徐宏民专栏

MongoDB

ADI

徐宏民

台大资工系教授

徐宏民(Winston Hsu)现任富智捷(MobileDrive)技术长暨副总经理以及台大信息工程学系教授。哥伦比亚大学电机博士，专精于机器学习、大规模影像视讯查找与识别。为讯连科技研发团队创始成员，慧景科技(thingnario)共同创始人，NVIDIA AI Lab计划主持人；曾任IBM华生研究中心客座研究员、美国微软研究院客座研究员。习惯从学术及产业界的角度检验技术发展的机会；十余年产学合作及新创经验。曾获2018 IBM Research Pat Goldberg Memorial Best Paper Award 、2018伪装人脸识别冠军、杰出信息人才奖、吴大猷先生纪念奖等国内外研究奖项。

如何设计低耗能、高功效深度学习网络(一)

目前智能应用的普及来自近年机器学习技术的精进，其中最大的突破在于深度学习网络。给予适当的类神经网络架构以及足够的训练数据下，在各种智能应用中都有突破性的发展。而付出的代价则是庞大的参数模型以及运算量。举例来说，常用的深度学习网络参数大约数百（千）万个（浮点）参数，每次推论运算约需数个G-FLOPs，可以想像对于运算资源的需求十分庞大。

autoML自动化深度学习网络设计可行吗？

机器学习(深度学习为其中一分支)技术成为各产业智能化的核心能力，但是算法的设计复杂，需要专业知识与经验，对于好的人才，需求远大于供给。为了弥补这个空缺，这几年自动化机器学习工具(autoML)新研究兴起，希望有自动化的系统，在给定问题(通常是标记的数据)之后可以自动生成机器(深度)学习算法。在信息理论上，这是非常复杂的问题，需要大量运算资源，所以极具挑战。

智能硬件扩张为生态系

硬件产业如何扩张？怎样跨足到毛利相对高的软件或是新兴产业？这是台湾许多资通讯业所关心的议题。似乎不少人选择跨足到与本业不同的全新领域，但这是唯一做法吗？

人脸识别—从理论到产品

似乎一夕爆发，最近许多国内外的企业都将「人脸识别」列为主要的产品。这些公司横跨各种类型，包括芯片、软件、系统、金融、交通、安全、服务等。显然目前人脸识别的学术突破，已经可以落地为实际应用，并成为很多跨领域的公司极度看好的核心技术。前阵子在硅谷举办NVIDIA GTC 2019，我们也分享了如何产品化人脸识别技术，之后收到很多工业界与会者非常正面而且热烈的评价。显然硅谷的产业链也十分在乎这项关键技术。

智能技术可以具有人类的视觉美感吗？

我们看到了智能技术在影像识别、侦测上的突破，甚至落地为产品。很多人问，这些深度学习为核心的电脑视觉技术也可以具有人类的美感—具有评判、编修、甚至美学创作的能力吗？

智能生成模型的产业机会

智能技术长久以来大多专注在分析(如识别、分类、侦测等)，但快速进展的深度学习技术，能因着使用情境而产生适切的内容，也在各方面产生令人惊艳的结果。如显示器、摄影的影像品质强化、自动内容制作、照片视讯编修、AR/VR内容生成、对话机器人等。这些生成内容横跨文字、影像(视讯)、音乐、语音，对于娱乐、安全、自动服务等产业，已经产生极大的变革，也预计会大大影响电子信息产品的技术走向。

AI + X：智能技术翻转产业生态系

近来看到某家硬件上市公司的股价起伏，肇因于市场猜测主要客户可能因为精进的影像智能技术让产品的镜头数量降低。此主要的核心技术为计算摄影（computational photography，电脑视觉技术的次领域），可以利用多颗镜头来提升拍照品质：如提高分辨率、低光拍摄、或是模拟出景深效果等。多颗镜头提供多样性的信号来源，数量的多寡，取决于成本以及最终产品将展现的功能。

人工智能技术的下一波研发核心

人工智能(AI)技术发展陆续带来技术瓶颈的突破：如语音、视觉识别、自驾车、机器人、自动影像生成等。同时也在这些新兴领域激发许多新的商业需求，如运算平台、传感器、大量存储器、储存设备等。我们更好奇，未来的技术发展会往哪个脉络前进？

人脸识别—深度卷积网络带来的突破

人脸识别中，取出强健的有效特徵值，即使在不一样的光源、拍摄时间、些微的表情、视角变化，仍能正确判断，是数十年来研究的挑战工作。而近来人脸识别的稳定度可以提昇到满足产业应用，在于两个主要因素：深度卷积网络的发展以及大量的人脸训练数据。

人脸识别的技术环节

人脸识别的核心问题，不管是人脸确认(face verification)或是人脸识别(face identification)，都必须在人脸上取出具有「辨别度」的特徵值。

<<
1
2
3
4
5
>>