“人工智能公司”百度的AI战略布局首次清晰地浮出水面。
近日，在“2017国际大数据产业技术创新高峰论坛”上，百度副总裁、百度AI技术平台体系总负责人兼百度研究院院长王海峰时做了题为《百度人工智能》的演讲，首次全面揭秘百度的AI战略布局。
今年3月，吴恩达宣布从百度离职；时任百度副总裁的王海峰晋升为AI技术平台体系（AIG）总负责人，同时被晋升为Estaff成员，转向百度集团总裁和首席运营官陆奇汇报。今年8月底，王海峰又被晋升为百度研究院院长。
王海峰是自然语言处理领域的知名科学家，国际学术组织ACL 50多年历史上唯一出任主席（President）的华人，同时也是唯一来自中国大陆的ACL Fellow（注：一种头衔，是对 自然语言处理领域有杰出贡献的人最高的认可）。
根据王海峰的演讲PPT和数据派（THU）对演讲速记的整理，全天候科技摘取如下。
百度从七、八年前就开始布局人工智能，从NLP、语音、机器学习、图像等方面开始，时至今天，百度已经形成了一个较完整的人工智能技术布局，包括基础层、感知层、认知层、平台层、生态层和应用层，共计六层。
一、基础层：大数据、算法和大计算
互联网已经成为整个客观世界的镜像。所以，掌握好、利用好、分析好这些互联网数据，在很大程度上也是对客观世界很重要的刻画和理解。
总体上，大数据技术分为几个方面，比如数据的采集、提炼以及应用。如果对一个零售商店数据里的用户进行建模，某一个用户可能是白领，另一个是主妇，这样的行业数据经过分析就可以帮助商户更好地进行营销行为。另一方面，百度基础的计算载体是数据中心，有20多个大型的数据中心，设立在世界各地；国内有最大的GPU集群，有非常强的带宽和吞吐能力，还有像集装箱一样模块化的计算中心。
二、感知层：语音、图像、视频、AR/VR
语音技术的突破方向很多，包括识别、合成和唤醒，这也是市场需求很大，且百度比较看重的部分。目前语音识别，已经达到97%以上的准确率。随着人工智能应用的深入，在家居场景、车载场景等等，越来越多的语音识别不是对着麦克风说，而是要有一定距离，这就涉及到远场的语音识别。这与现在手机上的麦克风不一样，首先会有定位，还有一系列新的技术待解决。
合成想做得非常好，特别自然、流畅，而且可以是个性化的，包括把人的情绪变化等都带进去，就变得非常难。这里不只是语音和声学信号处理问题，同时涉及到对语言的理解、对人的理解，这样才能做出有情绪、个性化的合成。
唤醒，是需要设备的时候就叫一声，它就知道你要跟它说话，比如家居场景的一个智能音箱或者智能电视，这时候就需要唤醒技术。唤醒技术的困难在于我们要控制误唤醒，比如在家里放一个智能音箱，如果不叫它的时候，忽然之间它自己就跳起来了，或者睡觉的时候，有点外界噪音，它就忽然跳起来，体验会很差。所以，控制住误唤醒很重要也很有挑战。
图像方面，人脸识别是计算机视觉的一个重要方向。
人脸分为静态和动态。静态，如一张图片，检测里面有没有人脸，或有两张照片，比对一下两处出现的是不是同一个人，这方面的准确率已经很高了。而识别动态图像的时候更复杂一点，比如有一段视频，首先要定位这些人脸，而这里会产生很多应用，比如在很长的视频流里找到一个人。
另外，我们可以对图像进行识别匹配，做语义的标注，粒度很细，如一幅图里很具体地找到其中一个部分是什么，这里可以做很多细粒度的图像识别。OCR是图像识别里相对具体的方向，现在OCR技术不仅可以扫描书，更可以识别一个表格或者一个很复杂的结构，如发票，不但把里面的文字识别出来，还可以把一个区域识别出来的文字结构化，整体上会做很多定制化的识别。
视频不同于图像有很多权威的数据集，视频数据集本身不够成熟，很多是人工标注好的，比如标题、内容，但是还有很多视频人工标注不够完善，这时候就需要视频语义理解技术把这个视频标注出来，包括这个视频到底是哪一类，视频的标题，如果相对长的视频，就把其中亮点怎么样也摘录出来。
机器人视觉涉及到怎么样做定位，做地图的重建，包括检测障碍物等等。领先的SLAM技术，有很多算法。前面讲的图像和视频技术，在机器人视觉里都会有应用。增强现实（AR/VR）是一个独立的方向，但是跟视觉技术有很多关系，通常拍一个照片，会触发出增强现实的效果，相应地会涉及到三维感知、跟踪、渲染等技术。
三、认知层：自然语言处理、知识图谱和用户画像
自然语言处理较宏观地可划分为语言的理解和生成，以及相应的应用系统。一方面要理解人的语言，另一方面要表达，能生成语言。
图示：用传统信息检索和搜索算法搜索“蒋英的女儿是谁”和“蒋英是谁的女儿”，会找到同样的答案，因为传统的信息检索是不管语序的。这时候我们就要做真正的自然语言分析和理解，知道它们实际上是在找不同的答案。这背后是知识图谱的支撑，大家可以看到结构化的图文并茂的结果。
我们看一篇文章、一本书，这时候不仅仅是理解其中每一句话，而是对整篇文章有一个理解，就是篇章的理解。篇章的理解，可以把整个篇章打上主题标签，打上各种实体标签，而这些对计算机来讲就是理解了这篇文章。在应用时，为了不同的应用，标签会有不同的形式，如用在资讯流里，打上这些标签以后，就可以匹配用户的兴趣，从而推荐给用户一篇他可能感兴趣的文章。
除了理解句子、篇章、文字以外，人写一句话、写一首诗亦或写一篇文章，都是带有情感倾向的，所以相应地，我们也做情感倾向的分析，包括用户看了一篇文章以后，下面有很多评论，这些评论本身我们也会做观点的抽取。
除了分析、理解以外，还有生成。我们尝试过写诗、写对联等，比如在手机百度信息流里看到的文章，很多都是人写的，但也有很大一部分是机器自动写成的。我们做过各种测试，用户基本上分辨不出来到底是人写的还是机器写的，这说明机器写的还是很不错的。其次，人要与智能硬件展开交互，对话过程中涉及到对“人说的话”的理解和预测人如何说下一句话，相当于理解和生成两方面都在用，这里面就是对话管理以及交互的技术。
到目前为止，我们讲的都是一种语言，都是中文，但“百度翻译”是解决多语言问题的，在28种语言之间互译，互译的方向大概是700多个，每天有过亿次的翻译请求。同时也结合了语音技术、视觉技术，延伸出了语音会话翻译、拍照翻译等等应用。
现在我们的知识图谱已经有几亿个实体，每个实体会有很多属性，实体与实体之间也会有很多关系，这些关系就构成很多事实，如A和B两个人可能是老师和学生的关系，这就是一个事实，我们已经积累了几千亿事实。
知识不只是静态的存取，而且涉及到知识计算和推理。
比如，离圣诞节还有多少天，系统知道今天是哪一天，圣诞节是哪一天，系统会以此动态做一个计算。其次，我们要了解用户本身的需求，所以对用户画像也是非常重要的方向。
现在百度积累了非常丰富的用户画像，有非常多细分的标签，如一个人可以从人口属性、行为习惯、长期兴趣、位置、短期意图等五个维度去刻画，形成初级的用户画像，构建个体模型。
四、平台以及生态层
这一层更多集中在百度大脑（ai.baidu.com），完整的生态包括云和端两大部分。
百度云是很大的计算平台，不只是百度可以用，而且开放给所有的合作伙伴，变成基础的支撑平台，上面有百度大脑的各种能力。
同时还有一些垂直的解决方案，比如基于自然语言的人机交互的新一代操作系统，以及与智能驾驶相关的Apollo。整车厂商可以调用其中他们需要的能力，汽车电子厂商也可以调用他们需要的相应能力，大家共建整个平台和生态。
五、应用层
语音搜索，是典型的在搜索上引入一些AI能力之后的产品形态，这里不是一个“语音识别+简单的搜索”，而是我们直接语音输入我们想要的字的时候，如果出现多音字，如俪、莉，就会出现错误，但如果用户说：“茉莉的莉”，语音纠错就会自动修改成“莉”，然后找到用户最终想要的答案。所以这就需要很多相关技术的支持。图像搜索也是，我们做了很多图像搜索相关的尝试。
例如，找题很困难，很多学生做题，题里有图、有公式，想把内容输入进去就很难，所以拍照就变成特别方便的方式，这里就会结合OCR的技术，对图像做识别。智能问答、个性化推荐等同样是综合了多种AI能力，如知识图谱、NLP、用户理解等，把答案或资讯更直观、更有针对性地展现给用户。除了互联网应用，我们也在尝试AI能力与各行各业的结合，如智能客服、智慧机场等。
人工智能正在成为这个时代技术变革的核心驱动力，AI在To B领域的渗入将会给各行各业带来革命性的改变，也会对人们的日常生活产生巨大的影响。人工智能应用广泛，其实际作用绝不仅仅在互联网，就像我们已经很难想象任何一个行业离开电该如何运转一样，人工智能也会是新时代的电力。
可以预见，人工智能必将无处不在。
评论 (0)