特稿 >

科技快讯 >

集智AI&Policy研讨会第二日:当复杂系统遇见深度学习

集智AI&Policy研讨会第二日:当复杂系统遇见深度学习

Xtecher原创 丨 科技快讯

26933
3870

2017-07-23

郭宝婷

Xtecher特稿作者

关注

由凯风基金会、集智俱乐部、美国芝加哥大学社会学系Knowledge Lab、清华大学科技政策研究中心、腾讯研究院联合举办的“人工智能与公共政策工作坊”(AI and Public Policy: Frontiers in AI and Applications)于7月22日-23日举行。工作坊请到国际知名学者和业内人士,讨论人工智能与公共政策的发展趋势,特别关注科技政策议题。


7月23日,会议开展了4场主题演讲,随后为分主题学者讨论。本文为Xtecher记者从现场发回的主题演讲内容摘要。


彩云天气袁行远:神经网络中序列学习的应用


WeChat 圖片_20170723203726.jpg

 

彩云天气创始人、CEO袁行远详析了彩云天气精准的即时预报背后的原理。

 

天气即时预报,其实是询问的是在一段连续的视频中,如果知道前几帧的内容,如何预测后面几帧。这是新大脑皮层的一个基础功能,却没有受到学术界太多关注。袁行远介绍,彩云天气用的是以多层卷积神经网络为基础的深度学习,在近几年的学术界,这种方法在物体识别上有很高的准确率。

 

彩云天气用的是地面气象雷达信息,是中央气象台公开提供的官方数据。彩云天气会先将气象图叠到地图上,然后通过多层卷积神经网络算法和深度学习,建立起云层移动的模型识别,合成出某一具体时间和地点的降雨带移动方向和位置,进而完成误差小于5分钟的降雨时间预测。

 

袁行远接着介绍并演示了使用同样原理的雾霾预测、机器翻译应用“彩云小译”,以及自动作曲的应用。

 

Momenta研发总监夏炎:自动驾驶中的深度学习


WeChat 圖片_20170723203734.jpg


自动驾驶初创公司Momenta联合创始人、研发总监、图像搜索技术专家夏炎,在会上谈了自动驾驶中深度学习的应用。

 

夏炎指出,现在深度学习有重大突破,主要体现在两方面,第一是大数据,现在有公共数据库、图像数据,大型公司也有大量用户数据;第二是大型计算,硬件可以进行大型运算。但深度学习也有局限,首先是解释力不足,深度学习现在仍是一个黑箱子;其次是深度学习依赖大量现实世界数据,金钱成本高;第三是仍需要人工设计网络、调整参数。

 

在自动驾驶领域,夏炎谈到两种深度学习方法:一种是端到端深度学习,只需要少量训练数据,系统就能自动学会驾驶技术。但这种方法的缺陷是无先验知识,缺少精细化处理,难以处理罕见事件。另一种方法是移动机器人(mobile bot),把任务拆解成小问题,用深度学习解决每个问题。通过机器人,可以进行高清地图生成、局部规划和全局规划。

 

Momenta是如何做的?感知(perception)。使用传感器+深度学习,模拟视觉对环境的感知。其中包括移动物体感知(车辆、行人)、静态物体感知(道路、交通标志)。通过提取从多辆汽车拍摄的2D图像语义点来重建道路、交通标志、信号及周围环境的3D位置,融合来自GPS和IMU的数据,可以创建更高精度的HD地图。算法可以根据当前环境感知和高精度地图信息,做出驾驶决策规划,解决在罕见路况失灵的问题。

 

集智俱乐部张江:当复杂系统遇见深度学习


WeChat 圖片_20170723204459.jpg


集智俱乐部创始人张江,用集智俱乐部的性质给他的主题演讲做引入。集智俱乐部是个什么样的组织?最简单的理解,它是一个学术社群。但集智俱乐部背后其实分为两个群体,一个群体是复杂系统理论者(complexity’er),另一群是机器学习者(machine learner)。前者的代表是哈佛大学物理学博士后尤亦庄,他们大多是物理学家、社科学科学者,追求理论的精深;后者的代表是彩云天气创始人、CEO袁行远,他们追求实践价值,致力于用科技改变社会。张江说,“连接这两群人的,就是我。”

 

复杂系统其实是一种科学,也经历了历史发展,它是一个以方法论为导向的领域。在过去几年,AI的发展飞快。研究复杂网络系统多年的科学家张江发现,他们之间可以互相补充,互相帮助理解。

 

张江详细介绍了以复杂系统为原理的神经网络的应用。例如预测非洲的贫穷区,使用神经网络系统训练的预测模型要准确很多。作为第二个例子,张江展示了如何通过结合DeepWalk算法和CNN网络,打造一个复杂网络分类器。通过大量生成的网络数据来训练,分类器可以学习到抽取原网络的多尺度特征,从而区分无标度和小世界特性。

 

张江最后介绍了集智AI学园。这是作为学术社群的集智俱乐部在应用领域迈出的重要一步,让理论和应用两个群体有更多融合与发展的空间。

 

哈佛物理博士后尤亦庄:物理和机器学习有惊人相似性


WeChat 圖片_20170723204648.jpg


哈佛大学博士后、物理天才尤亦庄在研讨会上发表了自己的科研成果。

 

尤亦庄发现了一种方法,通过能够观测到的量子多体系统与能够观察到的纠缠,可以去推测没有办法观察到的系统中的纠缠。这种纠缠通常是长程的联系,也就是双曲空间中的内部连接。

 

尤亦庄的方法是波尔斯曼机(Boltzmann Machine)的深度学习算法,通过已知来推出未知,探索长程纠缠。他这样做的依据是,这种波尔兹曼机的数学表达式与量子多体系统有惊人的相似性。

 

当日下午,进行了主题为“科学技术中的AI”的两场讨论,有多位学者进行科研成果报告。“人工智能与公共政策工作坊”(AI and Public Policy: Frontiers in AI and Applications)已于7月23日圆满结束。

打开微信“扫一扫”,打开网页后点击屏幕右上角分享按钮

账号登录

重置密码

还没有账号?立即注册>

账号注册

已有账号?立即登录>注册企业会员

重置密码

返回

绑定手机