12月9-10日，由全國工商聯(lián)環(huán)境商會主辦，以“學(xué)習(xí)貫徹十九大精神：鍛造產(chǎn)業(yè)利劍 護衛(wèi)美麗中國”為主題的“2017中國環(huán)保上市公司峰會”在廣東肇慶召開。
中科院高性能計算機研究中心主任、博導(dǎo)譚光明在峰會上表示，人工智能成為經(jīng)濟發(fā)展的新引擎，還給社會建設(shè)帶來新機遇。在技術(shù)層面也是國際社會各個國家科研機構(gòu)競爭的高端技術(shù)。
中科院高性能計算機研究中心主任、博導(dǎo) 譚光明
以下是演講實錄：
最近在環(huán)保應(yīng)用領(lǐng)域做了一點事情，霧霾檢測方向做了一些應(yīng)用，一些算法研究，跟大家分享一下，后續(xù)還有很多事情需要往前推進。
人工智能已經(jīng)成為國家發(fā)展戰(zhàn)略的一部分，美國、歐洲、日本等也發(fā)展迅速。這些數(shù)據(jù)能夠說明問題，像各領(lǐng)域人工智能公司的創(chuàng)建，如雨后春筍般出現(xiàn)。人工智能成為經(jīng)濟發(fā)展的新引擎，還有給社會建設(shè)帶來新機遇。在技術(shù)層面也是國際社會各個國家科研機構(gòu)競爭的高端技術(shù)。
人工智能技術(shù)可以分類，引用UCLA朱松純的分類，歸納為六個：
①機器學(xué)習(xí)（各種統(tǒng)計的建模、分析工具和計算的方法）
②計算機視覺（暫且把模式識別，圖像處理等問題歸入其中）
③認知與推理（包含各種物理和社會常識）
④機器人學(xué)（機械、控制、設(shè)計、運動規(guī)劃、任務(wù)規(guī)劃等），像近期波士頓動力公司做了機器人后空翻的演示。
⑤博弈與倫理（多代理人agents的交互、對抗與合作，機器人與社會融合等議題）。
⑥自然語言處理（暫且把語音識別、合成歸入其中，包括對話）。
把近幾年的大事件，包括自動駕駛，把這些做一些分類，跟人工智能的深度學(xué)習(xí)技術(shù)，包括知識圖譜、深度學(xué)習(xí)、增強學(xué)習(xí)，這些在行業(yè)應(yīng)用中跟行業(yè)技術(shù)配合使用。今天提到人工智能就是深度學(xué)習(xí)，其實這只是人工智能大領(lǐng)域里面很小的一塊，事實上還有早期機器學(xué)習(xí)相關(guān)算法的研究，發(fā)展到今天，深度學(xué)習(xí)的技術(shù)已經(jīng)把很多技術(shù)做了替代，變得更加前沿的一個方法。
人工智能的三次浪潮與深度學(xué)習(xí)算法有比較好的契合。1958、1982、1986年分別是人工智能興起的時候。李國杰院士說過：“人工智能已經(jīng)炒過幾回了，經(jīng)歷了幾個夏天和冬天，忽冷忽熱；現(xiàn)在終于到了秋天了，是收獲的季節(jié)了。”
這次人工智能浪潮的興起，毫無疑問得益于深度學(xué)習(xí)技術(shù)的發(fā)展和興起。深度學(xué)習(xí)技術(shù)發(fā)展歷程坎坷。20年前，Hinton提出了Neural Network，沒有得到熱門發(fā)展。NN逐漸冷落，SVM和Boosting等不斷興起……Hinton于2006年在《科學(xué)》上發(fā)表文章，首次提出DL。熱點的興起也離不開背后技術(shù)的發(fā)展。一方面得益于計算技術(shù)的發(fā)展和推動，還有就是大數(shù)據(jù)的發(fā)展，兩者結(jié)合使DL深度學(xué)習(xí)方法能夠發(fā)揮更有效的作用。深度學(xué)習(xí)的基本思想就是構(gòu)建具有很多隱層的機器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測的準(zhǔn)確性。
深度學(xué)習(xí)模型，層次很多，通常有5層、6層，甚至10多層，上百層神經(jīng)網(wǎng)絡(luò)，對于技術(shù)能力的需求越來越大。在高度發(fā)展空間，深度學(xué)習(xí)類型有很多。針對不同領(lǐng)域，圖像、文本、語音識別等等，在實際應(yīng)用中常常都混合著使用，出現(xiàn)很多靈活的組合方式。根據(jù)實際實用問題，選擇合適的網(wǎng)絡(luò)。像很多寬帶一樣，google tensorflow，Caffe以及MX.NET等深度學(xué)習(xí)的框架。很多大公司或創(chuàng)業(yè)公司都基于這些框架開發(fā)自己的產(chǎn)品，做自己的研究。這些框架有不同的優(yōu)點和缺點。
這些缺點和深度學(xué)習(xí)的模型是一樣的，根據(jù)實際問題選擇更合適的框架和模型。做個簡單總結(jié)，Caffe是最早的深度學(xué)習(xí)框架，科研應(yīng)用的綜合性能好，但主要局限于CNN。MX Net更加注重高效，文檔詳細，上手很容易，運用也靈活。 Google強力推出的Tensor Flow，很多人跟隨這個框架使用，功能很齊全，能夠搭建的網(wǎng)絡(luò)種類更豐富，但綜合性能比別的開源框架要差一些。但在某些階段也不太注重性能。一個有效的解決途徑是針對具體應(yīng)用設(shè)計混合型學(xué)習(xí)框架。
但是目前存在很多的問題，可以通過三個方面來闡述。
第一，產(chǎn)業(yè)鏈。產(chǎn)業(yè)鏈不完整，缺少從國產(chǎn)芯片、平臺、應(yīng)用軟件的完整產(chǎn)業(yè)鏈。生態(tài)圈不豐富：缺乏CNN、RNN等多種深度學(xué)習(xí)算法訓(xùn)練庫。
第二，平臺。缺少對國內(nèi)處理器、DCU及其他國產(chǎn)加速器的開源服務(wù)平臺。像跟曙光合作的DCU、寒武紀(jì)，都沒有一整套開源作為支撐。缺乏覆蓋科學(xué)研究、經(jīng)濟民生等大規(guī)模深度學(xué)習(xí)訓(xùn)練的數(shù)據(jù)資源?，F(xiàn)在很多信息不共享，比如醫(yī)院、政府資源，數(shù)據(jù)看不到，平臺做的再好也沒有意義。
第三，應(yīng)用。頂級計算、國產(chǎn)處理器與深度學(xué)習(xí)應(yīng)用結(jié)合不足。深度學(xué)習(xí)應(yīng)用開發(fā)和使用門檻高、代價大、效率低、周期長。
針對這些問題，希望能夠結(jié)合以前在HTC做了一些技術(shù)，構(gòu)建AI創(chuàng)新計算平臺，從云計算、大數(shù)據(jù)、高性能計算這三個層面創(chuàng)造高效、靈活部署的平臺，幫助用戶快速使用AI的平臺。我們希望構(gòu)建一個面向人工智能應(yīng)用的開源平臺。
這個平臺是從頂層到上層，就是SAAS、PAAS、IAAS，一直做到頂層應(yīng)用產(chǎn)品。高性能所更多是做底層基礎(chǔ)平臺建設(shè)，最底層的IAAS，構(gòu)建一個統(tǒng)一的開發(fā)環(huán)境，幫助存儲分布式海量數(shù)據(jù)，以及跟上層資源的調(diào)度、算法的聯(lián)系，還有一些訓(xùn)練服務(wù)的標(biāo)注工具，再上向，就是面向在線服務(wù)的軟件開發(fā)服務(wù)和標(biāo)準(zhǔn)接口，再往上就是面向國內(nèi)行業(yè)用戶，構(gòu)建不同行業(yè)的應(yīng)用場景，包括圖像識別、視頻處理、語音識別等等。在每個層面都有重點，底層的中科曙光GPU，中科院的寒武紀(jì)芯片，申威處理器。在國產(chǎn)平臺上，構(gòu)建整套人工智能軟件的生態(tài)環(huán)境，推動平臺建設(shè)。有分析工具，模型、算法、調(diào)度、服務(wù)框架，未來陸續(xù)將開源平臺在社區(qū)開放。這是GPU，中科曙光首個DCU處理器面向高性能計算的總體架構(gòu)，我本人是在核心算法庫、軟件站，以及框架運用開發(fā)層面，圍繞底層平臺構(gòu)建開發(fā)環(huán)境。有一個初步的工作成果，在網(wǎng)上作了開源，有興趣的人可以看一下。
我們借助這樣的工作基礎(chǔ)，在全國布置了40多個城市云、10多個先進計算中心，提供全國最大深度學(xué)習(xí)GPU集群，有一萬以上的GPU。還有與應(yīng)用方一起，構(gòu)建了全球最大視頻深度學(xué)習(xí)的在線系統(tǒng)，科學(xué)院有裝置，提供深度學(xué)習(xí)、人工智能以及大數(shù)據(jù)支撐服務(wù)。
最后，簡單介紹一下氣象環(huán)保大數(shù)據(jù)分析的工作。如果做氣象預(yù)報，如何將各種來源數(shù)據(jù)做整合和訓(xùn)練，預(yù)報氣象，包括預(yù)警和分析。最近做了霧霾相關(guān)的預(yù)測研究，針對空氣質(zhì)量預(yù)測，現(xiàn)在也有一些方法，是基于一些模擬軟件，計算指標(biāo)值，變量，如PM2.5、PM10、SO2、CO、O3等，通過四個空氣污染模式（NAQP、CAMX、CMAQ、WRFC），再做擬合。但仍然存在一些問題，比如與觀測值差別還較大。在現(xiàn)有模式結(jié)果的基礎(chǔ)上，如何利用統(tǒng)計、機器學(xué)習(xí)等方法，提升預(yù)報的準(zhǔn)確率。
OCF算法基于兩個假設(shè)，得到兩條線，表明假設(shè)與實際不符，我們要做的工作就是把這兩條線的預(yù)測能夠更準(zhǔn)確，最后能夠重合。目前還沒有應(yīng)用更加復(fù)雜的方法，還是結(jié)合OCF最優(yōu)化算法，包括算法模塊的替換，預(yù)測效果還是不錯的。
這里有四個圖，在90天的時間維度下和120天的時間維度下，看到兩個站點預(yù)測值與觀測值對照圖?？梢钥吹骄G色（機器學(xué)習(xí)算法值）的線和藍色（觀測值）重合度還是很高的，兩條線趨勢變化也是一致的。圖中灰色線是最優(yōu)化算法集合實現(xiàn)的預(yù)測，通過簡單的機器學(xué)習(xí)算法能夠把空氣質(zhì)量預(yù)測應(yīng)用場景做得更加準(zhǔn)確，未來采用更加高效和深度學(xué)習(xí)方法能夠做得更好。
（根據(jù)錄音整理，未經(jīng)本人審閱）
提交關(guān)閉
