阿里云人工智能科学家、人工智能孵化团队负责人闵万里博士带来题为“KDD Cup2017背后的人工智能实践”的演讲。本文主要从人脑神经网络的研究开始谈起，重点说明了人脑研究的应用案例，包括我是歌手总决赛排名预测、ET、交通管理、运输车辆调度、送外卖和协鑫企业实践，最后还有对KDD Cup大赛题目背后的思考以及对量子计算的展望。

 

以下是精彩内容整理：

人工智能和神经网络

今天许多创业公司做计算机视觉识别、语音的对话，甚至做一些机器人的控制，四肢发达，但是我们没有看到有一家公司在做大脑，所以今天给大家分享的最核心的理念就是我们要做互联互通的人工智能，要做大脑，大家听说过的城市大脑，其实就是其中之一。

如图中左脑和右脑，左脑负责逻辑、算术、理性的推演，右脑负责的是艺术、文学鉴赏、创造力，人工智能在这两个维度上发展，从远古的算盘到近代的计算机，再到深蓝以及AlphaGo，在理性上人工智能早就超过了人类，但是在感性的基础上还是有很大的空间。

对人脑的研究在国外很多年前就已经开始了，2013年的时候，奥巴马总统提出在美国高校研究机构联合做关于大脑功能的研究。核心是要充分理解人脑的认知层面，它究竟是怎样工作的，它的信号链路，它激活的功能区究竟是怎样相互关联的，时间的滞延、先后的逻辑顺序、空间、时空上的特征是怎么样分布的，对于旋转的物体、快速移动的物体，以及颜色快速变化、但是位置又不变化的物体，人脑识别过程又是怎样激活神经元、细胞元、认知的功能区呢？如果我们对认知过程的抽象理解，能够用一些算法或者公式甚至是一些定理描述出来，那么就有可能从算法层面，以及工程层面重现人脑的思考过程，这可能是人工智能最极致的状态。

那么，这样一个雄心壮志的目标是否能够实现？答案是可以。

如何用算法重现人脑的思考过程？图为一张高度抽象的脑部神经元相互作用的一个网络模型，在这个模型上，每一个节点可能是一个功能区，或者是一个细胞神经元，它们之间是远近相连的，信号的传递又有速度，不可能瞬时完成，我们抽象出一个简化的网络流模型之后，就有很多的数学定义可以帮助我们来反推，反映快就是信号传递得更快，反映慢就代表信号传递的速度会慢一点，所以这个网络跟交通网络非常或者水管网络很相似。

在这个模型当中，当我们观测到两个节点之间的信息流，这个信息流是源源不断随着时间在变化的，我们可以反推这个信息流的传播特殊路径是什么，它不可能是漫无边际的在整个网络上面均匀的传递，一定是沿着一个特殊的主要路径去传递，激活某一个功能元。

在一个固定的网络结构上，我们观测到了很多信号的传递，怎么样来理解这些信号的特征路径，以及预测某一类新的信号会沿着什么样的路径去传递？

我会用三页纸来解释一下背后的定理，这些定理是我们自主研发的，确切来说是我在过去十几年里做的一些研究发表的论文。

图中列有我的几篇主要论文，05年的是相关理论性的东西，11年和13年的两篇是基于这个理论的应用。

那么，在这个里面最核心的理论是什么？

就是当我们观测到了非常多的信息流之后，我们对它进行一些统计分析的时候，它的分布特性是什么样的，今天在脑神经认知科学的流程当中，当你观测到某一个现象非常多次数之后，它是否趋近于一个平均值或者一个正态分布，这几篇paper当中实际上给了一些正面的回答，在一定条件下，它是可以满足正态分布以及中心极限分布的特性。

定理如下：当我们在网络流、信息流这个认知过程当中，如果网络本身是有限连接和紧致连接，我们是可以证明的。当你重复很多次的时候，会看到一个收敛的过程。

 

人脑研究的应用案例

以上这些理论，具体有哪些用途呢？以下是我们做的一些具体项目：

《我是歌手》总决赛的排名预测

基于理性的判断，后面就有很多延伸，比如什么样的进程会让你感觉到是值得去追寻，响应会是什么样，当行为变得可预期了，用途在哪里呢？

图为一年前做《我是歌手》的歌手最后总决赛的预测，大家可以看到，图片上有当时的结果，我们预测了一个总决赛的排名。

在这个过程当中，我们要研究的不仅是选的歌好与坏，还有唱的好不好，现场的氛围好不好，而这些都是一些神经刺激的信号，都会对人的认知过程产生一些影响，如果是大部分人都认为很好的信号，就可能得到一个正面的反馈，这个反馈模型是我们通过很多过去的音乐、所得到的下载、点赞数算出来的。

ET

做了《我是歌手》之后，8月份我们发布了ET，ET包括语音的对话、网络流的预测，比如预测交通网络是不是堵塞等。我们要判断多种不同的信号，在我是歌手中，有声音、有光、有伴舞、现场氛围等多种不同的信号对人的认知过程产生的刺激，这些刺激是正面的还是负面的，那些人就是500个大众评审；而在ET的发布当中，我们要判断的是多种信号所带来的复杂的叠加效应会怎样在网络流上传播，这个网络就是整个城市网。

交通管理

基于网络流的理论，它的应用不光光在预测唱歌上或者是文学艺术的创作上，还可以在现实的物理网络当中同样的用起来，最简单的就是交通网络，大家每天都要参与进程，从一个节点跑到另外一个节点，这是交通网络上的一个动态流，对于这个信息流，我们需要提前预知它会怎么样变化，现在的拥堵会蔓延到哪里，怎么样进行预防性的排堵等。

这张图解释了我们去年做的一个工作，它可能是在人工智能指挥交通管理当中第一个成功的实践。这是因为我们改变了交通管理当中最核心的信号灯，在实际生活当中经常会发现，有时候在等红灯变绿的时候，很多车都在等，但是在绿灯的方向一辆车都没有，这种红和绿的供给错配是因为没有及时的发现网络流已经发生了变化。我们用移动互联网的数据，以及交警自有的数据，把多种信号融汇在一起来判断，当一个路口的信号灯不健康的时候，配时不合理的时候对其进行调节，相当于在这个网络上刺激一个信号进去，他会怎么样沿着这个网络传递？

上图可以解释背后的机理，从对比中看，传统的信号灯是一个近视眼，因为所有的触觉都是基于周边采集设备所看到的情况，比如说视频、地面的线圈、雷达枪等等，但是探测的范围非常的局部，看不到未来，看不到远处；

而互联网信号灯则不一样，我们看到的数据是从天而降的，根据手机定位聚合在一起就成了交通路况，甚至可以精准的知道在每一个路段上有多少辆车在跑，往东边走、直行还是左转，整个城市没有盲点，再配上人工智能的算法、网络流算法就可能看得透，直接效果就是我们能够判断管控的信号调整，比如调整绿灯的时间占比，会怎么样影响到周边的几个街道，怎么蔓延，这就像在脑部的神经当中某一个神经元上刺激一下之后，会影响到大脑当中周边哪些区域，哪些功能区。

我们也可以用深度学习的方法来做，从图中可以看到，这是一个典型的城市路网实时路况，每个路段上标的颜色是红黄绿，代表交通通行的速度是拥堵还是畅通。这张图片是一个image，设想在我们的城市当中，每分每秒都有一个snapshot(快照)，实际上我们就有一串的image来显示这个城市的交通状态，所以我们就可以把一个交通状态的描述从网络的结构转化为一个image，有了image之后，后面就有很多经常用到的深度学习方法来进行分类或者进行unsupervised learning或supervised learning，来判断当前的状态会怎么样演变。

如果用深度学习的方法，对当前的盘面做推演，就应该清楚在哪些地方该下手调整，但对数据的回答上，在今天深度学习还做不上，还是需要回归到原始的网络流的模型上去，所以在这个approach当中，深度学习可以给我们找到下手的目标，然后再用网络流的理论来判断应该采用多大的力度，在什么时间点内采取行动，阻止整个盘面的恶化。

那么，这件事在去年已经在广州的两个区成功落地，今年在广州市将要全面推开，图为2月7号广州日报头版的新闻，可以看到互联网＋信号灯已开始在全市推开，在全世界这是第一个在大规模的城市当中用人工智能去实时控制的信号灯。

城市大脑

如果说用互联网的数据控制信号灯是人工智能在交通管控当中成功落地的一个案例，那么上面这个城市大脑就是一个全面的升级，可以这样讲，互联网信号灯是城市大脑的1.0版本，而城市大脑是一个更加雄心壮志的版本。

这张图片是城市大脑的一个截屏，它要把所有的数据汇集，要看得清楚各种信号，在地图上面，我们要做实时的推演、判断盘面、交通状况的变化、公交车在哪里会有堵塞等，基于这个判断，我们要实时的调度比如调节高架路的信号灯、调节地面道路的信号灯、调节主干线公交运行班次甚至临时加开特快专线等。

现实生活当中有很多伪智慧城市的工程，是因为不在线导致的。事后诸葛亮的分析大家都可以做，但是在线的实时分析，在线的有智慧分析，却需要海量的计算能力、海量数据的处理能力，所以云计算的出现使得大数据的分析变成实时在线可能，城市大脑也就自然而然的出现了。

阅读全文：