漳州商城网站建设,封丘有做网站的吗,wordpress功能插件,济南物流行业网站建设工具来源#xff1a;AI科技评论作者#xff1a;维克多编辑#xff1a;青暮2021年12月9日#xff0c;由粤港澳大湾区人工智能与机器人联合会、雷峰网合办的第六届全球人工智能与机器人大会#xff08;GAIR 2021#xff09;在深圳正式启幕#xff0c;140余位产学领袖、30位Fel… 来源AI科技评论作者维克多编辑青暮2021年12月9日由粤港澳大湾区人工智能与机器人联合会、雷峰网合办的第六届全球人工智能与机器人大会GAIR 2021在深圳正式启幕140余位产学领袖、30位Fellow聚首从AI技术、产品、行业、人文、组织等维度切入以理性分析与感性洞察为轴共同攀登人工智能与数字化的浪潮之巅。大会次日思尔实验室主任、前深圳市人工智能与机器人研究院执行院长、国际欧亚科学院院士、IEEE Fellow李世鹏在GAIR大会上做了《人工智能与机器人前沿研究之思考》的演讲。李世鹏博士IEEE Fellow国际欧亚科学院院士。历任深圳市人工智能与机器人研究院首席科学家和执行院长、科大讯飞集团副总裁及讯飞研究院联席院长、微软亚洲研究院创始成员与副院长。李院士在多媒体、IoT及AI等领域颇具影响力。他拥有203项美国专利并发表了330多篇被引用了的论文H指数82。被Guide2Research列为世界顶尖1000名计算机科学家之一。培养出四位MIT TR35创新奖的获得者。是科技部新一代人工智能产业技术创新战略联盟发起人之一及联合秘书长。在演讲中李世鹏介绍并展望了人工智能与机器人前沿研究方向他指出未来机器学习突破深度学习的数据瓶颈或许可以借助认知科学的方法得到突破学习范式可从依靠“大数据”转变成依靠“大规则”人机协作也要进化为人机“谐”作只有将耦合、交互、增强、互补等目标纳入研究方向才能实现人机的无缝连接。以下是演讲全文AI科技评论做了不改变原意的整理今天的演讲题目是《人工智能与机器人前沿研究之思考》分为三个部分先谈人工智能和机器人研究全景然后聚焦研究方向包括机器学习、运动智能、人机谐作、群体协作最后进行总结。人工智能相关研究的关键元素有三个人、机器人/物联网以及AI。之所以将机器人和物联网归为一类是因为这两者是物理世界和虚拟世界的接口。如果三个元素两两之间发生联系就会形成一个新的学科例如机器人和AI相结合会产生智能体AI和人类相结合会产生人机耦合以及增强智能而机器人和人类相融合会形成增强机体。随着人工智能与机器人领域的发展研究对象不再局限在单个智能体而是越来越多地对多个智能体的协作进行研究例如人类社会群体如何更好地相融合如何设计出能够精妙协作的机器群体总体而言我认为重要的基本研究方向是机器学习、运动智能、人机谐作、群体协作。1聚焦方向之机器学习机器学习的发展离不开深度学习加持它给行业带来许多研究成果并赋能了语音识别、人脸识别、物体识别、自动驾驶等方面推动人工智能产业高速发展。虽然成果颇丰但成也萧何败也萧何。深度学习依赖于大数据其瓶颈也在于大数据。例如国内的智能语音技术尽管处于行业领先但仍依赖技术积累和数据积累。现在想要让深度学习发挥巨大威力仍然需要大量数据的加持如果想让深度学习从一个领域扩展到另一个领域也少不了数据支撑。如何突破研究者已经探索了多条路径其中一个解决方案是扩展深度学习框架。例如优化深度学习算法、知识图谱深度学习、专家系统深度学习等等。另一条路径是因果推理其目标是借助人类举一反三的能力期望超越数据之间的相关性进而探索数据之间的因果性从而得到数据之间的逻辑推理。第三条路径是类脑计算从生物学角度探索人脑认知元素和机制以仿真方法再现人类大脑。个人认为认知科学是突破深度学习框架的着力点。理由是人类认知过程有两点需要我们去进一步借鉴生而知之、学而知之。生而知之是指部分认知能力与生俱来新生儿的脑神经有很多先天的连接。它给我们的启示是现在的大多深度学习算法大部分都是从零开始训练而没有充分或者高效利用先验知识或者已有模型。如何利用“现有知识”是深度学习的下一个热门方向。学而知之是指大部分认知能力是后天学习到的尤其是早期学习。通过学习脑神经建立了更多的连接。孩子很多能力包括感知、应对、语言、读写和理解甚至分析问题和解决问题的思路和能力在很小时候已经基本定型以后基本都是知识的积累。这意味着脑神经元很早的时候就连接定型成一个元模型剩下的是只是利用这个元模型去解决具体领域的问题。这个与当前的大规模预训练模型有着惊人的相似之处。学而知之的另一层次是人类学习过程依靠多源的、多传感的、多模态的、多角度的数据例如视觉、听觉、嗅觉、触觉和语境等联合信息而今天的深度学习依靠大都是一段语音、一张照片因此未来AI模型的输入数据可能不仅是单一的数据而是多个信号源的融合。如何模仿人类学习的过程这是认知科学对深度学习的另一个启示。再者人类学习过程是一个从样本示例到原理归纳的过程而不是仅停留在样本示例层面目前深度学习却都是停留在样本层面。那么未来是否能够构造类人的机器学习框架无论输入什么样的数据只要逻辑相通都会收敛到一致的模型突破深度学习的数据瓶颈可以尝试构建规则的众包系统让人类教机器学习过程其目的不是输入数据而是让机器学习规则。由于我们试图从日常的活动中学习规则这种规则普通人都可以标注示教这就打破了以前专家系统地需要“专家”的局限。这种从“大数据”过渡到“大规则”模型构建方式显然也更符合人类的认知。2聚焦方向之运动智能众所周知在机器人领域波士顿动力公司的产品最“像人”如上动图机器人跳舞丝毫看不出生硬的感觉。但受计算资源、能量、运动控制的限制它只能运行几十分钟。其实波士顿动力机器人的运行方式是基于电机驱动存在很多缺点例如刚性运动、自重比较大、反应速度和灵活性的矛盾以及耗能大。对比人类和其他动物的运行方式肌肉、骨骼、传感和神经的结合可以在低能耗情况下实现灵活运行。这给研究者的启示是机器人的运行系统应该像人一样满足高效、灵活、精确、鲁棒、刚柔并济、轻量、自适应等指标。当前的运动智能可能在某一个维度表现优秀但综合考量仍然有很多缺点。因此运动智能的一个重要研究方向是仿生。仿照动物的运动智能例如运动控制采用逼近反馈式运动过程视变化随时灵活调整。如果说机器人是靠“内力”驱动而医疗微纳米机器人是“外力”研究方向的代表。例如依靠磁力小机器人精确地将药物从一个管道运送到另一个管道。3聚焦方向之人机谐作在人机谐作层面区别于协作“谐作”代表人机协作中的耦合、交互、增强、互补、协作、和谐等意思。人机谐作的目标是不需要告诉机器人类的意图机器就能领会从而达到人机的无缝连接。在达成人机谐作的过程中重点研究人机自然交互、感知及增强。具体可能包括生物特征检测和识别、人机接口、脑机接口、语音识别、动作识别、表情识别、语言理解、意图理解、体态感知、无隙增强以及在扩展现实与远程现实的延伸等等。人机增强智能方面今天的机器学习框架大都是基于大数据的深度学习框架肯定会遇到机器智能处理不了的情景。这对于某些高风险领域例如自动驾驶、金融等来说是致命的。针对这一问题当前的解决方案是“人类接管”。这会涉及三个核心问题核心问题1机器智能如何感知自己处理不了一些情况而主动要求人来接管核心问题2什么时候人类可以完全放手给机器自主完成任务核心问题3什么样的人机交互设计能充分发挥人和机器各自的长处同时又无需非必要地麻烦对方三个核心问题如果无法解决会导致一些困境。例如以自动驾驶为例目前安全员并不是开了“自动”功能就一劳永逸仍然需要时时监测路况与路线一刻都不能分神。这其实增加了安全员的负担因为在没有自动驾驶的时候人类对自己的驾驶环境会有一定的预测而机器驾驶的情况人类无法预测。人机增强机体也属于人机谐作的一个领域能够帮助人类增强物理机体能力完成一些人类自身体力完不成的事情。但机器可能过于复杂需要人类培训后才能操作。人机增强机体的未来目标是实现人与机器和谐共处操控起来如同人类的自己的器官一样自然。其中涉及的核心研究课题包括机器感知人的意图、人的姿态、理解人的自然语言命令、肢体语言等等从而让机器以最适合人类接受、恰到好处的平滑方式帮助人解决问题。4聚焦方向之群体协作目前单智能体已经可以完成许多任务但如何发挥每个智能体集合起来的威力这涉及群体协作的研究方向。在仓储场景下存在许多抓取分类的机器人如果能够有效调度那么必将大大提高工作效率。当前主流的调度方式是中心化的控制方式但面对成千上万的规模的智能体则需要非中心化的控制允许智能体之间存在自主行为在相互协作的同时还能“做自己的事”。即单独的有智能可独立行动的智能体通过协作而达到的更高效的群体/系统智能和行为。智能体群体协作目前涉及的规则包括群体行为模型和激励机制、群体智能协同决策。这一方面蚂蚁是我们的学习对象。另外在自动驾驶方面越来越多自主驾驶机器人出现它们之间如何做到协同感知和协同控制也是当今热门话题。上述四个方面属于基础性的研究任何一个领域出现了突破那将对其领域以及下游应用而言都是革命性的突破也将带来工业数智化原创技术的创新会让我们在竞争中占领优势地位!未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。  如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”