一位資深學(xué)者、70后，講述了從研究數(shù)學(xué)、數(shù)據(jù)、大數(shù)據(jù)、大計算，到制作機器人的親身經(jīng)歷。這里沒有某個技術(shù)的細節(jié)，卻有整個科技發(fā)展的脈絡(luò)，技術(shù)研究的思路，產(chǎn)品設(shè)計的方向。

本文根據(jù)浙江大學(xué)CAD&CG國家重點實驗室副教授、Rokid科學(xué)家顧問張宏鑫在鈦坦白的分享整理。

張教授是浙江大學(xué)理學(xué)博士、香港科技大學(xué)計算機系博士后。曾先后在微軟亞洲研究院、德國亞琛工大等做訪問合作研究。近年來已完成論文30余篇，其中多篇論文被SCI/EI/ISTP收錄，并獲得了較高的文獻引用率。在浙江大學(xué) CAD&CG國家重點實驗室，系統(tǒng)并深入地研究了數(shù)字幾何處理、計算機圖形硬件加速、三維重建、可視化和計算機視覺的理論，將離散微分方程、卷積理論成功應(yīng)用于快捷三維造型。與阿里云合作研發(fā)了渲染云系統(tǒng)，并參與了Rokid家庭陪伴機器人的研發(fā)。

以下是張宏鑫教授的分享：

大家好，我是浙江大學(xué)CAD&CG國家重點實驗室的張宏鑫，也是Rokid機器人研發(fā)團隊科學(xué)家顧問，感謝各位聽眾，也感謝鈦媒體給了我這么一個機會，和眾多人工智能行業(yè)的大佬們一起來做這個分享。

我雖然做機器學(xué)習(xí)相關(guān)的應(yīng)用研究已經(jīng)十多年了，但還算不上一個真正的搞機器學(xué)習(xí)或者人工智能的專家，勉強可以算是一個資深的玩家，因為我自己的研究興趣其實主要在圖形學(xué)和計算機視覺交叉的領(lǐng)域，后來慢慢擴展到對數(shù)據(jù)的可視化分析。借此機會，我想通過我個人的一些經(jīng)歷，反映我們這一代人的想法，進而講一些我對人工智能的粗淺認(rèn)識，供大家研討。

緣起

我們這代人屬于70后，我記得我最小時候最喜歡看的一個動畫片是《鐵臂阿童木》，最早看的科幻電影應(yīng)該是《星球大戰(zhàn)》三部曲，當(dāng)時對電影里面的R2D2等等機器人特別特別的著迷，這些片子使得我們這代人對智慧機器人有了最早的直觀認(rèn)識。但是說實話，最早并不知道什么叫“人工智能”，只是單純的覺得這是科學(xué)，這些可愛的機器人總有一天會出現(xiàn)在我們的生活當(dāng)中，會成為我們?nèi)祟惖暮门笥选?/p>

機緣巧合，直到兩年前的一天，我的好朋友——Rokid公司的創(chuàng)始人Misa找到我，說“我們做機器人吧”，我沒有任何猶豫脫口說“好吧，我們一起干！”于是，和Rokid的團隊一起開始了這個有趣的探索之旅。在這個探索的過程當(dāng)中，發(fā)現(xiàn)有很多的研究問題大有可為，所以現(xiàn)在也算是樂在其中。

種子

回想起來，從小學(xué)到中學(xué)隨著年齡的增長，我非常喜歡看幾本雜志分別是《科學(xué)畫報》、《飛碟探索》還有《奧秘》，也很喜歡背后的物理跟數(shù)學(xué)。然后再大一點的話，喜歡看《無線電》。但是后來發(fā)現(xiàn)，《無線電》里面很多簡單的小制作還可以，但是復(fù)雜的制作的話需要很多儀器，對于一個初中生、高中生來說是買不起的。所以覺得不如退一步，因為數(shù)學(xué)自己還不錯吧，就以數(shù)學(xué)為基本工具來探索這個世界。后來也比較幸運，考上了浙江大學(xué)，就讀數(shù)學(xué)系，算是了卻了自己的心愿。也就是在大學(xué)里，有一次很偶然的機會認(rèn)識了Misa同學(xué)，因為他和我一樣很喜歡彈吉他，沒想到兩個人因為彈吉他在一起，斷斷續(xù)續(xù)合作了很多年。

在大學(xué)三年級的時候，大概是1996年前后，有一個很有趣的事情。當(dāng)時的數(shù)學(xué)系主任是陳叔平教授，他有一次找我們一幫學(xué)生來聊天，問我們對什么東西感興趣。輪到我講的時候，腦子里就突然冒出了三個字——機器人。然后我就對陳老師說，我很想做機器人。陳老師當(dāng)時愣了好一會兒，微笑著鼓勵我說，“以后要多學(xué)習(xí)專業(yè)知識，和自動化還有計算機的老師多合作”，也許就是因為師長的這種鼓勵，后來促使我花了很多時間去學(xué)計算機的技術(shù)，并輔修了偏工程的電氣專業(yè)。

所以說在大學(xué)期間的這些經(jīng)歷，在我們70后這一代人的身上埋下了現(xiàn)在做這些智能設(shè)備、智能技術(shù)的種子，才有了今天Rokid的產(chǎn)品。也正是因此，我們愿意跳出自己的小圈子，把電子器件、計算機技術(shù)，以及很多數(shù)學(xué)的算法邏輯等等元素組合在一起。說實話，是因為喜歡彈吉他，喜歡音樂，當(dāng)年我們這幫人才能夠聚攏來，去探索這個有點離經(jīng)叛道，但有些跨界的美物。

也正是因此，我覺得人工智能，不能簡單理解為是一組算法所形成的自動化邏輯，它是軟硬件技術(shù)的結(jié)合體，只有實物化才是王道。

小數(shù)據(jù)時代

后來很幸運，順利保送浙大碩士以及直接轉(zhuǎn)為博士，師從數(shù)學(xué)系的王國瑾教授。他當(dāng)時給我的論文題目是《復(fù)雜形體建模與繪制的離散方法研究》。在這個課題當(dāng)中，其實我們研究的是一種樣條理論，試圖通過一種過程式的細分曲面方法來表達三維場景。所以在當(dāng)時，我廣泛的探索了各種各樣的三維模型如何去進行表達，怎么樣去進行有效繪制之類的問題。

在博士期間，大概2001年左右，我去微軟實習(xí)了一段時間。加入了微軟沈向陽博士領(lǐng)導(dǎo)的視覺組，在他那邊做實習(xí)生。當(dāng)時到這個組，給了我一個專門的問題，希望我做重光照（relighting）技術(shù)方面的研究。什么是重光照？具體而言，就是研究從一張圖片或者多張圖片中，首先是恢復(fù)三維場景，然后再根據(jù)這個三維場景的信息進一步猜測計算物體的材質(zhì)屬性（補：最后是對三維場景重新打光）。當(dāng)時來說，這是一個很難的問題，而且需要用到很多的計算機視覺技術(shù)，包括圖像分割、立體視覺還有很多數(shù)據(jù)統(tǒng)計的方法。這些方法都是可以看作是人工智能的一種形態(tài)，也是機器學(xué)習(xí)里面的一些典型方法。當(dāng)時在微軟，有非常好的氛圍。我記得當(dāng)時有很多很厲害的人，現(xiàn)在都已經(jīng)成為了研究員、教授，比如說孫劍、劉策等等，大家在一起廣泛討論了很多機器學(xué)習(xí)的方法。

我在微軟的工作屬于“可視計算”領(lǐng)域。可視計算這個方向?qū)嶋H上是計算機圖形學(xué)和計算機視覺的交叉領(lǐng)域，這兩個方向其實可以說是天生的一對。計算機圖形學(xué)，是一種正向從三維的場景或者數(shù)據(jù)去生成二維圖像的一個過程；而計算機視覺恰恰是反過來的，是從二維的圖像反向去猜測或者是預(yù)測三維的結(jié)果，特別是基于圖像的重建那塊的內(nèi)容，可以說圖形學(xué)跟計算機視覺是不可分家。所以，在學(xué)術(shù)界把這兩者加在一起叫“可視計算”。

微軟期間我印象最深刻的是，從那個時候開始接觸所謂的小樣本學(xué)習(xí)方法。因為當(dāng)時我們有一個討論班，例如孫劍、王天樹、劉策，還有別的一些朋友，包括朱頌春老師，大家在一起討論各種各樣的視覺方法。期間，我們重點研讀了，SVM發(fā)明人Vapnik博士所寫的一本很有名的書叫《統(tǒng)計學(xué)習(xí)理論的本質(zhì)》。在這本書里面他廣泛研討了SVM方法的理論。全文的宗旨是希望通過比較小的樣本，就能夠?qū)W習(xí)獲得一個很好的統(tǒng)計模型，這個模型是通過數(shù)據(jù)進行計算來獲得的。在當(dāng)時的這樣一種氛圍底下，其實大家都在探索各種各樣的機器學(xué)習(xí)的方法，除了SVM方法以外，還有比較重要的是一些降維的技術(shù)。

博士畢業(yè)后，我在香港科大做了一年的博士后，當(dāng)時在那邊合作的老師是戴秋蘭教授，跟她一起做的是基于草圖的人機交互。香港科大在當(dāng)時如日中天，集合了一大幫來自于五湖四海的科研人員，有的在那邊做博士后的，也有在那邊當(dāng)教員的。這期間我很榮幸結(jié)識了張志華老師，大家親切的把他稱為“老張”，他現(xiàn)在在上交大和北大任教。老張既是我的老師，也是我的朋友，我們經(jīng)常飯后一起在香港科大的海邊散步。散步的時候，他就跟我講好多統(tǒng)計的方法。為此，我們后續(xù)合作做了一些數(shù)據(jù)降維的工作。最終，其中一個算法被用于圖形學(xué)中的模型分解跟紋理映射。在當(dāng)時大家都特別推崇小樣本的統(tǒng)計方法，用了很多統(tǒng)計學(xué)里面的理論和計算技巧。但是當(dāng)時大家都比較鄙視神經(jīng)網(wǎng)絡(luò)方法，這是挺特有意思的一個過程。

大概在2005年到2006年左右的時候，我有幸訪問了德國亞琛工大，在那邊訪問的教授是Leif Kobelt。他當(dāng)時主要做很多關(guān)于三維網(wǎng)格處理的研究，其課題組的很多技術(shù)其實最后都輸出給寶馬汽車，因而有很多的橫向課題。在訪問Kobelt教授期間，我主要致力于將機器學(xué)習(xí)技術(shù)進一步引入到圖形學(xué)當(dāng)中，用于三維模型的處理和分析。因為在當(dāng)時，我跟浙大CAD實驗室的一位博士生叫許棟，做了一個很有趣的工作。我們這個技術(shù)，可以在不同的三維模型之間進行插值，背后用的計算理論是網(wǎng)格上的微分方法，我們將其稱為“泊松形狀插值”。

泊松形狀插值的方法，Kobelt教授也非常感興趣，因為他發(fā)現(xiàn)這個技術(shù)也許可以用于寶馬汽車的外形設(shè)計。后來，我們也逐漸意識到這一技術(shù)，也許是一種物體的本質(zhì)表達方法。但是怎么樣去驗證這件事情不好說，因為需要大量的數(shù)據(jù)。因此，從這個項目開始，我就越來越關(guān)注圖形數(shù)據(jù)庫方面的一些進展。這當(dāng)中我們發(fā)現(xiàn)很多數(shù)據(jù)，其實適合去做一些數(shù)據(jù)驅(qū)動的方法。如果能累積較多數(shù)據(jù)，不光是能夠去做圖形的形狀分析與搜索，還能夠去驅(qū)動一些相關(guān)的物理仿真。

記得有一年，我和一個叫宋超的博士合作做了一個關(guān)于物理仿真的技術(shù)。在這個仿真技術(shù)里邊，我們不光用了是事先采集好的一些形狀數(shù)據(jù)，而且還融匯了一個物理力學(xué)模型。我們把兩者結(jié)合起來，來做到一個比較真實，但是速度非?？斓奈锢矸抡嫘Ч?/p>

但當(dāng)時做了這一系列的研究之后，說實話我們在學(xué)術(shù)方面其實有些迷茫，特別在圖形學(xué)方向。該方向已經(jīng)發(fā)展到一個非常高的高度，進入了一個平臺期。所以我們在做一些嘗試，想從別的角度去進行一些挖掘，看看還有沒有別的路可以去走。這一點恰恰把我們70年代的人引入到大數(shù)據(jù)的時代來了。

大數(shù)據(jù)時代

大概是在2010年左右，我們前前后后做了三個不同的項目，我把這三個項目總結(jié)為三個“大”。

• 大計算

在2010年左右的時候，阿里云的王堅博士找到我們，希望把我們已有的圖形計算渲染，這種非常復(fù)雜的計算過程，搬到阿里云上。后來這個項目通過兩到三年的努力成型后，成為阿里云第一個上線的saas應(yīng)用。

有一次，我們兩邊合作總共調(diào)集了6500臺計算機，或者說計算節(jié)點，來完成一部動畫電影的渲染任務(wù)，這個片叫《昆塔傳奇》，是我們杭州本地的一家廣告企業(yè)博彩傳媒拍攝的。我們把這么大規(guī)模的計算資源調(diào)度起來，做這么一個復(fù)雜的計算任務(wù)，其實是非常了不起的。正是因為能夠大規(guī)模的去調(diào)動這種計算資源的經(jīng)歷，使我后面可以說是開竅了，讓我很興奮，覺得這種大的計算能力真的可以做一些事情。

• 大并發(fā)

我們在完成了阿里云這個項目之后，浙江大學(xué)的相關(guān)領(lǐng)導(dǎo)對我們很看重，把浙江大學(xué)研究生信息系統(tǒng)的改造項目，交給了我的課題組。為此，我們課題組經(jīng)過三年的努力，加上研究生院的老師一起，對整個研究生院的業(yè)務(wù)系統(tǒng)進行了一次改造。

在這個改造項目當(dāng)中，最難的一點在于我們浙大每年有五千名研究生入學(xué)。然后這五千人一旦入學(xué)之后，會進行一次集中選課，而且這個選課的流程是比較復(fù)雜的?？梢哉f這個業(yè)務(wù)系統(tǒng)，就需要支撐五千個人同時進到這個系統(tǒng)進行選課。這是一個高并發(fā)的項目。我們通過自己的努力，加上一些朋友幫忙，設(shè)計了一個很好的基于云的架構(gòu)。目前這個項目已經(jīng)順利結(jié)題，并已經(jīng)上線。我們浙大五萬師生目前每天都在使用這樣一個系統(tǒng)。

• 大數(shù)據(jù)

在2010年代，我們接觸的第三個項目才真正讓我認(rèn)識到什么叫做大數(shù)據(jù)。當(dāng)時在杭州本地有一家創(chuàng)業(yè)公司叫做淘淘搜。因為淘淘搜的CEO，也恰恰是我們浙大的同事，他有一次來找我，說我們能不能合作，把淘淘搜的圖像庫給利用起來。這個圖像庫有多大呢？當(dāng)時的數(shù)據(jù)是大概有四千萬張圖像。我們從中抽取了大概兩百萬張圖像，主要是四類——衣服、包、鞋子、褲子。我們希望能設(shè)計出一種新的交互方法，這個基本上重用了我們之前的一些技術(shù)，就是草圖交互，我們希望通過草圖交互做一個以圖搜圖的功能。

在整個項目實施過程當(dāng)中，我們其實也借鑒了很多數(shù)據(jù)庫的相關(guān)技術(shù)，把數(shù)據(jù)庫里所謂的倒排索引技術(shù)，應(yīng)用到了我們圖像索引里面來。通過它，我們提供給用戶一個非常舒服方便的交互界面，使得用戶通過簡單的勾勾畫畫，就可以選中相關(guān)的圖象數(shù)據(jù)，后來我們上線了一個專門的App應(yīng)用放在蘋果的商店里叫“服飾繪”。通過這個應(yīng)用，用戶可以進行勾畫、搜索最后形成購買。

通過這三個項目，以及各方面科研，我們有很多深刻的體會。在2010年代開始之后，整個業(yè)界擁有的計算能力非常強大了，也有了大規(guī)模的數(shù)據(jù)。而且這些數(shù)據(jù)就是由大規(guī)模的人群產(chǎn)生，因為高并發(fā)往往背后是一個大規(guī)模的普通用戶人群的出現(xiàn)。

這三者的合力其實給了我們一些契機，讓我們覺得數(shù)據(jù)驅(qū)動方法已經(jīng)不能只局限于以前的小規(guī)模小樣本的數(shù)據(jù)，這個大數(shù)據(jù)的時代真的是來臨了。

但在這個心里面，其實一直記得當(dāng)時有一個宿愿，就是怎么樣做機器人這件事情？因為對于機器人，我們總是覺得它是很有智慧，很有力量的。它的這種能力的來源，是不是可以通過這種大計算、大并發(fā)與大數(shù)據(jù)的依托去做呢？這是當(dāng)時放在腦子里的一個問題。

智能家居時代

正是因為我們在2010年左右完成的這一系列項目，使得各方面的合作紛至沓來，我們也有機會結(jié)合一些具體的項目來思考大數(shù)據(jù)如何應(yīng)用到機器人。后續(xù)我們做了兩個方面的探索：一個是在原有可視計算方面的探索，另一個是對人工智能與可視分析方法的探索。而這兩個探索的背景，是我們觀察到，最近幾年整個IT行業(yè)已進入到智能家居時代。

• 可視計算方面

我們發(fā)現(xiàn)了一個趨勢，那就是視覺技術(shù)的重新興起。比方說我們在Rokid做了很多新的技術(shù)研發(fā)，特別是人臉方面。我們從人臉檢測、人臉識別、人臉表情、年齡判斷到性別判斷，做了一系列的工作。最近一段時間，我們在人臉年齡識別方面，在某一個人臉數(shù)據(jù)庫上已經(jīng)刷到了世界第一，因為我們找到了一種新的計算方法。

另外，我們在手勢識別方面也做了一些很有益的探索。當(dāng)時我們在設(shè)計Rokid的時候，有一個初衷，希望除了人能通過語言跟Rokid進行交互，還能通過視覺通道來做各種各樣場景的交互，手勢是其中非常重要的一種手段。

人臉也好，手勢也好，其實我們發(fā)現(xiàn)，思路基本上都是通過大量數(shù)據(jù)的累積，來訓(xùn)練合適的模型。這種模型再結(jié)合具體的場景，進行進一步的改造跟提升，就能使它更加實用化。這其實是一個非常有意義的探索。在這個過程當(dāng)中，不僅僅是簡單去用深度學(xué)習(xí)等大數(shù)據(jù)處理方法，也要把之前小樣本學(xué)習(xí)里面的各種技術(shù)，比方說各種統(tǒng)計的方法要綜合利用起來。

Rokid是家庭里面的伙伴，所以我們覺得對Rokid這樣的設(shè)備，對家庭環(huán)境的認(rèn)知其實是非常重要的。所以我們結(jié)合相關(guān)項目的需求，著重做了幾件事情：第一個，我們研發(fā)了一個技術(shù)，就是如何從建筑平面圖當(dāng)中能夠快速的重建室內(nèi)三維結(jié)構(gòu)。因為對于整個家庭環(huán)境來講，整個三維結(jié)構(gòu)的建立是非常重要的，而讓一般人去做一個交互生成一個三維的建筑平面圖，并不是每個人都可以完成的。所以比較合適的、折中的方式，就是盡量通過一些比較容易獲取的手段拿到這個三維信息。一個思路是，比如說樓道里經(jīng)常有一些建筑平面圖，類似于消防方面的信息，我們的技術(shù)可以通過這個圖直接進行構(gòu)建。另外一個思路是，我們也做過嘗試，就是怎么樣從深度圖像里面去重建三維場景，這也是最近大家比較關(guān)心的一塊內(nèi)容就是SLAM。只有你對三維場景有認(rèn)知之后，很多家庭的應(yīng)用，場景里面的應(yīng)用就可以真的做起來了。

還有一個很有趣的點，怎么樣把視覺的方法跟語音的方法結(jié)合起來，或者說，做所謂的多模態(tài)識別？舉個例子，當(dāng)Rokid看到一個人的時候，不光是“見其形”，也是“聞其聲”。只有在此基礎(chǔ)上，我們對于見到那個人有更多的認(rèn)知，對他的了解或者判斷會更加的準(zhǔn)確。所以其實在這里是有很多的事情可以去做的，我們最近也在做這方面的一些探索?？偟膩碚f，這些內(nèi)容是在可視計算方面與智能家居的一個結(jié)合點。

• 人工智能與可視化分析

智能家居時代跟可視化分析是緊密結(jié)合在一起的。一個重要原因是在于：像這樣的智能家居設(shè)備，會產(chǎn)生大量的后臺日志信息，而如何重用這些信息，本來就是一件非常有趣的事情。

舉幾個我們最近幾年研究的案例。比方說我們在后臺搜集Rokid的一個應(yīng)答內(nèi)容，它是一種短文本信息。當(dāng)時我們?yōu)榱俗鰧嶒?，大概搜集?00萬條短文本信息。我們希望通過這個短文本信息，能夠做一個應(yīng)答場景的判斷。比方說，你跟Rokid講一句話，“若琪，我想聽歌”，其實應(yīng)該是個音樂場景；而“若琪，今天天氣怎么樣”是一個天氣的問答場景。后來，我們就是拿了這200萬條的數(shù)據(jù)，采用了一個深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型進行了訓(xùn)練。在這個方法當(dāng)中，我們做了一個特別的嘗試，就是“不分詞”。因為Rokid的主要用戶是講中文、普通話的人群，所以我們需要對中文進行針對性的處理。

我們知道，中文處理往往面臨一個問題需要對中文進行分詞。但是實際上我們后來發(fā)現(xiàn)，中文未必需要進行分詞。我們可以把中文里面的每一個字看成是一個單元，然后把它作為一個構(gòu)建神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，來進行一個深度學(xué)習(xí)的網(wǎng)絡(luò)構(gòu)建。通過這個網(wǎng)絡(luò)的構(gòu)建，我們就能夠做出一個很好的分類模型，當(dāng)時我們用了GPU來進行數(shù)據(jù)的訓(xùn)練之后，大概能達到97%的準(zhǔn)確率。所以從這個方面來說，是一個很有意義的嘗試。雖然我本身不是做自然語言處理的，但是因為這些問題背后面臨的數(shù)據(jù)，在那些問題里是相通的。使得我們有機會來做一個有益的嘗試。

從而我們發(fā)現(xiàn)，這個數(shù)據(jù)本身雖然是大規(guī)模的，但每一條數(shù)據(jù)單位的信息量很少。只有集合在一起，這個數(shù)據(jù)的價值才是很高的，才有豐富的內(nèi)涵值得我們?nèi)ネ诰?。在Rokid短文本的訓(xùn)練當(dāng)中，我們還得到了一些啟示：是不是可以對一般的數(shù)據(jù)，也采用類似的自然語言處理的方法，來進行學(xué)習(xí)訓(xùn)練，最后獲得一些好的分析結(jié)果。

當(dāng)時正好有一位朋友，給了我一個千萬級的手機日志數(shù)據(jù)。所以我們在這個數(shù)據(jù)集合上面，做了一些探索。這個案例里，我首先介紹下這個數(shù)據(jù)本身。大家知道，現(xiàn)在手機在運行過程當(dāng)中，后臺會產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)會由一些專門的日志分析公司進行搜集。我所拿到這份數(shù)據(jù)里，是一份每個手機里面安裝的應(yīng)用表的數(shù)據(jù)?，F(xiàn)在好多HR在面試人的時候，經(jīng)常會問對方要手機，看對方的手機里面裝了什么樣的應(yīng)用，因為可以通過一個人在手機里面安裝應(yīng)用，大概能夠分析出這個人的興趣、愛好，平常喜歡干些什么。我們就是利用這個原理，抽取了這么一個千萬級用戶的應(yīng)用列表，希望通過這個應(yīng)用列表來分析用戶的興趣點，也就是通常所說的用戶畫像。在這個應(yīng)用當(dāng)中，其實我們是把后臺的日志數(shù)據(jù)通過某種形式的轉(zhuǎn)化，轉(zhuǎn)化成了一個個“文本”。通過這個“文本”再做一些語義分析，我們就獲得了人群的聚類信息，相當(dāng)于我們給每個人或者說“文本”做了一個量化，量化成了一個向量。

有了這個量化信息之后，我們在這么一個大規(guī)模的數(shù)據(jù)上面，就可以再進一步進行可視化。我們分別做了兩種可視化，包括宏觀的和微觀的。通過這個可視化，我們可以看到各個人群的興趣和愛好，他是不是對游戲感興趣，或者說他是不是對于QQ、聊天之類的感興趣。這個其實是有很大的業(yè)務(wù)場景可以去應(yīng)用的。

這樣的數(shù)據(jù)如果只是數(shù)據(jù)層面去進行分析，去進行統(tǒng)計的話，是不直觀的。所以在這項研究當(dāng)中，我們充分利用了最近大家都在談的地理信息可視化方法。我們把所有的數(shù)據(jù)都投在一個地圖上面，投在這么一個空間上面，做時空數(shù)據(jù)的分析。為此，我們找了很多專家，讓他們?nèi)タ次覀兊目梢暬Y(jié)果，大家都覺得這個很有意思，因為可以從這個地理信息的可視化上直接發(fā)現(xiàn)一些端倪和趨勢。

后來我們又延續(xù)了這個思路，分析了杭州市運營車輛的數(shù)據(jù)。這個數(shù)據(jù)規(guī)模也差不多是一個十萬級別車輛的數(shù)據(jù)，總共一個月的信息，我們做了一個統(tǒng)計跟可視分析。在這個案例里邊，我們同樣的是把汽車的軌跡轉(zhuǎn)化成像文本一樣的內(nèi)容。你可以認(rèn)為一條汽車軌跡就是一個文本，既然是一個文本的話，我們就可以來進行量化分析，用自然語言的方法來進行處理。通過這個量化處理之后，我們就又可以對每條軌跡做一個畫像，然后千千萬萬的軌跡匯聚在一起，我們最后可以對一天24小時獲得24個不同的交通轉(zhuǎn)換圖。有了這個圖之后，我們就可以進一步的來看看每個時段在城市里面各個關(guān)節(jié)要點，是如何在進行各種車輛之間的轉(zhuǎn)換的。是不是某時段從城西到城東去買東西的很多？或者在某一個區(qū)間段到機場會比較繁忙？

這兩個應(yīng)用案例里面，其實沒有用到太多的深度學(xué)習(xí)方法，但是其實里面也包含了一種人工智能的智慧。因為我們是對這種大規(guī)模的數(shù)據(jù)進行了深度的分析，看起來真的是有一點智能。而在這樣的案例當(dāng)中，人也參與到了整個的分析過程當(dāng)中，起到了對數(shù)據(jù)進行進一步梳理，設(shè)計整個處理過程的作用。

對于云計算，之前我們搞過那些大計算的任務(wù)，也做過類似的一個研究。因為我們在做渲染云的時候，曾經(jīng)遇到過云計算后臺有大規(guī)模的數(shù)據(jù)在那里。對于整個并行計算運行的數(shù)據(jù)，那些CPU，對內(nèi)存的占用等各種信息，其實我們都有，但是靠人是看不過來的。然而機器可以，機器可以把這些數(shù)據(jù)給記錄下來，然后計算。所以我們就想了一個方法，是不是能夠把機器記錄下來的數(shù)據(jù)進行可視化，再讓人來做進一步的分析。這個方面的問題，其實我們前前后后做了將近三四年的研究。開始的話也沒有什么眉目，直到最近兩年我們通過跟UC Davis的馬匡六教授合作，做了一個有趣的工作，發(fā)表在了今年的IEEE TVCG上面。我們把云計算各種各樣的指標(biāo)做了一個綜合，而這些指標(biāo)通過可視化的系統(tǒng)可以展現(xiàn)出來。通過這么一個可視化的方法，我們把他稱為行為線，英文叫Behavior Line。對于每一臺機器，對于一個集群里面的每一個計算節(jié)點，我們都可以進行刻劃，然后通過這些行為線的匯聚進行可視化之后，我們可以分析清楚在一個集群當(dāng)中很多分布式的計算任務(wù)是如何進行調(diào)度的，他整個的計算生命周期當(dāng)中的各種資源是如何進行變化的。通過這種分析，我們可以進一步知道，在一個云計算集群里面，計算資源是如何分配，可以如何進行優(yōu)化的。

最后一個案例也是關(guān)于Rokid的，上半年我們做的一項很有趣的工作，把Rokid的很多日志數(shù)據(jù)按照時間，按照月、星期、天進行了一個可視化，我們把這樣的分析稱為“可視化敘事分析”。因為我們希望知道一個用戶或者一群用戶在使用Rokid的時候，一天做了哪些事情？在這個項目當(dāng)中，我們把整個日志數(shù)據(jù)進行了清洗，進行各種各樣的整理，也通過類似前面所講的自然語言處理的方法，進行了分類。用戶的行為，通過這種方法，還真可以顯現(xiàn)出來他每一天的規(guī)律?？梢哉f是“躍然圖上”了。

未來

從我非常個人的理解來說，人工智能是一種基于數(shù)據(jù)的累積，是一種數(shù)據(jù)驅(qū)動的方法。這個跟我個人的研究經(jīng)歷有關(guān)系。從小數(shù)據(jù)時代到大數(shù)據(jù)時代，到后面的智能家居，對各種各樣應(yīng)用數(shù)據(jù)的處理，我們深深的體會到這種數(shù)據(jù)驅(qū)動方法是無處不在的。而且人工智能應(yīng)該是人的智慧與機器智能的融合。因為在我們的研究當(dāng)中，特別是最近一段我們在可視分析領(lǐng)域的些微進展，讓我特別確信這一點。在這個過程當(dāng)中，存在人與機的互動。這個最早在我們開始做人機交互的時候，其實我隱隱當(dāng)中已經(jīng)覺得有這種因素在。因為在這個過程當(dāng)中，機器往往負(fù)責(zé)的是機械邏輯方面的一些計算，各種數(shù)據(jù)的清洗，非常繁復(fù)的工作，而且轉(zhuǎn)得非?？臁Ｈ素?fù)責(zé)思考，進行數(shù)據(jù)的整理，從宏觀方面，從邏輯方面，進行進一步的分析。同時這種機器和人之間的互動形成了一個閉環(huán)。我相信這種閉環(huán)對于我們這種數(shù)據(jù)科學(xué)，對人工智能，甚至對因人工智能而所產(chǎn)生的智能家居設(shè)備，它的制造、生產(chǎn)以及設(shè)計各個環(huán)節(jié)，都會是有很大的助益的。

 

 

人工智能概念股：埃斯頓、科大智能、漢王科技、江南化工、華東數(shù)控、和而泰、中科曙光、永創(chuàng)智能、北京君正、通富微電、永創(chuàng)智能、勁拓股份。