9月，上海——2022世界人工智能大会（WAIC）如期召开。时空人工智能（时空AI）作为城市元宇宙的核心技术引擎，在本届大会上通过技术研讨、应用实践与场景互动三个层面，与全球观众展开了深入交流。

中国科学院院士龚健雅在论坛上发表了题为《深度学习框架与时空信息智能处理》的主旨报告。他围绕人工智能发展历程、人工智能与遥感技术的深度融合进行了重点阐述，并详细介绍了武汉大学自主研发的遥感智能解译深度学习专用框架，及其在国土资源与环境监测、农作物监测估产、森林碳汇估算等多个领域的研究探索。

以下为演讲文字实录：

人工智能的迅猛发展正深刻重塑各行各业——部分行业被重新定义，部分行业迎来全新机遇。关于人工智能的定义与当前能力，我更赞同北京大学朱松纯教授提出的六大研究方向：第一，计算机视觉，涵盖立体视觉与模式识别，目前广泛应用的人脸识别即属此范畴；第二，自然语言理解与交流，包括语音识别、机器翻译等；第三，机器学习；第四，机器人学，涉及智能机械、控制设计、运动规则与任务规范；第五，博弈与伦理，涵盖人机对抗与机器间对抗；第六，认知与推理。

在当前社会经济运行中，存在大量可感知、可分析的数字信息，这些信息需要通过AI方法进行推理与挖掘。今天，维智科技创始人陶闯博士发布的《时空AI白皮书（2022）》系统阐述了时空大数据、时空知识图谱以及基于城市场景的算法模型——通过分析推理来挖掘城市大数据的应用价值，这一系列工作在当前阶段具有关键而深远的意义。

测绘遥感与地理信息科学是与人工智能关联极为紧密的领域。在深度学习、机器学习的演进历程中，许多人或许对ImageNet挑战赛记忆犹新——深度学习最初在图像识别上的准确率高达84%，这一突破彻底撼动了计算机视觉领域。如今，深度学习几乎已成为人工智能的代名词。测绘遥感领域同样广泛采用深度学习技术，包括目标检测、场景理解等。然而，深度学习在遥感信息处理中仍面临挑战，主要体现在两个方面：一是基础性研究，包括高质量样本库的设计与标注；二是神经网络结构及模型的设计。

此外，当前通用的深度学习框架尚无法完全满足遥感信息处理的特殊需求，因此有必要研究专用的遥感智能深度学习网络架构。这涉及遥感数据的特性，包括数据规模化量级以及高光谱、定量遥感等工作的嵌入——这正是我今天要介绍的核心内容：LuojiaNet。

LuojiaNet框架的设计充分考虑了遥感数据的特性，具备内存可扩展能力，使图像数据无需切割即可直接应用；同时支持多种知识的融合。框架在构建之初即直接建立图结构，并采用金字塔结构，消除了上下边界效应。多通道设计使得调参时能自动学习并计算最优光谱，从而大幅提升精度。此外，作为一个基础性平台，LuojiaNet在数据输入输出方面支持十多种矢量数据格式及三十多种栅格数据格式。建立工作流后，可自动生成机器学习语言。

最后，我对时空AI技术的未来发展进行总结：

首先是知识图谱——通过标签构建知识图谱，并将其与图形融合，从而获得更优、更可靠的结果。从知识图谱影像的生成来看，精度和效率都得到了显著提升。

其次是人工智能的可解释性。深度学习就像一个"黑盒子"，虽然模型精度高、结构复杂，但可解释性较低。将可解释性研究融入深度学习框架，是未来的重要方向之一，包括分析方法、可解释性指标、定量指标与评估指标等。

这些研究都是未来技术发展的必由之路。当然，挑战依然存在，我们需做好准备，继续前行。谢谢大家！