編者按：人工智能已成為國家級的戰(zhàn)略目標， 這激發(fā)了各行各業(yè)的AI熱潮。而目前AI人才的稀缺以及開發(fā)任務(wù)的繁重，限制了深度學習落地，因此AI產(chǎn)業(yè)迫切需要賦能平臺。中科視拓董事長山世光研究員，在2017鈦媒體T-EDGE年度國際盛典上，談深度學習生產(chǎn)線、以及中科視拓通用深度學習算法平臺SeeTaaS。

圖像識別或者人臉識別是今年以來AI實現(xiàn)最大爆發(fā)的領(lǐng)域。對于這些技術(shù)的實現(xiàn)，中科院計算所研究員、中科視拓創(chuàng)始人、董事長兼CTO山世光，將其歸結(jié)為一個簡單的公式，那就是“A+B+C”。A是算法，B是Bigdata，C是Computing。

12月16日，在2017鈦媒體T-EDGE年度國際盛典上，山世光提到，2012年之后，因為互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，我們有更多機會收集大量數(shù)據(jù)，再加上GPU等高性能計算設(shè)備的普及，我們有機會完成大規(guī)模的機器訓練。特別的，上面ABC三點中的A，即算法，最主要的就是指深度學習（Deep Learning）。

深度學習在計算機視覺領(lǐng)域，解決了或者推動了一大類非線性的映射函數(shù)學習的問題。這樣的方式，使AI開發(fā)的方法論產(chǎn)生了極大變化。

但與此同時，從落地角度來看，依賴于有標注大數(shù)據(jù)的深度學習也還存在非常多問題。

首先，個性化需求非常多，可批量復制的“標品”比較少。以巡邏機器人為例，可能需要開發(fā)塑料瓶子檢測系統(tǒng)，也可能是塑料袋識別，甚至是爛白菜的識別，這么多不同的物體的識別是非常重的開發(fā)任務(wù)。

其次，從計算角度講，深度學習的計算成本比較高，端側(cè)的計算能力需求較大。而且AI技術(shù)的生產(chǎn)效率現(xiàn)在還比較低。如何加快生產(chǎn)效率，需要大量懂深度學習的專業(yè)算法人才，而現(xiàn)在并沒有這么多的人才儲備。

現(xiàn)階段，AI人才奇缺。行業(yè)的碩士畢業(yè)生大概30-50萬年薪，博士是50-80萬年薪。對比人才數(shù)量的稀缺，開發(fā)任務(wù)卻十分繁重，如果每個任務(wù)都做要3-5個月才能完成，這是"災難性"的事情。

以下是中科視拓創(chuàng)始人董事長兼CTO山世光演講發(fā)言：

非常榮幸有機會來到鈦媒體今年的年度盛典給大家做一次分享。

如果說創(chuàng)業(yè)，我是一個新兵。我在中科院系統(tǒng)工作了20年，從事基礎(chǔ)研究和應(yīng)用技術(shù)研發(fā)工作。我今天的分享有很多內(nèi)容跟技術(shù)相關(guān)。我演講的題目叫《計算機視覺技術(shù)現(xiàn)狀展望和產(chǎn)業(yè)化》。

首先，我們說計算機視覺是什么樣的學科，要做什么的事情？

很多人不了解這件事為什么那么難？如果看一下我們需要處理的對象，就會發(fā)現(xiàn)它確實是非常難的任務(wù)。

我們所謂的圖像是用攝像頭來捕捉物體表面反射的不同顏色的光，進行采樣，每個點即像素都用紅綠藍三個不同的分量數(shù)值表示不同的顏色。所以，到了計算機里面，每幅圖像就是很多很多0-255之間的整數(shù)值。大家看這些數(shù)。相信沒有一個人在非常短的時間內(nèi)，能夠通過觀察這些數(shù)告訴我圖像里的內(nèi)容是什么。計算機視覺要完成的就是這樣的任務(wù)，通過對這些數(shù)的分析完成對圖像內(nèi)容的理解。

這次人工智能的浪潮，首先在語音識別和圖像識別領(lǐng)域取得了顯著的進步，并進一步引發(fā)了AI在更多領(lǐng)域的應(yīng)用。

從圖像識別或計算機視覺角度講，在2012年，深度學習首次在Imagnet評測數(shù)據(jù)集上應(yīng)用，一下子將分類錯誤率降低了10個百分點。從圖像分類的角度來講，在2011年，圖像分類錯誤率是26%，到了2012年，利用深度學習之后，下降到16%。到了2016年，隨著深度學習模型深度不斷加深，錯誤率進一步下降到了2.3%。也就是說，大概在5年時間里，圖像識別率的錯誤率降低了10倍。

下面是其他五個深度學習帶來重要進步的典型例子。

在物體檢測領(lǐng)域。所謂物體檢測就是提供給一張照片，把照片里不同的物體，如車、人等物體框出來。2013年，在Imagnet測試集上檢測正確率只有23%，到了2017年，正確率達到了73%，在視頻里尋找30類物體也達到80%的精度。

在視頻監(jiān)控領(lǐng)域，我們希望能夠?qū)θ恕④?、物進行檢測識別，利用深度學習，現(xiàn)在很多系統(tǒng)包括中科視拓的技術(shù)都可以實現(xiàn)對人、車、騎行的準確檢測、跟蹤以及對性別、車型等屬性的大致分類。

在圖像分割領(lǐng)域，例如為了實現(xiàn)自動駕駛，給一幅圖像之后，我們希望算法能夠知道哪塊是道路、哪塊是樹木、哪塊是建筑，這是一個分割問題。從2013年到2017年，分割的準確率也從50%提高到了86.9%。

還有一個任務(wù)從2015年左右才開始逐漸得到重視，即所謂的“看圖作文”，就是在提供一幅圖像之后，希望計算機能夠生成一句或一段文本描述圖像里的內(nèi)容。在過去兩三年里，這一技術(shù)得到了非常大的進步，有些系統(tǒng)產(chǎn)生的文本描述已經(jīng)可以和人對這個圖像的描述媲美，甚至有些普通人已經(jīng)不能夠判斷到底是機器自動生成的一段話，還是真人寫出來的一段話。實現(xiàn)這一任務(wù)采用的方法也是以深度學習為基礎(chǔ)的。

還有一些類似藝術(shù)創(chuàng)作的技術(shù)進展，比如我們可以通過計算給一幅圖像轉(zhuǎn)化風格，把一個人的頭發(fā)顏色改掉，加上一個劉海，或者加上眼鏡，所產(chǎn)生的圖像可以以假亂真；我們也可以把一副普通的圖像變成莫奈風格的油畫，把馬變成斑馬，把冬天的照片變成夏天的照片。

上個月，iPhoneX的發(fā)布使我們進一步對人臉識別應(yīng)用有了更加深刻的認識。其實在人臉識別領(lǐng)域，過去兩到三年，也出現(xiàn)了2-4個數(shù)量級的錯誤率下降。蘋果聲稱iPhone X所采用的FaceID錯誤率大概在百萬分之一，意味著如果有一百萬個人撿到你的手機，只有一個人可以冒充你解鎖成功。因為它采用的傳感器是RGBD相機，里面不僅有彩色照片，還有深度信息、近紅外信息，同時在注冊階段也會捕捉你的多幅照片，以及在識別階段也是近距離進場的識別等等，這些方式都使得iPhone X的FaceID識別任務(wù)成為人臉識別領(lǐng)域一個相對比較容易的任務(wù)。其實三星Note3幾年前就已經(jīng)可以用人臉識別解鎖，華為也在去年與我們合作將人臉識別應(yīng)用到了其榮耀Magic手機上去實現(xiàn)對手機的半解鎖。

其實人臉識別有非常多不同的應(yīng)用場景，手機的應(yīng)用只是其中之一，即使是一比一驗證你是不是你的任務(wù)，也有不同的應(yīng)用場景。比如，在機場、車站等應(yīng)用場景，用身份證中的卡內(nèi)人臉照片和持卡人人臉比對，在過去3-4年里錯誤率大概下降了2-4個數(shù)量級，達到了萬分之一甚至更低的錯誤率，即有一萬個人試圖冒充你，只有一個人可能成功，在這種情況下，本人持自己身份證可以有95%以上的正確識別率。企業(yè)員工刷卡后進行人臉驗證的正確率則可以高達99%。

對于這些技術(shù)背后的AI，如果我們用一個簡單的公式來表達，那就是“A+B+C”。A是Algorithm即算法，B是Bigdata大數(shù)據(jù)，C是算力Computing。我想這樣的公式或這樣的說法，最近一段時間大家都越來越熟悉了。這三者中，A即算法，最主要的就是指深度學習算法了。

所謂深度學習其實并不是新的技術(shù)，在上世紀八十年代中后期的時候，理論、方法就基本成熟，但因為當時沒有大量數(shù)據(jù)，沒有足夠強的計算能力，這就使在當時我們不可能發(fā)揮它的作用。

2012年之后，因為互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，使我們有更多機會收集大量數(shù)據(jù)，再加上有GPU等平民化高性能計算設(shè)備的出現(xiàn)，使我們有機會完成大規(guī)模的深度學習算法的訓練。

深度學習在計算機視覺領(lǐng)域，解決了或者至少推動了一大類非線性的映射函數(shù)學習的問題。換句話說，給我們一張照片，這些照片就是一些數(shù)值，形成輸入x，我們通過深度模型學習一個F函數(shù)，用F作用于x，即F(x)得到我們想要得到的Y，這個Y可能是一個標簽（比如貓，狗），也可能是我們想要分割的結(jié)果。

這樣的方式，使我們做AI的方法論產(chǎn)生了極大變化。從過去，我們大量依賴人類專家知識來設(shè)計算法，到現(xiàn)在，變成有大監(jiān)督大數(shù)據(jù)驅(qū)動的方法為主。

以一個具體的應(yīng)用需求為例（從客戶那挖掘出來的案例）。

我們一個客戶做了小區(qū)巡邏機器人，物業(yè)希望這個機器人可以幫助解決小區(qū)管理中的一個痛點問題。小區(qū)里經(jīng)常有小狗亂拉屎，所以物業(yè)需要一個狗屎檢測系統(tǒng)。這樣的話，巡邏機器人可以及時發(fā)現(xiàn)這樣的垃圾，然后“報警”，由保潔及時來清除掉。

在沒有深度學習的時候，我們需要做的是：

第一步，收集一定量的包含狗屎的圖像數(shù)據(jù)。

第二步，人工設(shè)計或選擇一些特征。

第三步，選擇某種分類器在收集的數(shù)據(jù)集合上測試它，看它效果好不好。如果不夠好就回到第二步，不斷進行反饋和調(diào)整。

這是一個人工設(shè)計特征的過程，這樣的方式非常耗時，非常不高效。我們做人臉檢測花了20年，做行人車輛檢測大概花了10年，即使狗屎檢測相對容易，可能也需要至少一年。深度學習來了之后，整個過程變得很不一樣。如果我們采用眾包等方式，可能在一個月時間里就可以收集上萬張標注了狗屎的照片，然后算法工程師可以根據(jù)經(jīng)驗選擇一個深度學習算法，并設(shè)定一些超參數(shù)，然后只需要讓機器在收集的數(shù)據(jù)集上進行訓練和學習就可以了，這個過程可以非?？焖俚耐瓿桑蟾胖恍枰齻€月。從過去的數(shù)年到現(xiàn)在的數(shù)月，顯然大大提高了我們研發(fā)一項AI技術(shù)的效率。

這樣的方法論極大的提高了視覺技術(shù)的水平和落地效率。

我認為很多場景下能看的AI才有真的智能。所以，視覺智能會有大量場景化需求，如果我們?nèi)ゼ毧疵恳粋€領(lǐng)域，從公共安全、機器人、自動駕駛、無人機到醫(yī)療，每個領(lǐng)域我們都可以非常輕易的發(fā)現(xiàn)視覺的用武之地。如果AI有一雙眼睛（也就是有攝像頭），我們背后有合適的算法，機器就可以更多的替換或者輔助人更好、更高效的做我們想要它做的事情。

但從落地角度來講，也存在非常多問題。

問題一：個性化需求非常多，可批量復制的“標品”比較少。

以“狗屎”識別機器人為例，可能明天還需要一個塑料瓶子檢測，后天是塑料袋識別，再后天是白菜識別，這么多不同的物體，如果我們都采用前面說的那種開發(fā)方式，每種東西需要至少三個月，那么我們就會面臨非常重的開發(fā)任務(wù)，關(guān)鍵是現(xiàn)在并沒有這么多人才可以去做這么多事。

從落地角度來看，誰來做、誰去買單、誰去開發(fā)算法，采用什么樣的商業(yè)模式和合作模式都是問題。

問題二：從計算力角度講，深度學習的計算成本相對比較高。最近很多的AI專用芯片市場就是在解決這類問題。

AI技術(shù)的生產(chǎn)效率現(xiàn)在是比較低的，我們要加快生產(chǎn)效率，就需要人力，需要高水平的AI算法人才?？墒茿I的人才奇缺。現(xiàn)在深度學習專業(yè)碩士畢業(yè)生可以拿到30-50萬年薪，博士則可以高達50-80萬年薪。在座的女孩們，如果沒有男朋友的話，到我們這個領(lǐng)域看一看。

相比可用的人才數(shù)量，這么多的視覺處理任務(wù)，如果每個任務(wù)都要2個碩士博士做3-5個月才能完成，這將是災難性的事情。

所以，未來我們需要新的方法論，從現(xiàn)在有監(jiān)督大數(shù)據(jù)驅(qū)動的方法論，變成知識和數(shù)據(jù)聯(lián)合驅(qū)動的方法論，為了完成這些事情，我們需要更強大的機器學習方法。使得我們在不同數(shù)據(jù)條件下也可以獲得穩(wěn)定、可靠的識別能力，這就體現(xiàn)在我們可能需要利用小數(shù)據(jù)、臟數(shù)據(jù)進行機器學習。

此外，用來學習的數(shù)據(jù)還可能是半監(jiān)督的數(shù)據(jù)、弱監(jiān)督的數(shù)據(jù)，比如給你一張照片告訴你其中有狗屎，但并沒有明確告訴你這個狗屎在什么位置，如果我們能有可以充分利用這些數(shù)據(jù)的更好的機器學習方法，我們才可能更加快速的開發(fā)AI技術(shù)。

這還不夠，我們還希望有更快捷的AI開發(fā)方法。比如我們希望開發(fā)一個安全帽檢測的引擎，這是實際需求。我們一旦把這個任務(wù)交給機器之后，希望AI生產(chǎn)平臺可以全自動完成全部的開發(fā)過程。機器完成這個任務(wù)的可能流程是：首先，它會理解這是一個檢測任務(wù)，檢測目標是安全帽，然后機器自動在百度上去搜索大量安全帽的圖像，然后在百度上搜索一些關(guān)于安全帽的知識描述，例如安全帽多數(shù)是圓的，顏色各異，經(jīng)常戴在人頭上等等。然后，算法就通過對這樣一些數(shù)據(jù)的自動處理和學習，以及知識的利用完成一個“安全帽檢測”AI引擎的開發(fā)。

遺憾的是，從算法的角度來講，以我對該領(lǐng)域?qū)W術(shù)前沿的了解，要達到這樣的目標我們可能還需要5-10年，還不一定100%完全做到那種程度。

在此之前，工業(yè)界最靠譜的做法恐怕還是采用“數(shù)據(jù)暴力”來完成多數(shù)類似AI任務(wù)的研發(fā)。但我們?nèi)绾谓鉀Q缺少大量AI算法工程師的問題呢？我認為我們需要一個更強大、更便捷的AI算法生產(chǎn)基礎(chǔ)設(shè)施。這樣的基礎(chǔ)設(shè)施，就像當年從專業(yè)相機到傻瓜相機的歷史演變一樣。

為了讓我們有更多的人才可以開發(fā)AI，以滿足大量的視覺智能開發(fā)任務(wù)，我們的AI生產(chǎn)工具要從Caffe，Mxnet和Tensorflow等只能昂貴的高端人才可以使用的開發(fā)工具發(fā)展到“傻瓜式”的AI開發(fā)平臺。這樣的平臺應(yīng)該使更多的中低端人才，即使不懂AI、不懂深度學習，也可以經(jīng)過簡單的培訓，就可以利用自己的私有數(shù)據(jù)，在這樣的軟硬建基礎(chǔ)設(shè)施平臺上，方便快捷的開發(fā)出自己所需要的AI技術(shù)引擎，并便捷的嵌入自己的業(yè)務(wù)系統(tǒng)中。

我作為主要創(chuàng)始人成立的中科視拓，自去年8月成立以來，不僅做了大量人臉識別、無人機視覺等計算機視覺技術(shù)服務(wù)項目，開發(fā)了多款人臉識別產(chǎn)品和解決方案。與此同時，我們已經(jīng)研發(fā)了一個稱為SeeTaaS的深度學習算法開發(fā)平臺，這個平臺不但在我們公司內(nèi)部逐步得到了應(yīng)用，也已經(jīng)開始提供給我們的B端客戶，使他們也具備了用自己的私有數(shù)據(jù)訓練自己所需的深度學習算法和引擎的能力。相信這個SeeTaaS平臺會越來越好用，最終實現(xiàn)我們“讓天下沒有難開發(fā)的AI”這一夢想！

謝謝大家！