你坐飛機(jī)的時候有沒有想過一個問題：「為什么我坐的飛機(jī)總是不靠廊橋，還要拿著行李去擠擺渡車？」

[[335305]]

通常，相關(guān)人員會告訴你：廊橋資源比較珍貴，因此飛機(jī)靠橋的幾率要低于停在遠(yuǎn)機(jī)位的幾率。

其實(shí)，這個答案只說出了一部分原因。 隨著機(jī)場航班數(shù)量的不斷增加，「靠橋率」成為了衡量機(jī)場運(yùn)行管理水平 的重要指標(biāo)。要在這個指標(biāo)上有所提高，除了改善硬件之外，「調(diào)度」也是一個突破口。 在國內(nèi)，深圳機(jī)場率先找準(zhǔn)了這個「突破口」。 深圳機(jī)場的廊橋機(jī)位與遠(yuǎn)機(jī)位的比例為 1:3。按照這個比例，很大一部分乘客都需要乘坐擺渡車。那么，如何讓更多的航班?？吭诶葮蚰?？深圳機(jī)場給出的解決方案是：AI 智能調(diào)度。 在 2018 年之前，深圳機(jī)場使用的調(diào)度方案主要是人工和系統(tǒng)配合的，每天 1000 多個航班的機(jī)位分配需要花掉 4 個小時。從 2018 年 11 月開始，深圳機(jī)場開始建設(shè)機(jī)位資源智能分配系統(tǒng)，2019 年正式上線。該系統(tǒng)將靠橋率提升了 10 個百分點(diǎn)，每個廊橋每天能多保障一個航班，一年之內(nèi)為 400 萬旅客省去了坐擺渡車的麻煩。同時，它還將機(jī)位分配的時間縮短為 1 分鐘。

在剛剛結(jié)束的華為云 TechWave 人工智能專題日上，華為云人工智能領(lǐng)域首席科學(xué)家、IEEE Fellow 田奇向我們講述了華為云 EI 運(yùn)用 AI 技術(shù)帶來的諸多智能化變革，深圳機(jī)場智能機(jī)位分配只是其中的一個例子。類似的例子還有很多，比如通過智能調(diào)配路上的信號燈縮短停車等待時間、利用智能防暴力卸貨方案防止工作人員對快遞進(jìn)行暴力分揀等。 

華為云人工智能領(lǐng)域首席科學(xué)家、IEEE Fellow 田奇

AI 是一個需要長期積累的行業(yè)，事實(shí)上華為早就開始了 AI 相關(guān)研究，但一直比較低調(diào)，諾亞方舟等實(shí)驗(yàn)室也很少出現(xiàn)在「臺前」。與之形成鮮明反差的是，華為手機(jī)的 AI 技術(shù)卻屢次成為大眾熱議的話題。近幾年，華為云全棧全場景 AI 強(qiáng)大的行業(yè)落地能力，在華為云 EI 企業(yè)智能體現(xiàn)得淋漓盡致。雖然成立還不到三年，華為云 EI 已經(jīng)在 10 多個行業(yè)的 600 多個項(xiàng)目探索和落地。

而這一切，都離不開 AI 基礎(chǔ)研究的支撐。

作為一個橫跨學(xué)界和業(yè)界的研究者，田奇博士的加入為華為云 EI 的基礎(chǔ)研究制定了新的規(guī)劃。在他的帶領(lǐng)下，華為云 EI 將專注于計(jì)算機(jī)視覺、決策優(yōu)化和語音語義三大方向，并于近期在這三個方向上取得了多項(xiàng)世界第一的成績。

計(jì)算機(jī)視覺：頂會論文近百篇，登頂 ImageNet、COCO 等權(quán)威數(shù)據(jù)集

計(jì)算機(jī)視覺是 AI 領(lǐng)域應(yīng)用最廣泛的技術(shù)之一，很多行業(yè)痛點(diǎn)都可以通過計(jì)算機(jī)視覺算法來解決，如道路擁堵診斷分析等。為了解決這些痛點(diǎn)，田奇博士帶領(lǐng)的視覺研究團(tuán)隊(duì)從圖像分類、檢測、分割、多模態(tài)數(shù)據(jù)處理等多個方向入手，在基礎(chǔ)研究領(lǐng)域取得了多項(xiàng)突破，有近百篇論文被 ICCV、ECCV、CVPR 等頂會收錄。

圖像分類：登頂 ImageNet、WebVision 數(shù)據(jù)集

作為人類最基本的能力，大腦可以對眼睛看到的常見目標(biāo)進(jìn)行精準(zhǔn)的識別，比如貓、狗、車等。但是，由于每個人知識的局限性，常人很難完成成千上萬類的物體識別。

為了解決這個問題，華為視覺團(tuán)隊(duì)從 2019 年年底開始發(fā)力，自研出了基于知識蒸餾與數(shù)據(jù)增強(qiáng)的分類算法，大幅提升了圖像分類的性能。今年 3 月份，在 ImageNet-1000 大規(guī)模圖像分類數(shù)據(jù)集上，該團(tuán)隊(duì)的 EffNet+CAKD 算法 top-1 精度達(dá)到了 85.8%，超越了長期以來霸榜的谷歌。

其實(shí)，圖像分類并沒有看起來那么簡單，標(biāo)注數(shù)據(jù)中會存在很多噪聲。在這些噪聲的「誤導(dǎo)」下，模型很容易出錯。

為了讓 AI 像人類一樣更魯棒地去處理有噪聲數(shù)據(jù)的任務(wù)，華為視覺團(tuán)隊(duì)提出了新的 AI 模型學(xué)習(xí)范式，旨在提升 AI 模型對數(shù)據(jù)中錯誤樣本的容忍度。

在由蘇黎世聯(lián)邦理工、Google Research、卡內(nèi)基梅隆大學(xué)等共同組織的人工智能「世界杯」——WebVision 大規(guī)模網(wǎng)絡(luò)圖像數(shù)據(jù)識別競賽中，華為以 82.97% 的精度擊敗了來自世界各地的 94 支參賽隊(duì)伍，達(dá)到業(yè)界第一。

在無監(jiān)督學(xué)習(xí)方面，華為視覺團(tuán)隊(duì)自研的無監(jiān)督學(xué)習(xí)算法在無標(biāo)簽的 ImageNet 數(shù)據(jù)集上達(dá)到了 72.4% 的精度，比 Facebook 何愷明組的 MOCO v2（71.1%）還要高出 1.3 個百分點(diǎn)。

圖像檢測與分割：登頂 COCO 數(shù)據(jù)集

不同于圖像分類技術(shù)，圖像檢測和分割旨在讓計(jì)算機(jī)可以像人一樣識別到圖片中更高層次的語義信息，比如檢測目標(biāo)的位置、理解目標(biāo)的相互關(guān)系等。

為了解決這一類問題，華為視覺團(tuán)隊(duì)自研了自適應(yīng)數(shù)據(jù)增強(qiáng)技術(shù)，在包含 16 萬張圖像的 COCO 數(shù)據(jù)集上實(shí)現(xiàn)了單模型 56.8%、多模型 58.8% 的檢測精度，兩項(xiàng)指標(biāo)均達(dá)到了世界第一，打破了谷歌等公司在該領(lǐng)域多年的壟斷。

在這次疫情的大考中，原來只能依靠人類專家完成的新冠肺炎檢測任務(wù)，華為云依靠領(lǐng)先的圖像分割技術(shù)實(shí)現(xiàn)了肺炎更精準(zhǔn)、更快速的檢測，可以達(dá)到 CT 量化結(jié)果秒級輸出，大大提升了輔助診療的質(zhì)量和效率。

多模態(tài)數(shù)據(jù)處理：登頂 NuScenes 數(shù)據(jù)集

前面提到的圖像分類、檢測、分割等都是相對獨(dú)立的任務(wù)，但在現(xiàn)實(shí)生活中，人們處理的往往是多個維度、多個模態(tài)的數(shù)據(jù)（如聊天時同時面對人臉和聲音），計(jì)算機(jī)也不例外。

為了挖掘和整合不同模態(tài)數(shù)據(jù)之間的知識，華為視覺團(tuán)隊(duì)提出了圖像底層信息融合技術(shù)，來處理語義分割信息和激光點(diǎn)云等多模態(tài)數(shù)據(jù)。在全世界最大規(guī)模的 3D 目標(biāo)檢測數(shù)據(jù)集 NuScenes 上，該團(tuán)隊(duì)擊敗了來自世界各地的 92 支隊(duì)伍，達(dá)到了 64.2% 的檢測精度，取得業(yè)界第一，領(lǐng)先第二名 3.1%。

在該項(xiàng)多模態(tài)技術(shù)的推動下，華為云 EI 提出了交通智能體，來解決「你今天堵車了嗎」這個靈魂質(zhì)問。

這些成果的取得和田奇博士的加入不無關(guān)系。田奇博士畢業(yè)于伊利諾伊大學(xué)香檳分校，師從計(jì)算視覺之父 Thomas S．Huang 教授。在加入華為之前，他在德州大學(xué)圣安東尼奧分校任教 17 年。目前，他已累計(jì)發(fā)表文章超過 550 篇，其中 250 多篇入圍 IEEE TPAMI、IJCV、CVPR/ICCV/ECCV、NeurIPS 等國際頂級期刊和會議。

在 2018 年加入華為之后，田奇博士迅速適應(yīng)了學(xué)界和業(yè)界的巨大差異，認(rèn)識到「工業(yè)界更注重于商業(yè)價值以及方法的實(shí)用性，針對某一個特定的問題，提升用戶體驗(yàn)，帶來實(shí)際的價值」。在這種信念的指引下，他帶領(lǐng)華為的視覺團(tuán)隊(duì)取得了多項(xiàng)基礎(chǔ)研究突破，并將其落地到華為云 EI 的多個項(xiàng)目中。

針對視覺領(lǐng)域存在的諸多問題，田奇博士在今年 3 月份的華為開發(fā)者大會 2020（Cloud）上發(fā)布了《華為視覺研究計(jì)劃》，旨在為小樣本訓(xùn)練、多模態(tài)學(xué)習(xí)、端側(cè)模型瘦身等提供解決方案。

決策優(yōu)化：在 ESICUP 上達(dá)到世界最優(yōu)

將一塊大玻璃切成不同的形狀，怎么切才能最大程度上減少浪費(fèi)？將裝有貨物的箱子裝進(jìn)集裝箱，如何實(shí)現(xiàn)空間利用的最大化？這些都是現(xiàn)實(shí)生活中普遍存在的決策優(yōu)化問題，也是華為云 EI 重點(diǎn)發(fā)力的一大方向。

為了在工業(yè)生產(chǎn)過程中盡可能減少材料浪費(fèi)、降低生產(chǎn)成本，華為云 EI 提出了業(yè)界頂尖的決策優(yōu)化方案，在業(yè)內(nèi)公開數(shù)據(jù)集 ESICUP 上達(dá)到世界最優(yōu)，用最少的投入獲得了最大程度的收益。

除了文章開頭提到的飛機(jī)靠橋率，這類問題在其他行業(yè)也非常常見。以物流行業(yè)為例，在路線優(yōu)化問題上，華為云的智能系統(tǒng)改變了人工查詢距離、匹配車型等操作，改為系統(tǒng)自動測算。相比于模擬人工編排路徑得到的初始解，優(yōu)化后的結(jié)果的整體運(yùn)費(fèi)下降了 20-30%。

語音語義：DiggScience 全球第一

華為云 EI 語音語義團(tuán)隊(duì)著力于發(fā)展私人定制化的語義服務(wù)，不斷訓(xùn)練機(jī)器并自動學(xué)習(xí)，賦予機(jī)器認(rèn)知、意識和推理的能力。同時，團(tuán)隊(duì)還開發(fā)出了世界頂尖的知識圖譜平臺，完成了從感知智能到認(rèn)知智能的躍變。

這些成果也得到了海內(nèi)外機(jī)構(gòu)的高度認(rèn)可。在 2019 年 10 月的 DiggScience 科學(xué)數(shù)據(jù)挖掘大賽（學(xué)術(shù)論文搜索匹配大賽）上，華為云以 58.7% 的準(zhǔn)確率奪冠，超過第二名 5 個百分點(diǎn)。在今年 2 月的第 13 屆網(wǎng)絡(luò)搜索與數(shù)據(jù)挖掘國際會議（WSDM 2020）上，華為云帶領(lǐng)的聯(lián)合團(tuán)隊(duì)摘得 WSDM Cup 2020 大賽「論文引用意圖識別任務(wù)」金牌。

落地的背后

從以上研究成果和應(yīng)用案例我們可以看出，華為云在 AI 基礎(chǔ)研究的落地上是非常成功的。但有一點(diǎn)不可忽視：前沿研究和業(yè)務(wù)落地之間總是存在巨大的差異，田奇博士稱之為「AI 使能鴻溝」。

從華為云 EI 落地的領(lǐng)域中我們不難發(fā)現(xiàn)，華為的團(tuán)隊(duì)挑的都是一些「硬骨頭」。以工業(yè)視覺場景為例，在學(xué)術(shù)界，研究者面臨的往往是標(biāo)注準(zhǔn)確、畫質(zhì)清晰的圖像，但在工業(yè)界，標(biāo)注錯誤、圖像模糊是非常常見的，而且數(shù)據(jù)量也要大幾個量級。同樣嚴(yán)重的問題還有醫(yī)療領(lǐng)域的小樣本訓(xùn)練以及端側(cè)的模型瘦身等，而這些都是華為云 EI 發(fā)力的領(lǐng)域。

橫跨學(xué)界和業(yè)界的雙重身份使得田奇博士能夠更加敏銳地感受到這些差異。在加入華為之后，他帶領(lǐng)團(tuán)隊(duì)不斷克服這些挑戰(zhàn)，探索出了一系列解決方案。

除了技術(shù)層面的攻關(guān)之外，田奇博士在接受機(jī)器之心采訪時還提到了華為云的團(tuán)隊(duì)合作機(jī)制及人才的選拔標(biāo)準(zhǔn)。

在團(tuán)隊(duì)合作方面，他表示，華為有著一套完整的促進(jìn)研究組和產(chǎn)品線合作的機(jī)制，二者可以通過公司內(nèi)部各種各樣的活動進(jìn)行交流，比如羅馬廣場、松鼠會等。研究組分享前沿的科研成果，產(chǎn)品線提出自身的業(yè)務(wù)痛點(diǎn)問題，一旦發(fā)現(xiàn)合作的機(jī)會，兩者就可以通過聯(lián)合項(xiàng)目組的形式進(jìn)行攻關(guān)。同時，公司還創(chuàng)建了訪問學(xué)者等機(jī)制，以期更好地促進(jìn)研究組和產(chǎn)品線的溝通。

在人才方面，他指出，華為云 EI 團(tuán)隊(duì)需要的是既懂算法，又懂平臺，而且還能了解行業(yè)的人。為什么這么講？首先從研究方向來看，越來越多的行業(yè)要求為 AI 模型融入知識，將從業(yè)人員的經(jīng)驗(yàn)系統(tǒng)化為行業(yè)知識圖譜，使模型具備推理的能力，從感知智能過渡到認(rèn)知智能。從行業(yè)需求來講，不懂行業(yè)的研究者很容易陷入偽需求的漩渦，做出的產(chǎn)品與真實(shí)場景不匹配，無法解決行業(yè)痛點(diǎn)。

田奇博士還指出，在人才方面，除了鼓勵算法研究者去向行業(yè)人員學(xué)習(xí)背景知識外，還要說服行業(yè)專家去分享自己的行業(yè)知識，使其接受 AI，這就要在溝通上多下功夫。

在談到華為云 EI 的下一個技術(shù)發(fā)力點(diǎn)時，田奇表示，華為云 EI 將聚焦于兩個方向：華為云體系架構(gòu)和核心算法在行業(yè)中的落地。在體系架構(gòu)方面，華為云希望將來端、邊、云能夠更好地協(xié)同， 引入更多樣化的端，同時結(jié)合華為在 5G 和 IoT 的連接優(yōu)勢，賦能更多的行業(yè)。在算法方面，華為希望能跟行業(yè)相結(jié)合，解決行業(yè)中的實(shí)際問題，使得核心算法落地行業(yè)。

面向分布式 AI 開發(fā)及計(jì)算場景，華為云推出 ModelArts Edge 智能小站

在研究和產(chǎn)業(yè)部門的密切配合下，華為云 EI 克服了落地的重重挑戰(zhàn)，不僅將上述業(yè)界頂級的 AI 技術(shù)用到了自己產(chǎn)品中，還將其帶到了各個行業(yè)。

而這一切，都是通過一個叫 ModelArts 的一站式 AI 開發(fā)管理平臺實(shí)現(xiàn)的。該平臺為機(jī)器學(xué)習(xí)與深度學(xué)習(xí)提供海量數(shù)據(jù)預(yù)處理及半自動化標(biāo)注、大規(guī)模分布式 Training、自動化模型生成，及端 - 邊 - 云模型按需部署能力，幫助用戶快速創(chuàng)建和部署模型，管理全周期 AI 工作流。

如今，這一平臺又有了新的延伸——ModelArts Edge 智能小站。

ModelArts Edge 智能小站主要面向分布式 AI 開發(fā)以及計(jì)算場景的需求，解決用戶在自建 AI 平臺過程中存在的一些痛點(diǎn)，如平臺部署難度高；建設(shè)周期長，無法跟上快速變化的業(yè)務(wù)趨勢等。

ModelArts Edge 沉淀了華為云 EI 在計(jì)算機(jī)視覺、決策優(yōu)化、語音語義等領(lǐng)域的核心技術(shù)，以一體化全棧方式交付完整的 ModelArts 平臺服務(wù)能力，是公有云服務(wù)在邊緣側(cè)的延伸，也是業(yè)界首個 AI 訓(xùn)練及推理邊緣小站方案。

華為云人工智能領(lǐng)域首席科學(xué)家田奇在華為云 TechWave 人工智能專題日發(fā)布 ModelArts Edge 智能小站。

為了讓智能小站為客戶提供與華為云上 ModelArts 一致的服務(wù)，該小站與 ModelArts 平臺保持了 3 個統(tǒng)一：統(tǒng)一硬件平臺、統(tǒng)一軟件架構(gòu)、統(tǒng)一平臺服務(wù)。

在數(shù)據(jù)安全方面，智能小站部署在客戶數(shù)據(jù)中心，通過物理隔離以確保安全合規(guī)，實(shí)現(xiàn)了數(shù)據(jù)本地存儲、本地訓(xùn)練、本地推理。

在運(yùn)維方面，小站通過專線接入華為云運(yùn)維中心，實(shí)現(xiàn)統(tǒng)一運(yùn)維。用戶可以通過云上完成訓(xùn)練作業(yè)下發(fā)，而數(shù)據(jù)存儲、訓(xùn)練、推理均在客戶機(jī)房完成。

華為云的技術(shù)專家在采訪中介紹了小站的一些具體應(yīng)用案例。以某大型電網(wǎng)公司為例，該公司在各個省都有節(jié)點(diǎn)，但各省數(shù)據(jù)量不夠大，因此需要在中心訓(xùn)練后再推到省節(jié)點(diǎn)進(jìn)行迭代。這種情況下，更好的方案是在總的節(jié)點(diǎn)上建一個中心的「云」，每個省節(jié)點(diǎn)部署 ModelArts Edge 智能小站。各個省之間可以通過聯(lián)邦共享數(shù)據(jù)。醫(yī)院的場景也是如此。

田奇表示，未來，華為云 EI 還將持續(xù)把華為 AI 前沿算法產(chǎn)品化，并開放給各行業(yè)的 AI 開發(fā)者使用，通過技術(shù)創(chuàng)新驅(qū)動產(chǎn)業(yè)智能升級。

鏈接：https://jinshuju.net/f/ujqg6A