CNCC 2019 次日，吳建平、徐揚生、俞士綸等人的特邀報告來了！

10 月 17 日至 19 日，由中國計算機學會（CCF）主辦、蘇州工業園區管委會、蘇州大學承辦的 2019 中國計算機大會（CNCC 2019）在秋意正濃的蘇州如約而至。今年大會以「智能+引領社會發展」為主題，選址蘇州金雞湖國際會議中心召開。比之大會首日，今天會場的人口密集度又增加了不少。雷鋒網 AI 科技評論將會作為戰略合作媒體進行全程跟蹤報道。

隨著昨天七場特邀報告告一段落，剩余的八場特邀報告也如期在今天 CNCC 的演講舞臺上精彩呈現。今天的特邀報告環節由 CCF 副秘書長、清華大學教授陳文光主持。

首場報告由清華大學教授、中國工程院院士吳建平帶來，他的報告主題為「互聯網體系結構的演進、創新和發展」。

他指出，互聯網體系結構是互聯網的關鍵核心技術，是剖析和研究互聯網各部分功能組成及其相互關系網絡層承上啟下保證全網通達的核心。而隨著傳送格式由 IPv4 演進到 IPv6、轉發方式實現了無連接存儲轉發，唯一可變的路由控制成為了實現體系結構技術的創新點，目前其面臨著五大重要的技術挑戰，包括可擴展性、安全性、實時性、高性能、移動性。因而在這種情況下，推進路由控制不斷滿足通信和應用發展需求（復雜多變量）達到全網最優成為了互聯網研究的重大科學難題。

中國工程院院士、香港中文大學（深圳）首任校長徐揚生帶來主題為「智能機器人研究：問題和思考」的報告。一登場，他便談起自己參加 CCF 組織活動的經歷：「其實我比較少參加 CCF 組織的活動，上次參加還是 1993 年，當時現場的一些朋友可能還沒有出生，所以今天能夠站在這里做分享，我非常激動。」

他表示今天將基于自己在機器人領域 35 年的研究經歷，分享一些研究感悟，其中報告中提及的問題大多數都是機器人領域目前尚未解決的問題。「在場的各位博士生可以聽聽，說不定大家能夠從中找到一些可以做研究的課題。」 

現在，機器人的定義依舊沿用其早期對這一概念的定義：感知+認知+行為。然而在過去的 30 多年時間里，機器人領域的研究有 85%-90% 都集中在行為方向，另外的 5-15% 左右集中在感知和認知方向，而操作、移動以及抓取等都屬于行為的研究范疇。

接下來，他基于自己這些年的研究成果，包括爬樹機器人、管理寵物的機器人、在軟性物體上爬行的機器人、書法機器人以及全方位駕駛車，分享自己在機器人研究中所面臨的一些挑戰和啟發。「很多人問我，這些機器人有什么用，我的回復是，我的大多數機器人做出來都是沒用的，我主要是興趣驅動，但是做出來以后一部分有用一部分沒有用，科研就是不能太功利的。」

隨后，針對當前「智能為何表現得如此無知，而多數研究都集中在行動」這一問題，徐揚生也表達的自己的看法：大家往往都認為行動才是最基本的，然而實際上智能才是最基本的。以人類類比，人體中最基本的器官就是心腦，即智能，對人如此，對機器人亦如此。

那智能來自哪里？智能是學習的過程。機器人目前主要學自算法，而他認為，機器人更應該從人類行為、自然界學習。

最后，他還針對「機器人的學習能力實現到什么樣的程度可以通用化」、「應該研究動態還是靜態的機器人」兩個重要的機器人研究問題分享了自己的思考。

韓國高麗大學校人工智能系主任教授、韓國科學技術翰林院院士、IEEE Fellow 李晟瑍（Seong-Whan Lee）是第二位出場的嘉賓，他基于其研究工作——人工智能冰壺機器人系統「Curly」給大家帶來了深度強化學習方面的報告，報告題目是「深度強化學習：現實中的回合制策略游戲」。

首先，他對冰壺策略游戲進行了科普：冰壺策略游戲是奧運會的一個比賽項目，選手需要在冰面上將石球向中心位置投擲，被稱作「冰上國際象棋」。而人工智能冰壺機器人系統通過尋找到最優策略來完成比賽，整體來看包括四個部分：

• 第一部分是理解博弈狀態，即識別出石球每移動一次的實施運動軌跡；

• 第二部分是構建匹配的大樹據，即收集和學習與最優化策略匹配的大數據；

• 第三部分是真實模擬，即基于石球的碰撞、磨蹭以及冰面的情況來進行真實模擬；

• 第四部分則是規劃最優策略，即基于 DNN 和 MCTS 算法來解決不確定性問題以實現策略最優化。

隨后，他對其研究成果——人工智能冰壺機器人系統「Curly 」在在真實的冰壺賽場上的比賽視頻進行演示，展現了「Curly 」系統的三個組成部分：基于 AI 的冰壺策略和模擬引擎能夠考慮冰面的高度不確定性；拋擲型機器人可通過牽引力控制實現自動驅動；跳躍型機器人基于視覺技術能夠識別冰壺場地以及石球在場地上的整體布局。

據悉，無論是在傳統的游戲環境，還是與人類對手（即排名第一的韓國女子冰壺隊）互動時，該系統都表現得非常不錯。

接下來，是來自平安、滴滴、百度的三位企業嘉賓依次帶來報告，他們從企業應用的角度出發，以不同的視角為大家帶來了人工智能技術創新方面的分享。

平安集團首席科學家肖京在主題為「智能化金融戰略—探索與實踐」的報告中，基于平安對智能化技術的研發及應用實踐，分享了對于智能化大數據分析挖掘在金融業務應用方面的探索。

他指出，相對于互聯網+，智能+更加復雜，前者互聯網只是模式的創新，相對容易實現；而后者則是技術上的創新，需要具備數據、技術（算法和算力）、場景和行業專家四大要素，讓業務流程的每個環節都實現智能化。

在「智能+」的能力建設上，他從平安對智能+ 的案例實踐出發，指出可以分三步走：

• 第一階段是嬰兒階段，即形成包括聽覺、視覺、閱讀理解能力在內的基礎認知；

• 第二階段是學習階段，即構建海量信息和知識圖譜的全面知識體系；

• 第三階段是專家階段，即能夠具備打造專業解決方案的能力，能夠讓 AI 賦能金融服務、醫療、智慧城市等行業應用場景。

最后，他也提及平安對于 AI 倫理問題的極大關注，不僅積極參與各大部委對于 AI 倫理的標準制定，還專門成立了平安人工智能倫理委員會，創建了一套完整的體系來保證 AI 不會被濫用。

滴滴出行聯合創始人、首席技術官、自動駕駛 CEO 張博立足于滴滴「AI for Transportation」的科技戰略，帶來了「AI 引領出行變革」的分享。

他首先分享了滴滴成立的初衷很簡單，即解決出租車司機和乘客的痛點：一方面，出租車司機大約 30% 的時間和燃油都花費在尋找乘客的過程中，同時也帶來了交通擁堵、尾氣排放等一系列問題；而另一方面，乘客也需要走到路邊花時間去攔車。在過去的七年時間里，滴滴主要朝著地域和出行車品類兩個維度發展，目前業務也覆蓋一千多個城市，5.5 億多萬用戶，運送人次超過 100 億次，這些也為滴滴積淀了海量的出行大數據。

他將交通分為三層結構來談自己對于未來交通的預測：從智能交通基礎設施來看，包括未來應該如何更好地設計路網或紅綠燈來控制車流和人流；從智能交通工具上來看，未來十年內會發生兩個方面的變革，一是能源從汽油變成電，二是智能駕駛會顯著提高交通的安全和效率；在人和車的關系上，會從每人擁有一輛車變為多人共享一輛車。

基于這三層結構，他重點介紹了滴滴在共享出行和智能駕駛方面所做的一些工作或積淀的優勢：

• 在共享出行方面，滴滴目前已擁有較強的供需預測能力，例如，滴滴目前對未來 15 分鐘的供需預測的準確率達到 85%，從而對司機進行最佳調度和派單，提高效率和優化。

• 在智能駕駛方面，滴滴能夠聚合其在科技、數據和運營方面已經積淀下來的優勢來實現智能駕駛的目標。「實際上，未來智能駕駛的最好落地場景就是滴滴這樣的出行互聯網領域。」

百度集團首席技術官王海峰則從深度學習平臺在產業智能化中發揮的作用出發，帶來了主題為「深度學習平臺支撐產業智能化」的報告。

他指出，過去兩百多年歷史中已經經歷了三次工業革命，在對歷史的回顧中可以發現驅動工業革命的核心技術具有很強的通用性。雖然某項技術一開始可能起于某一行業，但最終會應用到人類生產、生活的方方面，并推動社會進入工業大生產的階段。而這種工業大生產階段具有標準化、自動化和模塊化三大特點。

當下我們正處在第四次工業革命的開端，而人工智能則是科技和產業變革的核心驅動力量，推動人類社會逐漸步入智能時代，其經歷的三個典型階段包括：從人工規則到機器學習再到深度學習。

隨后，他以 OCR 技術和機器翻譯為例，闡述了深度學習對于人工智能任務所帶來的革命性變化，具有很強的通用性，與此同時，深度學習作為智能時代的操作系統，能夠向下對接芯片實現整體優化，向上承接各種應用將技術落地到實際場景，處于一個非常核心的位置。

然而，目前深度學習大規模產業化也面臨來自開發、訓練和部署方面的挑戰。對此，百度開發了飛槳深度學習平臺，并且具備標準化、自動化、模塊化的特征，在農業如水培蔬菜智能種植、工業如精密零件智能分揀以及社會公益等實際場景的智能化應用中發揮出了很好的支撐性作用。

深度學習在當前人工智能領域的地位自不必多言，而對于已在大數據領域深耕多年的美國伊利諾大學芝加哥分校（UIC）教授俞士綸而言，解決實際問題，數據挖掘不僅需要深，還需要廣。俞士綸基于自己近來的研究工作帶來了「Broad Learning: A New Perspective on Mining Big Data」的分享。

他表示，實際上，大數據時代并非數據量很大，而是指多種多樣的數據，而廣度學習則能夠融合各類的數據，從而挖掘出更多信息，具體而言可以分三步走：

• 首先，定義并獲取相關的有用數據源，也即找到對你的問題有用的數據；

• 其次，設計一種模型來將異質數據源信息融合起來；

• 最后，基于模型整體的需求從各種數據源中深度地去挖掘信息。

與此同時，他指出廣度學習的類型可分為三類：

• 第一類是在同一個實體上有不同類型信息的學習，即某一實體可能存在文本、圖片、音頻、鏈接等不同類別的數據，包括多視角學習、多源學習和多模態學習；

• 第二類是在不同的但類型相似的實體上信息的學習，如遷移學習，比如說某一實體的數據太少，而另一實體的訓練數據較多的話，就可以將數據更多的一方的數據遷移到數據較少的一方；

• 第三類是存在復雜網絡類型關系的不同類型實體信息的學習，這樣的話要采用基于融合的異質信息網絡（HIN）的方法來對實體之間的關系來進行融合和挖掘。

隨后，他基于藥物發現、社交網絡的推薦等案例詳細講述了如何將深度學習和廣度學習結合起來使用，以實現更好的數據挖掘效果。

最后一位上場的報告嘉賓是北京大學研究員、2019CCF 青年「兩秀講者」袁曉如，他的報告題目是「從遇見到預見 - 數據可視化的未來」。

袁曉如指出，在計算機產生之前，可視化就已經有各種各樣的形式，比如說在宋朝期間就有了蘇州的城區圖——平江圖，大家還可以在博物館里看到，也就是說人類在很早起的階段，就希望用一些方式來更好地呈現周圍的世界，而圖則是一個最方便的形式之一。而現在的可視化，更多地指將復雜、海量的大數據轉化為更好地讀懂的形式，并且隨著數據日益復雜化，可視化要表達的內容也要豐富得多。

實際上，可視化本質上是指在數據和人之間創建一個媒介，即對外界事物建立模型，以幫助人類更好理解復雜的事物。目前，可視化面臨的主要挑戰在于可視化構型的設計空間巨大，包括如何用幾何的部件和視覺通道組合起來形成可視化構型，該構型可能表示高維數據，也可能表述網絡數據，但這些構型由于使用的視覺通道不一樣，彼此之間并不等價，它們針對某一問題可能有效，而針對另一問題可能并不有效，因此如何對其進行組合是一個復雜問題。

隨后，他從面向更復雜數據的可視化、可視化的生成更方便、可視化的使用更方便三個維度，結合一系列案例來闡述可視化在實際數據中的應用情況。

「這兩天的報告中，有人講人工智能，有人講大數據，也有人講強大的計算力，我們將這三個方面視作推動社會進步的三駕馬車，而與此同時我們不要忘了馬車上還坐著一個人，所以我們還需要一個好的界面來幫助我們更好地與三駕馬車進行交互，而我希望可視化將來能夠扮演好這一角色，幫助人類更好地駕馭好馬車！」他最后總結道。

本次大會的所有特邀報告環節到此完美落幕，而今天下午的技術論壇依舊延續了昨日的精彩，包括「類腦計算」、「人工智能前沿技術：探索、實踐和機遇」、「微表情檢測和識別」、「集成電路設計——促進芯片的敏捷開發」等在內的 28 場技術論壇場也都人滿為患。

與此同時，萬眾期待的 CNCC 頒獎晚宴也將在今晚落下帷幕，雷鋒網 AI 科技評論后續將報道相關內容，敬請期待。雷鋒網雷鋒網

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。