雷锋网 AI 科技评论按：5 月 15 日下午，由鹏城实验室和 AI 青年科学家联盟·梧桐汇携手打造的第一期「AI 科学家」系列沙龙活动在深圳鹏城实验室圆满召开，本次活动主题为《人工智能在学术领域的前沿研究》，邀请的嘉宾阵容包括上海交通大学高级金融学院金融学教授李祥林以及上海交通大学教授、「吴文俊人工智能博士班」班主任卢策吾，来自于金融系和计算机系的两位顶尖教授，在现场向与会者分享了 AI 在各自学术领域的前沿研究。
本次活动由氪信科技创始人& CEO、青年 AI 科学家联盟（创始）执行理事朱明杰博士主持。在嘉宾分享前，他先邀请了鹏城实验室常务副主任邹鹏做开场致词。
鹏城实验室常务副主任邹鹏
开场致辞中，邹鹏副主任简单介绍了今年刚满一周岁的鹏城实验室。他提到，鹏城实验室的基本定位便是实现粤港澳大湾区在信息、人工智能以及金融等相关基础研究上的互动交流，也正是立足于这一基本定位，在这一年的时间里，鹏城实验室成长得非常快。
而其中，人脉与人才资源则是研究人员做出学术成果的基础条件之一。因此，邹鹏副主任对于围绕人工智能和金融，以鹏城实验室和 AI 青年科学家联盟为背景的系列活动充满了期待，他表示：「我们期待本次活动会是一个很好的开始，也希望大家能够关注、了解并参与鹏城实验室，共同将这些基础学科的研究工作深度地开展下去。」
嘉宾正式分享之前，朱明杰博士首先向大家介绍了 AI 青年科学家联盟·梧桐汇所承担的角色：连接产学研各界人士，起到一个「连接器」的作用；同时更要借助加入联盟的首批成员中诸多互联网与科技巨头、领军人工智能技术公司和知名专家学者的朋友圈和更具扩散力的网络力量，来促进各类主体资源共享。
氪信科技创始人& CEO、青年 AI 科学家联盟（创始）执行理事朱明杰博士
他表示，联盟中的成员此前无论是在科研还是在创业过程中，都走过了很多弯路，但同时更积累了大量的经验，因而对于未来年轻一代的科学家以及该领域的创业者来说，这个联盟能给予他们不仅仅是一个更具扩散力的朋友圈，还有学术上的一些政策扶持乃至于未来方向道路的指引。
随后上场分享的嘉宾是上海交通大学高级金融学院金融学教授李祥林，他的报告主题是「投资中的金融科技应用」，主要就金融机构目前所面临的挑战、金融科技能够改变未来金融行业、传统方法和大数据方法的比较几个方面进行了分享。
李祥林，上海交通大学高级金融学院金融学教授，拥有加拿大滑铁卢大学统计学博士学位，以及精算、工商管理和经济学硕士学位和数学学士学位，是中国金融研究院副院长, 金融硕士项目联席主任，加入高金之前，李教授在中外一流金融机构工作二十余年，在风险管理、金融新产品开发和研究、资产管理、保险和信息技术等领域有丰富的高级管理经验，曾担任中国国际金融有限公司首席风险官。作为信用衍生产品早期开拓者之一, 其发明的信用组合定价公式被市场广泛使用和学术界认可。
演讲伊始，李祥林教授非常谦虚地自我调侃道：「你们可能还没有听说过 60 年代的人还在做 AI，今天的分享嘉宾中数我岁数最大，我自然讲不了 AI 技术，那就给大家讲讲故事。」
他提到，目前金融机构面临的挑战来自四面八方，主要包括：一是逐渐成熟的金融行业需要逐渐适应在互联网时代长大的年轻一代消费者的喜爱问题；二是行业迎来更加严格的监管环境：各种监管管辖权的不同监管要求；三是面临长期并可能会持续的低利息和低投资收益率环境；四是面临来自包括运用更具有预测性的科学/大数据或区块链技术的新型科技金融公司等在内的另类金融服务提供商的竞争。
针对金融科技能够改变未来金融行业，李祥林教授认为答案是肯定的，并且这种改变正在发生中。「例如目前在金融行业应用的语音识别、图像识别技术在准确率方面都日益提高，当准确率都达到一个相当程度的比例时，金融行业势必将发生非常大的改变。」
分享最后，李祥林教授还总结了其使用大数据思维对传统金融方法所进行的一些思考：
首先，传统的金融方法往往是计算期望值来预测收益率、用方差来衡量风险，然而大数据思维中并不需要这样做，完全可以使用全部分布的方法来研究单一证券收益信息。
其次，在计算不同的证券收益关系时，大家传统使用的都是线性相关技术，而大数据思维下，使用非线性相关（auto encoder）技术，能够研究所有证券的相关关系。
最后是优化目标问题。大数据思维下，可以基于传统使用的均值方差方法计算左右尾部概率，通过优化左右尾部的概率问题来从整体上实现投资方案的最大优化。
上海交通大学教授、「吴文俊人工智能博士班」班主任卢策吾作为最后的压轴嘉宾，本次带来了主题为「基于知识驱动的视觉行为理解」的报告，本次他主要介绍了计算机视觉中的行为检测目前所面临的挑战，并分享了其研究团队的最新成果——HAKE（Hmuan Activity Knowledge Engine，人类行为知识引擎）。
卢策吾，上海交通大学教授、「吴文俊人工智能博士班」班主任，2016 年入选国家青年，2018 年被《麻省理工科技评论》评选为 35 位 35 岁以下科技先锋（MITTR35），同年入选「科学中国人杰出青年科学家」，青年 AI 科学家联盟（创始）执行理事。回国前卢教授为斯坦福大学人工智能实验室博士后（导师：李飞飞，LeoGuibas）。
首先，卢策吾教授表示，计算机视觉主要是研究人类的视觉，主要包括两个部分：一个是物体，物体是构成整个世界的基础；二是行为，这是基本视觉最重要的部分。从学术红利的角度来看，物体方面的研究红利不是很大，而行为方面的研究空间则比较大，因为深度学习目前还无法很好地解决行为方面的问题，因而这个方向还有很长的一段路要走。
对此，卢策吾教授进一步解释道，深度学习之所以还无法解决行为问题，主要有两个原因：一个是语义噪声特别大，深度学习难以在非常多噪音的情况下提取有用的信息；另一个是长尾问题，由于行为检测属于天然范围内的不可知问题，无法找到更多的数据来解决这一问题，因此相对于物体检测的长尾问题，行为检测的长尾要严重得多。
基于此，卢策吾教授领导团队提出了 HAKE，可用来解决目前行为检测研究上所面临的问题：
首先，这种方法能够将每个物体的姿态和行为直接用知识表示出来，比如说一张运动员在踢足球的照片，HAKE 就可以将「他的头部在干什么」、「他的脚在干什么」这样的信息表示出来，研究者就能够通过收集更多的行为数据来提高行为检测的正确率。
其次，在语音噪声方面，由于人体每个部位的行为情况都是有限的，因此可以通过使用 HAKE 给每个人的某个部位的行为打上标注并做分类的方法，从而能够将行为检测问题转化为行为向量问题，来直接降低语音噪声对行为数据的影响。
同时针对行为向量，实际上在做人类行为理解时，人类并不都是在进行跑或者跳的行为，往往更多的是在进行一些无法叫上名字的行为。而 HAKE 将图片上的部位变成稀疏的点，从空间上来分析这个问题。比如说，针对一张人与人之间 Kiss 的照片与一张小孩与小狗 Kiss 的照片，通过对二张照片上人/狗形成的稀疏点做映射，来进行比对点之间的空间距离，在结合对人/狗的判断来判断照片中的行为。
HAKE 基于现有的行为数据集，能够提供人类示例行为标签以及相关身体部位的部分行为标签（Part States），可以极大提高人类行为检测性能。雷锋网 AI 科技评论获悉，该项目不久后将进行开源供广大研究者使用。 雷锋网
正在生成分享图...
Nemo