AI ProCon圓滿落幕，五大技術專場精彩瞬間不容錯過_AI100

AI ProCon圓滿落幕，五大技術專場精彩瞬間不容錯過

AI1002019-09-13 09:27:28

2019 年 9 月 7 日，由新一代人工智慧產業技術創新戰略聯盟（AITISA）指導，鵬城實驗室、北京智源人工智慧研究院支援，專業中文IT技術社群 CSDN 主辦的 2019 中國 AI 開發者大會（AI ProCon 2019）迎來了重頭戲，機器學習、自然語言處理、計算機視覺、AI+DevOps 和AI+小程式五大技術專場先後開講，近 40 位行業專家和技術專家帶來了精彩分享。

今天， AI ProCon 有哪些值得關注的亮點呢？

今日精彩瞬間

關鍵詞：五大技術專場，場場乾貨

自然語言處理專題

華為諾亞方舟實驗室語音語義首席科學家劉群發表《預訓練語言模型的研究與應用》主題演講，分享華為諾亞方舟實驗室在預訓練語言模型的研究和應用實踐。

劉群表示，預訓練語言模型本身就是神經網路語言模型，它有個很大的優點是使用大規模無標註純文字語料進行訓練。在預訓練語言模型的應用上，華為推出了中文預訓練語言模型“哪吒”；將實體知識融入BERT並開發了“ERNIE”；基於GPT模型的中國古詩詞生成方法，推出“樂府”作詩機，在場同學立即玩起“樂府”來。

談及未來，劉群表示他們將會研究更好、更強大的預訓練語言模型，融入更多的知識，跟語音和影象結合後，希望能應用到更多領域。另外在模型壓縮和優化方面的研究期待能在終端落地。目前他們和華為海思合作，把預訓練語言模型在華為自己的晶片上實現。

思必馳副總裁、北京研發院院長初敏的分享主題為《對話智慧中的技術與實踐藝術》。初敏表示，現在她有兩個身份，不僅要做研發，還帶了一個事業部，所以很關心真正的技術如何在商品和商業化中應用。今天的報告側重點從應用的角度切入，探討如何在應用場景使用對話智慧。

她表示，在此前的大浪潮中，大家關注語音識音、喚醒等基本的語音能力，當這樣的能力達到可以很好地解決實際問題之後，最終智慧對話是否好用，對話中的機器人是否聰明、在機器和人對話中展現出來的智慧程度，會對後續產生非常大的影響。初敏認為，人機語音互動越來越重要了，思必馳的視角是幫助企業提高優化效果。語音互動中一個典型的場景是呼叫中心，其中人機語音互動可以發揮很大的作用。未來很多工作大部分都可以交給機器人，可以降低很多場景的人工成本。再如在企業內部，企業大了以後，企業內部的資訊溝通非常複雜，公司的 OA 系統、財務、人事、IT等各種問題都很麻煩。這時，通過語音互動、知識沉澱，加上語音對話可以很大地提升效率。

上海瓦歌智慧有限公司總經理、狗尾草科技人工智慧研究院院長邵浩發表了《自然語言處理在虛擬生命中的工程實踐》主題演講，分析了現階段自然語言處理產品的技術瓶頸，提出針對性的解決方案。邵浩說，現在我們周圍有很多聊天機器人產品，但目前有不好用、擔憂隱私洩露等問題，我們的期望值沒有被滿足。

邵浩認為，聊天機器人由多模態輸入、自然語言理解、對話管理、自然語言生成、多模態輸出構成的典型架構是“缺少靈魂的”。目前我們處於虛擬生命的1.0狀態，他想做一款不僅是關注聊天本身，還具有看、聽、說、動作、思考能力的下一代聊天機器人的產品。接下來他分享了他們在自然語言處理上的突破，包括預訓練語言模型在語義表示、文字的向量表示、Matching等方面的技術。他們還運用深度學習+知識圖譜技術來更好地理解使用者，開發出新智慧音響產品“HE葉修”。

微軟小冰全球首席架構師及研發總監周力以《全雙工語音對話以及在智慧硬體上的應用》為題，與現場的開發者分享了全雙工技術的應用與普及，重點介紹了全雙工語音的發展之路。他表示，人工智慧對話技術及自然語言處理的新挑戰諸多，利用全雙工語言對話可以輕鬆解決這些困難。

接下來，新浪微博機器學習團隊AI Lab負責人張俊林帶來了題為《Bert和Transformer到底學到了什麼？》的演講。

他首先介紹了BERT的基本原理和流程，以及其優缺點，BERT與Transfomer之間的關係，以及BERT到底比之前的RNN、CNN等傳統方法多學到的知識。就此他得出了一些關於Transformer和BERT到底學了什麼的結論，如第一層編碼層主要學習自然語言表層特徵，中層學編碼句法資訊，高層學到編碼語義特徵。

他表示，目前關於BERT的研究還不夠細緻，還需要做更深入的探索，相信未來會出現更多、更好的研究和成果。

百度NLP主任研發架構師、語義計算團隊負責人孫宇帶來主題演講《百度語義理解框架ERNIE》，本次演講主要介紹百度語義表示技術發展脈絡、ERNIE技術原理及其應用實踐。

孫宇表示，語言表示是解決自然語言理解的首要問題。其挑戰主要為自然語言存在基本單元一詞多義、多詞同義，句子表述無限等特性。

據介紹，百度於今年7月升級ERNIE技術，釋出持續學習語義理解框架 ERNIE 2.0，同時藉助飛槳高效分散式訓練優勢釋出了基於此框架的 ERNIE 2.0 預訓練模型。該模型在共計 16 箇中英文任務上超越了 BERT 和 XLNet，取得了 SOTA 效果。

XLNet作者、睿科倫智慧聯合創始人楊植麟帶來議題為《自然語言理解模型XLNet》的演講。

對於NLP落地的思考和實踐，他把NLP分為四大技術階段：傳統技術、預訓練、+AutoML和Human in the loop。他還說道，NLP的本質是把非結構化的資料結構化，從而產生智慧。在楊植麟看來，NLP可以分為四個市場階段：存量的文字非結構資料、存量的全渠道非結構化資料、增量的全渠道非結構化資料、線上線下融合&人機結合，未來，NLP市場化一可以向模化量產的方向前進，二是除了文字本身，我們更當關注全渠道市場，以更好地實現落地。

最後一位分享的嘉賓是科大訊飛 AI 研究院資深研究員崔一鳴，他的主題演講是《基於深度學習的機器閱讀理解》，本議題聚焦基於深度學習的機器閱讀理解技術，重點介紹近期在自然語言處理領域非常熱門的基於預訓練的深度學習方法及其在機器閱讀理解領域中的應用，並同步介紹相關中文資訊處理的研究發展。

崔一鳴表示機器在某些資料上已超過“人類水平”，但絕非代表機器已經具備足夠的理解能力，機器在依靠“匹配”等簡單模式的閱讀理解任務中表現優異，但涉及多句推理的情況，機器並不能夠給出滿意的結果。未來發展中，我們需要設計更加精妙的預訓練方法以及預訓練模型的壓縮。需要關注跨語言方法，通過“借力”的方式提升稀缺資源語種的系統性能。最後，探求“可解釋”的閱讀理解，為使用者提供更為可靠的人工智慧技術。

計算機視覺技術專題

快手矽谷實驗室負責人王華彥以《端上視覺技術的極致效率及其短視訊應用實踐》為題做了演講。

王華彥表示，端上視覺短視訊的應用場景帶來的技術挑戰有三方面：第一是不可控的複雜場景和環境；第二是極為有限的移動裝置計算資源；第三是由於所有應用都是時效性很強的。

為了解決這些挑戰，快手的解決方案和研究方向有四個要素：第一是運用高度結構化的模型和充分利用先驗知識；第二是面對計算資源的緊缺，需要充分發掘各種冗餘來提高演算法的推理效率；第三是用高度結構化的資訊表示提高學習演算法利用資料的效率，第四是快速開發和部署的需要。

在他看來，如果希望像人一樣高效地從很少的資料或者虛擬的資料中學習，就需要有分解的本事，把視覺資訊分解為形狀輪廓資訊和顏色紋理的資訊，才能在不同樣本中有效建立聯絡，從而提高學習的效率。

百度視覺技術部主任架構師、視訊基礎技術團隊技術負責人文石磊為現場觀眾介紹了網際網路視訊基礎技術探索和應用。基於百度豐富的視訊應用場景，什麼樣的技術來支撐應用？文石磊解釋，與網際網路視訊相關的技術分為視訊理解、視訊編輯、算力優化。視訊理解分三個內容，第一是視訊分類/檢測/摘要/垂類，第二是做多模態融合和知識圖譜，我們看到視訊內容不僅有影象還有語音、標題，這些不同的資訊資源該怎麼融合，基於視訊得到的標籤如何結合構建好的知識圖譜都是熱門內容。

商湯科技研究總監石建萍則以《視覺感知驅動的量產自動駕駛》為題主要介紹了商湯在智慧駕駛上的主要方向，第一是非常重要的ADAS駕駛輔助系統的量產方向，以模組級別裝到汽車上，要達到精確識別檢測，預警及時且準確率高，車規級標準，靈活易部署；第二是做自動駕駛的研發，以計算機視覺為主、多感測器融合的自動駕駛解決方案。第三是基礎技術，包括大資料、自研深度學習系統、自研FPGA計算平臺。

圖森未來合夥人&首席科學家王乃巖分享了圖森未來無人駕駛技術實踐。

為什麼圖森未來會選擇卡車貨運的場景？王乃巖解釋稱，一個最重要的原因是商業場景是成立的，對於計程車來說場景很複雜，至少是一個城市的級別，對於幹線運輸來說需求非常簡單，在一條道路上從A點到B點不會有多樣化的需求，簡化的需求恰恰是AI落地非常重要的因素，卡車貨運會是自動駕駛行業尤其高級別自動駕駛行業中最希望率先落地的場景。

圖森未來把無人車系統分為四部分，感知、定位、路徑規劃、車輛控制。感知過程中，要做的是融合不同感測器完成感知車輛周圍環境和狀態，為後面的決策規劃輸出合適表示。在定位階段，不同於拿出手機做導航的定位，他們在無人車做的定位是遙感車輛相對道路的基準。再往下的模組是路徑規劃，首先是融合前面兩個模組輸出做出下一步行駛決策，然後根據這樣的決策會生出一條車輛可知性的最優軌跡。最後一部分是車輛控制，執行規劃計劃的軌跡，輸出車輛控制量。

曠視研究院主任研究員、基礎模型組負責人張祥雨分享了高效輕量級深度模型的研究與實踐。

他提到了六點高效模型設計的基本思路，曠視會使用這六種甚至更多的方案綜合進行模型的設計。

在他看來，目前在輕量級模型設計這個領域基於模型搜尋的方法已經成為了目前的主流，也是最重要的研究方向。在實踐中會發現模型搜尋對裝置適配尤其是尋找對於具體裝置上執行時間最快、功耗最少的模型，相對於人工有非常大的優勢，但是也有很多問題，搜尋空間現在還是依靠人工設計，搜尋空間的設計非常依賴經驗，並且沒有好的指導原則，這是未來的研究方向和難點。

華為雲OCR人工智慧高階演算法工程師王晶講述了文字識別服務的技術實踐、底層框架及應用場景。

他認為，不只是OCR產品，而是所有人工智慧產品或其他產品都需要走這樣的路。第一條路是要持續突破新場景，要識別分子式，希望把證件類和票據類的APR歸一，很多公司都希望用一個模型包打天下，省時省力。其次是推理和訓練速度要持續優化，因為訓練速度的提高意味著產品更快的迭代，而推理速度的提高意味著成本更可控。

Google研發產品經理楊民光分享了Google的開源跨平臺多媒體機器學習模型應用框架MediaPipe。MediaPipe是一個針對機器學習工程師和研發人員的多媒體機器學習落地框架，用來幫助建立感知流水線。這個框架從2012年就開始研發，在谷歌內部用來做視訊和音訊方面的落地場景，比如YouTube每分鐘上傳兩三千個小時的視訊，Google要用機器模型看這個視訊是否有黃色和暴力，處理視訊的正是MediaPipe。

AI+DevOps技術專題

餓了麼高階架構師孫立偉以《餓了麼可拆分微服務的單體應用(EMMF)實踐》為題，立足於可拆分微服務技術，結合餓了麼實際應用案例，與現場的開發者分享了其單體應用（EMMF）實踐。基於EMMF的業務模組，使業務系統具備單體應用的管理簡單、快速迭代的特點的同時，也支援拆分成多個微服務的方式部署，以滿足業務系統不斷髮展的需要，同時也提高了業務系統的可測試性。

孫立偉強調，我們真正需要的是“模組化”，其實現要點主要包括“模組化”開發、依賴Spring Boot的自動化配置機制、依賴Gradle強大的指令碼能力、智慧的API閘道器、完善的自動化構建部署系統。

京東數科資深技術架構師、應用架構部負責人王超以《運維的資料化與智慧化轉型》為題，與現場的開發者分享了結合生產實踐，闡述運維中的痛點問題是如何通過大資料，智慧化的方式優化的，以及相關的AIOPS平臺是如何建設如何運用的。

王超表示，我們正處於VUCA時代，面臨著易變性、不確定、複雜、模糊的現實問題，為了解決以上問題，需要我們有主動的心態、敏捷的行動、洞察方法以及預見目標，及時進行運維的數字化轉型；另外，運維的智慧化可以做到智慧基線、更快發現問題、避免誤報、減少人工投入，因此要進行運維智慧化。基於此，王超介紹了閉環智慧監控、基於呼叫鏈的根因分析、基於多維下鑽的根因分析、容量規劃等處理方法。

華為雲運維服務產品經理徐博以《雲原生應用AIOps技術與實踐》為題，立足於雲原生應用AIOps技術，圍繞運維介紹了華為雲近幾年的相關成果，並與現場的開發者分享了利用AI提高運維的主要方式。

從運維困難到智慧運維的過程中，徐博表示，海量資料超過人類所能處理的量級；基礎設施，業務邏輯，技術棧複雜度越來越高，分析，定位問題困難；更短的斷服時間和更高的QoS。

降低MTTR。由此，從應用規模、複雜度與響應速度來看，都需要智慧運維的出現。

最後，徐博總結智慧運維的挑戰，首先，商業價值場景，解決客戶的痛點，AI只是一種技術，需要商業場景來匹配；其次，運維知識庫，AI演算法不理解資料業務屬性，需要運維知識作為輔助；第三，演算法高效準確，基於大資料運算平臺，演算法與場景完美結合。

阿里巴巴高階技術專家滕聖波以《阿里雲智慧運維的自動化三劍客》為題，與現場的開發者分享了阿里雲與智慧運維的發展之路，並重點介紹了自動化的三劍客，包括彈性伸縮、資源編排與運維編排。基於AI預測的彈性伸縮，智慧預測模式中，可以做到預測業務變化智慧調整例項數量，結合目標追蹤模式完美貼合業務變化；自動化三劍客之資源編排，阿里雲資源編排-ROS，提交程式碼資源自動修改，版本化管理，隨時回滾，Copy/paste完成資源成套複製；自動化三劍客之運維編排，為應對運維各種困境，阿里雲運維編排服務-OOS，是阿里雲官方的DevOps運維平臺，全免費，其高效率的Serverless執行引擎，有著高可靠的特性。

AI+小程式技術專題

Google Brain 工程師、TensorFlow.js 專案負責人俞玶發表《TensorFlow.js遇到小程式》的主題演講，分享TensorFlow.js的技術實現和與微信小程式相結合的落地實踐。

俞玶介紹道，TensorFlow.js是為JavaScript定製的機器學習平臺，為JavaScript 開發者提供簡潔高效的API。談及TensorFlow.js和微信小程式結合的落地實踐中，俞玶舉例道，動態虛擬試妝小程式在開發中遇到手機適配、微信對外掛的JavaScript檔案有大小的限制等問題，後採用TensorFlow.js技術，從模型、框架中優化該小程式，讓其成為至今已來最小、最快的虛擬試妝程式。談及未來，俞玶表示TensorFlow.js將會為更多的試用場景提供模型和解決問題的例子程式；後續將開發支援AutoML，為定製模型提供APIs；加強伺服器端推理執行的效能和可用性；用最新的技術提供效能優化；還將會支援更多的JavaScript執行平臺（例如支付寶小程式等）。

小米資深軟體高階工程師、快應用框架技術總負責人楊亮發表《快應用助力AI服務落地》主題演講，分享快應用的技術和如何助力AI服務落地實踐。

楊亮表示，當前App的生態有分發困難、應用孤島、內容冗雜、裝置特定的問題，難以滿足智慧化服務的需求。而基於手機+IoT硬體平臺的新型應用形態——快應用，其擁有服務矩陣、場景融合、多樣終端的生態能力和即點即用、原子服務的基礎能力，使得快應用更滿足智慧化服務的要求。例如，使用快應用+卡片幫助智慧助理來融合第三方的服務，實現了各種場景化的服務形態。具體技術實現先是通過演算法建議、狀態追蹤以及使用者訂閱的方式向用戶推薦其最需要的服務，然後將所有服務整合，重要資訊放在最上面進行資訊提示，這樣用快應用卡片的形式展現來自很多第三方應用的各類服務，提升使用者的使用體驗。

騰訊雲小程式·雲開發+AI方向核心研發工程師楊航發表《雲開發的小程式AI技術方案實踐》的主題演講，分享雲開發如何助力開發者在小程式AI技術上更好地開發實踐。

楊航介紹道，雲開發是支援小程式、Web等多端的應用開發平臺。雲開發小程式基於騰訊雲提供基礎服務，並提供雲資料庫、雲端儲存、雲函式等開發運維能力，讓開發者更專注於自己業務邏輯。雲開發為降低開發者在小程式端使用AI能力的門檻，從開發能力上支援更多的開發語言，雲函式支援Java、PHP等。

微軟（亞洲）網際網路工程院人工智慧語音團隊首席研發總監趙晟，微軟（亞洲）網際網路工程院 Office 365資深產品經理、Office 小程式負責人張鵬共同發表《微軟語音AI與微軟聽聽小程式實踐》的主題演講，分享微軟人工智慧語音的技術以及微軟聽聽小程式的落地實踐。

談及具體的應用實踐，張鵬分享微軟聽聽文件小程式便是使用微軟AI語音系統技術，實現AI朗讀PPT備註功能與AI朗讀公眾號文章功能，讓每個人都能輕鬆做出專業的語音文件。

最後，張鵬談到微軟Office微信小程式本地化策略方向有：一是資訊輸入，例如微軟AI識圖小程式；二是資訊管理，例如微軟Office文件小程式；三是資訊輸出，例如微軟聽聽文件。

機器學習技術專題

「機器學習技術專題」由北京一流科技有限公司創始人袁進輝作為出品人，該專題聚焦的是機器學習在產業落地中的實際挑戰。

機器學習技術專場的第一位演講嘉賓是好未來 AI Lab 演算法科學家楊非，他的議題是《人工智慧在教學場景中的應用》。楊非表示，目前用技術推動教育進步的過程可以分為三個階段，我們還處於教學輔助階段，比如通過OCR技術拍照判題。下一階段屬於價值創造階段，更多AI能力將貫穿整個場景，比如對學習過程進行評價，對學習全流程進行管理。再下一階段是因材施教階段，希望AI技術可以幫助學生自適應學習，通過AI的方式，讓老師和學生互動。

RealAI（瑞萊智慧）CEO 田天在《第三代AI思考與實踐》的主題演講中提出了自己的見解：第一代是知識驅動的符號模型，最具典型的是邏輯專家系統，但基於規則和知識驅動的系統很難做到比較大的規模。統計學習方法，包括深度學習方法，則屬於第二代人工智慧。但是以深度神經網路為代表的第二代AI存在不可靠、不安全、不可解釋等缺點，RealAI針對這些問題提出了貝葉斯深度學習等應對方式，並在金融、工業等垂直行業得到應用，報告分還享針對AI技術發展趨勢的展望。

第四正規化資深AI架構師陳迪豪的議題為《快速構建高效能AI應用——AI特徵資料庫技術實踐》。陳迪豪講道，隨著資料高速增長，AI進入大規模應用時代，而AI應用開發卻著面臨一致性和實時性的巨大挑戰。一方面，資料一致性問題為AI應用開發帶來不可預測的風險，而現有方案一般通過開發者人力進行模型轉換及一致性校驗，成本高且難以複用。另一方面，在AI應用中使用線上實時資料提升模型效果成為趨勢，但該系統開發難度大週期長，需投入大量人力才能達到預期效果與效能。第四正規化AI特徵資料庫採用獨有的AI儲存計算一體化架構，通過線上線下同源解析保證資料一致性，通過將毫秒級變化作為特徵自動入模降低AI生產級實時應用開發成本。開發者使用第四正規化的AI特徵資料庫，只需編寫離線調研指令碼，即可快速構建線上線下資料一致的高效能實時AI應用。

知乎演算法團隊負責人孫付偉分享了《Graph Embedding及其在知乎的實踐》。Graph Embedding 技術是一種將圖的拓撲結構進行向量表示的方法，從而獲取到網路關係資訊，應用於推薦等多種場景；在本報告中，孫付偉重點講了Graph Embedding 技術，以及在知乎的具體實踐，包括知乎使用者 embedding 的實踐和在在知乎收藏夾資料中的應用。未來，知乎還計劃用Graph Embedding 進行會員購買預測，以及個性化推送的召回（目前已經上線）。

上汽集團雲端計算中心AI應用部門技術負責人任如意和ThoughtWorks AI系統架構師廖國龍合作，分享了《如何構建面向大型製造業的一站式AI工作平臺》。為了支援上汽集團在自動駕駛、智慧製造等領域的探索和落地，上汽帆一尚行和ThoughtWorks合作開發了iGear，一個全流程的AI工作平臺。iGear主要分為資料平臺和計算平臺兩大部分，資料平臺管理海量的資料資源，包括PB級的資料儲存和管理、素材的管理和標註服務；計算平臺管理異構計算節點和任務分配，負責GPU算力排程、模型訓練、AI科學家進行開發除錯、模型釋出、模型壓縮等。基於iGear，可以方便地進行AI系統研發和構建行業智慧化解決方案。

滴滴出行資深軟體工程師唐博分享了《滴滴機器學習平臺k8s落地與實踐》，唐博從滴滴機器學習平臺的特點開始探討，分享了滴滴機器學習場景下的k8s落地實踐與二次開發的技術實踐與經驗，包括平臺穩定性、易用性、利用率、平臺k8s版本升級與二次開發等內容。此外，唐博還介紹了滴滴機器學習平臺是如何從yarn遷移到到k8s的，以及yarn的二次開發、與k8s的對比等。最後，他與大家分享了滴滴機器學習平臺正在研發中的功能以及未來展望。

杭州靈西機器人首席科學家王燦的議題是《3D機器人視覺在工業自動化和倉儲物流領域的應用》。王燦介紹了3D視覺、人工智慧和工業機器人的結合而成的“3D機器人視覺”技術，3D機器人視覺讓工業機器人等自動化裝置能以更高精度、更快速度執行更復雜的工作，是產業自動化升級乃至將自動化技術推向更多產業領域必不可少的一環。

昨日精彩回顧

昨天，大會六大主題報道、四大技術專題的精彩瞬間也不容錯過：