編者注：譚鐵牛現為中國科學院副院長、中科院自動化所智能感知與計算研究中心主任，他是中國科學院院士、英國皇家工程院外籍院士、發(fā)展中國家科學院（TWAS）院士、巴西科學院通訊院士、中國圖像圖形學學會理事長、中國人工智能學會副理事長。主要從事圖像處理、計算機視覺和模式識別等相關領域的研究工作，已出版編著和專著11部，并在主要的國內外學術期刊和國際學術會議上發(fā)表論文500多篇，獲準和申請發(fā)明專利80多項。曾任中科院自動化所所長、模式識別國家重點實驗室主任、中國計算機學會副理事長、國際模式識別協會副主席、IEEE生物識別理事會主席，曾獲得國家技術發(fā)明二等獎、國家自然科學二等獎和國家科技進步二等獎各1項。

本文根據譚鐵牛副院長今天上午在 CNCC 2016 上所做的大會特邀報告《大數據時代的模式識別》編輯整理而來，在未改變原意的基礎上稍作刪減。

各位老師、各位同學、各位同仁，大家上午好。因為時間有限，今天的報告會盡量簡略一點。另外考慮到大家不都是做模式識別，所以今天的報告不會講的太專業(yè)。

首先我注意到今年不管開什么會、誰組織、在哪里開，只要和人工智能掛上邊，都很火爆。大家都在提今年是人工智能的60周年，其實今年對整個計算機科學，同樣值得紀念的一年。因為

80年以前圖靈機模式誕生

70年以前計算機誕生

60年以前才有人工智能

50年以前，計算機領域的諾貝爾獎——圖靈獎第一次頒發(fā)

所以說今年是整個計算機科學非常值得紀念的一年。

鑒于最近大家人工智能講得比較多，所以我今天要給大家講得是一個更具體的問題，也是我本人多年從事的領域——大數據時代下的模式識別。

今天這個報告里我主要講四個問題。它們分別是：

• 模式識別的基本概念和歷史

• 模式識別的發(fā)展現狀

• 大數據時代的機遇與挑戰(zhàn)

• 值得關注的研究方向

模式識別的基本概念和歷史

首先是什么是模式識別？

其實很好解釋，用我自己的語言來說就是：世上萬物，不管是物質的還是精神的，看得見還是看不見的都是一種模式。

所以對這些模式進行分析與處理，進而實現描述、辨識、分類、解釋，這就是一種模式識別，后面我還講提到更多的定義。

模式識別為什么重要？在此我要引用Ray Kurzwell的兩句話：

人類思維的真正力量是基于模式識別。

計算機越擅長模式識別會變得越發(fā)和人一樣。

不管是哪種定義，模式識別基本都可以分為這幾個步驟：信號獲取—預處理—特征抽取—分類器設計。

當下，與其說人工智能火，不如說是深度學習火。而深度學習之所以火的原因，是因為要提升模式識別的能力（如語音識別、圖像識別等）。

因為模式識別是作為人類的一個基本能力，同時這也是模式識別起源的一個基本動力。

跟模式最相關的兩個熱門話題，一個當然就是機器學習，另一個則是數據挖掘。

模式識別目前也不斷引進借助于很多其他學科的基礎理論，推動相關學科交叉快速發(fā)展。

模式識別發(fā)展簡史

我到現在為止，也沒查到第一次是誰、在哪里提出了模式識別。但是我知道從18世紀、19世紀開始，數學領域中特別是統(tǒng)計科學就涉及到了模式識別，這也為人工智能的誕生奠定了基礎。

模式識別的發(fā)展大概是如上圖所示這么幾個階段，從最開始一直到后來各種基礎領域出現，再一直到大數據時代。

模式識別的發(fā)展現狀

模式識別發(fā)展到今天，我把它總結為幾句話。

模式的基礎理念不斷創(chuàng)新

從統(tǒng)計模式識別到階段模式模式識別，還有一直以來都又在研究的神經網絡。大概是這么幾大類：

• 句法模式識別（規(guī)則學習）

• 統(tǒng)計模式識別（人工特征）

• 深度神經網絡（自動歸檔）

它們相互間的結合是未來的發(fā)展方向，我一會兒也會講到這個。

模式識別應用領域不斷拓展

另外模式識別的應用領域一直在不斷拓展，因為能夠應用模式識別的地方實在太多，所以一直在不斷提升。

模式識別系統(tǒng)性能不斷提升

模式識別系統(tǒng)的性能也一直在不斷提升中，比如像ImageNet圖像識別賽上，它的結果一直在不斷提升中。

模式識別的典型成功應用

語言識別、語言合成

人臉識別

虹膜識別

模式識別的成功應用很多，在此不展開講了，稍微舉幾個例子大家參看一下。

人臉識別，但雙胞胎人臉識別解決不了。

虹膜識別，下圖展示的是在真實的煤礦場所，煤礦工人考勤場景。為什么用虹膜對他進行識別？因為指紋識別在這種場景下無法使用，人臉識別在上班之前可以，下班的時候就不行了。

另外再舉一個模式識別的例子——步態(tài)識別。為什么要特別提到步態(tài)識別這個例子呢？因為目前相對來說還有一點挑戰(zhàn)。

在你相距幾十米遠的時候，虹膜也好、人臉也好，你無法進行識別。

另外一個挑戰(zhàn)就是，他是從正面走來，還是從側面走來。最近借助于深度學習，這個部分也有了一些新的進展。

還有一個例子是智能視覺監(jiān)控，在此就不展開詳細講述了。

現有模式識別的局限性

盡管模式識別在很多領域都成功應用，但還是有巨大的挑戰(zhàn)。在此我想再引用Robert M.Haralick和Thomas G.Dletterich的兩句話：

計算機視覺（模式識別）的根本問題是一個魯棒性問題，如果不考慮魯棒性問題，計算機視覺幾乎所有問題都解決了。

現階段只能系統(tǒng)需要在開發(fā)環(huán)境下具有自適應性，對噪聲具有魯棒性。

核心的意思就是它的局限性受限于魯棒性和自適應性。如果這兩個問題解決了，很多問題就能迎難而解。

大數據的出現、深度學習的性能提升在一定程度上解決了魯棒性、自適應性的問題，但是跟人相比還有巨大的差距。

所以這個領域還需要我們繼續(xù)去努力學習，深度學習盡管取得很大成功，但是跟人的相比它的魯棒性、自適應性、泛化能力有很大差距。

所以，我把現狀概括這么幾句話：

• 面向特定任務的模式識別已取得突破性進展，有的性能可與人媲美。

• 統(tǒng)計與基于神經網絡的模式識別目前占主導地位，深度學習開創(chuàng)了新局面。

• 通用模式識別依然任重道遠。

• 魯棒性、自適應性和可泛化性是一個進一步發(fā)展的三大瓶頸。

大數據時代的機遇與挑戰(zhàn)

我們目前實實在在的處在大數據時代，大數據的價值不在于大數據本身，而在于它內容的理解與識別，而這里面很多就是模式識別的問題。

大數據時代模式識別的發(fā)展機遇

機遇1：發(fā)覺數據金礦的鑰匙

所以我覺得第一個機遇，就是把大數據變成知識、變成決策能夠依據的根據。而發(fā)掘這個金庫的鑰匙就是模式識別，只有這樣才能實現“From Data Bonanza to Data Bonus”。

機遇2：推動理論和方法創(chuàng)新

機遇3：加速學科領域交叉和滲透

加速學科領域交叉和滲透主要分兩個方面：

• 以數據驅動為代表的分析方法在大數據時代具有廣泛用武之地，使得若干傳統(tǒng)學科（如神經科學）等的研究方法也出現了巨大創(chuàng)新，為模式識別方法拓展到其他領域的方法中帶來了重要契機。

• 相關領域在大數據時代的原創(chuàng)成功也能夠對模式識別理論與方法帶來影響，進而推動模式識別學科與其他學科的協同創(chuàng)新。

機遇4：引導科技發(fā)展新變革

大數據時代模式識別的重大挑戰(zhàn)

機遇和挑戰(zhàn)同在，機遇抓不住也是挑戰(zhàn)。

挑戰(zhàn)1：復雜的大數據

挑戰(zhàn)2：計算效率和性能

挑戰(zhàn)3：大數據的語義計算與理解

語義就是人們根據自己對現實世界的理解而賦予信息的解釋。

挑戰(zhàn)4：大數據理解需要信息論的創(chuàng)新

還是那句話，在這些機遇和挑戰(zhàn)面前，盡管我們講機遇大于挑戰(zhàn)，但是機遇抓不住就是挑戰(zhàn)，挑戰(zhàn)解決不了，那就是機遇。

值得關注的研究方向

一、面向大規(guī)模多源異構數據的魯棒特征表達

二、結構與統(tǒng)計相結合的模式識別新理論

三、數據與知識相結合的模式識別

四、具有魯棒性和自適應性的生物啟發(fā)模式識別

五、基于跨領域跨模態(tài)知識遷移的模式識別

六、以互聯網為中心的模式識別

總結

• 模式識別是人工智能的核心內容，是大數據時代的關鍵使能技術。

• 大數據帶給模式識別諸多新的機遇與挑戰(zhàn)。

• 大數據時代的模式識別具有十分廣闊的創(chuàng)新空間與發(fā)展前景。

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。