曠視研究院院長孫劍講述：中國技術(shù)何以打敗Facebook、Google拿下世界第一

　　我們以前做研究就講究填補國家空白，其實左邊一個空白我們看到了，然后我們今年提出來一個網(wǎng)絡(luò)叫ShuffleNet，它是為了給定計算量下或者比較小的計算量下，特別是計算量只有5到10個的TFLOP/S的時候，特別是手機上你怎么做深度學(xué)習(xí)網(wǎng)絡(luò)的推斷。

　　這里是ShuffleNet的一些基本機構(gòu)，左邊是最早的網(wǎng)絡(luò)，然后ResNet、然后Bottleneck，ResNet，還有 MobileNets，然后右邊是ShuffleNet。

　　核心思想就是把計算量最昂貴的1乘1的卷集分成很多組引入Shuffle 的一個操作，我們可以達到非常好的性能。例如說我們比傳統(tǒng)的AlexNet在同樣精度上可以快15到20倍，這速度并不是理論復(fù)雜度，而是真正在手機上的實測速度，理論復(fù)雜度比這還要小。

　　我們把這東西用在什么地方呢?第一我們用在FGPA(可編程門陣列)芯片上，中間是FGPA智能抓拍機，把這FGPA塞到相機里，就是智能的抓拍機。右邊視頻向大家展示一下成本非常便宜的FGPA上如何做智能人像抓拍，這智能人像抓拍機目前是業(yè)界第一款全畫幅、全幀率的人像抓拍機。這是保證視頻里人臉都不漏掉的重要因素。

　　我們還把Shufflenet用在手機上。iPhoneX 有3D人臉解鎖，其實我們也已經(jīng)幫助安卓手機廠商，包括VIVO、小米還有錘子手機，都使用了Face++的人臉解鎖技術(shù)，其實就是Shufflenet背后提供的計算，能夠讓人臉解鎖在手機上的時間小于0.1秒，拿起手機只要看一下屏幕馬上就可以解鎖，這速度會帶來非常不一樣的體驗，大家有機會可以試試不同款的手機。

　　落地：城市大腦及其他

　　另外一個就是剛才華先勝博士講的城市大腦。以前我也玩游戲，玩的一個游戲叫《模擬城市》其實就是你怎么去構(gòu)造、管理這個城市。今天，隨著人工智能和各種技術(shù)的發(fā)展，我們有機會去做真實的模擬城市的工作，右邊是我們做的計算機視覺方面的進展，是如何在一個城市里面把所有的人和車進行檢測跟蹤，把所有屬性都抽取出來，這是城市大腦傳感器最重要的一部分。

　　另外，視覺計算還有非常廣的商業(yè)用途，我們的一個產(chǎn)品就是用刷臉做身份認(rèn)證的平臺，目前這個平臺叫FaceID，它是世界上最大的人臉識別云平臺。它在線上為中國上百家互聯(lián)網(wǎng)金融公司提供服務(wù)。右邊是很好的商業(yè)探索，今天帶手機而不掃二維碼也可以用人臉支付，這是杭州肯德基第一個線下用人臉支付的案例。

　　還包括我們今天的無人店和新零售的一些探索，這里面是一個視頻展示一下Face++的技術(shù)如何幫助新零售行業(yè)做更好的線下商業(yè)銷售。

　　最后總結(jié)一下，雖然我們做了很多商業(yè)上的應(yīng)用，特別是把核心算法用起來。但是做計算機視覺和人工智能的人都知道，真正觸及人工智能冰山一角還是非常困難的。在這過程中，我們內(nèi)部就講幾個字，做公司的話，“技術(shù)、商業(yè)、數(shù)據(jù)”這個循環(huán)要轉(zhuǎn)起來。同樣，對于做算法，“熱情、洞察、耐心”是我們最重要的三個方向。

　　人才是根本：巨大的腦力ALL IN，AI 潛力巨大

　　中間這一張照片是我一個朋友分享的，我用這張照片表示人工智能還是很遙遠(yuǎn)，前面的路還不知道怎么走，但是我們非常有信心，信心來自于哪里呢?信心來自于人的智力投入，左邊這一張是去年GTC NVIDIA年會拍的照片，右邊是今年計算機視覺年會CVPR的照片，每一個會議參與者都超過了5千人，這標(biāo)志著世界上所有最聰明的人都在做這一件事情，我相信所有人的聰明才智集合在一起，一定能夠非�？焖俚赝苿舆@一件事情的發(fā)展。

　　最后我再回顧一下，上周日我們請了姚期智院士來擔(dān)任我們Face++學(xué)術(shù)委員會的首席顧問。我們探討的主題是人工智能的本質(zhì)創(chuàng)新。探討了非常多的話題后，最后回到了根本問題：人才。我們分別讓每一個人回答了一下對于人才的最重要要求。姚院士說希望在我們公司里，所有的研究員都能夠人盡其用。我自己在曠視研究院，最大使命是創(chuàng)造一個好的環(huán)境，讓每一個人才人盡其用。印奇是我們的CEO，他的使命是為公司找到最大的人工智能應(yīng)用場景，同時匯聚交叉學(xué)科的人才，因為我們知道人工智能不是只做計算機視覺或語音語意理解，而是做認(rèn)知、做機器人，甚至腦科學(xué)的人都應(yīng)該匯聚在一起，才真正有可能把人工智能的問題一點點理清楚，定義好問題才能更加踏實地向前走。