CNCC 2019 次日,吴建平、徐扬生、俞士纶等人的特邀报告来了!

2019 年 10 月 18 日 AI科技评论
CNCC 2019 次日,吴建平、徐扬生、俞士纶等人的特邀报告来了!

作者 | 丛末
编辑 | 杨晓凡


AI 科技评论将全程跟踪报道CNCC 2019,敬请关注!

10 月 17 日至 19 日,由 CCF 主办、苏州工业园区管委会、苏州大学承办的 CNCC 2019 在秋意正浓的苏州如约而至。 今年大会以「智能+引领社会发展」为主题,选址苏州金鸡湖国际会议中心召开。 比之大会首日,今天会场的人口密集度又增加了不少。
随着昨天七场特邀报告告一段落,剩余的八场特邀报告也如期在今天 CNCC 的演讲舞台上精彩呈现。
今天的首场报告由清华大学教授、中国工程院院士吴建平带来,他的报告主题为「互联网体系结构的演进、创新和发展」。
他指出,互联网体系结构是互联网的关键核心技术,是剖析和研究互联网各部分功能组成及其相互关系网络层承上启下保证全网通达的核心。而随着传送格式由 IPv4 演进到 IPv6、转发方式实现了无连接存储转发,唯一可变的路由控制成为了实现体系结构技术的创新点,目前其面临着五大重要的技术挑战,包括可扩展性、安全性、实时性、高性能、移动性。因而在这种情况下,推进路由控制不断满足通信和应用发展需求(复杂多变量)达到全网最优成为了互联网研究的重大科学难题。
中国工程院院士、香港中文大学(深圳)首任校长徐扬生带来主题为「智能机器人研究:问题和思考」的报告。 一登场,他便谈起自己参加 CCF 组织活动的经历: 「其实我比较少参加 CCF 组织的活动,上次参加还是 1993 年,当时现场的一些朋友可能还没有出生,所以今天能够站在这里做分享,我非常激动。
他表示今天将基于自己在机器人领域 35 年的研究经历,分享一些研究感悟,其中报告中提及的问题大多数都是机器人领域目前尚未解决的问题。 「在场的各位博士生可以听听,说不定大家能够从中找到一些可以做研究的课题。 」 
现在,机器人的定义依旧沿用其早期对这一概念的定义: 感知+认知+行为。 然而在过去的 30 多年时间里,机器人领域的研究有 85%-90% 都集中在行为方向,另外的 5-15% 左右集中在感知和认知方向,而操作、移动以及抓取等都属于行为的研究范畴。
接下来,他基于自己这些年的研究成果,包括爬树机器人、管理宠物的机器人、在软性物体上爬行的机器人、书法机器人以及全方位驾驶车,分享自己在机器人研究中所面临的一些挑战和启发。 「很多人问我,这些机器人有什么用,我的回复是,我的大多数机器人做出来都是没用的,我主要是兴趣驱动,但是做出来以后一部分有用一部分没有用,科研就是不能太功利的。
随后,针对当前「智能为何表现得如此无知,而多数研究都集中在行动」这一问题,徐扬生也表达的自己的看法: 大家往往都认为行动才是最基本的,然而实际上智能才是最基本的。 以人类类比,人体中最基本的器官就是心脑,即智能,对人如此,对机器人亦如此。
那智能来自哪里? 智能是学习的过程。 机器人目前主要学自算法,而他认为,机器人更应该从人类行为、自然界学习。
最后,他还针对「机器人的学习能力实现到什么样的程度可以通用化」、「应该研究动态还是静态的机器人」两个重要的机器人研究问题分享了自己的思考。
韩国高丽大学校人工智能系主任教授、韩国科学技术翰林院院士、IEEE Fellow 李晟瑍(Seong-Whan Lee)是第二位出场的嘉宾,他基于其研究工作——人工智能冰壶机器人系统「Curly」给大家带来了深度强化学习方面的报告,报告题目是「深度强化学习:现实中的回合制策略游戏」。
首先,他对冰壶策略游戏进行了科普: 冰壶策略游戏是奥运会的一个比赛项目,选手需要在冰面上将石球向中心位置投掷,被称作「冰上国际象棋」。 而人工智能冰壶机器人系统通过寻找到最优策略来完成比赛,整体来看包括四个部分:
  • 第一部分是理解博弈状态,即识别出石球每移动一次的实施运动轨迹;

  • 第二部分是构建匹配的大数据,即收集和学习与最优化策略匹配的大数据;

  • 第三部分是真实模拟,即基于石球的碰撞、磨蹭以及冰面的情况来进行真实模拟;

  • 第四部分则是规划最优策略,即基于 DNN 和 MCTS 算法来解决不确定性问题以实现策略最优化。

随后,他对其研究成果——人工智能冰壶机器人系统「Curly 」在在真实的冰壶赛场上的比赛视频进行演示,展现了「Curly 」系统的三个组成部分: 基于 AI 的冰壶策略和模拟引擎能够考虑冰面的高度不确定性; 抛掷型机器人可通过牵引力控制实现自动驱动; 跳跃型机器人基于视觉技术能够识别冰壶场地以及石球在场地上的整体布局。
据悉,无论是在传统的游戏环境,还是与人类对手(即排名第一的韩国女子冰壶队)互动时,该系统都表现得非常不错。
接下来,是来自平安、滴滴、百度的三位企业嘉宾依次带来报告,他们从企业应用的角度出发,以不同的视角为大家带来了人工智能技术创新方面的分享。
平安集团首席科学家肖京在主题为「智能化金融战略—探索与实践」的报告中,基于平安对智能化技术的研发及应用实践,分享了对于智能化大数据分析挖掘在金融业务应用方面的探索。
他指出,相对于互联网+,智能+更加复杂,前者互联网只是模式的创新,相对容易实现; 而后者则是技术上的创新,需要具备数据、技术(算法和算力)、场景和行业专家四大要素,让业务流程的每个环节都实现智能化。
在「智能+」的能力建设上,他从平安对智能+ 的案例实践出发,指出可以分三步走:
  • 第一阶段是婴儿阶段,即形成包括听觉、视觉、阅读理解能力在内的基础认知;

  • 第二阶段是学习阶段,即构建海量信息和知识图谱的全面知识体系;

  • 第三阶段是专家阶段,即能够具备打造专业解决方案的能力,能够让 AI 赋能金融服务、医疗、智慧城市等行业应用场景。

最后,他也提及平安对于 AI 伦理问题的极大关注,不仅积极参与各大部委对于 AI 伦理的标准制定,还专门成立了平安人工智能伦理委员会,创建了一套完整的体系来保证 AI 不会被滥用。
滴滴出行联合创始人、首席技术官、自动驾驶 CEO 张博立足于滴滴「AI for Transportation」的科技战略,带来了「AI 引领出行变革」的分享。
他首先分享了滴滴成立的初衷很简单,即解决出租车司机和乘客的痛点: 一方面,出租车司机大约 30% 的时间和燃油都花费在寻找乘客的过程中,同时也带来了交通拥堵、尾气排放等一系列问题; 而另一方面,乘客也需要走到路边花时间去拦车。 在过去的七年时间里,滴滴主要朝着地域和出行车品类两个维度发展,目前业务也覆盖一千多个城市,5.5 亿多万用户,运送人次超过 100 亿次,这些也为滴滴积淀了海量的出行大数据。
他将交通分为三层结构来谈自己对于未来交通的预测: 从智能交通基础设施来看,包括未来应该如何更好地设计路网或红绿灯来控制车流和人流; 从智能交通工具上来看,未来十年内会发生两个方面的变革,一是能源从汽油变成电,二是智能驾驶会显著提高交通的安全和效率; 在人和车的关系上,会从每人拥有一辆车变为多人共享一辆车。
基于这三层结构,他重点介绍了滴滴在共享出行和智能驾驶方面所做的一些工作或积淀的优势:
  • 在共享出行方面,滴滴目前已拥有较强的供需预测能力,例如,滴滴目前对未来 15 分钟的供需预测的准确率达到 85%,从而对司机进行最佳调度和派单,提高效率和优化。

  • 在智能驾驶方面,滴滴能够聚合其在科技、数据和运营方面已经积淀下来的优势来实现智能驾驶的目标。「实际上,未来智能驾驶的最好落地场景就是滴滴这样的出行互联网领域。

百度集团首席技术官王海峰则从深度学习平台在产业智能化中发挥的作用出发,带来了主题为「深度学习平台支撑产业智能化」的报告。
他指出,过去两百多年历史中已经经历了三次工业革命,在对历史的回顾中可以发现驱动工业革命的核心技术具有很强的通用性。 虽然某项技术一开始可能起于某一行业,但最终会应用到人类生产、生活的方方面,并推动社会进入工业大生产的阶段。 而这种工业大生产阶段具有标准化、自动化和模块化三大特点。
当下我们正处在第四次工业革命的开端,而人工智能则是科技和产业变革的核心驱动力量,推动人类社会逐渐步入智能时代,其经历的三个典型阶段包括: 从人工规则到机器学习再到深度学习。
随后,他以 OCR 技术和机器翻译为例,阐述了深度学习对于人工智能任务所带来的革命性变化,具有很强的通用性,与此同时,深度学习作为智能时代的操作系统,能够向下对接芯片实现整体优化,向上承接各种应用将技术落地到实际场景,处于一个非常核心的位置。
然而,目前深度学习大规模产业化也面临来自开发、训练和部署方面的挑战。 对此,百度开发了飞桨深度学习平台,并且具备标准化、自动化、模块化的特征,在农业如水培蔬菜智能种植、工业如精密零件智能分拣以及社会公益等实际场景的智能化应用中发挥出了很好的支撑性作用。
深度学习在当前人工智能领域的地位自不必多言,而对于已在大数据领域深耕多年的美国伊利诺大学芝加哥分校(UIC)教授俞士纶而言,解决实际问题,数据挖掘不仅需要深,还需要广。 俞士纶基于自己近来的研究工作带来了「Broad Learning: A New Perspective on Mining Big Data」的分享。
他表示,实际上,大数据时代并非数据量很大,而是指多种多样的数据,而广度学习则能够融合各类的数据,从而挖掘出更多信息,具体而言可以分三步走:
  • 首先,定义并获取相关的有用数据源,也即找到对你的问题有用的数据;

  • 其次,设计一种模型来将异质数据源信息融合起来;

  • 最后,基于模型整体的需求从各种数据源中深度地去挖掘信息。

与此同时,他指出广度学习的类型可分为三类:
  • 第一类是在同一个实体上有不同类型信息的学习,即某一实体可能存在文本、图片、音频、链接等不同类别的数据,包括多视角学习、多源学习和多模态学习;

  • 第二类是在不同的但类型相似的实体上信息的学习,如迁移学习,比如说某一实体的数据太少,而另一实体的训练数据较多的话,就可以将数据更多的一方的数据迁移到数据较少的一方;

  • 第三类是存在复杂网络类型关系的不同类型实体信息的学习,这样的话要采用基于融合的异质信息网络(HIN)的方法来对实体之间的关系来进行融合和挖掘。

随后,他基于药物发现、社交网络的推荐等案例详细讲述了如何将深度学习和广度学习结合起来使用,以实现更好的数据挖掘效果。
最后一位上场的报告嘉宾是北京大学研究员、2019CCF 青年「两秀讲者」袁晓如,他的报告题目是「从遇见到预见 - 数据可视化的未来」。
袁晓如指出,在计算机产生之前,可视化就已经有各种各样的形式,比如说在宋朝期间就有了苏州的城区图——平江图,大家还可以在博物馆里看到,也就是说人类在很早起的阶段,就希望用一些方式来更好地呈现周围的世界,而图则是一个最方便的形式之一。 而现在的可视化,更多地指将复杂、海量的大数据转化为更好地读懂的形式,并且随着数据日益复杂化,可视化要表达的内容也要丰富得多。
实际上,可视化本质上是指在数据和人之间创建一个媒介,即对外界事物建立模型,以帮助人类更好理解复杂的事物。 目前,可视化面临的主要挑战在于可视化构型的设计空间巨大,包括如何用几何的部件和视觉通道组合起来形成可视化构型,该构型可能表示高维数据,也可能表述网络数据,但这些构型由于使用的视觉通道不一样,彼此之间并不等价,它们针对某一问题可能有效,而针对另一问题可能并不有效,因此如何对其进行组合是一个复杂问题。
随后,他从面向更复杂数据的可视化、可视化的生成更方便、可视化的使用更方便三个维度,结合一系列案例来阐述可视化在实际数据中的应用情况。
「这两天的报告中,有人讲人工智能,有人讲大数据,也有人讲强大的计算力,我们将这三个方面视作推动社会进步的三驾马车,而与此同时我们不要忘了马车上还坐着一个人,所以我们还需要一个好的界面来帮助我们更好地与三驾马车进行交互,而我希望可视化将来能够扮演好这一角色,帮助人类更好地驾驭好马车! 」他最后总结道。
本次大会的所有特邀报告环节到此完美落幕,而今天下午的技术论坛依旧延续了昨日的精彩,包括「类脑计算」、「人工智能前沿技术: 探索、实践和机遇」、「微表情检测和识别」、「集成电路设计——促进芯片的敏捷开发」等在内的 28 场技术论坛场也都人满为患。
与此同时,万众期待的 CNCC 颁奖晚宴也将在今晚落下帷幕,AI 科技评论后续将为大家带来相关报道,敬请期待!







招聘

1

论文内容运营

AI研习社是一个服务AI学生、学者、从业者的UGC内容平台,目标是从教学课程、技术经验分享、学术见解讨论、比赛和工作机会等角度提供资讯,也是用户输出观点、互相交流、打造个人品牌的土壤。

工作内容:

1. AI研习社社区论文板块运营

2. 联系、维护外部兼职稿源

3. 参与多样化内容输出、活动策划

4. 参与社区产品的长期维护和改进

任职要求:

1. 有一定IT、计算机科学知识见闻

2. 热情友善,善于沟通

3. 英语能力是加分项

简历投递地址:yangxiaofan@leiphone.com

招聘

2

论文内容编辑(可招实习生)

AI研习社是一个服务AI学生、学者、从业者的UGC内容平台,目标是从教学课程、技术经验分享、学术见解讨论、比赛和工作机会等角度提供资讯,也是用户输出观点、互相交流、打造个人品牌的土壤。

工作内容:

1. 关注、了解人工智能相关领域学术研究动向,形成兼具专业度和传播力的报道内容(发表在雷锋网、公众号以及AI研习社社区)

2. 采访高校学术青年领袖,输出人工智能领域的深度观点;

3. 解读国内外学术热点,深入剖析学术动态

任职要求:

1. 理工科背景,有一定计算机科学知识

2. 英语好,能阅读英文科技网站&博客

3. 乐于钻研,认真严谨;有文字功底更佳

简历投递地址:yangxiaofan@leiphone.com

招聘

3

兼职外翻

AI研习社是一个服务AI学生、学者、从业者的UGC内容平台,目标是从教学课程、技术经验分享、学术见解讨论、比赛和工作机会等角度提供资讯,也是用户输出观点、互相交流、打造个人品牌的土壤。

工作内容:

1. 翻译一些人工智能相关领域的学术动态、技术博客等(文章发表在雷锋网、公众号以及AI研习社社区)

2.无需坐班,工作时间、地点自由

任职要求:

1.英文读写能力较强,能阅读英文科技网站&博客

2.具备一定的计算机科学知识,能看懂相关的专业词汇

3.认真严谨,做事不拖拉,能够按时完成派下来的外翻任务

简历投递地址:xinglijuan@leiphone.com

点击“阅读原文”全方位查看 AI 研习社丰富资源!


登录查看更多
0

相关内容

徐扬生,博士,他曾于美国卡内基梅隆大学任教,随后加入香港中文大学。他为香港中文大学前副校长及自动化与计算器辅助工程学教授。2013年8月,徐扬生获聘任为香港中文大学(深圳)首任校长。长期从事机器人与智能控制系统研究,在空间机器人的设计、控制及动力学研究,以及无重力地面试验设施的研制等方面作出了重要贡献。致力于推动中国航天智能控制技术的发展,提出并参与了有关航天智能系统的研制。对服务机器人、动态稳定系统、人类行为学习建模、穿戴式人机界面、智能汽车、无人系统和人工智能等进行了深入研究和系统开发。发表了六部专著、300多篇国际论文。获选为国际宇航科学院院士、国际电机及电子工程师学会院士、国际欧亚科学院院士以及香港工程科学院院士。2016年,国际小行星命名委员会将国际永久编号第59425号小行星1999 GJ5 命名为“徐扬生星”。个人主页:http://www.cae.cn/cae/html/main/colys/06592364.html

人工智能(AI)是指在机器上实现类似乃至超越人类的感知、认知、行为等智能的系统。与人类历史上其他技术革命相比,人工智能对人类社会发展的影响可能位居前列。人类社会也正在由以计算机、通信、互联网、大数据等技术支撑的信息社会,迈向以人工智能为关键支撑的智能社会,人类生产生活以及世界发展格局将由此发生更加深刻的改变。

  人工智能分为强人工智能和弱人工智能。强人工智能,也称通用人工智能,是指达到或超越人类水平的、能够自适应地应对外界环境挑战的、具有自我意识的人工智能。弱人工智能,也称狭义人工智能,是指人工系统实现专用或特定技能的智能,如人脸识别、机器翻译等。迄今为止大家熟悉的各种人工智能系统,都只实现了特定或专用的人类智能,属于弱人工智能系统。弱人工智能可以在单项上挑战人类,比如下围棋,人类已经不是人工智能的对手了。

  人工智能发展的基本思想和技术路径有三种

  人工智能研究工作肇始于20世纪40年代,但其完整概念在1956年才正式登上历史舞台,在美国达特茅斯学院举行的“人工智能夏季研讨会”上提出。这个研讨会的主题就是用机器来模仿人类学习以及其他方面的智能,推进了人工智能起起伏伏、螺旋发展的历程。

  第一个阶段,1956—1976年,基于符号逻辑的推理证明阶段。这一阶段的主要成果是利用布尔代数作为逻辑演算的数学工具,利用演绎推理作为推理工具,发展了逻辑编程语言,实现了包括代数机器定理证明等机器推理决策系统。但在人工智能理论与方法工具尚不完备的初期阶段,以攻克认知作为目标显然不切实际,人工智能研究逐步从高潮进入低谷。

  第二个阶段,1976—2006年,基于人工规则的专家系统阶段。这个阶段的主要进展是打开了知识工程的新研究领地,研制出专家系统工具与相关语言,开发出多种专家系统,比如故障诊断专家系统、农业专家系统、疾病诊断专家系统、邮件自动分拣系统等等。专家系统主要由知识库、推理机以及交互界面构成,其中,知识库的知识主要由各领域专家人工构建。然而,知识仅靠专家的手工表达实现,终不免挂一漏万,使得专家系统无法与人类专家与时俱进的学习能力相匹配,人工智能研究第二次进入瓶颈期。

  第三个阶段,2006年至今,大数据驱动的深度神经网络阶段,也是深度学习大行其道的时期。人工神经网络的发展,随着人工智能的发展起起伏伏。初期人们对其可以模拟生物神经系统的某些功能十分关注,但是对复杂网络的学习收敛性、健壮性和快速学习能力一直难以把握,直到上世纪80年代反向传播算法的发明和90年代卷积网络的发明,神经网络研究取得重要突破。深度神经网络方法走到前台,开启了人工智能新阶段。

  自诞生以来,人工智能发展的基本思想和技术路径总的来说有三种。

  第一种路径是符号主义或者说逻辑学派,形式逻辑是其理论基础,主张人工智能应从智能的功能模拟入手,认为符号是智能的基本元素,智能是符号的表征和运算过程。前述第一个阶段和第二个阶段中,符号主义都是主导思想。

  第二种路径是连接主义或者说神经网络学派,发源于上世纪40年代,强调智能活动是由大量简单(神经)单元通过复杂连接后并行运行的结果。其基本思想是:既然人脑智能是由神经网络产生的,那就通过人工方式构造神经网络,再通过训练产生智能。人工神经网络是对生物神经网络的抽象和简化。80年代神经网络的兴盛和近年来兴起的深度学习网络,都是包含多层神经元的人工神经网络。

  第三种路径是行为主义或者说控制学派,又称进化主义。这个学派在上世纪80年代末、90年代初兴起,思想源头是上世纪40年代的控制论。控制论认为,智能来自智能主体与环境以及其他智能主体相互作用的成功经验,是优胜劣汰、适者生存的结果。

  机器学习是未来方向,将人类从重复性劳动中解放出来

  机器学习是上世纪80年代中期发展起来的人工智能新方向。机器学习研究机器怎样模拟或实现人类的学习行为,以获取新的知识或技能,或者根据环境自适应地调整对策。机器学习可以让机器通过对经验进行“归纳”和“推理”而实现自动改进。

  目前,机器学习仍然是人工智能研究的热点之一,包括深度学习的可解释性和可信性,增强智能系统的自学习和自适应能力,以及无监督学习、多模态协同学习、强化学习、终生学习等新的机器学习方法。另外,考虑到数据安全和隐私保护,在数据加密或者部分加密的情况下如何学习,也是重要研究方向之一。在深度学习浪潮推动下,人工智能其他研究方向也在加速发展,包括机器感知、模式识别与数据挖掘、自然语言处理、知识表示与处理、智能芯片与系统、认知与神经科学启发的人工智能、人工智能和其他学科的交叉等。

  中国是世界上人工智能研发和产业规模最大的国家之一。虽然我们在人工智能基础理论与算法、核心芯片与元器件、机器学习算法开源框架等方面起步较晚,但在国家人工智能优先发展策略、大数据规模、人工智能应用场景与产业规模、青年人才数量等方面具有优势。

  中国的人工智能发展,挑战与机遇同在,机遇大于挑战。尽管是后来者,但我们市场规模大,青年人多,奋斗精神强,长期来看更有优势。如果说18世纪中叶蒸汽机带来第一次工业革命,持续了100年;19世纪中叶电力带来第二次工业革命,持续了100年;20世纪中叶计算机与通信带来第三次工业革命,到现在持续了70多年;我们可以预见,本世纪中叶前后人工智能可能会带来下一次工业革命,影响百年。当然,现在人工智能技术的储备还远没有达到开启智能时代的量级,还需要持续积累和创新。现在的计算机体系结构,还无法满足实现强人工智能的需求。未来可能的突破方向包括人工智能基础理论与算法、类脑计算、生物计算、量子计算等。

  其影响不仅关系国家发展,而且关系亿万劳动者日常生活。以深度学习为代表的人工智能技术高速发展并广泛应用,正在深刻改变人类社会生活的方方面面。产业界从提高效率、降低成本等角度,积极采用人工智能技术解决各种应用问题,包括智能机器人、智能制造、智能监控、无人驾驶、自动问答、医疗诊断、智能家居、政务法务等,为人类带来福祉。

  从就业角度来看,越来越多的超市、银行、餐馆开始使用机器服务,甚至律师、证券分析师等高知识含量工作也可能被机器人取代,这给劳动者就业带来挑战。人工智能的应用必然会提高劳动生产率,正如第一次工业革命期间,机器的应用虽然减少了传统轻工业就业岗位,但是也创造了更多新兴产业就业岗位。人工智能也一样,随着它的发展,将会产生很多新的工作岗位,只是对技能的要求与传统岗位不同。因此,随着人工智能的推进,教育培训体系也应该根据就业结构变化而积极调整,加快推进产业升级中的职业转岗培训。

  人工智能把我们从简单重复的劳动中解放出来,更有利于人类充分挖掘自己的智能潜力。面对即将到来的智能社会,我们应该以积极态度拥抱变化。与其担忧工作被抢走,不如与机器“共勉”,机器尚在持续学习,我们人类难道不应该更加努力学习、终身学习吗? 

(作者:高文,北京大学教授、中国工程院院士,黄铁军为北京大学教授)

推荐读物:

1.《人工智能导论》:李德毅主编;中国科学技术出版社出版。全面覆盖人工智能的基本概念和重要方向,图文并茂,通俗易懂。

2.《人工智能全球格局:未来趋势与中国位势》:国务院发展研究中心国际技术经济研究所等著;中国人民大学出版社出版。客观审视各国政府和科技公司的人工智能布局,讲述以科技创新领跑世界的中国故事。

3.《AI 的25 种可能》:[ 美] 约翰·布罗克曼编著;浙江人民出版社出版。25 位著名专家从不同角度解读人工智能,对专业人员和大众读者都具有启发性。

来源:人民日报

http://www.cac.gov.cn/2020-02/18/c_1583568733316229.htm

成为VIP会员查看完整内容
0
12

报告主题:城市大脑与边缘计算

报告摘要:城市大脑是智能城市的决策指挥系统,其决策信息来自于包括摄像头等视频传感器在内的各种感知系统。与人的感知系统中视觉信息占比最大类似,目前监控摄像头也是城市大脑的最大数据来源。以前,大多数交通监控系统是将摄像头获得原始图像或视频数据简单压缩后传给城市各级数据中心存储和处理,但数据利用效率较低。最近几年,边缘计算的概念出现后很多系统在摄像头端进行对象识别或事件分析,由此形成的视频结构化数据在一定程度上提升了检索分析的效率,但对已有存量摄像机网络系统升级带来很大成本和工程压力。本报告借鉴人类视觉系统进化历史的分析,提出城市大脑与边缘计算的分工与协调机制,使得城市大脑可以分步演进,兼顾摄像机网络存量和新增市场,逐步达到城市大脑可使用的程度。

嘉宾简介:中共党员,辽宁省大连市人,现任中国工程院院士、北京大学教授、鹏城实验室主任,中国计算机学会理事长,新一代人工智能产业技术创新战略联盟理事长,全国专业标准化技术委员会副主任,数字音视频编解码技术标准(AVS)工作组组长,国际电气和电子工程师协会会士(IEEE Fellow)、美国计算机协会会士(ACM Fellow)。1979年至1982年,在哈尔滨科技大学学习(跳级一年),获本科学位;1982年至1985年,在哈尔滨工业大学学习,获硕士学位;1985年至1988年,在哈尔滨工业大学学习,获博士学位;1988年至1991年,在日本东京大学学习,获博士学位。1985年至1996年,在哈尔滨工业大学工作,被聘为助教、讲师、教授,历任计算机系主任、校长助理。1996年至2006年,在中国科学院所属单位工作,被聘为研究员、教授、历任中科院计算所副所长、所长、中科院研究生院常务副院长(2000年至2003年兼任中国科学技术大学副校长)。2006年至今,在北京大学工作,被聘为教授、博雅讲席教授,任数字视频编解码技术国家工程实验室主任。2011年当选中国工程院院士。曾任第十届、十一届、十二届全国政协委员,国务院学科评议组计算机学科成员,计算机学报主编;2013年至2018年,在国家自然科学基金委员会工作,任自然科学基金委副主任。2018年至今,被聘为鹏城实验室主任。曾一次获得国家技术发明二等奖、五次获得国家科技进步二等奖、一次获得国家自然科学二等奖,获得“2005中国十大教育英才”称号和中国计算机学会王选奖。

主要从事人工智能应用和多媒体技术、计算机视觉、模式识别与图像处理、虚拟现实方面的研究,主要著作有《数字视频编码技术原理》、《Advanced Video Coding Systems》等。在本领域国际期刊上发表论文200余篇,国际会议论文600余篇。

成为VIP会员查看完整内容
城市大脑与边缘计算@SMP2019_高文.pptx.pdf
0
17
小贴士
相关资讯
2019 年,最值得回顾的十大 AI 学术观点
AI科技评论
4+阅读 · 2019年12月31日
CNCC技术论坛 | 知识图谱引领认知智能+
中国计算机学会
12+阅读 · 2019年9月15日
5G全产业链发展分析报告
行业研究报告
4+阅读 · 2019年6月7日
腾讯85页PPT“智能+”产业报告
物联网智库
51+阅读 · 2019年5月1日
CCF发布2017-2018中国计算机科学技术发展报告
中国计算机学会
7+阅读 · 2018年11月7日
中科院赵军:开放域事件抽取 | CCF-GAIR 2018
AI科技评论
17+阅读 · 2018年7月20日
中国倒数第五!毕马威全球自动驾驶报告|附下载
人工智能学家
4+阅读 · 2018年1月21日
相关论文
Fenyu Hu,Yanqiao Zhu,Shu Wu,Liang Wang,Tieniu Tan
12+阅读 · 2019年3月5日
Qikui Zhu,Bo Du,Pingkun Yan
7+阅读 · 2019年2月21日
Building Knowledge Graphs About Political Agents in the Age of Misinformation
Daniel Schwabe,Carlos Laufer,Antonio Busson
3+阅读 · 2019年1月29日
Object-centric Auto-encoders and Dummy Anomalies for Abnormal Event Detection in Video
Radu Tudor Ionescu,Fahad Shahbaz Khan,Mariana-Iuliana Georgescu,Ling Shao
4+阅读 · 2018年12月11日
Interpretable Convolutional Neural Networks via Feedforward Design
C. -C. Jay Kuo,Min Zhang,Siyang Li,Jiali Duan,Yueru Chen
4+阅读 · 2018年10月5日
Tianyi Liu,Shiyang Li,Jianping Shi,Enlu Zhou,Tuo Zhao
3+阅读 · 2018年10月1日
Yang Deng,Yaliang Li,Nan Du,Wei Fan,Ying Shen,Kai Lei
4+阅读 · 2018年9月27日
Panoptic Segmentation with a Joint Semantic and Instance Segmentation Network
Daan de Geus,Panagiotis Meletis,Gijs Dubbelman
4+阅读 · 2018年9月6日
Felix Laumann,Kumar Shridhar,Adrian Llopart Maurin
14+阅读 · 2018年6月27日
Elena Burceanu,Marius Leordeanu
4+阅读 · 2018年4月5日
Top