怎么选择移动网站建设,哪些网站是用响应式做的,诸城网站建设多少钱,宁波公司做网站来源#xff1a;AI科技评论整理#xff1a;莓酊编辑#xff1a;青暮2021年12月9日#xff0c;第六届全球人工智能与机器人大会#xff08;GAIR 2021#xff09;在深圳正式启幕。140余位产学领袖、30位Fellow聚首#xff0c;从AI技术、产品、行业、人文、组织等维度切入AI科技评论整理莓酊编辑青暮2021年12月9日第六届全球人工智能与机器人大会GAIR 2021在深圳正式启幕。140余位产学领袖、30位Fellow聚首从AI技术、产品、行业、人文、组织等维度切入以理性分析与感性洞察为轴共同攀登人工智能与数字化的浪潮之巅。会上IEEE/ IET/ EIC Fellow于非教授向与大家分享了题为《互联从质量、能源、信息到智能》的演讲。于非教授是加拿大工程研究院院士Fellow of the Engineering Institute of CanadaIEEE FellowInstitution of Engineering and TechnologyIETFellowIEEE杰出讲者IEEE车载技术学会理事2016- 今副主席2017- 2019。连续3年入选科睿唯安计算机科学领域“全球高倍引科学家” 2019- 2021。Google学术20,000次引用H- index88。研究领域为互联自主智能区块链机器学习自动驾驶及无线网络。担任多个国际期刊编辑。多个科研成果及论文获奖。今年于教授来到深圳出任人工智能与数字经济广东省实验室深圳光明实验室执行主任。于教授的主要研究方向包括联网自动驾驶汽车CAV机器学习与人工智能区块链和分布式账本技术无线网络物理系统和网络中的安全和隐私等。为了能将于教授的精彩演讲原汁原味地呈现给大家AI科技评论做了不改变原意的编辑。首先。非常感谢杨强主席、罗智泉校长和其他各位领导的邀请很荣幸能参加这次大会跟大家分享我们最近的研究进展。今天我的报告题目相对抽象是《互联从质量、能源、信息到智能》。我将“以车为例”进行汇报。第一部分是背景知识——互联和自动车辆。二是分层设计、跨层设计、跨系统设计。三是人工智能在信息中互联的方法。四是报告的主题以联网的角度从“大尺度”考虑网联可分为质量互联、能源互联、信息互联和智能互联。第五部分为总结。1互联与自动车辆自动驾驶的巨大影响不限于车和路对整个社会而言影响也非同一般。每天早晨我们也许会思考到底是我驾驶车还是车驾驶车。几年前人们对自动驾驶的前景比较乐观为什么提到自动驾驶人们说起人工智能时其中大多应用主题就是“将来不用自己开车了”。和大家展示两张非常有趣的图片。第一张图1900年美国的第五大道Easter早晨车水马龙请问大家能看到汽车吗1900年摄影技术有限大家可能看不太清但是有一辆汽车的也只有一辆其他都是马车。第二张图是1913年13年之后也是同样的一天在美国纽约第五大道Easter的早晨请问照片上还能看到马车吗不已经全部都是汽车了。他们用两张图的对比表达一个事实当技术想抛弃你的时候连声招呼都不打。用这个类比是为了说明将来自动驾驶也会像之前汽车代替马车一样快速的迭代。在前几年的时候这些人用在融资和技术报告里去说服投资者自动驾驶很快会实现。虽然理想很丰满现实却是非常残酷的。大家可能听闻过国内外各种各样的例子尤其是特斯拉、UBER和一些大厂出现的人为事故包括引起广泛关注的特斯拉不能识别白色物体的问题从而导致各类事故。Waymo的CEO也曾给大家泼了一盆水Waymo是谷歌自动驾驶的子公司所以Waymo在自动驾驶领域是有发言权的从2009年开始Waymo的自动驾驶车辆在真实道路上一共跑了超过2千万英里和在虚拟环境下跑了20亿英里。但是Waymo的CEO说自动驾驶几十年之内都不可能大规模的出现在真实交通中。问题出在哪儿他最近评论Technology is really really hard技术太困难了。Elon Musk今年七月也有过著名的评论。人们都在问他你早先说全自动驾驶很快就能实现到底什么时候能实现然后Musk把这个“球”推到学术界和产业界的工程师和科学家面前他说“这不是我的问题不是我做不出来是科学界没有解决人工智能科学的问题。” 他把“责任”推脱到了学者身上。所以做不出来自动驾驶跟特斯拉关系不大是“我们”的问题。我作为学者、工程师看到这句话其实有所欣慰从消费者来的角度大家看到会将关注落在“自动驾驶不会短期内实现”这一点上但是作为学者、工程师来讲我们看到了机会为什么全部都做好以后就没有机会了如果做不好的话我们还有机会实现它。所以我一直在思索到底是什么问题大家众说纷纭。本质而言信息跟智能是有很大差别的。什么差别自动驾驶的车一天能产生5T数据各种各样的传感器都在生产大量数据比如相机、GPS、LIDAR等。但对自动驾驶而言这些信息不等同于智能。智能在这里我定义为「开车这件事情」像可以转向、刹车、油门。2分层设计、跨层设计、跨系统设计范式我想简单介绍下在信息互联网时期我们的设计方式。它在通信网络里属于自动驾驶里的基础设施我们一般使用DSRC或者是C-V2X。在信息互联网里我们用什么样的设计范式最早是分层式的优化方式即每层都处理单独的任务比如物理层的功率、AMCadaptive modulation and codingMAC层处理不同的用户分级、RLC处理重传、非重传、可靠性PDCP处理包的压缩RRCRadio Resource allocationCELL Selection、Handover、Admission等优化都是在这一层。applications这部分也可以优化像用哪种codecH.261或者H.262。用户也能参与其中这就是几十年前的优化方式但分层优化不能满足整个的系统要求。后来出现跨层优化即把各个层联合起来优化。例如上层和下层联合起来优化效果更好。举个例子应用层传输实时信息或自动驾驶的控制信息对时延要求高。物理层有实时的网络信息联合优化会产生良好效果。下一步进展是跨系统优化通信和网络变成子系统其他子系统也很重要 比如计算系统考虑的是边缘计算、云计算、物计算。另外一部分是存储请不要忽略控制部分它不是传统通信和网络所做的内容另属其他子系统。这里将通信和网络归为一个子系统联合起来优化是十分必要的。为什么这样讲因为不同的applications。比如自动驾驶或者现在比较火的元宇宙、AR, VR对计算有较高需求只有网络无法满足整个系统的需求。对多媒体传输而言在存储、缓存方面的要求更多。我总结为跨系统设计。对此回顾我们做过的一些工作。1. 通信计算相结合的工作2. 通信、计算和缓存相结合的工作3. )通信和控制相结合的工作。每次结合都会提升网络或系统的性能。当我们写文章时性能提升高是特别高兴的事情。但大家不要忘记随之而来的“惨痛代价”。其中一个代价是复杂度大幅提升从单层设计到跨层设计再到跨系统设计每次考虑的参数越来越多。大量参数放在一起优化虽然系统性能有所提高但维数灾难也会伴随而生也可以被称为第一个“诅咒”。另一个问题是Curse of Modeling模型灾难即「如何建模」。一层建模不复杂多层建模、跨系统建模、跨不同网络建模却十分麻烦。几乎建模中都会产生问题有句名言All Models Are Wrong. 建模和真实环境有不可忽略的差别。所以有两个cursesCurse of Dimensionality和Curse of Modeling。3AI Approach因为建模困难和复杂度越来越高我们希望能够用人工智能的方式解决网络优化问题。我们的会议主题是「全球人工智能与机器人大会」在座各位或多或少都是与人工智能有关联的人。AI并不是新概念人工智能是1950年被提出1980年开始机器学习一直到2010年效果优越的Deep Learning深度学习出现。当时为什么不能提及人工智能图灵奖得主Hinton教授当年从美国出走到加拿大也是因为遇到“人工智能寒冬”。Hinton教授一直沿着机器学习和神经网络方向研究2012年终于有所突破。人工智能的发展并非一帆风顺可以说是几起几落。我们较多用Reinforcement learning强化学习。机器学习可分为三类监督学习(Supervised learning)、 非监督学习(Unsupervised learning)、 强化学习Reinforcement learning。图中左下的文章是2004年我发表的博士论文最后一章。它也是我一个惨痛经验教训的具象。当时用机器学习或强化学习是没办法发表顶会文章的因为大环境并不认可。「人工智能」彼时属于贬义词被认为是垃圾输入、垃圾输出不能产出Insight没能获得业界和学术界的承认。强化学习是我本人非常喜欢的算法主要因为它可以做广泛的“动作”控制车、控制网络或控制各式各样的参数。Deep Reinforcement learning深度强化学习中心思想很简单模拟动物或人跟环境交互的过程。深度强化学习可以解决很多大问题其中之一就是Alpha Go。Alpha Go的核心思想是运用强化学习解决问题。强化学习技术和加拿大渊源颇深深度学习是图灵奖得主Hinton教授主导的。强化学习是加拿大另一位学者Richard Sutton主导的。用AI approach用跨层设计、分层设计、跨系统设计并不是毫无问题。数据十分重要。现代人工智茁壮成长起来的根基就是Data-driven数据驱动。Data-driven在几年前是褒义词它不是全部从模型而来而是存在真实数据的。但许多小团队、小公司等相对较难获得大数据。Data driven另一种形式的解读Big data导向big intelligenceLimited date导向Limited intelligence。回到自动驾驶这一话题世界道路千万条人类无法让模型具体学习到每个路口、每类天气情况、每种司机的驾驶条件数据不足也是自动驾驶目前未能大规模商用的重要因素。前面说到数据驱动因而Limited data就是Limited intelligence。其他挑战还有data inefficiency数据利用率低效需要大量的数据训练。Poor generalization 泛化能力较弱。Lack of interpretability可解释性差。出现问题却不知原因。一方拥有大规模网络数据时能不能与他人分享机器之间的share intelligence是需要特定语言、程序进行。我认为目前的机器学习、人工智能有点像动物学习。2019年《Nature》的一篇文章提到现在的人工智能也许不及动物。其中一个例子也是我们中文耳熟能详的俗语“龙生龙凤生凤老鼠的孩子会打洞”。描述的正是生物基因里面已经存在的技能。一如文中Learning is NOT very important. 这篇文章无异于给我泼了盆冷水。我们研究人工智能和机器学习也有一些时间了如果AI不如动物更不能和人相提并论。后来我希望能从书中获得答案了解动物和人之间的根本区别。对此《人类简史》解答得十分清晰。《人类简史》中有个颠覆性的观点人和动物的主要区别就是「Gossip」即八卦能力。为什么是八卦能力人类可以传递并不真实存在的信息。像在公司里“传”闲话WeChat、Keynote甚至于今天的分享报告都是一种“八卦能力”。我们只能和同类讲不能跑到森林里和动物们做报告。“八卦能力”的说法不太正式所以我找到另一种正式说法— Collective Learning集体学习Big history project 大历史项目中许多历史学家同样疑惑人为什么比动物更加聪明回顾从大爆炸到人类进化到现在得出基本结论就是Collective Learning。Collective Learning的第一步都是从数据学到的数据驱动也是目前人工智能和机器学习的基本思想。第二步、第三步之后机器和动物基本不具备把智能存储下来的能力只有人可以做到。我们可以泼墨挥毫写文成书这是人类才有的特殊能力。与《人类简史》里说的八卦能力异曲同工人可以相信不存在的信息并分享智能。以上两点非正式说法「Gossip」正式说法「Collective Learning」。大家可能会问现在人工智能可以拥有「八卦能力」吗或向其他智能体进行学习吗目前而言十分困难。因为没有Incentives激励、trust信任、Language语言。如何实现这些能力这就是我们的下一主题质量、能源、信息、智能。4互联从质量、能源、信息到智能爱因斯坦说过You cannot solve a problem on the same level that it was created. You have to rise above it to the next level. 这句话令我感触颇深。当你遇到问题时千万不要在问题同等水平上思考它应该提升到另一个层次上考虑从而产生新灵感。这也是我今天汇报的主题从大尺度考虑网联。许多媒体报道包括Elon Musk也认为人类历史上最大的发明创造是车轮。车轮的本质是质量的互联它可以把有质量的东西快速、高效地在两点间传送。车轮促使交通网络的形成。第二个重要发明是能源的互联以前的汽油和现在的电能都属于能源互联。第三个重要发明是人们乐享其中的互联网它是信息的互联。简而言之“车”见证了人类历史整个技术的发展路线。从最初的运输质量随后是使用能源到现在的信息联网。以发展角度看Abstraction抽象在一层一层的提高。我们心生疑惑将来会如何进阶发展疫情期间经过长时间思考我写下一篇文章。在优化网络时的分层设计、跨层设计和跨系统设计归根到底我们是在做一件事情传递信息。这也是我们所说的Internet of information让信息从A点移到B点。特斯拉发明了交流电可以理解为是传递能量。当下信息发展过载铺天盖地的信息无处不在地充斥着我们的生活获取信息对现代人而言易如反掌。因此我在文中推断这是一种intelligence智能的缺乏—— 拿到信息该如何运用。比如一个自动驾驶车每天可以获得5T的数据手握巨量数据车技却依然不高。那目前能实现move intelligence传递智能吗暂时不能。但我们可以考虑用Blockchain区块链解决相关文通。《哈佛商业评论》曾发文问历史中是否出现过类似Blockchain的事物答案是有的就是TCP/IP传输控制协议/网际协议。首先它们都是分布式的分布式的优势在于集中式促进创新也可以支持大规模其他应用这是TCP/IP和Blockchain的相似之处。Blockchain应用繁多我们的国家级报告里常把Blockchain视为数字经济的重要技术手段。我们近期有出版关于区块链的书籍——《区块链原理、框架与应用》和《Blockchain Technology and Applications》以及区块链研究的网站vDLT. io还有区块链优化问题我们提起Blockchain多是实现方面优化方面较少。为什么人比动物更加聪明答案指向一点—— Collective learning approach集体学习研究我们近期所做也是希望通过区块来实现集体学习。从车的角度做智能网联。我在文章中有提出雏形它也是元宇宙的雏形每个车都对应到元宇宙里的“数字孪生”车并在其中分享智能。另外一个是算法方面的创新Collective Reinforcement Learning基本思想也是模仿人类。强化学习原是单个智能体现在多个智能体相互融合、学习、实现智能网联。对于当下和将来面临的挑战。挑战看似容易只需传递智能。但实践中频频受阻。从信息论而言为什么信息可以轻易“挪来挪去”我们的互联网为何能高速发展关键在于信息的定义和描述。眼下对整个Intelligence的描述是十分艰难的。也是比较难攻克的问题。5未来趋势智能互联Internet of Information可以用分层、跨层、跨系统的设计最近比较流行用AI approach。我们认为Internet of Intelligence智能网联是未来趋势对机器和人而言作出正确决定更加重要。共享智能不仅仅是技术问题也是经济的问题。我们的人工智能与数字经济广东省实验室深圳刚刚成立不到一个月。因为落户在深圳市光明区所以起名光明实验室是广东省政府批准筹建第三批省实验室之一。我们目前主要聚焦四个方面一是区块链与金融科技二是智能传感与精准医疗三是机器学习和智能系统四是泛在感知与智慧城市。再次感谢大家欢迎各位到我们实验室指导工作。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
