在新加坡，人工智能领域正经历着一场深刻的变革。微软亚洲研究院（新加坡）新成立的实验室，以其为代表，正积极地将前沿研究成果转化为实实在在的解决方案。而Xinxing Xu，作为微软亚洲研究院（新加坡）的首席研究经理，正是这场变革的核心人物。他的工作，不仅仅是他个人的职业发展轨迹，更代表着人工智能发展的一种新趋势：将尖端研究与实际应用紧密结合，以应对现实世界中的各种挑战。
他所代表的，是一种将深奥的算法与实际应用相结合的理念，旨在推动人工智能在数字健康、先进制造业等多个领域的应用。这种理念不仅仅停留在理论层面，更体现在实际的行动中。
首先，Xu的研究重点在于解决算法与实际应用之间的差距。他精通人工智能的各个方面，包括机器学习、深度学习、计算机视觉和数据挖掘，并致力于将这些技术应用于解决实际工程问题。
- 减少对大量标注数据的依赖： 机器学习项目往往面临着数据标注的难题，而Xu致力于通过半监督学习（SSL）和多实例学习（MIL）等技术，利用弱标注数据，使人工智能更易于获取和高效。这在医疗人工智能领域尤其重要，因为获取大规模、准确标注的数据往往既昂贵又充满伦理挑战。像MedPerf这样的联邦基准测试平台，积极推动开放协作和创新，旨在加速将人工智能研究转化为临床实践。例如，关于多模态学习的全面调查，提供了数据集、基准测试和实施细节，从而促进了开放获取。
- 探索基础模型与智能决策： Xu的工作也延伸到基础模型和智能决策领域。利用大型语言模型（LLMs）模拟现实世界的经济互动，为理解人类行为和在经济背景下的预测能力提供了宝贵的见解。这表明人工智能不仅可以自动化任务，还可以增强我们对复杂系统的理解。通过强化学习增强LLMs，进一步扩展了创建更具适应性和智能的人工智能代理的可能性。
- 拥抱多模态人工智能： 作为新加坡高性能计算研究院（A\*STAR）前任小组经理，Xu对多模态人工智能的关注突显了整合多样化数据来源（文本、图像、音频等）以创建更强大、更细致的人工智能系统的重要性。研究“Ask in Any Modality”就是一个例子，它是一项探索多模态人工智能能力的综合调查。最近的研究还深入探讨了图类增量学习的挑战，旨在开发能够适应现实世界应用中不断演变的数据的内存高效算法。
其次，在开发实用、安全的人工智能方面，Xu和他的团队也做了大量工作。
- 关注安全与鲁棒性： 针对现实场景中的挑战，例如光照变化等环境因素，Xu开发了ProjAttacker等工具，这是一种可配置的物理对抗攻击，用于人脸识别。这表明了他们致力于理解和减轻人工智能系统在实际场景中的脆弱性。
- 推动知识传播与生态系统建设： 他积极参与新加坡人工智能生态系统的建设。参与由IMDA组织的关于模型鲁棒性的技术分享会，展示了致力于知识传播和构建强大的人工智能生态系统的决心。他的OpenReview个人资料强调了他对维护科学交流的完整性和严谨性的承诺。
最后，协作精神是驱动这项研究的关键因素。
- 合作与交流： 与新加坡国立大学等机构的合作，促进了人工智能和计算领域的深入科学探索。Ming Zhong、Yang Liu等研究人员在无监督多粒度摘要等领域的工作，进一步丰富了人工智能创新的广阔图景。持续探索基础模型的推理和人工智能模型的组合学习，如在ACM Digital Library和其他出版物上的贡献所证明的那样，表明不断追求能够应对复杂现实世界问题的更复杂和适应性强的人工智能系统。
Xinxing Xu和微软亚洲研究院（新加坡）实验室的故事，是人工智能未来发展的一个缩影，它展现了一种新的模式，即技术实力与实际应用和社会影响之间密不可分。这不仅是对人工智能研究方向的指引，也为其他科研机构提供了宝贵的借鉴。将科研成果应用于解决实际问题，是人工智能未来发展的关键，也是提升其社会价值的必由之路。
发表回复