受灣區(qū)同學(xué)技術(shù)沙龍（www.tech-meetup.com）邀請(qǐng)，這周六百度研究院副院長(zhǎng)余凱在Santa Clara的Intel總部禮堂做了一場(chǎng)很干貨的分享。我覺得“干貨”的原因不僅僅是余凱對(duì)諸如“百度為什么要做各種智能硬件？”和“百度的自動(dòng)駕駛和Google有何不同？”等問題進(jìn)行了回答，而是因?yàn)橥ㄟ^這次分享，我們可以看到百度在包括基于大數(shù)據(jù)的深度學(xué)習(xí)等一些前沿研究領(lǐng)域的成果，以及在“萬物互聯(lián)”的大數(shù)據(jù)時(shí)代，百度在機(jī)器人、無人駕駛等方面的一些思考，也讓我們這些互聯(lián)網(wǎng)從業(yè)者對(duì)于未來大數(shù)據(jù)和人工智能的演化有一個(gè)更好的了解。

雖然觀眾幾乎坐滿了會(huì)場(chǎng)，但我估計(jì)最多也就有兩百來號(hào)人分享到了這些東西。所以我對(duì)余凱的演講進(jìn)行了一些整理，供雷鋒網(wǎng)的讀者了解和學(xué)習(xí)。

以下內(nèi)容根據(jù)演講整理：

感謝郭曉峰、朱平還有好多朋友在周末來組織這么一個(gè)活動(dòng)。對(duì)我來講回到這個(gè)地方和大家交流有一種回家的感覺，因?yàn)槲沂侨昵暗臅r(shí)候從灣區(qū)回國(guó)加入百度，開始負(fù)責(zé)百度的人工智能和深度學(xué)習(xí)方面的研究。很親切。回顧這個(gè)歷史也是滿有趣的，當(dāng)時(shí)我在NEC Lab，有好多深度學(xué)習(xí)方面的工作，今天像Facebook等有很多人在從事深度學(xué)習(xí)，好多都是從NEC Lab加入的。從灣區(qū)回到中國(guó)也確實(shí)把灣區(qū)的一些資源給介紹回去了，像以前我一個(gè)很好的朋友Andrew Ng，我也把他忽悠到了百度。

這反映什么呢？以前這些比較前沿的技術(shù)研發(fā)事情很多是在硅谷在美國(guó)去發(fā)生，在今天在北京或者深圳其實(shí)很多同樣事情也在發(fā)生，所以我覺得是一個(gè)創(chuàng)新的時(shí)代。

今天我的題目叫《從大數(shù)據(jù)到人工智能》。在過去的幾年時(shí)間里，百度比較有特色的一點(diǎn)就是作為一個(gè)私營(yíng)企業(yè)在技術(shù)研發(fā)這個(gè)領(lǐng)域做了很多工作，對(duì)我們來講是一個(gè)很鼓舞的事情。

我想即使在Google的朋友也會(huì)同意這個(gè)觀點(diǎn)：搜索引擎本身也是一個(gè)人工智能的系統(tǒng)，一方面通過免費(fèi)的服務(wù)提供很多數(shù)據(jù)，另一方面把這些數(shù)據(jù)區(qū)變現(xiàn)，這中間就要用到很多技術(shù)，這當(dāng)中最重要的就是基于大數(shù)據(jù)的人工智能，比如說數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、自然語言理解在移動(dòng)時(shí)代或者IOT時(shí)代，語音識(shí)別語音理解圖像識(shí)別等很多人工智能技術(shù)在中間可以扮演非常重要的角色。

什么是人工智能

那什么是人工智能呢？有很多不同的看法，有強(qiáng)人工智能，有弱人工智能，我們也看到很多電影和小說等，但到今天沒有一個(gè)公認(rèn)的統(tǒng)一的定義，但我們講一個(gè)人工智能有幾個(gè)方面：

第一個(gè)是感知。就是采集數(shù)據(jù)；

第二個(gè)是理解。對(duì)環(huán)境、對(duì)對(duì)話的對(duì)象有一些理解；

第三個(gè)是決策。這些數(shù)據(jù)你要做大量的分析，知道環(huán)境是什么樣的，基于這上面你會(huì)做大量的決策，本身來講感知、理解、決策這三步也是一個(gè)循環(huán)的過程。

我們今天看到各種各樣所謂的智能產(chǎn)品，那這些產(chǎn)品是否真的具有智能呢？其實(shí)一個(gè)很本質(zhì)的差別，也是互聯(lián)網(wǎng)服務(wù)和其他產(chǎn)品不一樣的地方，就是這個(gè)服務(wù)和產(chǎn)品是否能夠隨著經(jīng)驗(yàn)不斷演化，隨著用戶使用越來越多對(duì)用戶越來越了解，這種隨著經(jīng)驗(yàn)演化也就是學(xué)習(xí)的能力實(shí)際上是評(píng)估一件產(chǎn)品是否真正具有智能的因素。整個(gè)移動(dòng)互聯(lián)網(wǎng)，通過手機(jī)也好，通過App也好，他對(duì)用戶是在不斷的去了解，去知道用戶的需求和喜好。

我們知道在機(jī)器學(xué)習(xí)研究的課程里，有一個(gè)詞叫經(jīng)驗(yàn)數(shù)據(jù)，經(jīng)驗(yàn)就是數(shù)據(jù)，數(shù)據(jù)就是經(jīng)驗(yàn)。我們今天講這是一個(gè)大數(shù)據(jù)的時(shí)代，大數(shù)據(jù)時(shí)代的意義在什么地方呢？就是能讓一個(gè)系統(tǒng)有機(jī)會(huì)變得越來越智能。因?yàn)橹悄鼙旧硪粋€(gè)特點(diǎn)就是學(xué)習(xí)的能力。

萬物互聯(lián)與大數(shù)據(jù)

大數(shù)據(jù)的時(shí)代從PC互聯(lián)網(wǎng)到移動(dòng)互聯(lián)網(wǎng)有一個(gè)飛躍的變化，像這個(gè)圖是05年教皇選舉的場(chǎng)景，8年以后你可以看到，同樣的地方，同樣一波人，移動(dòng)互聯(lián)網(wǎng)對(duì)人們的改變是巨大的。每一個(gè)人隨著這個(gè)設(shè)備，無論是在打電話，拍照，帶在身上，你以為你沒有在用它，但手機(jī)上面的傳感器會(huì)把很多數(shù)據(jù)傳到云端。數(shù)據(jù)的產(chǎn)生是無時(shí)不刻的。

未來我們會(huì)進(jìn)入一個(gè)物聯(lián)網(wǎng)的時(shí)代或者機(jī)器人的時(shí)代，那萬物互聯(lián)的時(shí)代是一個(gè)什么樣的場(chǎng)景呢？我們可以想象到2020年，前段時(shí)間孫正義在烏鎮(zhèn)互聯(lián)網(wǎng)大會(huì)上說，到2020年一個(gè)人可能會(huì)連接到上千個(gè)設(shè)備。今天在中國(guó)我們每個(gè)人可能都帶著兩三個(gè)手機(jī)，因?yàn)橐粋€(gè)人在生活中會(huì)扮演很多角色(觀眾笑)。加上穿戴式設(shè)備和其他連接，在中國(guó)平均一個(gè)人帶三四個(gè)設(shè)備是很正常的。面向未來的話可能一個(gè)紐扣都會(huì)是一個(gè)設(shè)備，所以說每個(gè)人連接一千個(gè)設(shè)備并不是那么聳人聽聞。

這么多連接帶來的結(jié)果就是數(shù)據(jù)的暴增。大數(shù)據(jù)的時(shí)代實(shí)際上由萬物互聯(lián)導(dǎo)致，但數(shù)據(jù)也給我們的服務(wù)和產(chǎn)品一個(gè)學(xué)習(xí)的機(jī)會(huì)。從學(xué)術(shù)研究的角度講，人工智能在過去五六十年里起起伏伏，但真正大規(guī)模的應(yīng)用是從互聯(lián)網(wǎng)也就是2000年開始的，從2000年-2009年，我把這個(gè)時(shí)代叫做“潤(rùn)物細(xì)無聲”，因?yàn)樵诨ヂ?lián)網(wǎng)時(shí)代，無論是搜索還是廣告都有大量的人工智能技術(shù)，但這些技術(shù)主要是一些后臺(tái)的技術(shù)，不一定那么容易被感知。

我們當(dāng)前所處的時(shí)代，從2010年到2019年我用一個(gè)詞叫“于無聲處聽驚雷”，互聯(lián)網(wǎng)行業(yè)很多朋友確實(shí)都感到這種轟隆隆的雷聲。大數(shù)據(jù)的產(chǎn)生、計(jì)算能力、帶寬、深度學(xué)習(xí)這種技術(shù)的發(fā)展使得AI開始從后臺(tái)走到前臺(tái)，比如說語音識(shí)別，我記得三年前我組建百度語音識(shí)別的團(tuán)隊(duì)，我們當(dāng)時(shí)發(fā)現(xiàn)招不到人，我覺得很奇怪，我記得我讀大學(xué)的時(shí)候不是有很多人在從事語音識(shí)別的研究嗎？后來我一打聽，他們?nèi)哭D(zhuǎn)行了。因?yàn)樵谏疃葘W(xué)習(xí)之前的時(shí)代，語音識(shí)別看不到希望，大家覺得沒法繼續(xù)做研究，但今天語音識(shí)別已經(jīng)是觸手可達(dá)，而且發(fā)展非常快。包括圖像，包括自然語言的理解，包括機(jī)器人的技術(shù)都是如此。

從大數(shù)據(jù)到深度學(xué)習(xí)的人工智能

人工智能技術(shù)最近為什么這么受到重視？我覺得最重要的原因是大數(shù)據(jù)，第二個(gè)原因是計(jì)算能力，第三個(gè)原因就是深度學(xué)習(xí)。最頂尖的互聯(lián)網(wǎng)公司在這個(gè)領(lǐng)域都有相當(dāng)投入，百度在深度學(xué)習(xí)領(lǐng)域可以說是投資最大的公司之一。

為什么深度學(xué)習(xí)受到重視？首先第一點(diǎn)就是深度學(xué)習(xí)技術(shù)有一個(gè)浪漫主義的方面，就是深度學(xué)習(xí)從機(jī)制、行為等方面和大腦有一些關(guān)聯(lián)性。這點(diǎn)在媒體強(qiáng)調(diào)得比較多，但從我們的角度來講這反而是最不重要的原因。

第二點(diǎn)是深度學(xué)習(xí)特別適合大數(shù)據(jù)。一開始深度學(xué)習(xí)有受到生物神經(jīng)系統(tǒng)的啟發(fā)，但隨后的進(jìn)展主要是因?yàn)榻y(tǒng)計(jì)、建模、大數(shù)據(jù)和功能實(shí)現(xiàn)。

然后第三點(diǎn)它帶來的是一個(gè)思維觀念也就是解決問題方式的改變。過去我們一般先對(duì)數(shù)據(jù)做一些預(yù)處理，然后通過機(jī)器建模的方法去處理數(shù)據(jù)，但深度學(xué)習(xí)帶來的一個(gè)改變，就是端到端的學(xué)習(xí)，希望把原始數(shù)據(jù)放到系統(tǒng)里，中間每個(gè)步驟都是用學(xué)習(xí)的方法去完成。比如說語音識(shí)別，它分為好幾個(gè)步驟，但這幾個(gè)步驟是不是去一致性的優(yōu)化？不一定。但深度學(xué)習(xí)的目標(biāo)是去一致性的優(yōu)化最終的目標(biāo)的。

第四點(diǎn)，也是一個(gè)糾正，就是很多人覺得深度學(xué)習(xí)是一個(gè)黑箱系統(tǒng)，覺得你不需要太多的了解，只要去用它就好了。實(shí)際上深度學(xué)習(xí)和機(jī)器學(xué)習(xí)一樣，提供的是一套框架，一套語言系統(tǒng)。什么叫語言系統(tǒng)？比如中文就是一套語言系統(tǒng)，你要寫出優(yōu)美的文章至少需要兩個(gè)條件，第一是你要掌握這種語言，第二是你對(duì)生活的感悟。套用在深度學(xué)習(xí)上也有兩個(gè)條件，第一個(gè)就是你要有駕馭這個(gè)模型和計(jì)算的能力，第二個(gè)就是對(duì)問題要有足夠的了解。

我給大家舉一些例子。深度學(xué)習(xí)最成功的一個(gè)例子是卷及神經(jīng)網(wǎng)絡(luò)，他確實(shí)和我們對(duì)視覺神經(jīng)系統(tǒng)的了解尤其是早期的視覺皮層細(xì)胞關(guān)系是非常大的。今天我們的深度學(xué)習(xí)已經(jīng)遠(yuǎn)遠(yuǎn)超越這些模型的結(jié)構(gòu)。打個(gè)比方，他們之間為什么不一樣呢？這就好比研究鳥類如何飛行，但深度學(xué)習(xí)是像波音公司研究如何造飛機(jī)，本質(zhì)上并不一樣，今天我們的飛機(jī)可以長(zhǎng)得完全不像鳥，更多的是空氣動(dòng)力學(xué)、機(jī)械方面的東西。

從統(tǒng)計(jì)和計(jì)算的角度講，深度學(xué)習(xí)的原因其實(shí)更基礎(chǔ)。一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)，我們可能對(duì)它的誤差的每個(gè)來源去做分解，去了解和控制它，從而可以控制整體的預(yù)測(cè)誤差。一般做機(jī)器學(xué)習(xí)我們會(huì)做一些假設(shè)，我們知道所有假設(shè)都不是完美的，也就是第一個(gè)，模型的不完美。第二個(gè)問題是數(shù)據(jù)的不完美導(dǎo)致的，比如說數(shù)據(jù)是有限的，有偏的；第三個(gè)是計(jì)算的不完美。統(tǒng)計(jì)學(xué)通常關(guān)心前兩個(gè)問題，但在現(xiàn)實(shí)中，比如說我的一個(gè)工程師說，老大，我這個(gè)問題需要五百臺(tái)機(jī)器。我說，扯淡，我最多給你五十臺(tái)。他說，五十臺(tái)的話，我需要算半年。那我說，不行，必須今天晚上算出來。在有限的計(jì)算資源下去處理這樣的問題，我們必須要考慮這種計(jì)算的不完美。

所以我們可以看到，第一我們需要用一個(gè)非常復(fù)雜的模型，去減少這種偏差，第二個(gè)問題我們要用無偏的，也就是大數(shù)據(jù)去彌補(bǔ)。這樣我們得出一個(gè)結(jié)論：深度學(xué)習(xí)跟傳統(tǒng)的人工智能比較，隨著數(shù)據(jù)的增長(zhǎng)能夠吸收數(shù)據(jù)增長(zhǎng)帶來的紅利。傳統(tǒng)人工智能模型可能不夠復(fù)雜，比如是一個(gè)線性模型，數(shù)據(jù)量大了后偏差會(huì)比較大。還有一種可能是模型很好，但計(jì)算的問題無法解決。比如有一種很好的模型，它的計(jì)算復(fù)雜度是Ｎ的二次方到三次方，這樣處理一萬個(gè)學(xué)習(xí)樣本和一百萬個(gè)學(xué)習(xí)樣本，需要的計(jì)算資源就至少相差一萬倍。在大數(shù)據(jù)的時(shí)代，這就只能到此為止了。

深度學(xué)習(xí)是一套靈活的、復(fù)雜的語言系統(tǒng)。在不同的問題里會(huì)有不同的語言框架，用不同的結(jié)構(gòu)去處理不同的問題。百度今天在這方面可以說走在相當(dāng)?shù)那懊?，從?guī)模上講，百度可能是世界上第一個(gè)運(yùn)用大規(guī)模的GPU Servers的公司 , 12年的時(shí)候，當(dāng)時(shí)我們就采購(gòu)了世界上最大的采購(gòu)量。

今天我們有五六千臺(tái)的PC Server，超過兩千臺(tái)GPU的Server在一起做這種混合的大規(guī)模的深度學(xué)習(xí)的訓(xùn)練，所以我們現(xiàn)在能夠構(gòu)建這種相當(dāng)大的、千億級(jí)參數(shù)的世界上最大的人工神經(jīng)網(wǎng)絡(luò)。在其他方面很多算法比如語音識(shí)別、圖像識(shí)別、自然語言、廣告、用戶建模等幫助很大。

今天我們已經(jīng)不是停留在研究的層面，而是對(duì)于百度的業(yè)務(wù)比如說搜索、廣告、圖像、語音，因?yàn)樯疃葘W(xué)習(xí)帶來的提升是非常巨大的。在整個(gè)業(yè)務(wù)里扮演的角色也變得更加的智能，一言以蔽之，我們的業(yè)務(wù)模式是連接人和信息，連接人和服務(wù)，你如何去理解人的意圖，比如一個(gè)關(guān)鍵詞，一張照片，說一句話，如何匹配用戶需求，如何推送信息和服務(wù)。

深度學(xué)習(xí)的應(yīng)用例子

鳳巢就是一個(gè)用深度學(xué)習(xí)去實(shí)現(xiàn)變現(xiàn)的例子，在過去兩年對(duì)點(diǎn)擊率和搜索滿意度的提升都是巨大的。

再舉一個(gè)例子，我們?nèi)绾?strong>提升搜索的相關(guān)性。它是怎么做的呢？大致的思想是，評(píng)估相關(guān)性過去我們要做很多特征的抽取，今天我們把用戶的查詢和結(jié)果匹配得到一個(gè)分?jǐn)?shù)，在神經(jīng)網(wǎng)絡(luò)里進(jìn)行比較，當(dāng)在訓(xùn)練的時(shí)候，我們會(huì)把用戶體現(xiàn)出來的這種偏好給到一個(gè)差異足夠大的分?jǐn)?shù)，我用超過一千億的的樣本來訓(xùn)練這個(gè)系統(tǒng)，在過去兩年里面導(dǎo)致相關(guān)性有了一個(gè)巨大的提升。

這帶來的相關(guān)性更多的是在語義的理解，尤其是一天中查詢可能不到10次的這種長(zhǎng)尾查詢，這是最考驗(yàn)搜索引擎的能力的，因?yàn)閷?duì)于非常高頻的查詢，每個(gè)搜索引擎可能都差不多。這里有一個(gè)例子是瑪莎拉蒂的一款車車頭如何放車牌，我們過去的系統(tǒng)得到的基本是基于關(guān)鍵詞的匹配，沒有回答這個(gè)問題。我們的合作伙伴（Google）的結(jié)果匹配了“車頭”這個(gè)關(guān)鍵字，但對(duì)語義沒有進(jìn)行進(jìn)一步的理解。我們運(yùn)行了我們這個(gè)模型后，你可以看到查詢的問題是“車頭”、“放置車牌”，但結(jié)果找到了“前牌照怎么裝”，它不是用關(guān)鍵詞來進(jìn)行匹配，而是根據(jù)語義來匹配，這就是深度學(xué)習(xí)帶來的一個(gè)改變。

還有語音識(shí)別的例子。百度的語音識(shí)別實(shí)際從12年開始做，但深度學(xué)習(xí)使得過去陽(yáng)春白雪的東西變成了你用大數(shù)據(jù)就可以做的東西。過去語音識(shí)別從聲學(xué)角度抽取特征，比如頻率特征，將其抽取出來變成一種因素，然后從低層到高層的逐層處理。一開始的時(shí)候我們不關(guān)心它是什么，只是考慮它讀起來是什么樣子的，今天的深度學(xué)習(xí)盡量把中間的步驟變成可以訓(xùn)練的步驟，把中間的步驟變得可學(xué)習(xí)，中間沒有過多的人工干預(yù)，帶來的好處是用大量的數(shù)據(jù)訓(xùn)練這個(gè)模型。在Benchmark（標(biāo)桿測(cè)試）上我們可以得到一個(gè)非常好的結(jié)果。

另外再給大家看一個(gè)例子，這是運(yùn)單手寫電話號(hào)碼的識(shí)別，過去我們一開始是做檢測(cè)、切割，切割以后把每一個(gè)數(shù)字切割出來做識(shí)別，但像這個(gè)例子，你會(huì)發(fā)現(xiàn)是沒法做分割的，那你只能把它做成一個(gè)一體的的解碼。這反映的就是深度學(xué)習(xí)給我們帶來的不是一個(gè)黑盒，而是一個(gè)很豐富的語言系統(tǒng)，我們希望對(duì)這些問題有足夠理解，然后去開發(fā)最適合它的模型。

我剛才提到了圖片的識(shí)別，加上字符的識(shí)別，加上語音的識(shí)別，加上機(jī)器的翻譯，那百度可以做出這樣的產(chǎn)品，比如今天中國(guó)人到紐約的街頭可以問：“附近哪里有川菜館？”你用中文說了后識(shí)別成中文，然后翻譯成英文讀出來。我們可以不斷優(yōu)化這個(gè)事情，在幾年的時(shí)間里可以變成現(xiàn)實(shí)，那么中國(guó)的小朋友們就可以更多時(shí)間去玩，更少時(shí)間用在學(xué)無聊的英語上了（觀眾笑）。當(dāng)然還有拍照。這是我的一個(gè)好朋友，NYU的一個(gè)教授到上海，他用這個(gè)產(chǎn)品點(diǎn)菜，看菜單他就不擔(dān)心這個(gè)東西是不是鳳爪之類他不敢吃的東西。

我們?cè)倏戳硗庖粋€(gè)例子就是圖片識(shí)別。13年的時(shí)候，中國(guó)移動(dòng)互聯(lián)網(wǎng)有一個(gè)爆發(fā)的應(yīng)用就是百度魔圖，就是普通人可以拍張照，然后系統(tǒng)會(huì)告訴你長(zhǎng)得最像哪個(gè)大咖。我們這個(gè)產(chǎn)品在連續(xù)三周在iOS總榜排名第一，最多的時(shí)候一天900萬人上傳照片，我們一下子收集了好多人臉照片（觀眾笑）。至今這也是百度移動(dòng)產(chǎn)品的記錄。

很多高科技公司都會(huì)參加一個(gè)IFW競(jìng)賽，也就是人臉識(shí)別的測(cè)評(píng)，它是怎樣的呢？就是一些照片，系統(tǒng)要判斷這是屬于同一個(gè)人還是不同的人。去年Facebook宣稱他們?nèi)〉昧俗詈玫慕Y(jié)果。但不同的公司也在不斷的PK，目前來講最好的結(jié)果是百度的（誤差率約0.15%），這個(gè)結(jié)果現(xiàn)在到了什么情況呢？有人讓人來參加了這個(gè)評(píng)估，結(jié)果大概是在這個(gè)地方（誤差約0.35%），也就是說機(jī)器可能比人還要好。當(dāng)然這只是一個(gè)具體的任務(wù)上，機(jī)器的表現(xiàn)比人好，不代表整個(gè)人工智能能達(dá)到人的地步。

還有一個(gè)很有意思的ImageNet，也就是圖像識(shí)別分類的競(jìng)賽。不同行業(yè)的人可能不一定感觸到，但我們這個(gè)行業(yè)能聽到轟隆隆的雷聲，是由于大數(shù)據(jù)，由于深度學(xué)習(xí)在發(fā)生非?？斓倪M(jìn)展。ImageNet做的是圖片的分類，過去五年里，我們可以看到錯(cuò)誤率在不斷下降，10年的第一屆，我的這個(gè)團(tuán)隊(duì)是拿了第一名，后面每年結(jié)果都在變化，去年最好的結(jié)果是我們?cè)诎俣鹊耐伦龅?，斯坦福同樣也做了一個(gè)評(píng)估，看人類來做這個(gè)測(cè)試結(jié)果會(huì)是怎樣。

（ImageNet）微軟在今年1月份發(fā)布的結(jié)果超過了百度，前段時(shí)間Google的同事的結(jié)果又比微軟好，上個(gè)禮拜，我同事和我說，我們的結(jié)果比Google還好。所以這個(gè)競(jìng)爭(zhēng)很有意思，很多年后我們?cè)倩叵刖陀X得，我們這些不同公司的研究人員就像一個(gè)班上的同學(xué)一起PK，一起分享經(jīng)驗(yàn)，實(shí)際是在一起推動(dòng)行業(yè)的發(fā)展的。

OK，圖像的理解始終是和我們?nèi)祟悓?duì)知識(shí)的理解以及語言總是能夠耦合在一起的，那怎么把這個(gè)事情做得更加有意思呢？我們?cè)谛r(shí)候可能做過“看圖說話”，用語言來描述這幅圖像，比如這幅圖，用中文描述就是“起居室里有著百色的沙發(fā)和藍(lán)色的地毯，下午的陽(yáng)光照進(jìn)房間”。這樣的描述實(shí)際上是由機(jī)器來完成的。這是去年百度的研究人員最早在世界上發(fā)表了這樣的論文，后來Google等都發(fā)表了類似的論文，也引用了我們的研究結(jié)果。

我們現(xiàn)在也在做一些中文的描述，比如說這個(gè)例子：“一輛雙層巴士行駛在街道上”。我們可以做什么呢？比如說做圖像識(shí)別，我們?nèi)フ翌愃频膱D片，得出來的圖像可能是這樣的（一些街景），因?yàn)檫@個(gè)圖像它的主要內(nèi)容是建筑和街道。但如果我們用自然語言來描述這個(gè)場(chǎng)景，我們的出來的類似圖片是不一樣的。我們?cè)诎俣热绾斡米匀徽Z言描述去提升我們對(duì)圖像的理解，它背后的模型再度驗(yàn)證了我剛才的一個(gè)觀點(diǎn)：深度學(xué)習(xí)實(shí)際提供的是一個(gè)語言系統(tǒng)，對(duì)于一個(gè)具體的問題，你要有能力去構(gòu)建模型，模擬這樣一個(gè)問題。這樣一個(gè)例子就是下面是一個(gè)深度的卷積神經(jīng)網(wǎng)絡(luò)，它產(chǎn)生的一個(gè)表示，上面是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)去產(chǎn)生語言的模型。這樣的結(jié)果就是，它既是符合我們語義的語言，同時(shí)也反映了圖像的內(nèi)容。

我們?cè)龠M(jìn)一步去想：我們可以去做一些更加像人類做的事情。比如說對(duì)這樣一個(gè)圖像，我們可以去教小孩，去學(xué)習(xí)一些東西。這樣的圖像，機(jī)器可能會(huì)問小孩：他站在什么上？“他”是單人旁的他，而不是女字旁的“她”哦。我們也希望機(jī)器能回答這個(gè)問題，根據(jù)圖片本身的像素，根據(jù)本身的問題能夠回答：他站在沖浪板上。機(jī)器可能還會(huì)繼續(xù)問：那他有穿上衣嗎？然后機(jī)器可以回答：沒有。這都是今天的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)根據(jù)圖片內(nèi)容自動(dòng)生成的。它已經(jīng)超越了我們過去的圖像識(shí)別，也就是“你有什么東西”，變成了“你有什么樣的語義”和“你有什么樣的關(guān)系”。

對(duì)未來機(jī)器人、自動(dòng)駕駛、人工智能的思考

這里回到一個(gè)我們對(duì)人工智能目前的現(xiàn)狀和未來的一個(gè)思考：過去的互聯(lián)網(wǎng)服務(wù)，它做的事情也有幾個(gè)方面，一個(gè)是感知，另外一個(gè)理解，還有一個(gè)決策。感知就是獲取數(shù)據(jù)，經(jīng)過大規(guī)模的計(jì)算，比如處理，索引，然后在決策的時(shí)候能展示什么樣的結(jié)果和服務(wù)。這些所有都是線上的。今天移動(dòng)互聯(lián)網(wǎng)與人更近，它和你所處的場(chǎng)景有關(guān)系。從感知的角度講我們要從人，從物理世界獲得信息，這種線下信息可能比互聯(lián)網(wǎng)世界更加重要。從服務(wù)的角度，以前是線上的服務(wù)，它會(huì)向線下延伸，向傳統(tǒng)行業(yè)延伸。像智能硬件、自動(dòng)駕駛、機(jī)器人，會(huì)在未來扮演更加重要的角色。

這是我們?cè)诤芏嘀悄苡布献龅囊恍﹪L試（展示一個(gè)自動(dòng)駕駛視頻），未來可能是用各種傳感器武裝到牙齒。為什么你要在中國(guó)做自動(dòng)駕駛呢？這當(dāng)中有的是純技術(shù)問題，有的是國(guó)情的。我跟同事有時(shí)開玩笑說，我們?cè)谥袊?guó)做自動(dòng)駕駛，這個(gè)技術(shù)一定是全世界的，但Google在美國(guó)做的技術(shù)一定不是全世界的，它不能處理中國(guó)式的過馬路，它不能處理我們的井蓋被撬掉（觀眾笑）。因?yàn)槿斯ぶ悄苁腔诖髷?shù)據(jù)的智能，沒有這些數(shù)據(jù)你是絕對(duì)不敢做的。我們?cè)谶@樣環(huán)境下開發(fā)出來的技術(shù)一定是放之四海而皆準(zhǔn)的。

這是基于圖像的這種實(shí)時(shí)的道路場(chǎng)景的理解、融合、深度學(xué)習(xí)的技術(shù)，我們對(duì)交通標(biāo)志、道路線、對(duì)車輛、對(duì)標(biāo)示都要做到實(shí)時(shí)的識(shí)別。今天我們可以做到什么程度呢？這方面的一個(gè)Benchmark，我們可以看到第一名和第二名都是百度的，而且比第三名的結(jié)果好非常多。這是我們用一個(gè)沒有訓(xùn)練的人去標(biāo)識(shí)數(shù)據(jù)（交通場(chǎng)景圖片），我們會(huì)發(fā)現(xiàn)機(jī)器做得比人還要好。比如說這個(gè)人和交通標(biāo)志遮住了后面的車，只露出一小部分，人沒法意識(shí)這個(gè)車的存在，但機(jī)器可以識(shí)別。這樣基于傳感器去駕駛可能會(huì)更加的安全。前段時(shí)間Elon Musk說，未來人類開車是違法的，這個(gè)有可能成為現(xiàn)實(shí)。

這是對(duì)車道的一個(gè)理解。剛才講的我們?yōu)槭裁匆龆ㄎ荒兀课覀冇幸粋€(gè)現(xiàn)實(shí)的目標(biāo)，就是做一個(gè)基于實(shí)時(shí)場(chǎng)景的增強(qiáng)現(xiàn)實(shí)導(dǎo)航系統(tǒng)，在北京開過車的人可能知道，那么多主路輔路，比如說西直門立交就基本就和中國(guó)聯(lián)通的Logo一樣了?；趯?shí)時(shí)場(chǎng)景的增強(qiáng)現(xiàn)實(shí)導(dǎo)航系統(tǒng)，它比基于語音的 導(dǎo)航或者基于二維的地圖導(dǎo)航更加場(chǎng)景化。我們認(rèn)為自動(dòng)駕駛應(yīng)該是一個(gè)漸進(jìn)式的過程，從輔助駕駛到主動(dòng)安全，到限定條件下的自動(dòng)駕駛，到高度自動(dòng)駕駛，在每一步都會(huì)有商業(yè)機(jī)會(huì)。我們要構(gòu)造的不是一個(gè)取代人的系統(tǒng)，而是一個(gè)人車一體的系統(tǒng)。任何車的關(guān)系就像人和馬一樣，但馬是可以控制的。

最后我想總結(jié)一下，我們認(rèn)為在5-10年里，下面三件事情一定會(huì)成為必然：第一個(gè)是所有設(shè)備都有智能傳感器，第二是所有設(shè)備它一定都有云端大腦，第三是所有設(shè)備從單一功能的設(shè)備變成連接人和服務(wù)的節(jié)點(diǎn)。我們可以看到手機(jī)經(jīng)歷了這個(gè)過程，過去手機(jī)就是打電話，今天的手機(jī)，你一天打幾個(gè)電話啊。從這個(gè)角度講，所有設(shè)備最后都會(huì)成為一個(gè)廣義的機(jī)器人系統(tǒng)：它都有感知，都有理解，都有決策。

我們技術(shù)人員常常覺得，將機(jī)器變得非常強(qiáng)大是一件很酷的事情，但實(shí)際上這并沒有產(chǎn)生巨大的價(jià)值。像以前的深藍(lán)，在一個(gè)場(chǎng)景下可能比人做得還好，但并沒有這個(gè)世界產(chǎn)生更多的影響。而像Google和百度這樣的搜索引擎，它拉近了人和信息的距離，它產(chǎn)生的巨大社會(huì)價(jià)值，才能夠去實(shí)現(xiàn)巨大的商業(yè)價(jià)值。這種技術(shù)的偉大，不在于讓機(jī)器更偉大，而在于讓每個(gè)平凡者變得有創(chuàng)造性，變得更偉大。

這句話大家都很熟悉，我改了一下：世界是我們的，也是機(jī)器人的，但是歸根到底是屬于會(huì)控制機(jī)器人的人的。謝謝大家！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。