孫劍博士2003年畢業(yè)于西安交通大學(xué)，后一直在微軟亞洲研究院工作，擔(dān)任首席研究員。其主要研究方向是計算攝影學(xué)，人臉識別和基于深度學(xué)習(xí)的圖像理解。自2002年以來在CVPR，ICCV，SIGGRAPH，PAMI等頂級學(xué)術(shù)會議和期刊上發(fā)表學(xué)術(shù)論文90余篇，兩次獲得CVPR最佳論文獎（2009，2016）。孫劍博士于2010被美國權(quán)威技術(shù)期刊MIT Technology Review評選為“全球35歲以下杰出青年創(chuàng)新者”。孫劍博士帶領(lǐng)的團隊于2015年獲得圖像識別國際大賽五項冠軍（ImageNet分類，檢測和定位，MSCOCO檢測和分割）。孫劍博士擁有四十余項國際或美國專利，他和他的團隊的研究成果被廣泛應(yīng)用在微軟Windows，Office，Azure，Bing，Xbox等產(chǎn)品中。孫劍博士于2016年7月正式加入曠視科技擔(dān)任首席科學(xué)家。

　　大家好，我是Face++的孫劍。

　　前面大家提到人工智能的前景，共識是目前感知智能已經(jīng)做的很不錯了，但仍舊沒有明確的思路去做認知智能。

　　Face++曠視科技的研究團隊現(xiàn)在集中精力在做感知智能。我們的基本思路很簡單：做技術(shù)，做產(chǎn)品，做數(shù)據(jù)，希望讓三者形成正循環(huán)來推動人工智能的發(fā)展。

　　我在Face++和微軟做的事

　　我在Face++做的核心技術(shù)研究與我在微軟時做的方向一致：圖像分類、物體檢測、語義分割、和序列學(xué)習(xí)。

　　關(guān)于第一個核心技術(shù)（圖像分類）在ImageNet上的進展：去年我和微軟團隊做的ResNet一舉把網(wǎng)絡(luò)的深度從十層或二十層推到152層，效果非常好，而且這個模型我們已開源，并且在業(yè)界得到了廣泛應(yīng)用。在Face++我會繼續(xù)進行這個方向的研究，我們系統(tǒng)是ResNet的一個改進版，它和微軟時的系統(tǒng)有何不同呢？新版本融入了新的網(wǎng)絡(luò)架構(gòu)設(shè)計思想，現(xiàn)在一個新的改進版ResNet在ImageNet上可以媲美以往組合六個ResNet。

　　圖像分類中一個很重要的問題叫做人臉識別，2013年我跟微軟的同事做出High-dimensional Feature，這是是沒有深度學(xué)習(xí)時最好的方法。隨后Facebook用了DeepFace，也是第一次用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法，使得人臉識別率與人類眼眼的識別率非常接近，隨后很多家公司包括Face++均采用了深度學(xué)習(xí)的方法在數(shù)據(jù)集上超過人眼識別率。

　　那么計算機真在人臉識別率上超過了人了嗎？我的回答是：很多情況下，是的。例如在身份認證和智能安防方向的應(yīng)用，F(xiàn)ace++的人臉識別產(chǎn)品已經(jīng)超過了人。人臉識別研究已有三十年，今天我們是第一次在上億的規(guī)模上應(yīng)用人臉識別。

　　我們關(guān)心的第二個核心技術(shù)是物體檢測，即，將各種物體在圖像中識別并定位出來，換句話說就是不但要識別圖像包含什么物體，還要知道物體在哪里。目面Face++擁有一個在著名的VOC2012物體檢測的評測中性能最好的單模型物體檢測器。為什么強調(diào)單模型呢？因為考慮到端上計算力的限制，我們在實際產(chǎn)品廣泛使用單模型。

　　我們關(guān)心的第三個核心技術(shù)是語義分割，就是對每個像素分類。這是一個更為精細的分類工作。我們Face++的一名實習(xí)生的工作目前在VOC2012語義分割評測中名列第一，他現(xiàn)在正在準備CVPR的投稿。我們歡迎廣大的在校學(xué)生來我們公司做最頂尖的研究，做更有趣的應(yīng)用。語義分割還能應(yīng)用在智能安防場景中，這個視頻展示了我們不僅可以把人分割出來，還能把人的不同部位分割出來。由于時間原因，關(guān)于序列學(xué)習(xí)我就不展開了。

　　做這些技術(shù)需要一個做訓(xùn)練引擎和平臺，目前行業(yè)里較為流行的有微軟的CNTK，谷歌的TensorFlow，和開源的Caffe。而Face++則有著自己的平臺叫Brain++，它的設(shè)計與TensorFlow相似。TensorFlow發(fā)布至今有一年的時間，而我們的Brain++已經(jīng)在公司運行將近兩年了。做自研的平臺非常關(guān)鍵，公司敢做并能做，是因為我們擁有最頂尖的人工智能技術(shù)人才，我們的研究團隊?wèi)?yīng)該是中國ACM金牌選手密度最高的地方。目前在人工智能創(chuàng)業(yè)公司中使用自己的深度學(xué)習(xí)訓(xùn)練引擎的，可能只有Face++。

　　有了這樣的平臺和技術(shù)，我們打造了兩方面的產(chǎn)品：SmartID，用來提供身份認證服務(wù)；SmartCamera，用來將智能前端化。目前我們產(chǎn)品覆蓋包括銀行、金融、、互聯(lián)網(wǎng)、零售、地產(chǎn)、公共安全和機器人等行業(yè)。我們希望通過“人工智能+”把人工智能滲透到每個行業(yè)當(dāng)中。

　　這里有幾個數(shù)字，F(xiàn)ace++人工智能云開放平臺的API已經(jīng)服務(wù)了近七萬開發(fā)者，已被調(diào)用62億次；我們的身份認證平臺目前已為一億人，注意不是一億次，提供了身份認證的刷臉服務(wù)，覆蓋了85%的金融市場智能化應(yīng)用。

　　從感知智能走向認知智能

　　一般情況下我的報告到這里就結(jié)束了，但今天是回家匯報，那我就再繼續(xù)分享一些對人工智能更個人的看法。我也一直在問自己一個問題，我們當(dāng)下研究AI方法，是在爬樹還是在造火箭。

　　這里有一幅畫的內(nèi)容是這樣：你要想上月球，選擇爬樹能接近月球，每年還能有不錯的進展，有些樹高得可能一輩子都爬不完，但到不了月球那里。如果我們不知道怎么造火箭，只用爬樹的方法，是永遠上不了月球的。

　　那么問題來了，我們現(xiàn)在研究AI的方法到底是在爬樹還是在造火箭？按我們目前的辦法到底能不能上“月球”？

　　再回到開場時的提及的感知智能和認知智能這一話題。大多數(shù)感知智能能做下去，是因為我們能夠很明確的定義他的輸入和輸出是什么，然后我們用非常深的神經(jīng)網(wǎng)絡(luò)去擬合一個函數(shù)f（x）就可以。

　　但在認知智能方面，我們不知道如何去定義它，不知道如何去準備訓(xùn)練數(shù)據(jù)或環(huán)境，換個說法或許是這個系統(tǒng)太復(fù)雜，以至于我們無從入手。所以我把大多數(shù)人做的、特別是工業(yè)界研究人工智能的方法概括為方法一。

　　什么是方法一？方法一就是：從實踐到理論。

　　靠不斷地實踐來得到理論，不過嚴格意義上講，其實是沒理論。由于人工智能這個大問題過于復(fù)雜，我們也比較現(xiàn)實地把它拆分為很多很多子問題：如語音、視覺、自然語言等等。這就是我們目前研究人工智能的方法。

　　于是我們問自己有沒有方法二，能不能從理論到實踐，能不能先有一個理論，然后應(yīng)用到所有問題當(dāng)中去。

　　那現(xiàn)在到底有沒有這樣的指導(dǎo)性理論呢？我自己是一直不大相信有的，借用我的博士導(dǎo)師沈向洋的一句話：哪兒有那么多隨便就能指導(dǎo)實踐的理論。

　　大腦皮層給人工智能的啟示

　　直到我最近重新讀了一遍Jeff Hawkins寫的《人工智能的未來On Intelligence》，我有些相信了。這本書出版于2004年，此前我在2009年讀過一次。Jeff Hawkins是Palm的創(chuàng)始人，在創(chuàng)立Palm前他已經(jīng)學(xué)習(xí)了很多人腦科學(xué)方面的知識。他在做Palm賺夠錢后建立了Numenta研究所，專門研究機器智能。他寫這本書的一個很大動機是對外闡述他對機器智能的理解。

　　書中寫到大腦分為兩部分：大腦皮層和舊腦（古腦）。

　　大腦皮層大概有六層，每層兩毫米厚，鋪開的面積可能比桌子還要大，每個神經(jīng)元和周圍的成千上百的神經(jīng)元相連接。大腦皮層并不是突然出現(xiàn)，最開始爬行動物是沒有大腦皮層的，而在幾千萬年前哺乳動物開始有了大腦皮層，幾百萬年前人類的大腦皮層突然增大，使得人和動物劃開了界限。

　　書中最讓作者包括我信服的觀點是：人比動物聰明，是因為人類大腦皮層簡單迅速地復(fù)制了自己，而不是生成其他特殊的結(jié)構(gòu)；幾百萬年的時間不足以生成一個特殊的結(jié)構(gòu)。

　　上世紀70年代曾有人提出這樣一個觀點：大腦皮層是同質(zhì)的，每個地方都一樣，這下面可能存在一個主管我們?nèi)祟愔悄艿耐ㄓ玫?a target="_blank">算法；人類有不同的各種感知只是因為不同的輸入器官與大腦皮層相連接。

　　而且大腦皮層可以重塑，如果某個人天生失明，那他原來主管視覺部分的皮層可以演化為聽覺部分，大腦皮層的各部分功能不是固定下來一定要做什么的。

　　大腦皮層的這個通用算法其實是在實時處理時-空的神經(jīng)元突觸的電位變化，這里面有個計算方法，該計算方法和計算機的計算方法不同，它不是靠算的。有神經(jīng)學(xué)的分析，人類的大腦的運算速度并不快，大腦不是在計算，而是在記憶中直接提取相似的東西，從而直接回答答案。簡單來說，人是利用記憶系統(tǒng)來完成計算的。

　　我這里列出了書中對人類記憶的屬性的描述，時間關(guān)系就不詳述了。

　　Jeff Hawkins在最后展示他的智能理論新構(gòu)架時問：什么是理解？

　　他舉個例子，如果我們回到家看到家中的環(huán)境，我們可能不會特別注意到什么；但家里假如出現(xiàn)一個新物體，我們的注意力馬上就會被吸引過去。Jeff Hawkins做出以下理論解釋：大腦時時刻刻都在做著各種預(yù)測，如果哪個地方預(yù)測失敗了，那個地方可能就是出現(xiàn)了新情況或新物體。此外，大腦皮層還在做各種各樣的從初級到高級的預(yù)測。

　　從理論到實踐

　　這里有個非常有意思的故事，當(dāng)年我們寫過一篇關(guān)于圖像修補（Image Completion）的論文，論文的研究內(nèi)容是猜測被遮擋住物體的后面是什么樣子的。其實人也在有意識無意識的預(yù)測這種事。當(dāng)年我們在和沈向洋老師一起寫論文時就是在預(yù)測某個物體的后面是什么，然后把它畫出來。

　　《人工智能的未來》一書的理論簡單來說，就是該理論認為智能是一個記憶-預(yù)測（Memory-Prediction）的框架，智能是你能夠利用對這個世界模式的記憶和預(yù)測的能力來衡量的。圖靈定義圖靈智能，是利用行為來衡量。而Jeff Hawkins并不同意。

　　我第一次讀過這本書后受到很大的啟發(fā)，于是在2011年寫過一篇CVPR論文。論文內(nèi)容是為解決大姿態(tài)下人臉識別的問題：我們構(gòu)建一個人臉數(shù)據(jù)庫，構(gòu)建一個記憶，希望把正面臉和側(cè)面臉通過記憶連接起來，這是當(dāng)時人臉識別最好的方法。有趣的這篇論文的第一作者是Face++的CEO&創(chuàng)始人印奇。

　　目前在神經(jīng)網(wǎng)絡(luò)的研究中，我們認識到記憶的重要性，如果沒有記憶，那么訓(xùn)練出來的系統(tǒng)僅能完成一個簡單的f（x），所以目前業(yè)界最近有很多的人工智能最前沿工作均集中在如何實現(xiàn)有效的記憶機制，如何存儲不變表示等方面。

　　最后回到報告的題目，當(dāng)下我們都茍且在方法一上，我以前不是那么相信從理論到實踐；但現(xiàn)在我相信從理論到實踐的方法二是存在的，而且就像大腦皮層簡單復(fù)制自己一樣可能沒有那么復(fù)雜。方法二的到來比我們想象的更快。