字节跳动投资了阿里前女员工
06-17
据雷锋网报道，11月19日上午，世界人工智能融合发展大会在山东济南正式召开。
会议由工业和信息化部、中国工程院、山东省人民政府指导，山东省工业和信息化厅、省教育厅、省教育厅承办。
科技部、省财政厅、济南市人民政府、新一代人工智能产业技术创新战略联盟共同主办。
本次大会上，中国工程院院士、新一代人工智能产业技术创新战略联盟理事长高文；中国工程院院士、浪潮集团院士首席科学家·王恩东；英国皇家工程院院士、昆云科技院士首席科学家·陆永青；富士康工业互联网李军旗董事长等嘉宾出席并作主题报告。
高文报告的主题是《智能交通与数字视网膜》。
以下内容由雷锋网整理、编辑，不改变原意： 尊敬的各位专家、同事、朋友们，大家好！智能交通之所以被称为“智能”，是因为它可以通过一些技术手段提高效率；例如，它可以知道哪条路的汽车较多，哪条路的汽车较少。
尽管以前的信号控制系统已经做了很多类似的工作，但大多数系统通过地面线圈或通过摄像机收集的信息提供输入。
今天我想跟大家分享的就是结合最现代的传感器和计算系统，做好智慧交通。
首先，我们来了解一下什么是数字视网膜。
事实上，数字视网膜笔记本现在已经形成了一个规模化的体系。
这个系统如何能够很好地协调视频中“看到”的内容，需要解决三个问题：一是为什么，一是怎么做，二是具体概念是什么？整体来看，无论是数字视网膜、图像处理还是视频处理，都经历了漫长的进化之路。
例如，视频处理技术刚出现时是模拟摄像机的，大概是在19世纪中叶。
后来，从伦敦开始，人们慢慢地使用这些图像和它们所传达的内容；直到19世纪中叶计算机出现后，人们开始将模拟图像转为数字图像进行处理和传输。
如今，图像处理不断发展，从卫星图像到医学图像，甚至覆盖了我们生活的方方面面。
过去，人们在这方面没有很强的处理能力，但现在，摄像头和传感器的发展越来越好，云计算也出现了。
以前的摄像头现在变成了摄像头网络，由成千上万个摄像头连接起来；原本简单的云存储也成为了复杂的城市大脑。
一个城市有一个主仓储中心和多个分仓储中心。
智能交通的决策分析在主中心进行，数据从末端各个摄像头传输到分存储中心，然后汇聚到主中心。
那么，这些数据到底是怎么来的呢？之前的模型是摄像头用编码器将拍摄到的内容压缩并发回，到达中央中心后再解压。
通过手动系统提取有用信息并进行分析和识别。
随着人工智能技术越来越成熟，上述的手工工作都交给了深度神经网络，只要有足够的计算能力即可。
然而，这样的系统真的能提高效率吗？如果效率不好，原因是什么？刚才说了，摄像头拍完照片后，需要进行压缩，然后发送到中央中心进行解码，然后进行特征提取、分析、识别。
事实上，这个过程需要一定的时间，而且很难达到实时的效果。
为了解决这个问题，人们不断对系统进行升级，添加许多专门的智能摄像头，直接识别一些特征，而不需要经过编码过程，从而节省时间。
这个解决方案真的有好处吗？其实并不是。
因为，这样做确实可以解决一些小问题，但是却带来了更多的大问题。
如今的摄像头网络非常庞大，因此它收集的数据也非常庞大。
然而，大数据并不意味着大数据。
这些摄像头捕捉到的85%-90%是监控视频数据，很难帮助改善整个城市的管理和规划；而且最多只能保存三个月，最多可以保存两个月。
它在一周内被覆盖或废弃。
如此大的数据量却只具有超低的价值密度。
我们应该想办法对其进行转换，使其更有价值。
问题实际上出在架构上。
按照原来的架构，几乎99%的摄像头都只是用来拍摄然后对内容进行编码。
即使它们传输的数据稍后被使用，相机的贡献也是微乎其微的。
因此，我们需要找到方法让相机做更多的工作，但不能将其升级为简单的智能相机来识别人脸或车牌（原因如上所述）。
真正有用的方法是让摄像头提取有用的数据，传输到云端，然后在云端处理成有价值的大数据，长期保存。
这是受到生物世界的启发。
无论是人类还是动物，我们都有眼睛，而且它们的效率很高。
眼睛通过视网膜获取光信号。
视网膜中有两种关键细胞，感光细胞和视锥细胞。
这两个细胞总共有1.26亿个，我们平时看到的都是通过这些细胞。
传输到大脑。
然而，信息向后传输时，会经过好几层，信息在每一层都会减少，直到到达大脑神经的连接点。
举两个例子，正常孩子的学习过程实际上是对全连接神经网络的强化和剪裁。
有的连接越来越粗，有的连接慢慢缩小。
最终，他可以变得高效。
区分事物。
相反，自闭症儿童的终末神经与大脑末梢神经一样粗，但完全连接，无需剪断。
他很难集中注意力。
这也说明了信息还原的重要性，但目前我们的相机不具备信息还原的功能，相当于一个“自闭系统”。
因此，我们的系统必须像人类的视觉系统一样，将信息进行缩减，然后向上发送。
为此，去年我和北京大学的同志、阿里巴巴的同志在《中国科学》上发表了一篇文章，题为《数字视网膜智慧城市系统演进的关键环节》。
如果使用所谓的数字视网膜，这个问题就可以解决。
数字视网膜有八个主要特征。
我总结了三个最本质的特征：第一个特征叫做全球统一的时空ID。
每个摄像头必须有一个全球统一的时空ID，地理位置全球统一；每个摄像头只要发回信息，就会立即知道在全球统一时间发生了什么以及物理位置在哪里。
第二个特点是视网膜本身必须具备高效视频编码、高效特征编码和联合优化的能力。
高效视频编码的标准有很多，例如AVS标准、MPEG4等；目前的特征编码标准有MPEG、CDVS标准、CDVA标准；如果你想在一个码流中同时监控视频编码和特征编码，你需要方法让它们联合优化。
第三个本质特征是模型可更新、注意力可调整、软件可定义。
这也是三个不同的要求。
我们现在都在使用神经网络模型，随着时间的推移可能会出现新的算法。
因此，数字视网膜模型必须是可更新的；换句话说，每个相机上的算法都可以升级。
注意它是可调的，主要是可以在后台控制。
同一张图片中事物的优先级在每个地方都是不同的。
我们可以赋予它感兴趣区域的功能，让它能够关注一些特别重要的区域，并保留这个区域的信息。
软件可定义性可以通过软件升级来实现。
这种新的数字视网膜实际上具有三个流，而不像传统相机只有一个流，即视频压缩流或识别结果流。
数字视网膜的三流包括视频编码流、特征编码流、模型编码流。
当然，这三个流是有分工的。
有的可以在前端实时控制和调整，有的可以通过云端反馈来调整和控制。
这是数字视网膜。
事实上，数字视网膜主要是采用脑眼一体化的方式，通过数字视网膜的处理，将未来终端的信息发送到云端。
现在，我们在深圳专门做数字交通，并为此进行大规模的培训。
其中，有一些开源的东西，包括建立开源生态系统，以及一些潜在的能源技术。
其中，视频编码标准是一项重要的势能技术。
现在，联盟也在以刚才提到的标准设备为基础，制定一些大型的应用标准，并且正在逐步推进。
第一个数字视网膜芯片已经在路上，很快就会发布。
这个芯片只有一枚硬币那么小，但是它包含了我刚才提到的所有三个基本特征和八个功能。
未来，这种芯片可能会直接集成到各种智能交通系统中，并支持数字视网膜的应用。
雷锋网年度评选——寻找19大行业的最佳人工智能实施实践。
2017年创办的“人工智能最佳掘金案例年度榜”是业界首个人工智能商业案例评选活动。
雷锋网从商业角度出发，寻找人工智能在各行业的最佳实施实践。
第三次评选已正式启动。
关注微信公众号“雷锋网”，回复关键词“名单”即可参与报名。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-21
06-18
06-21
06-18
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态