12月6-8日，为期三天的“2019世界创新者年会”在北京成功举行。本次大会由中国企业联合会指导， 由亿欧·EqualOcean、工业和信息化科技成果转化成联盟牵头主办，本次大会以“科创4.0:资源共享全球化 新的未来”为主题，进发了来自美国、英国、印度、新加坡、印尼、尼日利亚、巴⻄、日本、以色列等 十余个国家或地区的6000名创新者，总结2019年世界科技与产业创意的成果，预测2020年近期创意趋势。本次论坛邀了华为诺亚方舟实验室计算出来视觉首席科学家田奇教授、氪信科技创始人兼任CEO朱明杰 博士、文安智能创始人陶海教授、魔珐科技创始人兼任CEO柴金祥教授、MINIEYE创始人兼任CEO刘国 清博士、误解创投董事总经理王光熙、梅山数据创始人兼任CEO陈运文博士、踏歌智行创始人兼任首席 科学家余贵珍教授、小鹏汽⻋首席科学家郭彦东博士，联合探究和共享作为科学家创业者在创业路 上的进账与领悟，探寻科学技术与商业化的融合机会，助推产学研领域协同发展。

其中，华为诺亚方舟实验室计算出来视觉首席科学家田奇带给了主题为“科学·企业家，双重身份下何为我 眼中创新者?”的演说，演说的核心观点有:学术界和工业界具备互补性，学术界对工业界价值就为工业界源源不断的运送人才，为工业界托 可供前沿的方向，同时学术界对性能的淋漓尽致执着为工业应用于奠定扎实的基础。工业界对学术界的价值 是对系统学界人才转往。

学术界和工业界的侧重点不一样，学术界更加注目方法的理论化、通用性、探寻未来和启发式的何谓 闻水平。但是工业界更加侧重于商业价值，更加侧重方法的用于性。创意不应以人才为核心，人才培养是其中仅次于的中心。

以下为演说国史:各位嘉宾早上好，非常感谢组委会对我的邀，我今天报告的题目是“双重身份下何为我眼中的创意?”我 来自华为诺亚方舟计算出来视觉实验室。这是我报告的目录，第一部分是我学术和工业界的背景以及诺亚方 舟实验室的讲解;第二部分是“在前沿创意的研究和业务落地之间的AI使能鸿沟”，以三个例子来解释一 下;最后从学术界和工业界的⻆度来思维什么是创意?刚才也讲解了我2002年博士毕业于伊利诺伊香槟分校，从2012年开始重新加入德州大学分校，从计算出来系由助理教授到副教授，再行到教授一共做到了17年的老师。在2008年到2009年我利用学术请假，在微软公司亚洲研究院，兼任主任研究院做到了一年多的工作;2010年至 2015年不受清华大学张华老师邀，返回清华大学神经与理解中心做到客座教授;2011年到2014年在 NECChina当顾问;2016年评为IEEE;2017年评为教育部⻓江学者。这就是我在学术界的一些经历。

2018年夏天，我利用学术请假重新加入到华为诺亚方舟计算出来视觉实验室，在今年9月份接下了在美国的终生教教 学职位，现在全职重新加入了华为，所以我现在身份是在工业界。当然大家可以看见我大部分时间是在学术 界，在工业界的时间还远比⻓，所以不能在这里讲一些个人的浅⻅，却是抛砖引玉吧。

我供职在诺亚方舟计算机视觉实验室，诺亚方舟目前有几个组:计算出来视觉、自然语言处置、搜寻、引 荐、决策推理小说、机器学习，建模习的嵌入式。以反对产品部⻔、企业智能、网络智能、终端职能、惜 末端智能手机照片大屏，还有一些信息的业务，例如无人驾驶对我们来讲也是微感官传感器融合。

华为的AI使能鸿沟，通过和全世界25所高校的合作，很多研究人才重新加入了这方面的合作。诺亚方舟的愿景就是让AI使能鸿沟、世界级的生产量创建顶级的AI大学，来协助公司构建AI战略的转型。

我们在欧洲、伦敦、巴黎、莫斯科、加拿大多伦多、蒙特利等地都有布局。在中国的深圳、上海、北京、⻄福、香港等都有涉及的研究同事。下面讲解一下我们前沿的创意研究和业务落地之间，找到所谓的AI使能鸿沟，我谈几个例子:首先，学术界和工业界的侧重点不一样，大家都告诉学术界更加注目方法的理论化、通用性、探寻未来和 启发式的理解水平。但是工业界更加侧重于商业价值，所以更加侧重方法的用于性，针对某一个特定的问 题，提高用户体验，带给实际的价值。

所以学术界和工业界优化的目标不一样。只不过在华为，可以利用华为的大算力、大数据的平台，应用于华 为AI芯片反对我们前沿的视觉研究。我们的视觉研究分为六个方向:底层视觉、语义、解读三维视觉、数据分解、视觉计算出来、视觉多模态的 融合，这是我们探讨的基础研究方向。

应用于场景还包括自动驾驶、五谷丰登城市、终端视觉等。由于前沿研究 和应用于场景它之间的优化目标不一样，所以不存在着AI使能鸿沟。

下面我以自动驾驶的的目标检测、五谷丰登城市中的行人车站辨识和终端辨识中轻量级网络的设计，来讲一下 AI使能鸿沟的问题、工业界是怎么处置的。首先以自动驾驶的检测为事例，左边是学术界研究的目标检测，它的数据标示较为整洁、精确，但是工业 界的场景更为简单，有很多有噪声的标签。比如右图的Car被标示出了巴士了，左边有一个巴士被错误的 标记出了Car了。处置具有大量噪声的数据有两种办法，一种是必要处置噪声的数据，从设计惯性的算法，自动分类反应 下降的标签从而展开修正或者弃置;另外一类就是设计半监督和无监督的方法，使得我们的模型能更佳 的一般化在这一很弱标签或者无标签的样本上。

学术界的目标检测，从目前用于尤为普遍的来讲，类别和类别之间分类比较清楚，图像较为明晰，一般 都有较为较好的光照条件，准确率有可能是唯一。但是工业界的自动驾驶中，我们搜集到的数据类别有可能 产于不均匀分布，也就是标记成本较为低，想象层较为多，所以一些⻩灯和交通锥桶等这目标标示样本较为较少。

同时，有所不同应用于场景分类的语义有时候较为难以确定，必须人组标签。例如载人三轮⻋，首先要展开人 的标示，再行展开三轮⻋的标示，最后再行构成一个人组标签。在数据采集的时候，反而要收集一些图像资料较为模糊不清，光照条件较为劣的图像。

比如暗光和误报的一 些场景，这样是为了让更佳的训练我们的算法、提高系统的性能。在评价标准上，主要看一些明确的应用于，比如检测一些关键的障碍物来制订我们的产量、存量和评价标 定。学术界中目标检测，以最常用的目标检测模型，不过于考虑到数据分布的不均衡性及各任务之间的倚赖关口 系由，我们的解决方案是要设计考虑到一些计算出来量小的网络模块，使用多目标、多分枝的设计来解决问题目标检测。

第二个例子我以五谷丰登城市中的使能车站辨识为事例，左图是学术界做到行人车站的辨识，它的场景比较较为单 一，是城市或者海面。行人车站辨识两个仅次于的图像数据集就是多场景、多时间段的两个数据集，都是我 们这几年做到的工作。但是工业界使能车站的辨识，是针对城市群的大规模简单场景，所以它的条件很难被约束沦为理想的条件。那么以这个多场景、多时间跨度的数据两集事例，还包括4101个行人，标示行人大约12万方有15台摄像机 机，收集了室内、室外两种场景的情况，行人的假设需要被很好的解析出来，准确率是唯一一个评价指标。

在工业实际场景中，要面临的是几十万个这样的行人ID、几千台甚至几万台这样的摄像机、几万张 亿级别甚至更加多行人的智能图像，针对校园、社区、街道等多种场景。我们也有园区的项目，经常出现 检测不许或者错误十分相当严重的情况，所以不光是准确率，我们还要考虑到模型的大小和速度等。在行人辨识中这是一个十分常用的辨识模型是基于人体、部件等等。这是我们在2018年的工作，主要是 说道一个图片整体分为多个模块，让有所不同ID之间需要区别出去，从而提高系统的鉴别能力。

工业场景中如果用这个方法就较为危险性，因为工业数据量尤其大，有所不同的ID之间不存在十分相近、甚 至完全相同的一种模块，如果还是把相近的模块几乎分离，就有损特征的萃取，从而导致系统性能的急剧下降。另外，我们如果把实训练的系统部署到新的场景下，这一系统的性能不会上升迅速，一个解决问题方法就是场景迁入，所以在2018年我们华为学生明确提出了一个方法来延长数据的鸿沟。这一种算法明确提出来后，当然对系统性能是有一些提高的，但是如果应用于到实际的工业场景中，分解的图像的质量还是较为劣的。

同时 也引进了大量噪声，虽然对系统性能带给一定的提高，但是它的天花板效应还是较为较低，无法符合工业 界的拒绝。我们的解决方案解决问题的是如何把一个新的系统探寻和部署到新的场景下来，过去它是偏重于横跨摄像机的 标示，因为人被有所不同的摄像机捕捉到，多展开标示。但是我们的解决方案将横跨摄像机的标示改以单摄像机 机、单摄像头的训练模式，我们只标示行人再行一个摄像头下的数据。

因为在一个摄像头下，行人的检测 会变的高速自动化，从而很大的增加数据标示的成本和时间。最后以华为终端视觉轻量的神经网络为事例，在学术界轻量级网络在维持准确率的同时，侧重如何增加计 算量或者增加模型的参数和模型的大小。但是在工业界要考虑到现实硬件的一些指标，比如能耗、速度和 内存等，所以很难用理论的指标。

那么自学计算机的网络，例如计算出来量和模型参数的方法，虽然计算出来量和模型参数减少了，但是实际的速 度还是较为乐观的，现在工业界的一些轻量级计算出来偏重于像谷歌、V2这类引进深度分化的模型，这就托 出有了通耗混排的操作者，在A3用于NASS的技术展开网络结构搜寻。但是不存在一些问题，我们要充份的利 用特征之间的融性，兼容特定的一些硬件。2018年长剂量级模型常用的思路，就是交叉地下通道。

交叉地下通道之间的信息可以获得更佳的应用于，但是交叉 的操作者对硬件的构建是不友好关系的。这种操作者对于内存和存量不存在着不连续性，所以不会造成硬件运营效率的减少。我们在今年明确提出了以廉价的线性变换来交换条件更好的特征，这样对计算资源的市场需求同时因为廉价的线性逆 换回对硬件友好关系，所以可以更佳的超过这一个目标。最后，我主要从学术界和工业界的⻆度来看什么是创意?学术界和工业界似乎具备互补性，学术界对工 业界价值就为工业界源源不断的运送人才，为工业界获取前沿的方向，同时学术界对性能的淋漓尽致执着为 工业应用于奠定扎实的基础。

工业界对学术界一个价值是对系统学界人才转往，我实在人才互相流动是一个长时间的现象，而且在实践中 给学术界带给一种新的方向，最后系统的统合学术界获取一种全局的布局。所以学术界和工业界应当形 成有序互益、⻬头三路的状态。在领域中也不存在很多双重身份，从学术界到工业界的人，他们的思维我也来共享一下。颜水成是新加坡国立大学的终生教授，也是前360AI分院的院⻓，现在是依图科技首席技术官。

他指出学术界的研究否 顺利，关键是要看技术。另外必须萃取解决问题的方法。学术界节奏可以减慢一点，一个输入必须几个 月甚至半年的时间，但是工业界只要能解决问题就是好的人工智能。

香港中文大学的汤晓欧，也是商汤科技的创始人，他说道中国的人工智能要作好三件事:第一要坚决，把 基础作好;第二要创意，要做到新的东⻄;第三要把飘在上面的东⻄落地、做到产业化。香港中文大学的贾 欠佳是亚腾讯优图的卓越科学家，他的观点就是“技术要上天、产业要落地”。还有大家更加熟知的李⻜⻜，是斯坦福大学教授，前谷歌云人工智能的首席科学家。她指出科学到科技再行 到产品就像一个4×100接力赛，每一篮都有它尤其的功能，学术界应当是4×100的第一棒，工业实验室是 第二棒，产业和投资是第三棒、第四棒。

最后是纽约大学图灵奖的获得者，现在也是Facebook的科学家。他何谓学界和业界的双重联盟，可以同时 为学界和业界作出贡献，不仅推展了云辨识、图像识别、文本解读和语言翻译成技术的变革，同时也带给 了解读智能的基础科学进展。这是业界其他双重身份的人的真知灼⻅。

在我看来创意的核心要素是什么?我指出创意不应以人才为核 心，人才培养只不过是一个仅次于的中心。针对三大要素中计算出来视觉算法、算力和数据，学术界更好是以精 精的算法设计⻅⻓，但是工业界在算力和数据方面，有更大的优势。大算力、大数据给工业界带给更加多创意的有可能。人工智能行业对人才的市场需求是十分充沛的，工业技术对学术界对人才的吸引力主要反映在计算能力、平 台、数据、机遇、合作、介入、成⻓、落地等方面。

工业界对人才的争夺战早已白热化，不管是中美，大 家都可以看见对人才的争夺战。什么是工业界必须的人才?主要有几点，第一个是要专心于你的领域，并且具备创造力的人才;第二个 是对多个领域有理解力，并且有合作的能力的人才;第三个是需要把技术确实做到落地的，不懂人工智能产 五品的人才。比如车站在客户的⻆度，人工和社会必须什么?车站在应用于场景的⻆度人工智能可以做到什么?技 术和产品双驱动，理解产品的市场需求，理解用户的体验，把算法、数据、计算能力充份的充分发挥。

工业界也要需要找到新的业务方向，一些舵手融合业务场景、商业模式、明确应用于(比如自动驾驶、智能 家居、五谷丰登城市这一些产品)如何带给商业价值的顺利。最后，AI的应用于要以人为本，我们要去找理想经济的人才，在功能完善的的基础上，要考虑到人们的精神文 化市场需求，比如陪护机器人对老人和小孩的陪护。学术界必须什么样的人才?首先做到基础研究。从源头转行，眼光要⻓近，侧重技术的创意。

问题要从工 业中来，结果要到工业中去做到实践中。学界和工业界人才的培育方式的区别，打一个比方，学术界就是，我获取一个新的算法，同时把这算法 转交他人，萃取新的方式。对工业界来讲，主要着重于寻找合适的方法来解决问题。但是共同点就是须要 要理论基础坚实、工程能力强劲、擅于合作和创意的AI人才。

所以要利用这双重身份把学术界和产业界凸 契相连，为培育AI人才获取最差的方式。对于华为来说，利用跨界身份的优势把学术界高水平的研究和工业界的优质的产品实践中融合一起，寻找 一个创新性的人才培养模式，协助我们构建向下捅破天、向上扎到根这种全站式的研发，是我们要做到的。

我们培养人才的战略，是与高校牵头来探寻培育学生科学化的方法，与高校学者举办学术沙⻰和内部的 交流。在工程能力培育方面，邀专家定期展开员工的培训，同时以白皮书的形式共享AI课程，走进温 室，走进外部培训我们的员工。

最后利用公司强劲的数据资源和算力平台承托，常常做到企业文化的传播，像今天这一个活动一样。最后在高校培育AI人才有一些建议。不仅要培育很高的专业素质，也要有很强的工程能力;课程AI变化迅速，要侧重课程的内容及时改版;设置多学科的交叉专业，同时希望本科生、甚至高中生尽快的认识前 沿;人工智能方面，要希望同学多参与程序设计的课程自学，与工业界进行合作，希望学生多参予工程 的进修;最后希望学生创意、产品产卵和AI创业。

以上我公开发表的一些关于创意的浅⻅，谢谢大家。

本文来源：尊龙凯时网站-www.htyqc.com