米兰·(milan)中国官方网站-加拿大工程院院士于非：互联—— 从质量、能源、信息到智能
作者：米兰·(milan)文化
更新时间：2026-04-21 18:12:01
点击数：
收拾| 莓酊编纂 |青暮2021年12月9日，第六届全世界人工智能与呆板人年夜会（GAIR 2021）于深圳正式启幕。
140余位产学首脑、30位Fellow聚会，从AI技能、产物、行业、人文、构造等维度切入，以理性阐发与感性洞察为轴，配合攀缘人工智能与数字化的海潮之巅。
会上，IEEE/ IET/ EIC Fellow在非传授向与各人分享了题为《互联：从质量、能源、信息到智能》的演讲。
在非传授是加拿年夜工程研究院院士（Fellow of the Engineering Institute of Canada），IEEE Fellow，Institution of Engineering and Technology（IET）Fellow，IEEE卓异讲者，IEEE车载技能学会理事（2016- 今），副主席（2017- 2019）。持续3年入选科睿唯安计较机科学范畴“全世界高倍引科学家” （2019- 2021）。Google学术20,000+次援用，H- index88。研究范畴为互联自立智能，区块链，呆板进修，主动驾驶和无线收集。担当多个国际期刊编纂。多个科研结果和论文获奖。本年，在传授来到深圳，出任人工智能与数字经济广东省试验室（深圳）（光亮试验室）履行主任。
在传授的重要研究标的目的包括：联网主动驾驶汽车（CAV），呆板进修与人工智能，区块链及漫衍式帐本技能，无线收集物理体系及收集中的安全及隐私等。
为了能将在传授的出色演讲 原汁原味 地出现给各人，AI科技评论做了不转变原意的编纂。
起首。很是感激杨强主席、罗智泉校长及其他列位带领的约请，很侥幸能到场此次年夜会，跟各人分享咱们近来的研究进展。
今天我的陈诉标题问题相对于抽象，是《互联：从质量、能源、信息到智能》。
我将“以车为例”举行报告请示。第一部门是配景常识——互联及主动车辆。二是分层设计、跨层设计、跨体系设计。三是人工智能于信息中互联的要领。四是陈诉的主题，以联网的角度，从“年夜标准”思量网联，可分为质量互联、能源互联、信息互联及智能互联。第五部门为总结。
第二张图，是1913年，13年以后也是一样的一天于美国纽约第五年夜道Easter的清晨，请问照片上还有能看到马车吗？不，已经经全数都是汽车了。
他们用两张图的对于比表达一个事实，当技能想丢弃你的时辰，连声号召都不打。用这个类比是为了申明未来主动驾驶也会像以前汽车取代马车同样快速的迭代。于前几年的时辰，这些人用于融资及技能陈诉里去说服投资者：主动驾驶很快会实现。虽然抱负很饱满，实际倒是很是残暴的。各人可能听闻过海内外各类各样的例子，特别是特斯拉、UBER及一些年夜厂呈现的报酬变乱，包括引起广泛存眷的特斯拉不克不及辨认白色物体的问题，从而致使各种变乱。Waymo的CEO也曾经给各人泼了一盆水，Waymo是google主动驾驶的子公司，以是Waymo于主动驾驶范畴是有讲话权的，从2009年最先，Waymo的主动驾驶车辆于真实门路上一共跑了跨越2万万英里及于虚拟情况下跑了20亿英里。可是Waymo的CEO说主动驾驶几十年以内都不成能年夜范围的呈现于真实交通中。问题出于哪儿？他近来评论，Technology is really really hard，技能太坚苦了。
Elon Musk本年七月也有过闻名的评论。人们都于问他，你早先说全主动驾驶很快就能实现，到底何时能实现？然后Musk把这个“球”推到学术界及财产界的工程师及科学家眼前，他说：“这不是我的问题，不是我做不出来，是科学界没有解决人工智能科学的问题。” 他把“责任”推诿到了学者身上。以是做不出来主动驾驶跟特斯拉瓜葛不年夜，是“咱们”的问题。我作为学者、工程师看到这句话实在有所欣慰，从消费者来的角度，各人看到会将存眷落于“主动驾驶不会短时间内实现”这一点上，可是作为学者、工程师来说，咱们看到了时机，为何？全数都做好之后就没有时机了，假如做欠好的话咱们还有有时机实现它。以是我一直于思考究竟是甚么问题？各人众口纷纭。素质而言，信息跟智能是有很年夜不同的。甚么不同？主动驾驶的车一天能孕育发生5T数据，各类各样的传感器都于出产年夜量数据，好比相机、GPS、LIDAR等。但对于主动驾驶而言，这些信息不等同在智能。智能于这里我界说为「开车这件工作」，像可以转向、刹车、油门。2分层设计、跨层设计、跨体系设计范式我想简朴先容下于信息互联网期间咱们的设计方式。它于通讯收集里属在主动驾驶里的基础举措措施，咱们一般利用DSRC，或者者是C-V2X。于信息互联网里咱们用甚么样的设计范式？最早是分层式的优化方式，即每一层都处置惩罚零丁的使命，好比物理层的功率、AMC（adaptive modulation and coding），MAC层处置惩罚差别的用户分级、RLC处置惩罚重传、非重传、靠得住性；PDCP处置惩罚包的压缩；RRC（Radio Resource allocation），CELL Selection、Handover、Admission等优化都是于这一层。applications这部门也能够优化，像用哪一种codec，H.261或者者H.262。
用户也能介入此中，这就是几十年前的优化方式，但分层优化不克不及满意整个的体系要求。厥后呈现跨层优化，即把各个层结合起来优化。例如上层及基层结合起来优化，效果更好。举个例子，运用层传输及时信息或者主动驾驶的节制信息，对于时延要求高。物理层有及时的收集信息，结合优化会孕育发生优良效果。下一步进展是跨体系优化，通讯及收集酿成子体系，其他子体系也很主要， 好比计较体系，思量的是边沿计较、云计较、物计较。别的一部门是存储，请不要纰漏节制部门，它不是传统通讯及收集所做的内容，另属其他子体系。这里将通讯及收集归为一个子体系，结合起来优化是十分须要的。为何如许讲？由于差别的applications。好比主动驾驶，或者者此刻比力火的元宇宙、AR, VR，对于计较有较高需求，只有收集没法满意整个体系的需求。对于多媒体传输而言，于存储、缓存方面的要求更多。我总结为跨体系设计。对于此，回首咱们做过的一些事情。1. ）通讯计较相联合的事情；2. ）通讯、计较及缓存相联合的事情；3. )通讯及节制相联合的事情。每一次联合城市晋升收集或者体系的机能。
当咱们写文章时，机能晋升高是尤其兴奋的工作。但各人不要健忘随之而来的“凄惨价钱”。此中一个价钱是繁杂度年夜幅晋升，从单层设计到跨层设计再到跨体系设计，每一次思量的参数愈来愈多。年夜量参数放于一路优化，虽然体系机能有所提高，但维数灾害也会陪同而生，也能够被称为第一个“咒骂”。另外一个问题是Curse of Modeling（模子灾害），即「怎样建模」。一层建模不繁杂，多层建模、跨体系建模、跨差别收集建模却十分贫苦。险些建模中城市孕育发生问题，有句名言：All Models Are Wrong. 建模及真实情况有不成纰漏的不同。以是有两个curses：Curse of Dimensionality及Curse of Modeling。3AI Approach由于建模坚苦及繁杂度愈来愈高，咱们但愿可以或许用人工智能的方式解决收集优化问题。咱们的集会主题是「全世界人工智能与呆板人年夜会」，于座列位或者多或者少都是与人工智能有联系关系的人。AI其实不是新观点， 人工智能 是1950年被提出，1980年最先呆板进修，一直到2010年效果优胜的Deep Learning（深度进修）呈现。其时为何不克不及说起人工智能？图灵奖患上主Hinton传授，昔时从美国 出走 到加拿年夜，也是由于碰到“人工智能隆冬”。Hinton传授一直沿着呆板进修及神经收集标的目的研究，2012年关在有所冲破。人工智能的成长并不是一路顺风，可以说是几起几落。咱们较多用Reinforcement learning（强化进修）。呆板进修可分为三类：监视进修(Supervised learning)、 非监视进修(Unsupervised learning)、 强化进修（Reinforcement learning）。图中左下的文章是2004年我发表的博士论文末了一章。它也是我一个凄惨经验教训的具象。其时用呆板进修或者强化进修是没措施发表顶会文章的，由于年夜情况其实不承认。「人工智能」彼时属在贬义词，被认为是垃圾输入、垃圾输出，不克不及产出Insight，没能得到业界及学术界的认可。
强化进修是我本人很是喜欢的算法，重要由于它可以做广泛的“动作”，节制车、节制收集或者节制各式各样的参数。Deep Reinforcement learning（深度强化进修）中央思惟很简朴：模仿动物某人跟情况交互的历程。深度强化进修可以解决许多 年夜问题 ，此中之一就是Alpha Go。Alpha Go的焦点思惟是应用强化进修解决问题。强化进修技能及加拿年夜渊源颇深，深度进修是图灵奖患上主Hinton传授主导的。强化进修是加拿年夜另外一位学者Richard Sutton主导的。用AI approach，用跨层设计、分层设计、跨体系设计，其实不是毫无问题。数据十分主要。现代人工智 茁壮发展 起来的根底就是Data-driven（数据驱动）。Data-driven于几年前是褒义词，它不是全数从模子而来，而是存于真实数据的。但很多小团队、小公司等相对于较难得到年夜数据。Data driven另外一种情势的解读：Big data导向big intelligence，Limited date导向Limited intelligence。回到主动驾驶这一话题，世界门路万万条，人类没法让模子详细进修到每一个路口、每一类气候环境、每一种司机的驾驶前提，数据不足也是主动驾驶今朝未能年夜范围商用的主要因素。前面说到数据驱动，于是Limited data就是Limited intelligence。其他挑战还有有data inefficiency（数据使用率低效），需要年夜量的数据练习。Poor generalization， 泛化能力较弱。Lack of interpretability，可注释性差。
呈现问题殊不知缘故原由。一方拥有年夜范围收集数据时能不克不及与别人分享？呆板之间的share intelligence是需要特定语言、步伐举行。我认为，今朝的呆板进修、人工智能有点像动物进修。2019年《Nature》的一篇文章提到：此刻的人工智能或许不和动物。此中一个例子，也是咱们中文耳熟能详的鄙谚“龙生龙，凤生凤，老鼠的孩子会打洞”。描写的恰是生物基因内里已经经存于的技术。一如文中：Learning is NOT very important. 这篇文章无异在给我泼了盆冷水。咱们研究人工智能及呆板进修也有一些时间了，假如AI不如动物，更不克不及及人相提并论。厥后我但愿能从书中得到谜底，相识动物及人之间的底子区分。对于此，《人类简史》解答患上十分清楚。《人类简史》中有个倾覆性的不雅点：人及动物的重要区分就是「Gossip」，即 八卦能力 。为何是 八卦能力 ？人类可以通报其实不真实存于的信息。像于公司里“传”闲话，WeChat、Keynote，甚至在今天的分享陈诉，都是一种“八卦能力”。咱们只能及同类讲，不克不及跑到丛林里及动物们做陈诉。“八卦能力”的说法不太正式，以是我找到另外一种正式说法— Collective Learning（团体进修），Big history project （年夜汗青项目）中很多汗青学家一样迷惑：报酬甚么比动物越发智慧？回首从年夜爆炸到人类进化到此刻，患上出基本结论就是Collective Learning。Collective Learning的第一步都是从数据学到的，数据驱动也是今朝人工智能及呆板进修的基本思惟。
第二步、第三步以后，呆板及动物基本不具有把智能存储下来的能力，只有人可以做到。咱们可以泼墨挥毫写文成书，这是人类才有的非凡能力。与《人类简史》里说的 八卦能力 异曲同工，人可以信赖不存于的信息并分享智能。以上两点，非正式说法「Gossip」，正式说法「Collective Learning」。各人可能会问：此刻人工智能可以拥有「八卦能力」吗？或者向其他智能体举行进修吗？今朝而言好不容易。由于没有Incentives（激励）、trust（信托）、Language（语言）。怎样实现这些能力？这就是咱们的下一主题，质量、能源、信息、智能。4互联：从质量、能源、信息到智能爱因斯坦说过：You cannot solve a problem on the same level that it was created. You have to rise above it to the next level. 这句话令我感慨颇深。 当你碰到问题时万万不要于问题划一程度上思索它，应该晋升到另外一个条理上思量 ，从而孕育发生新灵感。这也是我今天报告请示的主题，从 年夜标准 思量网联。很多媒体报导，包括Elon Musk也认为，人类汗青上最年夜的发现创造是车轮。车轮的素质是质量的互联，它可以把有质量的工具快速、高效地于两点间传送。车轮促使交通收集的形成。第二个主要发现是能源的互联，之前的汽油及此刻的电能，都属在能源互联。第三个主要发现是人们乐享此中的互联网，它是信息的互联。简而言之，“车”见证了人类汗青整个技能的成长线路。从最初的运输质量，随后是利用能源，到此刻的信息联网。以成长角度看，Abstraction（抽象）于一层一层的提高。咱们心生迷惑，未来会怎样进阶成长？疫情时期颠末永劫间思索，我写下一篇文章。于优化收集时的分层设计、跨层设计及跨体系设计，归根到底咱们是于做一件工作，通报信息。这也是咱们所说的Internet of information，让信息从A点移到B点。特斯拉发现了交流电，可以理解为是通报能量。当下信息成长过载，遮天蔽日的信息无处不于地满盈着咱们的糊口，获守信息对于现代人而言手到擒来。是以我于文中揣度，这是一种intelligence（智能）的缺少—— 拿到信息该怎样应用。好比一个主动驾驶车，天天可以得到5T的数据，手握巨量数据，车技却依然不高。
那今朝能实现move intelligence（通报智能）吗？暂时不克不及。但咱们可以思量用Blockchain（区块链）解决相干文通。《哈佛贸易评论》曾经发文，问汗青中是否呈现过近似Blockchain的事物？谜底是有的，就是TCP/IP（传输节制和谈/网际和谈）。起首它们都是漫衍式的，漫衍式的上风于在集中式促成立异，也能够撑持年夜范围其他运用，这是TCP/IP及Blockchain的相似的地方。Blockchain运用繁多，咱们的国度级陈诉里常把Blockchain视为数字经济的主要技能手腕。咱们近期有出书关在区块链的册本——《区块链：道理、框架与运用》及《Blockchain Technology and Applications》；以和区块链研究的网站vDLT. io；还有有区块链优化问题，咱们提起Blockchain可能是实现方面，优化方面较少。为何人比动物越发智慧，谜底指向一点—— Collective learning approach（团体进修研究），咱们近期所做也是但愿经由过程区块来实现团体进修。
从车的角度做智能网联。我于文章中有提出雏形，它也是元宇宙的雏形，每一个车都对于应到元宇宙里的“数字孪生”车，并于此中分享智能。别的一个是算法方面的立异，Collective Reinforcement Learning，基本思惟也是模拟人类。强化进修原是单个智能体，此刻多个智能体彼此交融、进修、实现智能网联。对于在当下及未来面对的挑战。挑战看似轻易，只需通报智能。但实践中几次受阻。从信息论而言，为何信息可以容易“挪来挪去”，咱们的互联网为什么能高速成长？要害于在信息的界说及描写。眼下对于整个Intelligence的描写是十分艰巨的。也是比力难霸占的问题。5将来趋向：智能互联Internet of Information可以用分层、跨层、跨体系的设计，近来比力风行用AI approach。咱们认为Internet of Intelligence（智能网联）是将来趋向，对于呆板及人而言，作出准确决议越发主要。同享智能不单单是技能问题，也是经济的问题。
咱们的人工智能与数字经济广东省试验室（深圳）方才建立不到一个月。由于落户于深圳市光亮区，以是起名光亮试验室，是广东省当局核准筹建第三批省试验室之一。咱们今朝重要聚焦四个方面：一是区块链与金融科技；二是智能传感与精准医疗；三是呆板进修及智能体系；四是泛于感知与聪明都会。再次感激各人，接待列位到咱们试验室引导事情。
雷峰网(公家号：雷峰网)雷峰网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
-米兰·(milan)中国官方网站
