“當下技術(shù)的發(fā)展為我們產(chǎn)生了大量的可感知和分析的數(shù)據(jù)信息，這對數(shù)據(jù)的融合共享、認知推理等提出了很急迫的應用需求。對認知與推理等相關核心技術(shù)的研發(fā)，是下一代人工智能技術(shù)突破的關鍵。時空AI作為對超大規(guī)模城市數(shù)據(jù)融合、應用的重要技術(shù)手段，不僅促使智能城市建設加速發(fā)展，也讓我們看到了未來產(chǎn)業(yè)元宇宙在城市和商業(yè)中應用的巨大潛力與廣闊前景。”

　　9月1日，上海——2022世界人工智能大會（WAIC）隆重召開。時空AI作為開啟城市元宇宙的重要技術(shù)引擎，在本屆大會上從技術(shù)研討、應用實戰(zhàn)和場景互動三大層面，同全球觀眾展開生動交流。由維智科技、聯(lián)通（上海）共同主辦的2022WAIC時空AI產(chǎn)業(yè)高峰論壇在張江科學會堂盛大啟幕，本場論壇圍繞“數(shù)智無界·元創(chuàng)未來”主題，深度探討時空AI技術(shù)賦能下城市智能決策中樞建設，以及未來虛實共生的城市元宇宙場景。

　　中國科學院院士龔健雅在論壇中就“深度學習框架與時空信息智能處理”發(fā)表主旨演講報告，從人工智能的發(fā)展、人工智能與遙感的緊密結(jié)合做了重點詮釋，并詳細介紹了武漢大學自主研發(fā)的遙感智能解譯深度學習專用框架及其在國土資源與環(huán)境監(jiān)測、農(nóng)作物監(jiān)測與估產(chǎn)、森林碳匯估算等許多領域的研究和探索。

　　以下是演講實錄：

　　人工智能迅速發(fā)展，對各行各業(yè)都造成了沖擊，有些行業(yè)消失，有些行業(yè)得到大發(fā)展。人工智能的發(fā)展根據(jù)它的定義或者目前的能力，我個人更加認可由北京大學的朱松純教授定義人工智能六大方向。這六個方向首先是計算機視覺，其中包括立體視覺、模式識別，我們現(xiàn)在大量的人臉識別都屬于這個范疇；第二個是自然語音理解與交流，包括語音識別和翻譯等等；第三個是機器學習；第四個是機器人學，包括智能機械、控制、設計、運動規(guī)則和任務規(guī)范；第五個是博弈與倫理，即機器與人的對抗、機器與機器的對抗等；最后就是認知與推理。

　　在我們現(xiàn)有的社會經(jīng)濟中存在著大量可感知和分析的數(shù)字信息，需要用到AI方法進行推理。今天由維智科技創(chuàng)始人陶闖博士發(fā)布的《時空AI白皮書（2022）》中，詳細的介紹了時空大數(shù)據(jù)、時空知識圖譜以及基于城市場景的算法模型，通過分析和推理來挖掘城市大數(shù)據(jù)的應用價值，這一系列的工作我認為在現(xiàn)階段是非常關鍵且重要的。

　　測繪遙感與地理信息科學是與AI關聯(lián)非常密切的領域。在深度學習、機器學習的發(fā)展過程中，大家可能了解最有名的就是ImageNET挑戰(zhàn)賽，深度學習最初在圖像識別的準確率高達84%，撼動了整個計算機視覺領域?，F(xiàn)在深度學習幾乎成了人工智能的代名詞。測繪遙感實際上用到的也是深度學習，包括目標檢測、場景的理解等。然而深度學習在遙感信息處理中也遇到了挑戰(zhàn)和問題，主要體現(xiàn)在兩個方面：其一是關于基礎性的研究，包括高質(zhì)量的樣本庫，樣本庫的設計以及標注；其二是神經(jīng)網(wǎng)絡結(jié)構(gòu)以及模型的設計。

　　另外，目前通用的深度學習框架還不能滿足我們的要求，我們需要研究專用的遙感智能深度學習網(wǎng)絡架構(gòu)。。這其中設計到遙感領域數(shù)據(jù)的特性，包括遙感的規(guī)?；瘮?shù)據(jù)量，其次是高光譜、定量遙感等工作要嵌入進去，這是我今天要講的主要內(nèi)容，也就是LuojiaNet。

　　LuojiaNet框架首先依據(jù)遙感數(shù)據(jù)的特性，其內(nèi)存可擴展，達到圖像數(shù)據(jù)不需要切割就可以直接應用，其次能夠支持各項知識融合的工作。該框架的設計之初即直接建立一個圖框架，并建立圖“金字塔”，消除上下邊界效應；其次是多通道設計，在調(diào)參時候就會自動的學習和計算最優(yōu)光譜并計算出最佳參數(shù)，使得精度有大幅度提升。除此之外，LuojiaNet作為一個基礎性平臺，在數(shù)據(jù)的輸入輸出方面能夠支持十幾種的矢量數(shù)據(jù)格式和三十多種柵格數(shù)據(jù)格式。在建立好工作流之后，自動生成機器學習的語言。大家感興趣可以加入我們的開源社區(qū)聯(lián)盟。

　　最后總結(jié)一下時空AI技術(shù)的未來發(fā)展：

　　首先是知識圖譜，我們通過標簽構(gòu)建知識圖譜，通過知識圖譜和圖形融合，最后得到一個更好更可靠的結(jié)果，從這里知識圖譜影像的生成來看，其精度和效率都有比較大的提升。

　　其次是人工智能的可解釋性，深度學習就像一個盒子，這個盒子的模型精度高，很復雜，可解釋性低。我們將可解釋性等工作融入到深度學習框架中，這也是未來的研究方向，包括分析方法、可解釋性指標、定量指標、評估指標等。這些研究都是未來技術(shù)發(fā)展的必經(jīng)之路，當然我們還要準備好面對更多的挑戰(zhàn)，謝謝大家！