譚光明：人工智能的發(fā)展現(xiàn)狀及其在環(huán)保中的應用

1、譚光明：人工智能的開展現(xiàn)狀及其在環(huán)保中的應用12月 9-10日，由全國工商聯(lián)環(huán)境商會主辦，以“學習 貫徹十九大精神：鍛造產(chǎn)業(yè)利劍 護衛(wèi)美麗中國為主題的 “2022 中國環(huán)保上市公司峰會 在廣東肇慶召開。 中科院高 性能電腦研究中心主任、博導譚光明在峰會上表示，人工智 能成為經(jīng)濟開展的新引擎，還給社會建設帶來新機遇。在技 術(shù)層面也是國際社會各個國家科研機構(gòu)競爭的高端技術(shù)。中 科院高性能電腦研究中心主任、博導 譚光明 以下是演講實錄：最近在環(huán)保應用領(lǐng)域做了一點事情，霧霾 檢測方向做了一些應用，一些算法研究，跟大家分享一下， 后續(xù)還有很多事情需要往前推進。人工智能已經(jīng)成為國家發(fā) 展戰(zhàn)略的一局部，美國

2、、歐洲、日本等也開展迅速。這些數(shù) 據(jù)能夠說明問題，像各領(lǐng)域人工智能公司的創(chuàng)立，如雨后春 筍般出現(xiàn)。人工智能成為經(jīng)濟開展的新引擎，還有給社會建 設帶來新機遇。在技術(shù)層面也是國際社會各個國家科研機構(gòu) 競爭的高端技術(shù)。 人工智能技術(shù)可以分類， 引用 UCLA 朱松 純的分類，歸納為六個：機器學習各種統(tǒng)計的建模、分 析工具和計算的方法電腦視覺暫且把模式識別，圖像 處理等問題歸入其中認知與推理包含各種物理和社會 常識機器人學機械、控制、設計、運動規(guī)劃、任務規(guī) 劃等，像近期波士頓動力公司做了機器人后空翻的演示。博弈與倫理多代理人 agents的交互、對抗與合作，機器 人與社會融合等議題。自然語言處理暫且把

3、語音識別、 合成歸入其中，包括對話 。把近幾年的大事件，包括自動 駕駛，把這些做一些分類，跟人工智能的深度學習技術(shù)，包 括知識圖譜、深度學習、增強學習，這些在行業(yè)應用中跟行 業(yè)技術(shù)配合使用。今天提到人工智能就是深度學習，其實這 只是人工智能大領(lǐng)域里面很小的一塊，事實上還有早期機器 學習相關(guān)算法的研究，開展到今天，深度學習的技術(shù)已經(jīng)把 很多技術(shù)做了替代，變得更加前沿的一個方法。人工智能的 三次浪潮與深度學習算法有比擬好的契合。1958、 1982、 1986年分別是人工智能興起的時候。李國杰院士說過： “人工智 能已經(jīng)炒過幾回了，經(jīng)歷了幾個夏天和冬天，忽冷忽熱；現(xiàn) 在終于到了秋天了，是收獲的季節(jié)

4、了。 這次人工智能浪潮 的興起，毫無疑問得益于深度學習技術(shù)的開展和興起。深度 學習技術(shù)開展歷程坎坷。 20 年前， Hinton 提出了 Neural Network ，沒有得到熱門開展。 NN 逐漸冷落， SVM 和 Boosting 等不斷興起Hinton于2006年在?科學?上發(fā)表文章， 首次提出 DL 。熱點的興起也離不開背后技術(shù)的開展。一方 面得益于計算技術(shù)的開展和推動，還有就是大數(shù)據(jù)的開展， 兩者結(jié)合使 DL 深度學習方法能夠發(fā)揮更有效的作用。深度 學習的根本思想就是構(gòu)建具有很多隱層的機器學習模型和 海量的訓練數(shù)據(jù)，來學習更有用的特征，從而最終提升分類 或預測的準確性。深度學習模型

5、，層次很多，通常有 5 層、 6 層，甚至 10 多層，上百層神經(jīng)網(wǎng)絡，對于技術(shù)能力的需求 越來越大。在高度開展空間，深度學習類型有很多。針對不 同領(lǐng)域，圖像、文本、語音識別等等，在實際應用中常常都 混合著使用， 出現(xiàn)很多靈活的組合方式。 根據(jù)實際實用問題， 選擇適宜的網(wǎng)絡。 像很多寬帶一樣， google tensorflow ，Caffe 以及 MX.NET 等深度學習的框架。 很多大公司或創(chuàng)業(yè)公司都 基于這些框架開發(fā)自己的產(chǎn)品，做自己的研究。這些框架有 不同的優(yōu)點和缺點。這些缺點和深度學習的模型是一樣的， 根據(jù)實際問題選擇更適宜的框架和模型。做個簡單總結(jié)， Caffe 是最早的深度學習框

6、架， 科研應用的綜合性能好， 但主 要局限于 CNN 。 MX Net 更加注重高效，文檔詳細，上手很 容易，運用也靈活。 Google 強力推出的 Tensor Flow ，很多 人跟隨這個框架使用，功能很齊全，能夠搭建的網(wǎng)絡種類更 豐富，但綜合性能比別的開源框架要差一些。但在某些階段 也不太注重性能。一個有效的解決途徑是針對具體應用設計 混合型學習框架。但是目前存在很多的問題，可以通過三個 方面來闡述。第一，產(chǎn)業(yè)鏈。產(chǎn)業(yè)鏈不完整，缺少從國產(chǎn)芯 片、平臺、應用軟件的完整產(chǎn)業(yè)鏈。 生態(tài)圈不豐富： 缺乏 CNN 、 RNN 等多種深度學習算法訓練庫。 第二， 平臺。缺少對國內(nèi) 處理器、 DCU

7、及其他國產(chǎn)加速器的開源效勞平臺。 像跟曙光 合作的 DCU 、寒武紀， 都沒有一整套開源作為支撐。 缺乏覆 蓋科學研究、經(jīng)濟民生等大規(guī)模深度學習訓練的數(shù)據(jù)資源。 現(xiàn)在很多信息不共享，比方醫(yī)院、政府資源，數(shù)據(jù)看不到， 平臺做的再好也沒有意義。第三，應用。頂級計算、國產(chǎn)處 理器與深度學習應用結(jié)合缺乏。深度學習應用開發(fā)和使用門 檻高、代價大、效率低、周期長。針對這些問題，希望能夠 結(jié)合以前在 HTC 做了一些技術(shù)，構(gòu)建 AI 創(chuàng)新計算平臺，從 云計算、大數(shù)據(jù)、高性能計算這三個層面創(chuàng)造高效、靈活部 署的平臺，幫助用戶快速使用 AI 的平臺。我們希望構(gòu)建一 個面向人工智能應用的開源平臺。 這個平臺是從頂

8、層到上 層，就是 SAAS 、 PAAS、 IAAS ，一直做到頂層應用產(chǎn)品。 高性能所更多是做底層根底平臺建設，最底層的 IAAS ，構(gòu) 建一個統(tǒng)一的開發(fā)環(huán)境，幫助存儲分布式海量數(shù)據(jù)，以及跟 上層資源的調(diào)度、算法的聯(lián)系，還有一些訓練效勞的標注工 具，再上向，就是面向在線效勞的軟件開發(fā)效勞和標準接口， 再往上就是面向國內(nèi)行業(yè)用戶，構(gòu)建不同行業(yè)的應用場景， 包括圖像識別、視頻處理、語音識別等等。在每個層面都有 重點，底層的中科曙光 GPU ，中科院的寒武紀芯片，申威處 理器。在國產(chǎn)平臺上，構(gòu)建整套人工智能軟件的生態(tài)環(huán)境， 推動平臺建設。有分析工具，模型、算法、調(diào)度、效勞框架， 未來陸續(xù)將開源平臺

9、在社區(qū)開放。 這是 GPU ，中科曙光首個 DCU 處理器面向高性能計算的總體架構(gòu)， 我本人是在核心算 法庫、軟件站，以及框架運用開發(fā)層面，圍繞底層平臺構(gòu)建 開發(fā)環(huán)境。有一個初步的工作成果，在網(wǎng)上作了開源，有興 趣的人可以看一下。我們借助這樣的工作根底，在全國布置 了 40 多個城市云、 10 多個先進計算中心，提供全國最大深 度學習GPU集群，有一萬以上的GPU。還有與應用方一起， 構(gòu)建了全球最大視頻深度學習的在線系統(tǒng)，科學院有裝置， 提供深度學習、人工智能以及大數(shù)據(jù)支撐效勞。最后，簡單 介紹一下氣象環(huán)保大數(shù)據(jù)分析的工作。如果做氣象預報，如 何將各種來源數(shù)據(jù)做整合和訓練，預報氣象，包括預警和

10、分 析。最近做了霧霾相關(guān)的預測研究，針對空氣質(zhì)量預測，現(xiàn) 在也有一些方法， 是基于一些模擬軟件， 計算指標值， 變量， 如 PM2.5、PM10、SO2、CO、O3 等，通過四個空氣污染模 式NAQP、CAMX、CMAQ、WRFC，再做擬合。但仍然 存在一些問題，比方與觀測值差異還較大。在現(xiàn)有模式結(jié)果 的根底上，如何利用統(tǒng)計、機器學習等方法，提升預報的準 確率。 OCF 算法基于兩個假設，得到兩條線，說明假設與實 際不符，我們要做的工作就是把這兩條線的預測能夠更準 確，最后能夠重合。目前還沒有應用更加復雜的方法，還是 結(jié)合 OCF 最優(yōu)化算法， 包括算法模塊的替換， 預測效果還是 不錯的。這里有四個圖，在 90天的時間維度下和 120