本文關(guān)鍵詞：模式識別，由筆耕文化傳播整理發(fā)布。

為了更好地引導(dǎo)和推動我國人工智能領(lǐng)域的發(fā)展，由中國人工智能學(xué)會發(fā)起主辦，CSDN承辦的2015中國人工智能大會（CCAI 2015）于7月26-27日在北京友誼賓館召開。本次會議的主旨是創(chuàng)辦國內(nèi)人工智能領(lǐng)域規(guī)模最大、規(guī)格最高的高水平學(xué)術(shù)和技術(shù)盛會，匯聚國內(nèi)外頂級的專家學(xué)者及產(chǎn)業(yè)界人士，圍繞當(dāng)前最新熱點和發(fā)展趨勢的話題進行交流與探討，并針對“機器學(xué)習(xí)與模式識別”、“大數(shù)據(jù)的機遇與挑戰(zhàn)”、“人工智能與認知科學(xué)”和“智能機器人的未來”四個主題進行專題研討，努力打造國內(nèi)人工智能前沿技術(shù)和學(xué)術(shù)交流的平臺。

在7月26日下午的下午“機器學(xué)習(xí)與模式識別”分論壇環(huán)節(jié)，中科院自動化所模式識別國家重點實驗室主任劉成林、華為諾亞方舟實驗室主任李航、北京交通大學(xué)計算機科學(xué)系主任于劍、北京大學(xué)信息科學(xué)技術(shù)學(xué)院智能科學(xué)系教授查紅彬、微軟研究院首席研究員周明、京東智能通訊部總監(jiān)劉丹等專家，就人工智能的概念、深度學(xué)習(xí)、關(guān)于自然語言理解、關(guān)于圖像視頻分析、關(guān)于智能系統(tǒng)、關(guān)于跟蹤與堅守等七個話題各抒己見。本次分論壇由中科院自動化所研究員宗成慶主持。

中科院自動化所研究員  宗成慶

作為主持人，宗成慶提出了他最近對人工智能的七個思考，請六位專家就其中的某問題發(fā)表自己的意見。問題如下：

1.人工智能技術(shù)包括什么。上世紀(jì)80-90年代，人工智能一度“受寵若驚”，而后“臭不可聞”。30年后的今天，人工智能再度獲得熱捧。人工智能是否有 了新的內(nèi)涵？什么是人工智能核心內(nèi)容？拋開自然語言理解、圖像視頻識別和理解、搜索算法、知識工程外，還有什么？ 

2.機器學(xué)習(xí)在不到10年時間中，遷移學(xué)習(xí)、增強學(xué)習(xí)、概率圖模型、深度學(xué)習(xí)等相繼被熱捧。而深度學(xué)習(xí)方法之前的每一種都不過持續(xù)2-3年時間便黯然失寵。無論哪一種統(tǒng)計學(xué)習(xí)方法都是建立在大規(guī)模測試樣本之上的模型，難以做到以一反三�，F(xiàn)在機器學(xué)習(xí)是在正確的路上，并向正確方向發(fā)展么？ 

3.深度學(xué)習(xí)（DL）方法與人工神經(jīng)網(wǎng)絡(luò)（ANN）方法在數(shù)學(xué)上沒有本質(zhì)區(qū)別？難道僅是網(wǎng)絡(luò)層數(shù)的加深，那么多少層網(wǎng)絡(luò)才算“夠深”？ 

4.關(guān)于自然語言理解，在自然語言處理(NLP)中，很多問題都被轉(zhuǎn)化為分類問題或者序列標(biāo)注問題。但不同的問題使用相同解決方法，對于不同處理任務(wù)用同一樣處理思路，自然不會得到很好 的處理結(jié)果。要真正實現(xiàn)從“處理”到“理解”的出路何在？ 

5.圖像、視頻分析作為模式識別最基礎(chǔ)性的問題，在邊界分割和模式匹配，檢索等方面取得了若干優(yōu)秀成果。但多大程度上體現(xiàn)了“智能”，離“理解”還有多遠？ 

6.智能系統(tǒng)，一個實用系統(tǒng)需要多種技術(shù)集成，而不是某個單項技術(shù)的結(jié)果。如無人駕駛汽車。而簡單的技術(shù)集成是否會成為“智能系統(tǒng)”？除了“圖靈測試”， 如何測量一個應(yīng)用系統(tǒng)的智 能行？ 

7.最后是關(guān)于跟蹤和堅守。每年技術(shù)變化都很快。有些被抬高，有的曇花一現(xiàn)，有的被冷落后由于硬件性能改變而在此推向波峰，甚至多次輪回。如何在熱鬧中把握 冷和熱的平衡，既保持冷靜的頭腦，又堅守自己的學(xué)術(shù)理想？

北京大學(xué)智能科學(xué)系教授、機器感知與智能教育部重點實驗室主任  查紅彬

北京大學(xué)智能科學(xué)系教授、機器感知與智能教育部重點實驗室主任查紅彬就“從深度學(xué)習(xí)中得到了什么？還應(yīng)該做些什么”展開分享。在他看來，智能的本質(zhì)是對環(huán)境自身狀態(tài)變化的一種預(yù)測的能力，他認為這中預(yù)測能力同生物進化論很相近，在已有知識和數(shù)據(jù)不充分情況下的預(yù)測。而獲得預(yù)測能力的基本途徑是學(xué)習(xí)。

學(xué)習(xí)就是人工智能研究的核心內(nèi)容。從研究進程來看，查教授將其分為物理符號主義：人為定義推理與行為規(guī)則；專家系統(tǒng)：手工構(gòu)建專家知識庫；淺層神經(jīng)網(wǎng)絡(luò)：簡單規(guī)整數(shù)據(jù)的學(xué)習(xí)；深度學(xué)習(xí)：利用大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)來進行多層網(wǎng)絡(luò)學(xué)習(xí)四個過程。從手工操作、死記硬背到學(xué)習(xí)再到自主學(xué)習(xí)一步步的發(fā)展，但深度學(xué)習(xí)真的自主 嗎？查教授認為自主學(xué)習(xí)要能自動定義學(xué)習(xí)目標(biāo)，自主獲取所需數(shù)據(jù)，通過自身能力完成學(xué)習(xí)，建立社會網(wǎng)絡(luò)，實現(xiàn)知識的積累。談到自主學(xué)習(xí)的意義，查教授表示第一是解決符號接地問題，重點在于概念與意義的獲��；其次是解決框架問題，

就是如何在問題領(lǐng)域的界定與嘗試有所提高。這樣智能演化將會迎來智能發(fā)展的起點。最后，對于機器感知研究的重要性，查教授認為只有機器感知才能人機環(huán)境互動，進而才能自主學(xué)習(xí)，，從而達到智能演化。并且查教授講到未來人工智能還有很長的路要走。

微軟研究院首席研究員、自然語言計算組經(jīng)理周明

微軟研究院首席研究員、自然語言計算組經(jīng)理周明從自然語言理解的角度分享了自己對人工智能的看法：他認為強大的需求驅(qū)動、大數(shù)據(jù)推動系統(tǒng)水平提升、計算能力（云計算）、用戶自然進入了Loop，人-機有了更好的配合等，成為人工智能新的發(fā)展機遇。技術(shù)方面來看，計算智能、記憶智能已經(jīng)解決；感知智能接近實用化；認知智能（主 要是自然語言理解）快速發(fā)展，比如從分詞、NER、SRL、問答等，建立了不錯的技術(shù)體系，但仍然存在與篇章、上下文、領(lǐng)域自適應(yīng)問題；然后周明談到了自己對于機器學(xué)習(xí)和深度學(xué)習(xí)的親身體會，目前統(tǒng)計機器學(xué)習(xí)中用到多種技術(shù)，瓶頸轉(zhuǎn)到了數(shù)據(jù)，尤其是帶標(biāo)注的數(shù)據(jù)的大規(guī)模獲取和占用。目前同樣面臨著數(shù)據(jù)稀疏、領(lǐng)域遷移、訓(xùn)練能力等問題。對于深度學(xué)習(xí)，周明表示深度學(xué)習(xí)對自然語言很多任務(wù)都有很好的前景，只是我們還存在著差距，并建議利用深度學(xué)習(xí)的技術(shù)來重做自然語言的各個任務(wù)，進而觀察是否會有進步。

最后他談到了自身的的一點思考，第一個是從人工智能的角度深入研究，規(guī)則系統(tǒng)、模型系統(tǒng)如何進行融合，而不是說只是去追求某一項技術(shù)，第二個是從應(yīng)用驅(qū)動的角度考慮，即人工智能+，去做有用的技術(shù)，考慮到人的因素，追求最佳的用戶體驗而不是純粹自動化。

中科院自動化所模式識別國家重點實驗室主任劉成林

中科院自動化所模式識別國家重點實驗室主任劉成林從模式識別的角度分享了他對人工智能的看法，包括模式識別的現(xiàn)狀和發(fā)展趨勢。人工智能是一個很熱的詞，范圍很廣，最主要的是感知和認知，他表示從80年代開始模式識別和人工智能開始融合。模式識別領(lǐng)域最重要的是深度學(xué)習(xí)和大數(shù)據(jù)，因為有了深度學(xué)習(xí)和大數(shù)據(jù)將模式識別的性能向前推進一大步，但模式識別的基礎(chǔ)理論并沒有太大的進展，理論和方法的進展得益于過去幾十年不斷的積累，歷史上即使是某一段時間比如長達十年的期間覺得這個領(lǐng)域沒有太大進展，實際上它的基礎(chǔ)理論研究還是在不斷的進行，不斷的涌現(xiàn)出一些新的進展。對于模式識別未來，他表示從模式識別的應(yīng)用角度來看，有兩方面明顯不足，第一個是建立在大數(shù)據(jù)基礎(chǔ)上，在現(xiàn)實中需要收集大量的樣本和數(shù)據(jù)，所以門檻較高，第二模式識別和人的模式識別不一樣，還有很大的提升空間。所以，未來的模式識別還是內(nèi)容的識別，以及自適應(yīng)學(xué)習(xí)，小樣本學(xué)習(xí)，多模態(tài)學(xué)習(xí)，多任務(wù)協(xié)同等。對于自主學(xué)習(xí)，劉主任談到，即便是在將來談自主學(xué)習(xí)，也并不是將過去完全推翻從新來過，而是將過去的學(xué)習(xí)方法綜合起來將其應(yīng)用的更好，這應(yīng)該成為未來研究的趨勢。

華為諾亞方舟實驗室主任李航

華為諾亞方舟實驗室主任李航就深度學(xué)習(xí)發(fā)表了自己的看法，他認為深度學(xué)習(xí)可以給我們帶來很大的機會，雖然不一定能達到最終目標(biāo)，但有可能會前進一大步。緊接著他分享了三個實例。第一是深度學(xué)習(xí) 2006年開始出現(xiàn)，但一直到2012年，都是第一階段。2012年-現(xiàn)在，深度學(xué)習(xí)進展讓人耳目一新。谷歌的DeepMind深度強化學(xué)習(xí)，以及Q- learning等，有了更強計算能力，會出現(xiàn)更強的機器。第二是神經(jīng)網(wǎng)絡(luò)圖靈機的出現(xiàn)，可以模擬人類大腦的短期記憶，外部網(wǎng)絡(luò)的讀寫通過外部存儲器完成，而在存儲記憶之后，通過檢索從而執(zhí)行一些有邏輯性的任務(wù)。第三是深度學(xué)習(xí)帶來了自然語言處理的很大機會。有了大數(shù)據(jù)，有了非常強大的計算機，我們就越來越強大，我們以前可能敢想不敢做的事情慢慢都有了可能。李航從另一個角度也談到不要對深度學(xué)習(xí)期望過高，因為僅靠深度學(xué)習(xí)不太可能實現(xiàn)和人類一樣的智能。但是深度學(xué)習(xí)很有可能能夠使得計算機變得越來越智能化，包括神經(jīng)圖靈機這樣的概念，這出現(xiàn)基于大數(shù)據(jù)、基于網(wǎng)絡(luò)控制的圖靈機，進而很有可能更接近人的行為，可能更像人。這應(yīng)是我們目前看到的挑戰(zhàn)和機遇。

北京交通大學(xué)計算機科學(xué)系主任  于劍

北 京交通大學(xué)計算機科學(xué)系主任于劍從一個老師的角度就人工智能發(fā)表了自己的看法：他首先談到知識是什么？這個問題嚴(yán)重制約了下一步的發(fā)展，知識的表述有框架結(jié)構(gòu)和語義等，但兩個結(jié)構(gòu)也不可能表示所有的知識，只是表示了部分知識。到學(xué)習(xí)階段，就無法實現(xiàn)自動化。對于知識圖譜，首先應(yīng)該弄清楚什么是知識，知識怎么表示 ，他認為并沒有一個很好的途徑。另外，對于學(xué)習(xí)，通俗來說學(xué)習(xí)就是通過數(shù)據(jù)的積累，將系統(tǒng)的性能提高，隨著經(jīng)驗的增長，知識相應(yīng)提高。知識是由概念組成的。提 到概念首先應(yīng)該清楚命題 。而這里很多概念是沒法明晰的定義，所以識別概念是人工智能重要的能力，人工智能關(guān)鍵是理論的進展，不要稀里糊涂的就做下去。最后他表示人工智能目前當(dāng)然技術(shù)都可以研究，但是更重要的是在它的基礎(chǔ)問題應(yīng)該更加有所突破，不要沾沾自喜于我們目前技術(shù)的進步。因為隨著時間的演化，技術(shù)總是在進步，但是更重要的就是理論的進展。

京東智能通訊部總監(jiān)劉丹

京東智能通訊部總監(jiān)劉丹從實踐方面主要分享了三方面：目前人工智能（深度學(xué)習(xí)）除了圖靈測試之外有沒有更好的產(chǎn)品來評測，而京東做的在線智能客服機器人，通過在線用戶溝通后，給出滿意度評價，具體分析系統(tǒng)是否智能，從第三方數(shù)據(jù)顯示，比人工滿意度還高。

第二點人工智能包含多方面技術(shù)，封閉式環(huán)境這類特定場景中，是可以量化評估的；例如電商領(lǐng)域人工智能對問題回答滿意度，包括上下文處理方面，80%的人是對回答非常滿意，所以人工智能目標(biāo)應(yīng)是特定場景里面的應(yīng)用。

第三個人工智能對深度學(xué)習(xí)意義大不大？劉丹認為意義很大。京東智能通訊部在做知識圖譜相關(guān)東西，其中包括用戶畫像，用戶畫像不單單只是做標(biāo)簽，這個人的姓名、愛好、畫像。深度學(xué)習(xí)可以做深層次的推理，得到更深層次關(guān)系，包括他的妻子，包括他的妻子有什么愛好，包括他購買什么東西有什么愛好，這樣在精準(zhǔn)營銷方面達到比較好的效果。京東通過深度學(xué)習(xí)支持的算法得到的效果是一般人工效果的2.3倍，人工就是通常講的打標(biāo)簽。這塊路是最準(zhǔn)確的，就像是做火箭的過程，做火箭不是一天兩天達到登月球的過程。這是特定的環(huán)境，通過一個領(lǐng)域才能達到人工智能的極致。

更多嘉賓觀點，請關(guān)注大會直播專題（持續(xù)更新中）：。（編輯：周建�。�

本文為CSDN原創(chuàng)文章，未經(jīng)允許不得轉(zhuǎn)載，如需轉(zhuǎn)載請聯(lián)系market#csdn.net(#換成@)

  本文關(guān)鍵詞：模式識別，由筆耕文化傳播整理發(fā)布。