網(wǎng)易科技訊 4月29日消息，一年一度的GMIC全球移動互聯(lián)網(wǎng)大會在北京舉行，在未來峰會上，香港中文大學(xué)教授、信息工程學(xué)系系主任湯曉鷗表示：中國的人工智能技術(shù)想要成功，必須踏實做研究，更多的原創(chuàng)技術(shù)才能幫助到中國AI的未來。

湯曉鷗認為：“機器學(xué)習(xí)就是大數(shù)據(jù)訓(xùn)練的過程，大數(shù)據(jù)訓(xùn)練需要海量的數(shù)據(jù)來訓(xùn)練無窮大的網(wǎng)絡(luò)，這么大的數(shù)據(jù)需求以及GPU集群需求，并且要進行并行運算，所以這就是巨大的門檻，導(dǎo)致只有谷歌和FaceBook這些公司能取得大的進展，人工智能需要大量的前期準(zhǔn)備，隨便一個創(chuàng)業(yè)公司做人工智能，是不大可能成功的”。

談到中國人工智能的未來時，他指出：中國的原創(chuàng)技術(shù)不應(yīng)該去B，也不應(yīng)該去A，也不應(yīng)該去T，我們應(yīng)該去H，原創(chuàng)的技術(shù)才是核心能力，才是競爭力。(定西)

以下為湯曉鷗演講實錄：

今天的會場真的很大，我以前其實做過很多報告，從來沒有碰到過這么多沒人坐的地方。非常感謝長城會邀請我來做報告，其實我還是比較難請的。一般來說，這是我第一次做學(xué)術(shù)以外有點商業(yè)性質(zhì)的報告，為什么第一次沒有給長城會，我認為長城會更加高端大氣，更加適合我演講的風(fēng)格。再一個是其他的講壇沒有請我，所以我也沒法去。

我昨天晚上寫了一個講稿，我的題目叫做《人工智能的明天，中國去哪兒》，看起來是很大的題目，其實我講的內(nèi)容比這個更大，如果講明天，一定要從昨天開始，后來我決定從1968年開始講，因為我是1968年出生的，之前的事我也特別不是清楚。

1968年出生以后，我發(fā)現(xiàn)外面很亂，學(xué)校都不上課了。我就問我媽媽說，這是怎么回事，她說是文化大革命。然后我想，算了，既然學(xué)校不開，我也不用上學(xué)了，所以就等了七年，七歲的時候上學(xué)了，結(jié)果在學(xué)校一呆，就呆了四十年，四十年下來以后，第一次接觸人工智能是1992年，在MIT我上了一門課，我記得當(dāng)時那位教授發(fā)明了人臉識別的算法。當(dāng)時大家都很激動，這個算法好像能夠在實驗室里很好的識別人臉，他說這個東西將來非常有用，可以在公安各種各樣的場合進行應(yīng)用。

但是等了整整十年，也沒見到用起來。所以我就在我的實驗室也開始做類似的實驗，等我開始做才發(fā)現(xiàn)這個東西根本不靠譜，根本用不起來。但是我們還是跟國家申請了很多錢，因為要反恐，所以我們花了很多錢，但是做的東西其實沒有太大用。后來我去了微軟，到微軟就好辦多了，因為微軟不搞監(jiān)控。它的東西主要是玩，玩的話就無所謂管用還是不管用了，你覺得不好玩，你就不玩了。

當(dāng)時我們一直有一個想法，怎么樣把計算機視覺、人工智能的東西用到日常生活中。因為我們有一個非常強大的團隊，我們不想只是發(fā)一些文章，希望它真正用起來。但是在2005年，這個東西基本上用不起來。你們在日常生活中看不到人工視覺任何的用途。所以我在很長時間從2005年開始，我所有講座的題目都叫生活中的計算視覺。

我希望把我們這些算法能夠在生活中起到一些作用。但是當(dāng)時有一個問題，因為我們未來在頂級會議上發(fā)文章，大家做工程的知道，如果你用幾頁紙的公式，你這個東西基本上是沒有什么屌用的，所以這兩個矛盾是非常尖銳的。一方面你要保留你的工作，一方面你要做點有用的東西。后來我們決定必須要找最聰明的人，把兩件事情結(jié)合在一起做起來。

所以我花了很多心思想，我們做什么東西才有用，讓大家能夠用起來。這時候我的孩子就出生了，他是03年出生的，出生以后我在微軟和北京、香港之間來回跑，每次見到他的時候我會拍很多照片，因為見的機會比較少，他長的又比較漂亮，所以我拍了很多照片，而且不斷的拍。拍了大量的照片以后太太很不高興，你拍了一萬多張，你不管，這些照片我也找不找，后來我跟的學(xué)生說，大家?guī)臀艺硪幌抡掌瑔?后來我們做了一個項目用計算機自動的幫助大家整理照片叫Photo Tagging，可能大家在手機上已經(jīng)用這個了，但是我講的都是十年前的工作，因為我講的都是歷史。十年前我們做了一項工作，里面有很多技術(shù)，我每講一項技術(shù)其實都是一篇頂級會議的文章。

比如說我們做的人臉檢測，我們把相冊里面的人臉檢測出來，然后再進行標(biāo)注，做了各種各樣的UI設(shè)計，我們把這個東西做到微軟的Photo Tagging為里面。后來我們做圖像的搜索，我想搜索一下我的小孩穿綠一衣服的照片，把穿這件衣服的照片搜索出來。后來我覺得前面這十幾張挺漂亮的，我把它選出來，然后做了一個識別軟件，你用計算機自動判斷出來，這個照片里面哪些部分是重要的，你不能進行遮擋，同時你要把整個背景全部蓋住，同時你要均勻的分布，所有的條件同時滿足，要在幾毫秒之內(nèi)算出來，這個技術(shù)現(xiàn)在是不難的，但是十年前是相當(dāng)難的。所以為什么那時候?qū)ｉT發(fā)表一篇文章專門干這件事情，我做了很多特別效果的軟件，這時候我太太不跟我吵架了，她覺得我干了一點有用的事情。

我剛才給大家看的其實都是有照片的，我判斷這個照片里面哪個地方重要，哪個地方不遮擋，我只要用人臉檢測就可以了。但是如果是普通照片，什么地方我不應(yīng)該遮擋，什么地方是重要的，這涉及到圖像內(nèi)容的分析，這就涉及到更加智能的東西。圖像智能在學(xué)界是研究很久的，我們研究的時候前面也已經(jīng)做了十幾年了，但是我們是第一個用大數(shù)據(jù)的方法來做這件事情的，現(xiàn)在大家經(jīng)常聽到大數(shù)據(jù)，其實十幾年前已經(jīng)做這件事情了，只是我們叫的名字不一樣。

我們可以看到數(shù)字，過來三個學(xué)生，要了兩萬張圖像，我們覺得很了不起的，現(xiàn)在的數(shù)據(jù)量是不一樣的，算法也是不一樣的。那個時候能夠做到是相當(dāng)了不起的，所以我們最后做出的結(jié)果是這樣的，我們計算機可以判斷出一張圖像哪個是最重要的。

還有一個好玩的應(yīng)用，這個東西你把圖像縮小以后，你就看不清了，如果你把中間重要的部分切出來再縮小，你還是可以看清圖片的，所以這個實際上還是很有用的，這是照片系統(tǒng)里面很多圖很容易把里面重要的部分弄出來。

實際上人工智能難就難在并不是所有的東西都那么做的，有些東西是超出我們的智商的。比如說這張圖片，哪個對我來說是更重要的，但是計算機是把前面的判斷出來，這個現(xiàn)在是可以解的，現(xiàn)在我搜集大量小孩撒尿的照片還是可以訓(xùn)練出來的，但是不是那么容易的，有的時候領(lǐng)導(dǎo)講話也是這個姿勢。

下面這張圖更難理解了，我用我小孩的圖，你們做圖像理解，你們能不能理解這些圖。后來他們看了以后都放棄了這個研究方向，比如說這是我小孩的第一個女朋友，這是我在俄羅斯給他買的玩具，關(guān)系還是很好的，但是進展的有點快。他才六個月，很有科學(xué)家的探索精神。

然后我們又做了一些有趣的東西，把這個圖像把物體切割出來，我們把一組圖同時切割出來，再做一些好玩的東西。

接下來我們希望跟一些電影結(jié)合起來，我們就找了小兵張嘎卡通片，我們進行圖像搜索，找出了相似的圖像和照片，把這個替換掉了，這個用PS是很容易做的，但是十年前是很難做的。我們從檢索到分割，所有的步驟都是動畫做的，這是十年前的工作，也是發(fā)表在頂級的會議上。這個是小兵張嘎跟他的妹妹，這是我的小孩跟他的女朋友。這是小兵張嘎跟特務(wù)。

剛才講的是人臉識別，圖像方面我們也做了開創(chuàng)性的工作，在我們做之前，大家講這張圖有一些毛病，然后再評價這個Quality，我們做這個工作這張圖是很完整的圖，但是我們判斷這張圖有多美、多漂亮。比如說這兩張圖，按照傳統(tǒng)算法，左邊是模糊的圖，右邊是清晰的圖，但是我們判斷左邊這張圖是有意義的，怎么讓計算機來判斷一個圖美，還是不美，其實我們也不知道怎么做。所以我讓學(xué)生到圖書館把攝影書拿回來，我們再用計算機來識別，它的景深，物體的白色在什么位置，然后學(xué)突然這張圖是漂亮，還是不漂亮的。它有什么用呢?我們在網(wǎng)上搜索了大量的圖，搜索完了以后我們可以把漂亮的圖放在前面，差的放在后面?；蛘哒f你在手機牌照的時候，我們可以教你怎么牌照，怎么取景，怎么樣使用大光圈等等。

我們在MSN上還做了一些特效，加一些眼鏡，如果大家現(xiàn)在用APP可以在臉上做各種各樣的特效，這是我們十年前做的產(chǎn)品，已經(jīng)在MSN上用了很長時間。但是我們做這么多產(chǎn)品，大家沒有一點感覺，根本不知道我們做了什么東西，就是因為做的很辛苦，而且效果也沒有那么好。

另外一個東西就是去霧，這是我們專門給北京做的，當(dāng)時08年奧運會的時候，所有的報道都講北京的霧霾太嚴重。所以我們就做了一個算法把霧去掉了，把三維也算出來了，后來奧運會就成功的舉辦了。

比如說傳統(tǒng)的去霧算法是這樣的，等我們?nèi)ネ觎F以后是這樣的，我們不但把霧去掉了，還能把前景和后景進行模糊。

剛才我講的都是在深度學(xué)習(xí)發(fā)生之前，所以很多事做的非常難。突然有一天，有一個下棋的下了幾局棋結(jié)果輸了四盤，所有人都知道了人工智能這個詞，如果他再多贏兩盤的話，今天就是我來講了，就是科協(xié)來講了。如果我們聽到虛擬增強現(xiàn)實、機器人、無人汽車這里面都有深度學(xué)習(xí)的影子，深度學(xué)習(xí)改變了整個產(chǎn)業(yè)，深度學(xué)習(xí)的核心有三塊。

一是你要設(shè)計一個網(wǎng)絡(luò)，這個網(wǎng)絡(luò)很多人都可以設(shè)計。但是每個人設(shè)計的網(wǎng)絡(luò)水平是不一樣的，有的人設(shè)計的網(wǎng)絡(luò)，它的智商大概跟猴子的智商差不多，有的設(shè)計出來小學(xué)生的智商，有的設(shè)計出來博士生的智商。你設(shè)計完了以后它的腦子是空的，比如說我68年出生的時候，我是問不出來那些問題的，要經(jīng)過七年的學(xué)習(xí)，最后才達到我能上小學(xué)的水平，一定要經(jīng)過學(xué)習(xí)的過程。機器學(xué)習(xí)就是大數(shù)據(jù)訓(xùn)練的過程，大數(shù)據(jù)訓(xùn)練就需要超大的數(shù)據(jù)，來訓(xùn)練無窮大的網(wǎng)絡(luò)。這么大的數(shù)據(jù)，這么大的網(wǎng)絡(luò)要訓(xùn)練，又需要大的機器，大的GPU集群，要進行并行運算。所以這三個就是巨大的門檻，為什么說谷歌和FaceBook這些公司才能取得巨大的進展，而我們創(chuàng)一個小的公司，忽悠一下做一些布局，就想做人工智能，這是不大可能的，其實這是有很多準(zhǔn)備工作要做的。

我簡單講一下人工智能深度學(xué)習(xí)的歷史，其實深度學(xué)習(xí)是06年就開始出現(xiàn)的。06年到2011年之前一直在走彎路，基本上是不管用的，在微軟里面做語音識別，取得了巨大的突破，比傳統(tǒng)算法高了十幾個百分點，以前我們都是每年走一個點，現(xiàn)在相當(dāng)于一年走過去十年的進步。2012年又取得了更大的進步，他剛做完這件事情四個月谷歌就買了這家公司，據(jù)說是五千萬美元，我們覺得這對于一個教授來說，這個錢確實是挺多的。但是后來谷歌僅過了一年又買了一家公司花了6.6億美金，只有12個人，一個產(chǎn)品也沒有，號稱是2012年做深度學(xué)習(xí)的。

所以我跟投資人一直強調(diào)一點，我們是2011年開始做深度學(xué)習(xí)的，他們是12個人，我們是30個人，過了一年多，大家都知道了，它下棋贏了，對谷歌造成的PR效應(yīng)絕對值這個錢了。緊接著谷歌、雅虎大家都開始布局，而且進展是非?？斓摹?/p>

首先我回答一下我們經(jīng)常做的事情，比如說人臉檢測，我們是全球第一個用深度學(xué)習(xí)做人臉檢測的，這是非常難的圖，我們基本上把所有的臉都抓出來了，這是微軟做出來的效果，這是我們跟微軟相比，微軟漏掉的圖。所以我們的人臉檢測目前是全球最準(zhǔn)的檢測器，還有人臉定位，我們也是第一個用深度學(xué)習(xí)做人臉定位的，我們的五點定位和后面的六十幾點和106點都是我們做的，幾乎所有的公司都在說湯老師我在用你們的算法，我們有些問題想問一下。在中國基本上別人用你的東西，你是掙不了錢的，但是一定要提供售后服務(wù)，這個是業(yè)界的標(biāo)準(zhǔn)。

最近我們做的另一個有趣的工作，如果我們在互聯(lián)網(wǎng)上看到兩個人或者是幾個人的照片，我們可以用深度學(xué)習(xí)來判斷這兩個人的關(guān)系。我們用這兩個人相互的姿態(tài)和相互的表情，能判斷兩個人到底是什么樣的關(guān)系，是親密的關(guān)系、朋友的關(guān)系，還是敵人的關(guān)系。比如說奧巴馬和拜登，我們可以判斷八個緯度不同的關(guān)系。

(播放視頻)我們可以在視頻里實時判斷兩個人的關(guān)系，比如說這段視頻是夫妻兩個人吵架。我們可以看到他們開始吵架了，這個時候他們的關(guān)系就好了，藍線上來了，所以我們是實時判斷兩個人的親密關(guān)系。

另外一個就是我們做人臉識別，人臉識別在深度學(xué)習(xí)之前，其實真的是用不起來的，雖然你見到很多的產(chǎn)品。但實際上不是很管用的，后來深度學(xué)習(xí)出來以后，我們在2014年的時候做了深度學(xué)習(xí)算法。當(dāng)時FaceBook也做了一個，它做到了97.35，人眼睛的識別率是97.5，我們做了98.5，做到了98.15，后來做到了99.47和99.5，我們都超過了FaceBook和人眼睛的識別率，從那以后人臉識別這件事情在很多商業(yè)上可以落地了。

因為我們戰(zhàn)勝了FaceBook和谷歌，所以它們在外面沒有在人臉上進行大的宣傳。但是這并不妨礙國內(nèi)的公司BAT進行宣傳，幾乎每家公司都宣布自己做了99%的算法，我們的算法是公開的，所有人都可以用這個算法。

另一個比較大的算法是ImageNet，這個工作有38個隊伍參加，有伯克利、谷歌、微軟這些大的團隊都參加了，我們在2014年取得了第二名，谷歌取得了第一名，谷歌的結(jié)果是43，我們的結(jié)果是40.6，后來正式發(fā)表論文的時候我們達到了50.3，取得了最好的成績。

這是谷歌的團隊，大家可以看看谷歌團隊都有誰，四大天王的人都聚齊了，而且是全明星的團隊，他們今年買了1.5萬臺GPU，我們最后的成績超過了他們的團隊。

今年我們把重點放在視頻上，在視頻上我們第一次取得了全球第一名的成績。所以我們實際上確實是戰(zhàn)勝了FaceBook和谷歌這兩個巨人。為什么GPU重要呢?因為所有深度學(xué)習(xí)的平臺都是基于GPU來做的，今年選了全球十家最頂級的實驗室進行下一代人工智能平臺的研究，我們實驗室很榮幸被選成亞洲唯一的代表，另外十家包括伯克利、斯坦福，再加上我剛才說的四大天王的學(xué)校和瑞士的學(xué)校，我們可能是唯一的后起之秀，確實是憑自己的實力擠進來了。

因為我們做深度學(xué)習(xí)是比較早的，我們從2011年開始做的，2012年、2013年深度學(xué)習(xí)真正爆炸的時候，我們領(lǐng)先的程度是相當(dāng)明顯的。深度學(xué)習(xí)就是這樣的，如果你只做一件事情，比如說你只做人臉識別，你訓(xùn)練出來的東西就像最后訓(xùn)練以后，深度學(xué)習(xí)的智商就像門衛(wèi)的水平，如果你只做駕駛，你最后訓(xùn)練出來一個出租汽車司機。其實你應(yīng)該像人一樣，既要上數(shù)學(xué)課，也要學(xué)物理課，也要學(xué)音樂和畫畫，這個時候你的大腦才聰明，我們不是為了打敗谷歌和FaceBook，我們不是為了做著玩的，我們參加競賽得到結(jié)果以后，實際上我們可以在其他的領(lǐng)域直接用這個戰(zhàn)勝以前做了很久專業(yè)做這個公司的算法，所以我們在視覺領(lǐng)域幾乎所有的方向都取得了重大的突破，所有的東西我們都在做。

這樣我們才造了引擎，用這個引擎才能搜索所有的東西。我們在深度學(xué)習(xí)之前，每年發(fā)表的文章，我們總共發(fā)表了57篇，伯克利是33篇，牛津是45篇，劍橋是30篇，中國是64篇，我們跟國際頂級實驗室頂級會議的數(shù)量是相當(dāng)?shù)?，每個頂級會議都有一篇最佳論文，當(dāng)然一兩千篇要選出一篇最佳論文，排名第一的就是做人臉識別的那篇文章取得了第一名，得到最佳論文。前五名的會議我們得了五次四個會議的最佳論文，這個在所有的實驗室里面是絕無僅有的。

我要感謝我們的學(xué)生，我們的學(xué)生基本上都是中國最聰明的，都是清華前幾名的學(xué)生，第一、第二、第三的學(xué)生。大家知道中國的高考是很多人一起考的，我們把排在最前面的幾個收到我們的實驗室，就是由于他們才做出這些成績。

來源：網(wǎng)易科技