專訪百度IDL負責人林元慶：告別蹣跚 AI大幕已啟

　　人工智能不是單個技術(shù)，而是包含很多很多的不同技術(shù)，以計算機視覺為例，它就有圖像分類，物體檢測，圖像分割等不同技術(shù)。

　　近日，在有韓國“硅谷”之稱的韓國大田，IROS 2023正在如火如荼地舉行，在Special論壇的人工智能/深度學習專場，百度深度學習實驗室(IDL)主任林元慶做了《AI，the (next) big thing》(《人工智能：大幕已啟》)的主題演講，作為計算機視覺和機器學習領(lǐng)域非�；钴S的一名成員，現(xiàn)百度IDL負責人，目前他領(lǐng)導的IDL正進行著PaddlePaddle深度學習開源框架、圖片搜索、基礎(chǔ)圖像識別技術(shù)、人臉識別、OCR(光學字符識別)、視頻分析、學習機器人、細粒度圖像識別、AR以及醫(yī)療影像分析等十多個研究方向。雷鋒網(wǎng)在演講過后采訪了林元慶，請他講了關(guān)于IROS，關(guān)于開源平臺，關(guān)于AI眼下最重要一步的看法。以下是采訪全文。

　　雷鋒網(wǎng)：此行來IROS的目的?

　　IROS是世界上最大的關(guān)于Robitics的國際會議之一，大會的Plenary talk是會議眾多演講的重中之重。雖然平時我很少在外面公開做演講，但這樣一個學術(shù)性的talk既然主動邀請，就過來了，另外這也是向世界的Robotics研究人員介紹百度人工智能的好機會。

　　雷鋒網(wǎng)：作為一個機器人會議中受邀的AI演講者，機器人中需要用到AI的地方，可以概括一下?

　　很多，像我剛剛說的百度大腦里面，有語音識別，計算機視覺，NLP，推薦/預測，運動/控制，決策/規(guī)劃，這幾個AI大方向都是機器人學的重要基礎(chǔ)技術(shù)。

　　雷鋒網(wǎng)：CPU+FPGA，CPU+GPU組合更看好哪個?百度不同業(yè)務去分配的時候是如何決定用哪個組合的?

　　這兩個技術(shù)都在進步，我們沒有一個預設(shè)的立場，百度這兩個方向都在應用。選擇上，百度不同業(yè)務，訓練階段大部分用的大部分是GPU，testing階段有用GPU，也有用FPGA的，更成熟的業(yè)務可能會選擇FPGA，這樣優(yōu)化的空間會更大一些。

　　(看你剛剛放的PPT劃分的百度AI相關(guān)業(yè)務，這些業(yè)務用哪個組合會有明確的選擇嗎?)

　　這個很難講，人工智能不是單個技術(shù)，而是包含很多很多的不同技術(shù)，以計算機視覺為例，它就有圖像分類，物體檢測，圖像分割等不同技術(shù)。GPU和FPGA對不同的任務，可能各有優(yōu)缺點。

　　(就是一項業(yè)務訓練的時候用的GPU，實際應用的時候可能轉(zhuǎn)到FPGA?)

　　對，是這樣。

　　雷鋒網(wǎng)：現(xiàn)在ImageNet比賽結(jié)果對工業(yè)界的意義在哪里?

　　這幾年ImageNet的競賽涌現(xiàn)出一些非常有用的算法，比如AlexNet之后的GoogleNet, VGG, ResNet等，對工業(yè)界的技術(shù)性能的提高，有很大的推動作用。ImageNet一個很大的意義是在于推動算法的革新。這對工業(yè)界和學術(shù)界，都是非常有意義的。

　　同時，工業(yè)界打造的產(chǎn)品，常常需要go beyond ImageNet。我記得第一年(2023年)ImageNet比賽我們拿了第一名。我是當時項目的負責人。但之后我們發(fā)現(xiàn)ImageNet的結(jié)果很難直接用在產(chǎn)品上。我們后來開始主攻細粒度圖像識別。百度糯米這個月下旬將推出一個非常重要的功能，其中的一個重要技術(shù)就是菜品圖像的'細粒度識別(識別圖片里的菜品是哪個餐館的哪道菜)。即使是通用的圖像分類，百度的圖像庫有接近1億張帶類別標簽的圖片，比ImageNet Challenge(150萬張圖片)的大很多。我們內(nèi)部的數(shù)據(jù)要比公開的數(shù)據(jù)大很多，需要更好地反應我們要解決的問題。

　　雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))：你現(xiàn)在領(lǐng)導的十個業(yè)務都跟之前主攻方向之一大規(guī)模細粒度圖像識別有何關(guān)系?

　　對，有很多關(guān)聯(lián)的。最直接的當然是細粒度圖像識別方向。我們希望在百度搭建一個非常強大的細粒度圖像識別的研發(fā)團隊。其它的項目與這也有關(guān)聯(lián)。比如人臉識別就是一個最經(jīng)典的細粒度圖像識別任務。很多技術(shù)是相通的。還比如我們的醫(yī)學圖像分析，它的很多做法與細粒度圖像識別也有相通之處。

　　我們現(xiàn)在強調(diào)做instance-level的細粒度圖像識別。比如，我們身下坐的這把椅子，我們不單單只是識別這是一把椅子，我們還需要識別出這是哪個廠家哪個型號的椅子。還比如前面提到的“哪個餐館哪道菜”的識別。這些都是非常精細的識別。這些問題當然都很難，需要投入很大的研發(fā)力量。但應用前景是非常大的。

　　雷鋒網(wǎng)：跟之前NEC的工作有什么內(nèi)在聯(lián)系?

　　NEC美國實驗室在美國是非常優(yōu)秀的實驗室，也在AI上做了非常多的工作。我也非常幸運地在那里做了7年半的研究，包括最后三年多作為實驗室媒體分析部門的負責人。當時的工作與現(xiàn)在的工作一脈相承。

　　雷鋒網(wǎng)：剛在演講最后，你講到AI大幕已啟，接下來讓它走地更遠的話，最重要的一步是什么?

　　最重要的一步是要有用，能解決實際問題，真正能解決一些很重要的問題。比如自動駕駛，那就是要真正能上路。人臉識別，就是什么情況下人臉識別都能識別得非常精準。

　　雷鋒網(wǎng)：作為過來人分享一下，學生選Robotics專業(yè)的時候要注意什么?

　　機器人，包括AI，大家可能會有一些誤解，覺得這是單一技術(shù)，但其實它涵蓋的技術(shù)非常復雜，而一個人是很難去解決所有的技術(shù)的。像今天第一個talk講的機器手抓取，從應用角度來看這是一個非常特定的領(lǐng)域，但這個方向做學問的話你都可以做很久。

　　我個人的傾向是注意不要大而全，要根據(jù)自身的興趣和特長定一些側(cè)重點。我經(jīng)常會跟我身邊的人說，要認準一個方向，做到這個方向的Mr. something，比如Mr. fine-grained image recognition。這樣你的事業(yè)可能就越走越寬。

　　雷鋒網(wǎng)：作為一個AI參與者，前不久余凱發(fā)了一個聲明：“一直以來我非常欽佩谷歌的Jeff Dean在MapReduce和谷歌大腦(TensorFlow)等項目上的杰出成就。但是，我必須指出，放任TensorFlow成為世界上占統(tǒng)治地位的人工智能開發(fā)平臺對世界是危險的。……” 如何看這個觀點?

　　AI的平臺很重要，確實需要多樣化的選擇，上次我也回了他朋友圈，認為我們這一代人應該團結(jié)起來，推動深度學習的平臺的開放和多樣化。百度現(xiàn)在有PaddlePaddle深度學習的平臺，這個其實是百度花了非常大的資源做的一個平臺，現(xiàn)在開源了，希望能在中國人工智能領(lǐng)域貢獻一些我們的力量。

　　雷鋒網(wǎng)：之前PC時代，Windows出現(xiàn)了就有Mac OS，還有Linux; 移動互聯(lián)網(wǎng)時代，iOS出現(xiàn)了就有Android;從來沒有一家獨大的時候，會不會AI平臺也不用擔心?

　　還是不太一樣。很多AI技術(shù)有一個正循環(huán)效應，越多的人來用，你的系統(tǒng)越好，這樣會吸引越多的人來用。你已經(jīng)快速迭代了甚至已經(jīng)做到極致了，別人再去重新開始一個，難度是比較高的。

　　小結(jié)：

　　林元慶在演講的過程中，以及會后采訪的過程中，一直在強調(diào)AI大幕“已經(jīng)啟動”這個關(guān)鍵動作，雖然“人工智能”這個概念最早從1955年8月31日就開始提出，但從當時的誕生，到中間的兩起兩落，一直像個蹣跚學步的孩子一樣經(jīng)歷了60年才迎來了第三次復興的浪潮。

　　1956年到1974年，全球第一次人工智能浪潮出現(xiàn)。

　　1974年到1980年。第一次人工智能冬天出現(xiàn)。

　　80年代出現(xiàn)了人工智能數(shù)學模型方面的重大發(fā)明，第二次浪潮出現(xiàn)。

　　1987年到1993年現(xiàn)代PC的出現(xiàn)，讓人工智能的寒冬再次降臨。

　　不過這一次，隨著硬件，數(shù)據(jù)，算法三板斧的默契配合和發(fā)展，AlphaGo與世界頂級圍棋高手李世石的人機世紀對戰(zhàn)，人工智能已經(jīng)從基本的語音識別，圖像識別，向著自動駕駛，視頻，AR，醫(yī)療，金融等各種領(lǐng)域無聲地滲透，也引發(fā)了全民關(guān)注AI復興的熱潮。

　　老驥伏櫪，志在千里。如果說過去60年是它從孕育到躊躇的“蹣跚”周期，那往后60年，將會是它揭開“無窮大”大幕的周期。