2014EAS政企应用高峰论坛系列之UC与音视频融合通信高峰论坛中，原傲威总裁刘宇分享了数据价值、神经元网络算法以及融合通信发展趋势等前沿观点。

刘宇：我曾在通信行业干了十几年，然后退出通信界这三年。实际上这三年我的感受最深。首先开始今天的演讲。

数据的价值是数据研究的核心

 “大数据”这个概念。应该说全中国或者全世界都在炒大数据这个概念，实际上我自己觉得，其实大数据在今天，对于企业应用来说，我个人觉得大数据更多误区现在已经使得大数据整个的发展，在很多产业的思考中，发生了偏离。所以我想先做一个纠正，这是我的看法，大家可以有不同的看法：

第一个不是所有的企业都需要大数据，我们今天看到的大数据，大多数都采用的是非结构化的数据。

而我们是不是真的需要那么多的非结构化的数据呢？其实不一定，真正的数据的大小，不体现在它的价值，而真正本身的数据的价值才是它的价值的核心。

我想今天讲的不是数据的本身，而是这两年发展最多的是分析数据的方法，我们讲“算法”，这里插一句嘴，我在做企业的时候，说实话我一直挺惧怕算法，都没敢搞算法这样的东西，比如说我们以前做的云压缩的算法，那都是以色列的，咱们得花钱买，从来没有想到自己搞一个很牛的高大上的算法，不敢。但我想，今天如果说，我们在大数据这个领域，如果我们再不去玩算法的话，我觉得我们将失去太多的机会。今天听到很多的演讲，他们比较细，比较落地，而我则希望给大家开个眼，开另外一个思路，我希望做到即深入又有高度。

算法是数据分析的基础

算法本身，就是我下面要说的。

所以我对企业有一个建议，我觉得更多是应该关注小数据。关注你自己已有的结构化数据，那是你的金山。是高质量的数据，然后关注算法本身。

今天我在讲的是深入学习的算法，也就是我们涉及的领域也就是AI，也就是人工智能，人工智能上世纪20年代开始一直发生到现在，应该说它的技术浩如烟海，有各种各样的算法，各种各样的技术，我没干企业这几年我干吗呢？我就学，学了很多东西，但真正让我找到主线的是这套东西。我想告诉大家，为什么大数据现在这么热，为什么现在有很多的突破，为什么在今天，在算法上到底有什么突破？接下来可能会对大家有点压力，因为我讲的是算法本身，而且是今天最主流的真正有突破的，对未来影响深远的算法本身。

我想说的第一观点，算法并不神秘，以前我觉得挺神秘，反正我不敢干，出来看看这些东西，我觉得咱们不是科学家，咱们是用算法的，我们是可以去用算法的，我们就去用吧。于是我们得知道，现在到底是什么算法最牛，最有机会呢？最有希望呢？神经网络。

神经网络的历史。大概有三个阶段。

第一个神经网络的起源，第二个神经网络的进展，第三个是神经网络的突破。

大家可以看到这个时间，1940年提出来，1968年有进展，1968年，应该是我出身那一年，而到2006年才有突破，才真正的能实用化，离今天几年？八年时间。而八年的时间，是理论的突破，到它的产业界是很漫长的过程，因为大家都不知道那个时候能干什么。

我给大家讲一下，第一个起源：MP。

MP这个算法很简单，我提醒大家注意的就是一点，这是一个心理学家W.McCulloch和数学家W.Pitts，他们名字的缩写。

它非常简单。神经元是什么？是受到一个刺激，然后对这个刺激做出反应。基于这样的逻辑，他们就写了一个非常简单的工具，就是下面的这个公式，输入乘上一个参数再加上输入乘上一个参数，就是这样一个简单的公式到今天我们仍然在用，而且它是未来突破的基础。所以在这以后，几年时间里面，一直在这个基础上，业界有所发展。

但是到了1969年，有一个叫Marrin  Minsky的科学家写了一本书，《感知器》，他对未来感到迷茫，因为那些参数怎么去找到？数学界一直没有发现办法，不知道怎么去设定那个参数，那个参数怎么算都不知道。所以说带来了一个问题，未来无法去使用。神经网络就进入了低潮。这一低潮低了多少年？将近二十年。

神经网络算法的突破

到了1986年出现了两个人，他们提出了一种算法，这种算法，目的就是算那个参数。他们有办法了，这两个人他们今天是在业界非常牛的两个人。

这是一个里程碑。他们的名字是，David和Geoffrey。这个算法叫反向传播，我给大家解释一下反向传播，这是神经网络连接方式的一个图，最左边是输入，中间是地是参数的那些节点，后面是输出，我给大家演示一下，它是怎么反向传播的。这是在80年代末期的一个科学家，我查了很久不知道这个科学家是叫什么名字，他做了一个视频，大家可以听一下。

“学习说话”（播放视频）

它会不断尝试发音，随着时间延续会越来越好，基于神经网络读取字母。

神经网络尝试说出短语，进行一种随机化的发音尝试。“奶奶的房子”，猜测发音和标准发音之间的差异，会被反馈回去，通过神经网络。奶奶的房子。通过在每次尝试之后，调整连接强度，网络会逐渐改进，最终通过一整晚的训练，第二天早晨，它的发音变成了这样，“奶奶的房子”，我愿意去奶奶的房子看她。因为她会给我们糖，并且我们……

说实话我为了做个PPT花了很多时间，这个地方，我再放一遍，大家看看，一个算法能够说话，很奇怪。203个深神经元。就这么简单的东西能够做出这么奇怪的结果。

刚刚注意到两个波形在叠加的时候有一个差异，那个差异叫误差。网络回传回去。它通过那个调整把误差反回去，这叫回传，把误差回传以后，这就做了一件事，能做到对参数的调整和计算，不断的调整使得误差越来越小，越来越小，最后变成了一个神经网络。接下来，所有的语言的说话的方式，也非常容易。而且它的计算量很小，在实际上产生的情况下。

我想说，这给我们一种什么样的启迪呢？——我们发现一个非常简单的一种数学结构，一种数学的方式，它能够干出使人们吃惊的事情，那对于世界的影响太大。

接下来另外一个事件。

 这个是实验室做的一个手写数字输入识别，我给大家看的是什么？看神经网络的特性。

这个数字一旦显示了，在上面的地方就识别出来的东西。下面是出现的摄象头摄像下来的图形。我想告诉大家，作为一个计算机要识别一个图形来说实际上很困难，而这个困难用神经网络的识别，它的精度非常大。而且你们可以从后面看到，算法对于噪声干扰的健壮性非常强。在这样的干扰情况下也能够正常识别，这跟人脑的情况是一样的。当我第一次看到这样一个视频的时候，坦率地说我很吃惊，我很惊讶。这是在什么时候呢？这是从1986年，到1999年的时间的状况。人工智能学习，神经网络的学习的成长状况。

但我刚刚说了，这段时间，这个软件，被刚才那两个哥们儿干了多少年呢？接近二十年，才干到了这样一个东西。这个东西效果非常好，但它只能应用于小型的，小图形的简单的识别，大的做不了，为什么做不了？

BP的核心价值，我之前已经说过了。我接下来讲讲为什么它做不了，因为它一旦大了以后，它的回传就很容易出现“误差扩散”。也就是你有多层的话，你要实验大型的识别的话，那么它需要的神经网络非常大，而且有很多层，你越多层的话，会出现的误差传回去越传越小，叫误差扩散。第二个问题，是什么呢？它其实容易拟合，作为一个神经网络我要识别你们，谁是男的谁是女的，对我来说是很容易的事情，但如果我给他的特征是什么？是说穿白衣服的和穿黑衣服的？比如，告诉我穿白衣服的，这个人是男的，那个黑衣服的人是女的，没有告诉他特别的特征。

总之，就告诉他不是很清楚的特征，给了他一大堆的特征，这么一大堆的特征，我拿这样的数据来训练我的网络出来的结果是什么？很容易找到另外一种非正常常规的规律，这就叫过拟合。

于是乎这二十年他们又在学习，又在研究，数学界，数学界不只在神经网络上这条路走，他们还走了很多路，SVMN、BOST......反正大量的算法在做。但都是有一点点提高，一点点提高。

到了2006年，一个前面那个老头，叫做BP的老头，做回传算法的老头，我叫他黑洞。他叫Hinton，他坚持了二十年，他干吗？就是做这个神经网络，他没有做其他的算法，他一直专注于神经网络的研究。他突破了，其中包括下面的LeCun，还有Bengio，新的神经网络做了什么？其实做了一件非常简单的事情，在理论上非常简单的事情。就是说我们知道，我们的学习是有一个目标结果的，有结果了，就是说这个是男的还是女的，然后通过这样的一种方式去跟结果做一个函数匹配，在数学上是泛函数，这是自动编码机，我拿到在座每个人可能有100项的特征参数，包括你是多高、多瘦，然后你穿什么衣服，然后我会通过反向编码的方式，使得我尽量编出来的编码像原来的东西。

给一个解释，大家知道，经典723吗？是一个编码算法，它有一个码本，其实经典723不是以色列人发明的，是一个俄罗斯人发明的，他经过很多的研究发现：人类说话，他总是能够描述为某几种特征值，然后找到一堆这样的特征值，然后这样的特征清楚了，然后我给他编上号，123456789，然后编了一个码本，压缩的时候就把特征值取出来，传输的时候就拿特征值传过来，解码的时候直接播放。这就是编解码，自动的编码——这个DNN诞生使得整个技术的发展，使得整个理论的发展，突破了以前所有的进步，记得这是2006年，也就是8年前。发表这篇文章时没有人关心它，每个Paper在全世界的科学杂志上发表多了去了，为什么它就牛呢？

这是我总结的，一方面，它有多层神经网络，这种多层神经网络，具有优异的特征学习能力。我会发现什么是真正的特征。比如说我要识别一个人是男的是女的，我知道用什么样的特征。那就很清楚了，我不能用衣服穿什么颜色作为特征。另一方面，它使得多层神经网络训练成为可能，我们前面说多层会有误差扩散。而它有自动编码以后，使得它每层独立的去初始化，去培训，去学习，使得多层成为可能。一旦多层成为可能，就有突破了。

于是有了“突破”。

大家最近听到微软一些消息出来，这个是2012年，谷歌做了一个实验，它叫“谷歌大脑”它用一个神经网络，去一千多万张Youtube的照片里面去学习猫，事先没有给它任何知识，没有去给它说任何特征，只是让它自己总结。它是不是长眼睛，是不是有耳朵，都是自己去学习。这个神经网络，在下面是它的整个学习的过程，通过一千万照片，他学出来了，他认识了，而且同时，它认出了很多物种。而这些物种的准确率，提高了7成。这个实验仅仅是一个实验，坦率地说没有特别大的优化，没有经过工业上更厉害的东西加成。它就做到了。

刚才说的是2012年，那么2014年出了什么结果？所以说接下来就说说第一个“深度脸”，FaceBook干的。FaceBook做了一个“深度脸”，干吗呢？所有的人脸的区别的目的就是告诉你说，这两个人是不是一个人，就很简单这么一个东西。关键的问题是通过它的学习，通过人脸识别的技术达到的准确率是99%，超过了人类。我要解释一下，人类是97.5%。但这是没有经过训练的数值，没有经过真正的培训，告诉你这个人你要注意看什么地方，怎么识别这个脸，如果是专业的侦探会更厉害，我们机器的学习的过程是不是就像人的学习过程？前面说到了我们在学一个语言，我在说一句话，说的不对，我重新再说一遍，我大脑里面调整，不断的学。于是乎，就有了今天99%的识别，整个计算机界，整个IT有一双眼睛，能够看得懂东西，它能区别。

前两天我打了一场球发现我腰椎间盘突出，医院给我的CT的照片，我当时一想，这个CT照片，我能不能找一个网站丢进去看看我有没有病呢？

今天早上我来之前发现，百度在三天前，发布了一个深度学习的成果：你可以对你的皮肤病进行手机拍照，它帮你去做识别，成功率是多少？93%。准确率远超过所有的人工的判断。当然，解释一下，它只对8种皮肤病做判断。

我想说，这是现状而已。

语音识别。大家可以看到这是语音识别的一张图。NIST是美国工业标准的一个机构，我非常欣赏他们有这样一个机构，为什么？他们把所有做实验的数据，全部在上面标准的，你们谁做的更好，你直接可以从其数据中判断出来。

这是微软的图，微软在语音识别上最牛。微软从什么时候开始的，2009年，他们干的很棒，错误率一下子就下来了，越低。我刚刚讲的Hindun今天人在谷歌，LeCun也在谷歌，而Beingo则坚持学术。我们今天是不是才关注这个学科是不是很晚了？其实一点都不晚，它就这两年刚刚突破，全世界都在琢磨，搞了几十年都没有成功，就这两年突破了。而且应该说从2010年才开始大规模投入干这事。所以一点都不晚。在我的感觉里面，这次浪潮就像我感觉到的2000年的时候互联网。它的影响会非常大的巨大。

企业更应该做好小数据

回到小数据问题，我更多的说一下我们现在该做一些什么事，我们要该做什么呢？

其实我想刚刚说了我们需要挖掘金矿，但我们真的不一定需要大数据，我们不一定非要需要那么多的大数据，像百度那样像Google那样，我们完全可以对自身的数据进行挖掘，你们要知道那个方法，大家来之前很多人都知道BI，但你们知道吗？BI在这么多年，都用的是传统的技术。像SVN这样的技术，传统的技术用在上面，而真正的技术却没有用到数据挖掘上面，因为太晚了，太新了。商业上面我更为一定要关注自己企业现有的数据，那些结构化的数据，是我们已经经过思考，并且认证它是对的，那是高质量的数据。所以我们一定要关注自己，而且对我的企业的针对性更强。我去拿了一大堆的数据，就算是再高质量也没用，我们应该去对自己的自身数据进行理解。其实。在此之前，我们真的没有读懂数据里面的内容。尿布与啤酒的故事，我不知道大家是否知道这样的故事，这是BI里面拿来说事拿来讲故事的，就是有人在超市发现，爸爸去超市买尿片的时候，总会买啤酒。最后发现，把他们俩放在一块儿，然后就卖的更好，这是BI的一种东西。

当然同时也有其他的这种BI，比如说信用卡的用户分析，类似的传统统计方法太多了，但是今天有了新的东西，我们可以挖掘出更多新的方法。

所以我更认为，我们应该去做小数据。

前天组办方让我来讲这个融合通信的时候，我都忘了它是个什么东西了。然后我就去查了一下，说融合通信得跟计算机结合起来，我当时第一感觉这不是废话吗？肯定得跟计算机结合在一起。

就融合通信，我想讲一下未来吧。我认为应该叫融合信息，首先是发生在信息这方面。再接下来我认为叫做交流。我觉得这个交流跟融合没有关系，本来就得融合，你不融合不行。我觉得是交流。再接下来是智能交流。对这个东西我有点担忧，智能交流，我有点害怕。

比如做Call  Center的，做会议的，你们都应该可以做智能call  Center。因为可以识别客户的通话，你将可以智能的识别出他在说什么，能够自动产生语言，就应该自动能够回答。

智能聊天：“小冰”。大家都知道小冰，当然小冰的东西做的确实不怎么好，以前她在微信上聊天，现在微信号关了，现在在微博上聊天，智能聊天。我在微信上我准备做一个小虎，跟小冰谈恋爱，我想他们有可能会把整个互联网谈瘫了。

智能宣传“智能文稿”。现在已经能够做到智能文稿，就是说新闻这样的文稿，现在已经不用人来写了，直接就神经网络去写。这种是现实的吗？这是真事，我只是没有放实际上是哪家做出了。有了智能宣传以后，后面我就不敢写了。我觉得可以智能洗脑。这有点可怕，所以我不敢写了，大家自己去看。

对前景怎么看？

第一个词，“深度学习”，它现在是世界十大通用技术之首。“通用技术”，不是专用技术，通用技术，哪个领域都能用，生物界能用，医疗界能用，什么都可以用,这是麻省理工学院提出来的。第二个词“第三次产业革命”。是习大大说的，不是我说的。当然，大家会问你的看法呢？其实我没有什么看法，我就知道两件事，第一“她会学习”她现在确实会学习了，而且不怕累。你注意，我用的是“她”，以后大家看到这个句要当心点。第二个“她不会死”。每个人的知识，都是有限的。谢谢大家。