商湯科技聯合創始人兼研究院院長王曉剛：AI賦能當前與未來

2018年5月23-24日，為期兩天的2018艾瑞（北京）年度高峰會議聚焦 “智能·無界·決策”，在北京國貿三期大酒店盛大召開。艾瑞峰會匯聚眾多互聯網行業領軍人物、創新者，企業決策者一起看清機遇，改變慣性，開拓認知商業新視野。

以下是商湯科技聯合創始人兼研究院院長王曉剛發表題為“AI賦能當前與未來”的演講實錄。

商湯科技聯合創始人兼研究院院長王曉剛

大家好！今天非常榮幸能有這樣的機會，分享過去三年商湯在人工智能落地應用的體會，同時也借此機會展望人工智能未來應用前景。

讓我們簡單回顧一下人工智能最近幾年發展中的重要節點：

· 過去幾年，人工智能主要驅動力來源于深度學習。在視覺領域，一個標志性的事件在2012年，深度學習第一次在ImageNet比賽中取得了冠軍。

· 2014年，商湯的人臉識別算法的準確率在人臉識別測試LFW系統下首次超過了人眼識別率，突破了大規模工業應用紅線，對人臉識別的發展具有開創性意義。

· 2015年，商湯參加ImageNet國際計算機視覺挑戰賽，獲檢測數量、檢測準確率兩項世界第一。

· 2016年，是讓更多人知道人工智能發展情況的一個標志性事件，AlphaGo擊敗了李世石，取得了冠軍。

在我們看來，人工智能分為三個層次：

基礎層。包括GPU集群，我們靠GPU去訓練模型；包括AI芯片，如果把人工智能、深度學習用在手機等前端設備上，離不開計算能力的加強。同時，還有深度學習平臺，如果說把"深度學習模型"看成一個產品，那么平臺就是生產線，有什么樣的生產線意味著有什么樣的生產能力，它起著非常基礎的作用。還有增強現實的AR平臺，與AI平臺的結合，實現虛擬與現實世界的融合。

以上這些都屬于基礎層。

在應用層，我們說人工智能有各種各樣的應用，如智慧城市、無人駕駛、智能手機等。如何將基礎能力在垂直領域落地？之前人們認為人工智能可能是一種通用能力，比如說訓練一個人臉識別模型以后，就可以在各行各業里成功應用。但實際情況是，我們需要真正深入到每一個垂直領域，在各個領域中去研究算法、重新去訓練模型。這樣就帶來一個問題：隨著垂直領域的應用越來越多，它對我們的研究員、科學家的消耗也是越來越多。

在這個里面，還有很重要的中間層。怎么樣設計出一套模塊化的算法開發工具？比如說不同領域里，用不同的網絡結構。現在，主要靠研究員積累的經驗去設計網絡結構，但我們可以設計算法自動搜索最優的網路結構。普通的工程師和開發者，就可以利用這套算法開發工具完成從基礎層到應用層的跨越。

如果看一看這三個層里面國內外競爭格局的話，發現在應用層，中國有最豐富的落地場景。它提供大量的數據和反饋用于打磨算法，這為人工智能提供非常好的條件，這是為什么人工智能在中國能快速發展。同時，我們也看到在基礎層面，中國還是比較薄弱。比如說在GPU，AI芯片領域，目前都被國外巨頭所壟斷。比如，深度學習平臺，大家經常使用的包括TensorFlow、Torch，也都是由谷歌、Facebook開發。

深度學習平臺

在基礎層，我們現在追求同時利用上千塊GPU訓練網絡模型，把AI和增強現實結合起來，虛擬世界和現實世界結合起來，云和端結合起來。而在深度學習平臺上，以上提到的TensorFlow、Torch等都是大家經常使用的一些免費開源的深度學習平臺。但是，用這些大公司提供的深度學習平臺，會有一些限制：

首先，性能上會有限制。這些平臺，更多是面向學術界小規模的應用。如果在大規模產業應用，我們需要幾百塊GPU訓練模型，這是這些開源平臺所不能很好的支持的。

其次，依賴開源的深度學習平臺，也會對技術上產生各種各樣的限制。比如說2014年，當我們參加ImageNet比賽時，開源平臺不能很好的支持多機多卡并行訓練，所以，我們需要開發自己的深度學習平臺，才能跟谷歌等巨頭競爭。另外，還有知識產權方面的問題。

商湯的深度學習平臺，它具有高效的計算能力，能支持幾百塊GPU的并行訓練，也有高度的靈活性，能很快針對垂直領域應用做開發，提高生產力，商湯深度學習平臺在很多方面都有領先性。

同時，一個很重要的應用領域是AR增強現實技術。現在AR應用已經深入到我們的生活中，比如在視頻直播里有很多特效，它背后的技術支撐實際上是人臉關鍵點和建模技術。

比如，在手機領域應用，可以建模找到關鍵點，在手機里就可以將游戲中的卡通人物，引入到真實生活當中，將來還會有實景游戲產出。在電商領域應用，比如在網上購買家具，可以把虛擬的家具模型放到自己想要的場景中，這些應用背后依靠的是商湯的SenseAR技術。

目前，OPPO已經推出以商湯科技SenseAR平臺為引擎打造的OPPO AR開發者平臺，引起了廣泛關注。而商湯在2016年時，開始建立自己的AR平臺，并進行大規模推廣。

中間層

在中間層，目前有一些代表核心的技術突破。最近，谷歌發布了AutoML工具鏈，普通開發者可以利用這樣的工具鏈，針對各種各樣不同應用，較快的訓練模型，包括去設計更好的網絡結構。

商湯也有類似的工具鏈，而且可以跟谷歌AutoML做對比，比如自動搜索網絡結構。除了分類，還有檢測、跟蹤、分割、關鍵點檢測等，后面有大量的垂直應用。

這里給大家展示自動搜索出來的網絡結構。最左邊大家所看到的是2012年深度學習應用到計算機視覺里時它的網絡結構AlexNet，后來設計了VGG, GoogleNet, ResNet。這是一些對比，左邊是我們找到的三個最優的網絡結構，右邊是性能對比。比如說靠人工研究員的經驗找網絡結構時，需要花一年時間。如果用商湯的技術，三天的時間，32片GPU就可以達到更好的識別性能。

大家知道AlphaGo最開始依賴于人類的經驗作為起點。AlphaGoZero完全拋棄人類的經驗從零開始學習下棋。我們說自動網絡結構的搜索也是一樣，它是完全拋棄研究員的經驗知識，從頭去搜索最優的網絡結構。

增量學習和無監督學習

隨著人工智能的發展，深度學習訓練出的人臉識別模型慢慢超越了人眼識別率，它在初期時，是大量依靠人類肉眼標注數據。但是，當深度學習模型的準確率超過人眼識別率時，人類標注的數據對它起的作用就很有限了，這個時候就需要更多依靠于非監督學習。

最后，簡單聊一些比較重要的應用。人臉識別幫助我們實現動態布控，當嫌疑人出現時，就可以自動在黑名單里捕捉嫌疑人。實際上，在過去幾年，利用商湯的人臉識別系統已經抓捕大量逃犯，有些是在逃十幾年的要犯。

人工智能在手機里面有更多的應用，包括人臉解鎖、AI拍照，人工智能通過手機進入到千家萬戶，給我們帶來不一樣的體驗。