是融合被動和主動打磨兩種模式的新型打磨機器人。這是我們做的高性能自平衡機器人，把它轉化成柱型裝置，通過多模態的學習和控制理論，最後變成一種創新產品。未來的工程醫院和工程修復也給我們人工智能平臺和機器人應用提出了重要的挑戰。
“人機融合”給我們帶來許多機會，也給我們帶來人才培養和跨界融合中許多挑戰。我們現在處在人工智能和機器人最好的時代，我們要把把產學研結合，在新的平臺上實現創新突破。
最後我祝願大家在人工智能和機器人各垂直領域的多合作，多共享，實現人工智能卓越的未來。
工業智能化
閱讀更多 蟻在雲端工程師社區 的文章
