新闻链接: 

600多所高校、13000支队伍参赛，这场AI技术创新大赛凭什么风靡全球？ | 机器之心 (jiqizhixin.com)

编者荐语：

“本次大赛赛道一冠军团队的模型已经作为德睿智药（MindRank AI）解决方案的一部分，在临床药物实验数据挖掘及药物研发与真实世界数据研究业务中得到应用。”

以下文章来源于机器之心 。

刚刚过去的几个月，对于很多同学来说可能终身难忘。

他们刚参加了一场15000多人的PK，对手来自528所中国高校和136所海外高校，包括清华、北大、浙大、剑桥、牛津、密歇根、普渡、南洋理工等知名高校。这些选手组成了13923支队伍，其中港澳台及海外参赛队伍比例超过 30%。

在这短短的几个月里，选手们经历了上百次提交和无数个等待排行榜刷新的时刻。最终，只有18支队伍杀进了决赛。

6月4日，首届全球人工智能技术创新大赛决赛在杭州拉开帷幕。大赛由中国人工智能学会和杭州市余杭区人民政府筹备组联合发起，得到了阿里云、OPPO等头部科技企业的积极参与和支持。阿里云天池平台作为本次大赛的官方竞赛平台，为大赛提供平台和算力支撑。

为了给全球参赛选手提供质量最高的同台竞技平台，大赛请来了国务院参事、CAAI理事长、中国工程院院士戴琼海，CAAI副理事长、中国工程院院士陈杰，CAAI副理事长、南京大学人工智能学院院长周志华教授等为大赛提供最为专业的指导。

在6月5日开幕的2021全球人工智能技术大会上，CAAI理事长戴琼海院士、CAAI名誉理事长李德毅院士、浙江大学吴朝晖院士、阿里云智能副总裁刘湘雯女士等为获奖选手颁发了获奖证书。

从13923到18，这是一个「千军万马过独木桥」的过程。作为一个普通的吃瓜群众，我们关心的是：这个比赛难不难？为什么是这些团队走到了最后？他们在参赛过程中总结出了哪些经验？为了解答这些疑问，机器之心采访了部分决赛选手，希望可以给未来参赛的同学提供一些借鉴。

这个比赛难不难？

在讨论比赛的难点之前，我们先来看一下赛题。

本次大赛设置了医学影像报告异常检测、PANDA 大场景多对象检测跟踪、小布助手对话短文本语义匹配三个赛道，聚焦前沿科技与应用创新，推进人工智能领域的学术交流、人才培养、技术发展以及跨界应用与融合。

众所周知，医疗数据的标注是一个专业性要求极高的任务，很难通过传统的众包方式来解决。但是，影像科医生在工作时会观察医学影像（如CT、核磁共振影像），并对其作出描述，这些描述中包含了大量医学信息，对解决上述问题具有重要意义。因此，赛道一要求参赛队伍根据医生对CT的影像描述文本脱敏数据，设计算法来判断身体若干目标区域是否有异常（初赛）以及异常的类型（复赛），以此来提高医疗数据的标注效率。

PANDA（gigaPixel-levelhumAN centric video Dataset）是清华大学团队构建的国际上首个动态大场景多对象数据平台，场景平均覆盖平方千米级范围，可同时观测数千人，百米外人脸清晰可识别，视频分辨率近10亿像素。

赛道二便是基于该数据平台设计的。初赛任务是行人和车辆多目标检测，即给定静态PANDA图像，参赛选手需要检测两种类型的对象：行人和车辆。复赛的任务是行人多目标跟踪，即给定PANDA视频序列，参赛选手需要提交视频中的行人轨迹。

小布助手是OPPO公司为欧加集团三品牌手机和loT设备自研的语音助手，为用户提供了有趣、贴心、便捷的对话式服务。意图识别是对话系统中的一个核心任务，而对话短文本语义匹配是意图识别的主流算法方案之一。赛道三要求参赛队伍根据脱敏后的短文本query-pair，预测它们是否属于同一语义。

根据选手的反馈，他们在这次比赛中要面对数据、赛题限制等多方面的挑战。

首先来说数据。出于竞赛公平性和数据安全性等方面的考虑，赛道一和赛道三的数据都经过了脱敏处理（如下图），导致选手无法直接看到数据，或者说不能自己采样并过一遍数据，从而难以发现数据的一些特点，也无法直接使用BERT等预训练权重。为了解决这一难题，赛道一冠军团队选择自己从头预训练BERT，还在预训练阶段结合了N-gram Mask和动态随机Mask策略。

此外，赛道一的数据还存在标签分布不均衡、数据量少等问题。这就要求选手在拿到数据的第一时间就展开细致的分析，而不是上来就套模型。对于数据量少的问题，赛道一冠军团队通过增强数据和增加任务等形式来解决。

赛道二数据的显著特点包括图片尺寸大、分辨率高、目标多、目标尺度跨度大、遮挡严重、视频帧率低等。为了解决这些问题，赛道二的冠军团队在检测任务中设计了一个金字塔多尺度预测的方案来解决检测漏检的问题，还提出了一个锚点切图的数据预处理方案来解决样本流失问题；在跟踪任务中，他们提出了基于检测框重识别和跟踪轨迹预测条件的跟踪流程，大大提高了跟踪精度。

看到这里有人可能会问，这个比赛很耗算力吧，参赛选手都是人民币玩家吗？当然不是。其实，选手在复赛平台赛阶段用到的算力是由阿里云天池提供的。对于算力不足的在校生来说，这一举动确实帮助很大。赛道三的冠军队伍表示，「阿里云提供的4 * V100，让我有机会训练15亿参数的大模型，做了很多有意思的实验」。此外，让大家在相同的算力条件下比拼算法，也是竞赛公平性的有力保障。

当然，考虑到实际业务中对算力消耗、模型效率有要求，本次大赛对选手的模型训练时间、推理时间都作了限制（如赛道三要求全流程训练时间小于80小时，单条记录预测时间小于18ms），这是选手所面临的第二大难题。

赛道三的冠军团队表示，为了平衡速度和精度，他们最终选择了牺牲单模型精度来换取更快的单模型速度，以此来训练、融合更多模型，进而提升整个系统的分数。

这一要求体现的是大赛对模型实用性的看重。天池平台技术架构师盛乐乐曾表示，「过去几年，我们有很多大赛并没有把模型效率作为大赛指标，但是在答辩环节经常会有专家老师询问选手模型的推理效率，并且很看重模型效率是否满足实际应用场景的需要。因此，我们也逐渐把模型效率考核纳入竞赛指标，让更多选手能在模型设计之初就将实用性考虑进来，从而推进优秀算法的可落地性。竞赛和实际应用不一样：在竞赛里面，分数是模型好坏的唯一标准；但是实际应用需要关注模型的实用性，包括如何落地、模型效率、泛化能力等。」

有了这些限制之后，不少选手都将算法的落地难度纳入了考量，也收获了评委的积极评价。

在某大厂实习的一位选手表示，这些要求其实和之前在公司做的项目很类似，因为公司的实际项目开发也需要考虑资源消耗、运行时长等问题，所以在比赛中遇到这一要求并没有觉得差异很大。

正如赛道三的一位选手所言，这场比赛不仅考察了算法能力，还考察了工程、实验规划、时间规划等多方面的能力，总体来看是非常综合的。

为什么是这些团队走到了最后？

从赛题的规定和选手的反馈可以看出，这次大赛是有一定难度的。但同时我们也看到，进入决赛的选手既有大厂的算法工程师、国家重点实验室研究员，也有初出茅庐的大学本科生，有些选手甚至是跨专业参赛。也就是说，除了知识和经验，还有其他一些因素在选手的晋级之路上扮演了重要角色，比如沟通能力、创新能力等。

 在谈到参赛经验时，不止一个团队提到了「分享」、「交流」的重要性。据机器之心了解，为了促进参赛团队之间的交流，大赛在每个赛道的初赛阶段都设置了一个名为「周周星」的奖项，并安排获奖团队分享技巧心得，这对于参赛经验不够丰富的新手来说帮助很大，可以少走弯路。

「每周的前两名周周星会进行方案分享，而我也会在比赛交流群里请教各位前辈。对作为新手的我来说，他们都是我的指导老师。各位前辈参赛经验丰富，分享的一些方案、技巧让我获益匪浅。如一位重庆邮电大学的学生所分享的『将Word2Vec和Glove预训练的词向量做拼接操作后，对Embedding层进行初始化』这一操作，让我当时的线上成绩从0.88提升到了0.90，这一方法不仅提高了我的成绩，也让我学到了更为新颖的技巧。」赛道一的季军团队在采访中说道。

 
令人惊喜的是，本次大赛还涌现了很多创新性的解决方案。很多排名靠前的团队都使用了自己改造的方法，而不是简单地照搬已有的方法。赛道二的评委老师在决赛总结中说道，「我们鼓励一些创新性的方案出现，而不是简单的工程堆积，这是很重要的一点」。

如果明年参赛，要做哪些准备？

每次比赛结束，我们都可以从选手身上挖掘出一些宝贵的赛后寄语，本次比赛也不例外。

在采访中，几乎每一个团队都会强调「基础知识」的重要性。赛道一的季军团队解释说，「即便现在很多比赛都是深度学习『一把梭』，但是扎实的机器学习基础能够让我们知道哪些该尝试、哪些不该尝试。比如在这次比赛中，大家中后期都开始尝试模型融合，采用bagging的方式对结果加权平均。而为什么采用bagging，为什么在这个问题上使用加权平均的方式，这背后都是由经典机器学习的理论所支撑的。扎实的基础在比赛的每个阶段都很重要。」

但是，知识那么多，要从哪儿开始学呢？主办方给选手的建议是，「首先你需要选定一个方向，如 CV、NLP，然后找到对应的学习路径。天池平台其实也为刚入门的同学提供了一个类似知识树的页面。通过这个页面，你可以看到每个方向最简短的学习路径，对这个领域有一个大致的了解。」

天池知识树：https://tianchi.aliyun.com/course?spm=5176.14154004.J_3941670930.11.31fe5699cizNhw

除此之外，赛道一冠军团队还给大家写了一份全方位的比赛攻略：

该团队的成员曾经拿过KDD Cup、中国数据分析马拉松、阿里云工业大数据挑战赛等多个国内外大赛的冠亚军，其中两名队员还是Kaggle Master，其经验很有借鉴意义。

竞赛之外，还有哪些问题值得关注？

竞赛是推动创新的良好机制，与竞赛同期举办的《AI青年说》则让我们有机会静下心来思考未来AI的发展趋势。

在浙江大学求是特聘教授吴飞和阿里巴巴集团副总裁贾扬清看来，AI领域有以下几大趋势值得关注：

一是现有结果的工程化和规模化。贾扬清指出，AI领域从 0 到 1 的积累差不多已经完成，因此，「算法的标准化、工程化，以及怎样迅速地把标准算法和特定的业务场景结合起来，是我们今天在计算机视觉、语音、自然语言理解等领域的大趋势。」

二是各子领域之间的相互贯通。谷歌、OpenAI、DeepMind等推出的多模态、大规模模型让我们看到，以前的计算机视觉、语音、自然语言处理等垂直场景已经开始融合，变得共通。未来，「我们需要有一个通用、多模态的模型，来统一理解各种形态的数据和各种形态的输入。」在本次大赛中，我们也看到了这种趋势。我们发现，很多选手其实是「跨界」参赛的，比如选择CV赛道的同学自身的研究方向可能并非CV，这也反映了当前AI领域跨界融合的大趋势。

三是从「大数据小任务」到「大数据大知识」。按照朱松纯教授的说法，现在的机器智能是『大数据小任务』，即使用上千GB的数据训练一个模型完成有限的任务。两位学者认为，我们需要打通的是大数据大知识，即怎样从单点的目标或者单点的预测到更加完整的知识体系。如果这一问题得以解决，我们就可以进一步思考如何利用抽象出来的知识体系赋能其他领域。

在谈到「AI内卷」的趋势时，吴飞教授认为，「内卷是因为大家都跑到一条赛道上去了，比如都挤到大数据小任务的赛道，变成了所谓的调参侠。于是没人做农业、司法、环境等更具开创性的场景应用，就发生了内卷。想象一下，你读完人工智能的博士或者研究生，如果进入一个稀缺人工智能的行业，那么你就是这个行业的 AI 之王，哪里会有内卷。」

其实，吴飞教授也道出了本次大赛举办的初衷，即希望开拓大家的视野，展现AI落地的各种可能性，不要都涌向同一个赛道。

此外，我们还看到，大赛的三道赛题都来源于产业的真实需求，这符合当前产学研融合的大趋势，是加快我国人工智能人才培养的重要举措。赛道一冠军团队告诉机器之心，他们的模型已经作为德睿智药（MindRank AI）解决方案的一部分，在临床药物实验数据挖掘及药物研发与真实世界数据研究业务中得到应用。

大规模数字化建设时代即将到来，届时 AI 技术将融入现代社会各个方面的核心。在2021全球人工智能技术大会上，戴琼海院士表示：「当今世界，以人工智能、大数据、云计算等为代表的前沿科技正在重塑人类生活，通过跨国别、跨文化、跨领域的交流与合作，不仅有利于我国新一代人工智能的长足发展，而且对增进各方相互了解、凝聚各方原则共识，完善智能时代的全球共建共治方略具有重要意义。」