人工智能高烧不退，智能识别+算法+深度学习成AI当红炸子鸡

人工智能高烧不退，智能识别+算法+深度学习成AI当红炸子鸡

第四届中国物联网大会人工智能分论坛现场

Cypress Simon Yang

数据、算法和算力是我们常说的人工智能的“三驾马车”，是人工智能得以应用的基础。

Simon Yang 风趣地表示，Processor（处理器）+Algorithm（算法）是“发动机”，Datas是“汽油”。只有将尽可能多的数据“喂”给Processor和Algorithm，深度学习才会在IoT焕发生机，也只有这样才会真正体现出人工智能的真正魅力，他补充道。

他强调，AI加速进入IoT时代。正是由于数以十亿计的IoT设备产生不可估量的数据，然后通过数以百万计的网关节点传输送到云端进行存储和分析，最后被全球各地的数据中心进行深度处理和机器学习，最终提高AI的深度学习能力。

微软中国区首席技术顾问 管震

微软中国区首席技术顾问管震指出，理解场景是人工智能应用的核心。人工智能必须落到精准的场景，才能实现实在的价值。理解人工智能能力可落地的场景及对应的流程，将AI纳入决策流程。

他表示，人工智能并不是静态的东西，训练出来的模型要用到某个业务场景里，业务场景里产生新的数据，这些数据进一步提升人工智能模型的能力，再用到场景中，形成一个闭环和迭代。

MathWorks FAE经理 陈建平：从算法到实现深度学习

MathWorks FAE经理 陈建平

陈建平指出，人机回环，即human-in-the-loop。“人机回环”的第一层含义是人工智能应用中需要用户，即人的反馈来强化模型。更进一步，机器学习是一种尝试创建允许通过让专家与机器的一系列交互参与到机器学习的训练中的系统工作。机器学习通常由工程师训练数据，而不是某个领域的专家。“人机回环”的核心是构建模型的想法不仅来自数据，而且来自于人们怎样看待数据。专家会成为垂直领域的AI顾问，把关模型的正确性。

深度学习的挑战

高通产品市场总监Dennis Liu：人工智能解决方案

Dennis Liu强调，终端侧的智能至关重要。由于移动终端会常遇到隐私性，可靠性，低延时和高效利用网络带宽等诸多挑战，再加上在最靠近数据源的位置处理，是对云端处理进行很好的补充，因而AI+终端侧相得益彰。

高通产品市场总监Dennis Liu

Dennis Liu表示，构建良好的终端侧智能需要对高性能硬件/软件以及优化的网络进行设计。这里主要涉及到三点：

高效硬件。开发异构计算需要在散热限值内以低功耗，运行要求严苛的神经网络。此外还要选择合适的计算单元处理合适的任务；

算法改进。算法研究受益于最先进的深度神经网络及面向空间和运行时长效率进行优化；

软件工具。面向深度学习的软件加速运行时间。

骁龙845 是 Qualcomm 的第三代 AI 移动平台。与前代系统级芯片（SoC）相比，骁龙845 带来了近三倍的 AI 整体性能提升！

和而泰数据与人工智能实验室（419实验室）负责人刘子威：基于图像的肤质检测技术

和而泰数据与人工智能实验室（419实验室）负责人刘子威表示，实验室致力于家庭大数据的计算与人工智能的研究，涉及自然语言处理、图像识别、知识图谱、机器学习等技术领域。

和而泰数据与人工智能实验室（419实验室）负责人刘子威

深度模型主要通过卷积神经网络实现

可能有人会问肤质检测和IoT乃至AI会有什么关联吗？答案是肯定的。从一开始的图像采集到图像预处理，再到传统模型和深度模型的深入比对，最后到识别结果，这整个图像识别的流程就是一个前端智能的完美展现。后端还可以结合IoT和AI加上信息助手，健康监测和提醒、产品推送、APP连接等诸多智能化玩法。

目前，人工智能对实体行业的渗透还处于萌芽期。人工智能被寄予了成为下一代产业革命驱动力的厚望。而释放人工智能的能量，形成产业革命的动能，需要寻找契合人工智能技术特点，并找到优于其他技术的实体经济适用领域，让人工智能真正解决行业痛点，实现系统层面的收益。从长久来看，人工智能的定位绝不仅仅是解决狭窄的、特定领域的简单应用，而是真正像人类一样能够同时解决不同领域、不同类型的问题，进行判断和决策。这也是我们通常所说的“通用人工智能”。发展人工智能的终极目的并不是取代人类，而是通过人工智能将人类从繁重的重复工作中解放出来，实现对人类整体更有价值的目标。这个未来也许还有些遥远，但通往未来的道路上，新商业和新经济将会是革命性技术附赠的礼物，无限可能的未来等待我们一起描绘。

人工智能论坛会后听众与嘉宾热烈交流