近期，清華大學(xué)-中國(guó)工程院知識(shí)智能聯(lián)合研究中心、中國(guó)人工智能學(xué)會(huì)吳文俊人工智能科學(xué)技術(shù)獎(jiǎng)評(píng)選基地聯(lián)合發(fā)布了《2019人工智能發(fā)展報(bào)告》，遴選了13個(gè)人工智能的重點(diǎn)領(lǐng)域，包括深度學(xué)習(xí)、計(jì)算機(jī)視覺、語(yǔ)音識(shí)別、機(jī)器人等熱點(diǎn)前沿技術(shù)的基礎(chǔ)及應(yīng)用研究、發(fā)展動(dòng)向等。
深度學(xué)習(xí)讓圖像、語(yǔ)音等感知類問(wèn)題取得突破
機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能。
1950年，阿蘭·圖靈創(chuàng)造了圖靈測(cè)試來(lái)判定計(jì)算機(jī)是否智能。圖靈測(cè)試認(rèn)為，如果一臺(tái)機(jī)器能夠與人類展開對(duì)話而不能被辨別出其機(jī)器身份，那么稱這臺(tái)機(jī)器具有智能。這一簡(jiǎn)化使得圖靈能夠令人信服地說(shuō)明“思考的機(jī)器”是可能的。
后來(lái)，IBM科學(xué)家亞瑟·塞繆爾開發(fā)的跳棋程序，駁倒了普羅維登斯提出的機(jī)器無(wú)法超越人類的論斷，像人類一樣寫代碼和學(xué)習(xí)的模式，他創(chuàng)造了“機(jī)器學(xué)習(xí)”這一術(shù)語(yǔ)。
然而，從20世紀(jì)60年代中期到70年代末期，機(jī)器學(xué)習(xí)的發(fā)展步伐幾乎停滯。無(wú)論是理論研究還是計(jì)算機(jī)硬件限制，整個(gè)人工智能領(lǐng)域的發(fā)展都遇到了很大的瓶頸，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)因理論缺陷也未能達(dá)到預(yù)期效果而轉(zhuǎn)入低潮。直到偉博斯在神經(jīng)網(wǎng)絡(luò)反向傳播(BP)算法中具體提出了多層感知機(jī)模型，機(jī)器學(xué)習(xí)得以重振，并且直到今天BP算法仍然是神經(jīng)網(wǎng)絡(luò)架構(gòu)的關(guān)鍵因素。
神經(jīng)網(wǎng)絡(luò)研究人員相繼提出了使用BP算法訓(xùn)練的多參數(shù)線性規(guī)劃的理念，成為后來(lái)深度學(xué)習(xí)的基石。在另一個(gè)譜系中，昆蘭提出了一種非常出名的機(jī)器學(xué)習(xí)算法，具體地說(shuō)是ID3算法，這種算法至今仍然活躍在機(jī)器學(xué)習(xí)領(lǐng)域中。
機(jī)器學(xué)習(xí)迎來(lái)爆發(fā)期是神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域領(lǐng)軍者Hinton在2006年提出了神經(jīng)網(wǎng)絡(luò)Deep Learning算法，使神經(jīng)網(wǎng)絡(luò)的能力大大提高。Hinton和他的學(xué)生 Salakhutdinov在《科學(xué)》上發(fā)表了一篇文章，開啟了深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的浪潮。
2015年，為紀(jì)念人工智能概念提出60周年，LeCun、Bengio和Hinton推出了深度學(xué)習(xí)的聯(lián)合綜述。深度學(xué)習(xí)可以讓那些擁有多個(gè)處理層的計(jì)算模型來(lái)學(xué)習(xí)具有多層次抽象的數(shù)據(jù)的表示，這些方法在許多方面都帶來(lái)了顯著的改善。深度學(xué)習(xí)的出現(xiàn)，讓圖像、語(yǔ)音等感知類問(wèn)題取得了真正意義上的突破，離實(shí)際應(yīng)用已如此之近，將人工智能推進(jìn)到一個(gè)新時(shí)代。
計(jì)算機(jī)視覺催生出人臉識(shí)別、智能視頻監(jiān)控等應(yīng)用
計(jì)算機(jī)視覺，顧名思義，是分析、研究讓計(jì)算機(jī)智能化地達(dá)到類似人類的雙眼“看”的一門研究科學(xué)，即對(duì)于客觀存在的三維立體化的世界的理解以及識(shí)別依靠智能化的計(jì)算機(jī)去實(shí)現(xiàn)。
計(jì)算機(jī)視覺技術(shù)就是利用了攝像機(jī)以及電腦替代人眼使得計(jì)算機(jī)擁有人類的雙眼所具有的分割、分類、識(shí)別、跟蹤、判別、決策等功能。
馬爾(David Marr)《視覺》一書的問(wèn)世，標(biāo)志著計(jì)算機(jī)視覺成為了一門獨(dú)立學(xué)科。計(jì)算機(jī)視覺40多年的發(fā)展中，盡管人們提出了大量的理論和方法，庫(kù)卡機(jī)器人，但總體上說(shuō)，計(jì)算機(jī)視覺經(jīng)歷了三個(gè)主要?dú)v程：馬爾計(jì)算視覺、多視幾何與分層三維重建和基于學(xué)習(xí)的視覺。
目前，在計(jì)算機(jī)上調(diào)“深度網(wǎng)絡(luò)”來(lái)提高物體識(shí)別的精度似乎就等于從事“視覺研究”。馬爾的計(jì)算視覺分為三個(gè)層次：計(jì)算理論、表達(dá)和算法以及算法實(shí)現(xiàn)。由于馬爾認(rèn)為算法實(shí)現(xiàn)并不影響算法的功能和效果，所以馬爾計(jì)算視覺理論主要討論“計(jì)算理論”和“表達(dá)與算法”二部分內(nèi)容。
馬爾認(rèn)為，大腦的神經(jīng)計(jì)算和計(jì)算機(jī)的數(shù)值計(jì)算沒有本質(zhì)區(qū)別，所以馬爾沒有對(duì)“算法實(shí)現(xiàn)”進(jìn)行任何探討。從現(xiàn)在神經(jīng)科學(xué)的進(jìn)展看，“神經(jīng)計(jì)算”與數(shù)值計(jì)算在有些情況下會(huì)產(chǎn)生本質(zhì)區(qū)別，如目前興起的神經(jīng)形態(tài)計(jì)算，但總體上說(shuō)，“數(shù)值計(jì)算”可以“模擬神經(jīng)計(jì)算”。至少?gòu)默F(xiàn)在看，“算法的不同實(shí)現(xiàn)途徑”，并不影響馬爾計(jì)算視覺理論的本質(zhì)屬性。
20世紀(jì)90年代初，計(jì)算機(jī)視覺從“蕭條”走向“繁榮”，主要得益于以下二方面的因素：一方面，瞄準(zhǔn)的應(yīng)用領(lǐng)域從精度和魯棒性要求太高的“工業(yè)應(yīng)用”轉(zhuǎn)到要求不太高，特別是僅僅需要“視覺效果”的應(yīng)用領(lǐng)域，如遠(yuǎn)程視頻會(huì)議、考古、虛擬現(xiàn)實(shí)、視頻監(jiān)控等；另一方面，人們發(fā)現(xiàn)，多視幾何理論下的分層三維重建能有效提高三維重建的魯棒性和精度。
多視幾何的代表性人物首數(shù)法國(guó)INRIA的O.Faugeras，美國(guó) GE研究院的R.Hartely和英國(guó)牛津大學(xué)的A.Zisserman。2000年Hartely和Zisserman合著的書對(duì)這方面的內(nèi)容給出了比較系統(tǒng)的總結(jié)。大數(shù)據(jù)需要全自動(dòng)重建，而全自動(dòng)重建需要反復(fù)優(yōu)化，而反復(fù)優(yōu)化需要花費(fèi)大量計(jì)算資源。舉一個(gè)簡(jiǎn)單例子，假如要三維重建北京中關(guān)村地區(qū)，為了保證重建的完整性，需要獲取大量的地面和無(wú)人機(jī)圖像。假如獲取了1萬(wàn)幅地面高分辨率圖像(4000×3000)、5千幅高分辨率無(wú)人機(jī)圖像(8000×7000)，三維重建要匹配這些圖像，從中選取合適的圖像集，然后對(duì)相機(jī)位置信息進(jìn)行標(biāo)定并重建出場(chǎng)景的三維結(jié)構(gòu)，如此大的數(shù)據(jù)量，人工干預(yù)是不可能的，所以整個(gè)三維重建流程必須全自動(dòng)進(jìn)行。
基于學(xué)習(xí)的視覺，庫(kù)卡機(jī)器人，則是指以機(jī)器學(xué)習(xí)為主要技術(shù)手段的計(jì)算機(jī)視覺研究。基于學(xué)習(xí)的視覺研究，文獻(xiàn)中大體上分為二個(gè)階段：21世紀(jì)初的以流形學(xué)習(xí)為代表的子空間法和目前以深度學(xué)習(xí)為代表的視覺方法。
近年來(lái)，巨量數(shù)據(jù)的不斷涌現(xiàn)與計(jì)算能力的快速提升，給以非結(jié)構(gòu)化視覺數(shù)據(jù)為研究對(duì)象的計(jì)算機(jī)視覺帶來(lái)了巨大的發(fā)展機(jī)遇與挑戰(zhàn)性難題，計(jì)算機(jī)視覺也因此成為學(xué)術(shù)界和工業(yè)界公認(rèn)的前瞻性研究領(lǐng)域，部分研究成果已實(shí)際應(yīng)用，催生出人臉識(shí)別、智能視頻監(jiān)控等多個(gè)極具顯示度的商業(yè)化應(yīng)用。
語(yǔ)音識(shí)別被應(yīng)用于工業(yè)、通信、醫(yī)療等行業(yè)