「
若要說當下哪種技術最火最熱，我想非人工智慧技術莫屬了吧。雖然當下人工智慧技術發展還處於早期階段，但小到我們手機使用程序，大到航空航天等都離不開人工智慧技術。
那麼如何利用好人工智慧技術向傳統行業滲透；發展人工智慧是要以技術為導向還是市場需求為目標；以及如何更好的利用人工智慧推動養老產業發展；帶著這些問題，我們採訪到了澳門大學科技學院電腦及資訊科學系講座教授陳俊龍教授。
」
▲中國科技網獨家專訪澳門大學科技學院電腦及資訊科學系講座教授陳俊龍教授
市場需求是發展人工智慧的重要導向
眾所周知，人類對於科技的探索是永無止境的，就目前而言很多最新的科學技術已經遠遠超出了當下社會的需求，人工智慧技術也不例外。對於是該優先發展最先進的科學技術，還是要以市場為導向進行合理發展的問題，各方始終爭論不休。對此，陳教授也向記者表明了自己的看法。
他認為：市場是決定技術發展的重要方向，如果沒有市場需求的話技術做的再先進無法形成商業落地，也將成為一紙空談。就好比我們做了一個技術最先進的產品，那麼它必須要和現有的產品形成比較。如果它能給用戶帶來直觀上的改變，那麼它就是有價值的。如若沒有，那麼就算它做的再先進客戶依然是不需要的。
除此之外陳教授還認為，以當下科學研發能力只要有良好的市場為導向，任何技術上都不會存在難題的。人工智慧技術更是如此，目前的市場需求是完全能夠通過技術滿足實現的。
更為重要的是，我國人工智慧市場大環境良好，中央對於發展人工智慧的發展也給予了大力度的支持。但中央的支持畢竟是全面性的，無法做到因地制宜。因此，各地政府還需要根據當地情況制定出適合自己的配套政策，引導人工智慧產業在當地進行合理開展。
人工智慧向傳統行業滲透 需要多管齊下
在推廣的同時，如何更好的幫助人工智慧向各大傳統產業進行滲透一直是困擾業界的一大難題。對此，陳教授告訴記者：當下人工智慧技術主要應用集中在人臉識別、語音識別這兩大領域並且都應用到了神經網絡技術。但這並不是人工智慧技術的全部，除此之外，它還涉及到了包括：推問邏輯、智能關聯、模糊邏輯應用、遺傳算法、混合智能等諸多技術。
而人工智慧向傳統行業滲透首選目標就是製造業。例如神經網絡單元可以幫助其在流程控制或者工業控制中進行有效模式辨識。就目前傳統製造業而言，在此過程中遇到的最大難題就是如何設置「控制器」。要知道傳統製造業的系統模型是 控制過程 無法用數學模式進行描述，而這時就可以利用神經網絡對其進行控制，對整個工廠的作業系統進行有效描述，並對細微參數差距進行微調。
其次就是如何正確設置控制器。我們都知道在整個工廠的控制系統中，有很多細分的作業系統，這時如果只採用單一的神經網絡單元是無法勝任控制工作的，因此我們就需要使用其他人工智慧及時進行整合控制。打個比方，一個大型的電力廠在使用人工智慧技術後，就可以辨別什麼時候使用點的高峰和低谷，在用電低谷的時候將電力存儲起來，達到最理想的分配結果。
智能養老不僅要多方聯動 更需「個性化」訂製
除了向傳統產業滲透以外，人工智慧在諸多新興產業也有著廣泛的應用前景，例如現在十分火熱的養老產業。那麼如何更好的利用人工智慧技術推動養老產業發展呢？陳教授認為：不論是智能醫療還是智能養老，單靠業界的努力是很難推動的，必須要依仗政府部門的支持。
另外，鑑於每個人的狀況病症也不盡一樣，在發展智能醫療、智能養老同時，必須要因人而異打造個性化服務。只有通過精細化的訂製服務，醫生在遠程精準獲取病人的信息之後，才能準確對症下藥。
當然，這是最理想化的結果，如果各地受條件限制無法做到一對一的精準服務，這時政府部門就可以承建養老服務中心，對需要幫助的老者進行統一智能化管理服務。因此，陳教授認為建立科學完善的智能養老、智能醫療體系是一項非常浩大的工程，必須要動員到各地政府部門、醫院等諸多部門進行配合、運用大數據及物聯網等技術才能得以實現。
寬度學習 一種具有顛覆性的人工智慧創新理念
對於深度神經網絡學習有所了解的朋友一定都知道，這種技術雖然在數據處理以及應用層面有著很大優勢。但是由於結構複雜，其在訓練時需要採集大量數據做支持，並且為了追求精度，深度訓練模型往往需要增加大量的層數與參數，這樣一來不僅訓練時間過長而且難度也很大。
正因如此，陳俊龍教授結合早期單隱層網絡的相關研究在業界率先提出了「寬度學習系統」（Broad Learning System）這一創新理念。寬度學習最大的特點在於其單隱層結構特點，與傳統深度神經網絡最大的不同之處在於，寬度學習並不採用深度結構，而是基於單隱層神經網絡而構建，因此在處理中可以用易懂的數學推導來進行增量學習，具有橫向擴展和增量學習的優勢。
除此之外，深度神經網絡在面對精度不夠的難題時，一般會採用增加層數或者調整參數的方式來解決。而寬度學習則可以通過橫向拓展的方式，利用輸入映射的特徵作為網絡特徵節點，進而增強成為生成權重的增強節點，並將特徵節點與增強節點直接傳輸到輸出端。更為重要的是，寬度學習並不需要從頭開始學習演練，只需要調解新增節點相關的權重，達到對新加入的節點進行增量學習的目的。
更為重要的是，寬度學習系統可以輕鬆的置於客戶端來執行，而不需要依賴超級計算機或者雲端伺服器進行遠程計算，可以輕鬆的在智能控制環境中進行更新學習。採訪最後，陳教授對記者表示：雖然寬度學習現在還有諸多問題等待解決，但是在他看來寬度學習獨特的逼近優勢以及算法快的特點能夠使其成為未來主流訓練方法，未來工作重心也將繼續放在寬度學習領域，並為其尋找合適的應用行業與場景。
專家背景
陳俊龍，澳門大學講座教授及科技學院前院長，博士生導師，國家特聘專家，我國自動化學會副理事長，IEEE Transactions on Systems, Man, and Cybernetics: Systems 期刊主編。1985 年獲美國密西根大學碩士學位，1988 年獲美國普度大學博士學位。曾在美國德州大學工學院任終身教授、工學院副院長及電機計算機系主任。科研方向包括：系統及智能算法理論與工程，數據分析及挖掘，物理建模及智能控制。獲得了國際學術學會組織的院士/會士（Fellow）認可的殊榮，包括IEEE, AAAS, IAPR, 及歐洲科學院院士。
文章來源：中國科技網
文字編輯：陳龍