聚焦人工智能与大数据发展趋势前沿

由清华大学经管学院金融协会主办、清华大学数据科学研究院协办的“数聚万物 智启未来——人工智能与大数据高峰论坛”近日举行。与会嘉宾就“人工智能现状及仿脑人工智能”、“从能听会说到能理解会思考”、“计算机视觉技术在智慧城市建设中的应用”、“未来已来——大数据与人工智能时代中的金融科技”以及“数据驱动创新”等热点话题，进行了分享和讨论。

宋森：深度学习在医疗图像应用领域应用广泛

清华大学脑与智能实验室主任助理宋森主要从事脑科学和人工智能的交叉研究，关注脑科学的研究对人工智能会有什么样的启发。在宋森看来，人工智能这一波主要是基于深度学习，深度学习很关键的一点是基于大数据，目前在基于大数据、特定场景下以及确定性问题上有了非常大的突破，但小数据情况下，与人脑会采用推理、类比等方法应对相比，深度学习经常犯致命错误。下一步，深度学习会往通用性、不确定性，带深度理解的方向发展。

宋森介绍，深度学习在医疗图像的应用领域非常热门，比如谷歌实通过算法对眼底图像实现了自动分析，能够早期发现可能导致失明的糖尿病导致的眼底出血等症状。人工智能也能帮助挖掘信息，提供可能的疾病诊断或治疗的新思路。

江涛：人工智能大量应用在教育、医疗、司法领域

科大讯飞联合创始人、高级副总裁江涛介绍，世界上首部全篇采用人工智能配音的纪录片《创新中国》中，配音恢复了已逝配音艺术家李易的声音，这是通过科大讯飞的语音合成技术实现的。目前科大讯飞的语音识别已经能覆盖22种方言，近一半识别准确率超过90%。而在医学图像理解方面，科大讯飞2017年8月在国际医学影像领域的权威评测LUNA上获得平均召回率94.1%的检测效果，达到三甲医院放射科医生水平。此外，2018年3月2日，科大讯飞“智医助理”人工智能辅助诊疗系统正式开始在合肥庐阳区“实习”，目前已经可以对300余种常见病提供全科医生辅助诊疗，辅助基层全科医生每天完成大量的诊疗工作。

在司法领域，科大讯飞“辅助定性量刑系统”已经通过人工智能辅助检察官进行重大案件复核。扫描输入案件的卷宗信息后，机器能分析出这个案子的证据链是不是完整，证据链中间有没有自相矛盾的内容，类似的案例过去是怎么判的，并找出该案件涉及的全部法条。这一系统并不能替代法官做决策，但能大量减少法官卷宗文书的查阅工作。

陶海：智慧城市要用信息化倒逼流程改造

对于人工智能在智慧城市建设中的应用，北京文安智能技术股份有限公司创始人、董事长陶海认为，智慧城市分为两个层面，感知层和决策层。不过，目前国内不少地方的智慧城市还只停留在更浅层的信息化阶段，尚未达到感知和决策这两个层面。感知层建设的典型应用包括大量的城市道路交通、监控摄像头，通过摄像头将城市中的人和物体数字化。比如进行人脸感知、识别，并进行一定的智能判断，以及把城市的井盖、灯杆等信息都数字化，供城市管理者使用。但真正实现智慧城市，一定要有决策层智能，即对城市状态观测、数字化后实现管理优化，优化环境、优化交通、优化各方面资源配置等。当所有信息都收集了之后，可以实现自动或半自动的城市优化控制。智慧城市先建信息化，用信息化倒逼流程改造。

陶海说，比如在我们服务过的华南地区某中心城市，可以通过智能视频分析检测城市垃圾筒是不是满了，再进行更加合理的人员调配。这就是智能技术减少成本支出的典型应用。

赵磊：我国券商行业IT投入远低于国外水平

谈到大数据与人工智能时代的金融科技，北京根网科技有限公司副总裁赵磊表示，人工智能、大数据未来在金融行业的主要应用还是人机结合。国内券商行业IT投入远低于国外水平，美国的证券公司极其注重IT建设。以高盛和摩根大通为例，高盛2017财年的IT投入达到30亿美金，占营收10%。高盛的33000员工中，有9000多位是工程师和技术人员。而摩根大通2017年IT预算为90亿美元。数据显示，中美两国资本市场2015年总成交额已持平，但证券行业总IT投入差距却高达20倍。此外，我国证券业软件投入占IT总投入比例只有20%左右，远低于国际平均60%的水平。

韩亦舜：大数据在数据采集、存储、应用上值得关注

就数据驱动创新话题，清华大学数据科学研究院执行副院长韩亦舜认为，中国更多的是商业模式的创新，美国则更多是技术的创新。很多时候中国的创新本质上看还是微创新、微集成，把很多已经成熟的技术重新组合在一起。在美国，一个新技术到来以后，其价值很快可以获得上下游认可。而中国投资人很多，评价一个项目时不仅看其技术亮点，可能还要求商业模式要做好，要证明商业模式上各种各样的生产关系都能打通理顺，这对中国创新是比较大的挑战。

韩亦舜表示，大数据在数据采集、数据存储，以及数据应用领域值得关注。在文本挖掘、自然语言方面，都会有一些新的机会，进行一次或者二次的数据采集。而在数据加工和数据应用方面，有很多创新创业的机会。

他建议，一个单位在做大数据或者智能化的过程中，可分为几步：一是要认真看一下自己有哪些数据资产，不要盲目追求大数据；第二是先进行内部整合，比如在公司内部有没有数据共享；第三是价值挖掘。

来源： 新华网