阿里云人工智能平台.doc

《阿里云人工智能平台.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、阿里云人工智能平台　　在了解阿里云人工智能机器人小Ai的基本运作过程后，笔者认为小Ai的算法其实已经不仅是深度学习，而是在深度学习之上的更高阶算法，并就此向阿里云人工智能科学家闵万里求证，得到的回复：是的。　　小Ai算法高阶在哪里？　　尽管阿里云方面没有透露关于小Ai更多算法方面的信息，只说小Ai主要基于神经网络、社会计算（social阿里云人工智能平台　　在了解阿里云人工智能机器人小Ai的基本运作过程后，笔者认为小Ai的算法其实已经不仅是深度学习，而是在深度学习之上的更高阶算法，并就此向阿里云人工智能科学家闵万里求证，得到的回

2、复：是的。　　小Ai算法高阶在哪里？　　尽管阿里云方面没有透露关于小Ai更多算法方面的信息，只说小Ai主要基于神经网络、社会计算（social阿里云人工智能平台　　在了解阿里云人工智能机器人小Ai的基本运作过程后，笔者认为小Ai的算法其实已经不仅是深度学习，而是在深度学习之上的更高阶算法，并就此向阿里云人工智能科学家闵万里求证，得到的回复：是的。　　小Ai算法高阶在哪里？　　尽管阿里云方面没有透露关于小Ai更多算法方面的信息，只说小Ai主要基于神经网络、社会计算（socialcompuTIng）、情绪感知等原理工作，善于洞察本质

3、和实时预测，并能理解人类情感。　　但是小Ai挑战歌王预测难点有三：首先，这是在7个歌手之间的混战，并非AlphaGo与李世石之间的两人对弈；其次，唱歌是情感理解加艺术欣赏，不同的唱法、变声、假声等无常法也无定论，现场演唱更是即兴创作；再次，最终结果是湖南卫视节目组、电视观众、500位大众评审、7位歌手共同创造的结果，其中充满了巨大的随机性。　　简单的理解，用于AlphaGo围棋对弈、语音识别、图像识别等的深度学习算法，主要解决的是单目标优化问题，而小Ai要挑战的本质上是多目标优化问题，这从根本上就“迫使”阿里云选择更高阶的算法。

4、闵万里告诉记者，小Ai本身是一个基于概率的决策优化过程，在决策过程中需要多组变量输入，其中的部分变量是通过深度学习优化得来。　　之前，小Ai的算法已经被阿里云成功用于浙江省交通厅的路况预测，而能解决城市管理和宏观经济问题的人工智能算法都属于多目标优化算法。西方已经在城市综合管理和宏观政策制定等领域长期采用了多目标优化算法，包括模拟退火算法、遗传算法等。闵万里透露，小Ai并没有采用现成的多目标优化算法，而是自己开发的算法体系。　　　　小Ai凭什么？　　那么，小Ai凭什么能够实现高阶算法呢？这必须要提到小Ai之父、阿里云人工智能科学

5、家闵万里。　　14岁被中科大的少年班录取，闵万里19岁赴美攻读物理学硕士，2004年获得芝加哥大学统计学博士，先后在IBMWatson研究院及Google担任研究员，2013年加入阿里云负责人工智能项目小Ai。　　闵万里说在IBMWatson研究院的经历让他受益匪浅。IBM最早提出智慧城市战略，也是最早看到未来趋势。2005年，IBM把PC硬件业务卖给联想后，开始自己的转型。这个转型的过程，最缺的就是海量数据分析能力，因此补充了很多相关研究项目，包括海量数据分析、关键信息提取、预测建模、机器学习等，闵万里也借此接触了一线实战案例

6、。　　之后到了Google，闵万里比较具体地负责移动端广告精准推送优化研究，主要是对海量数据进行研判，这其实已经非常接近今天小Ai要解决的问题了。移动端广告精准推送优化是互联网广告最核心的技术，需要通过大数据分析和机器学习等提升广告的精准推送，从而提高广告的点击率。　　移动端广告精准推送优化数据分析包括：研判用户当前上下文网页的内容；研判用户所在地理位置——驾车状态下推送短广告、饭馆里推送复杂广告；研判用户对于推送广告的喜爱程度等。这些都属于多情景变量下的实时决策问题，与小Ai要挑战的歌王预测场景极为类似。　　闵万里长期从事机器

7、学习理论研究与应用算法研发，在脑电波（EEG）解析、高维数据挖掘、随机过程理论、时间序列分析、网络流理论等领域获得多项国际专利。他于2011年发表的道路交通流预测研究，是该领域全球五年来被引用次数最多的论文之一。　　2013年，有猎头找到闵万里，希望游说他加入阿里云。当时猎头说了一句话，中国有这样一家公司，数据总量比亚马逊、eBay、Paypal加起来还多。“这一句话就已经可以说明一切了，做大数据就要来阿里。”　　小Ai的研发过程　　从2012年开始，阿里云研发了后来被称为“MaxCompute”的海量数据处理计算引擎，当时叫做

8、ODPS，这是小Ai非常重要的计算基础设施。　　ODPS是阿里集团30多个事业部唯一的大数据处理平台，在2015世界SortBenchmark排序比赛中，ODPS用377秒完成了100TB的数据排序，打破了此前ApacheSpark创造的1406秒纪录，创造了4