2016中国人工智能大会摘要

第一日  “人工智能青年论坛”和“人工智能产业论坛”

14:00地平线机器人技术创始人兼CEO余凯表示，现在流行的互联网的本质是连接人和世界，而现在，信息，商品，服务都会和人联接，而任何世界的连接目前都是通过机器即计算机实现的，而人和机器是通过交互来实现，机器是通过索引来认识和分析这个世界，因此，交互和索引是互联网的核心。而目前人机交互趋势是从无序到有序，从数据到语义，从线下到线上，而机器将变成Robot，并无处不在，而Robot的大脑将会得到更迅速的发展。

13:40云知声创始人&CEO黄伟表示，今年，Alpha go掀起了对人工智能的关注，而人机交互是人工智能的基础。人机交互目前发展的趋势是从感知智能向认知智能发展。感知智能就是利用技术手段把物理信号转化成数字信号，从而进行分析和处理。目前，感知还处在发展阶段，依然有很多路要走。而多人机交互方式目前有很多种，比如，手势识别，图像识别，体感交互等，都是未来人机交互发展的方向，但因为语音才是最自然的交互方式。所以在物联网时代，语音识别仍然是最重要的人机交互手段，而语音识别的核心技术，是基于语用技术的人机交互框架，以语境为基础的框架，直至自然语言生成。但任何产业都需要商业模式，而云知声通过云端芯的方式，打造软硬件一体化的方案，发力在智能家居领域，并在向其他如车载、医疗、教育领域倾斜。云知声希望通过人工智能各业界大家的共同努力，打造更好的、更智能化的生活，智享未来。

10:50微软人工智能首席科学家、IEEE Fellow邓力先生发表了题为《驱动大数据人工智能多种应用的三类深度学习模式》的演讲，他首先介绍了深度学习的基本定义，以及深度学习的三种模式。邓力表示，AI=感知+认知，首先是感知，更深层次的是认知，而人工智能目前更需要解决的是认知的问题，而深度学习是提升认知，推进人工智能进一步发展的最有效的方法。然后，邓力介绍了深度学习在语音识别方面的进展，他表示，目前苹果、谷歌、亚马逊都在用深度学习研究语音识别，并取得了较好的效果。接着，邓力介绍了深度学习对于图像识别的影响。邓力接着介绍了深度学习在机器认知方面的进展，通过使用Long Short-Term Memory RNN等模型，目前已经可以实现效果比较好的效果。最后，邓力介绍了增强学习，他表示，深度学习加增强学习可以解决更复杂的人工智能难题，而深度非监督学习则是未来人工智能的又一个重要的研究课题和未来的发展方向。 [详情]

14:20百度深度学习实验室主任林元庆表示，IDL希望将人工智能核心技术能做到统治级别，通过深度学习技术，不仅要做好图像识别基本技术（图像搜索、OCR、人脸识别），还要实现细粒度图像识别（如菜品识别）、视频分析、AR、医学图像分析等方面的突破。他认为，很多关键技术的决战期将是接下来的1-3年。

14:40旷视科技首席科学家孙剑表示，视觉智能是人工智能的一个重要分支，旷视科技就是一个通过深度学习来做视觉智能的公司，目前，人工智能的发展正在从感知智能向认知智能发展，而视觉是感知智能的一个重要方面，而作为一家专门从事视觉智能的公司，旷视科技的核心技术是深度学习平台MegBrain，而视觉理解核心问题是深度神经网络，神经网络模型目前已经从AlexNet发展到152层的ResNet，图像分类进展、人脸识别的进展、人脸识别的实际应用已经超越人眼，而无监督对抗学习和语义分割将是视觉智能未来发展的关键。

16:00微软亚洲研究院主管研究院郑宇（来过我校，做智慧城市）表示，通过大数据分析和人工智能，人们可以构建智慧的城市。例如，在贵阳市布局充电桩、北京部署空气质量监督站、贵阳市交通和能耗监控系统的案例中，大数据和人工智能都发挥了重要的作用，而在这几个案例中需要强调的是几点，第一，数据收集的方式和方法非常重要，第二，数据分析和处理的平台不可或缺，第三，算法是核心，没有好的算法，就无法得出正确的分析结果。

16:20京东集团PCL实验室研发总监陈宇表示，京东PCL实验室主要采用卷积神经网络CNN等人工智能模型研究如何利用研发力量帮助京东的业务，因此，京东PCL实验室是要寻找一种真正适合京东的人工智能模式。目前，京东PCL实验室通过深度学习、图像钟馗系统、全网商品图像基础平台以及智能鉴黄技术，通过深度学习，仓储自动化、正阳门&京盾系统、商品属性校验检索、银行卡和身份证识别系统提升电商运营效率。通过人脸识别、图像识别技术、JD Camera+改善用户体验。9月份京东将推出基于人工智能的服装搭配平台，未来将开展利用人工智能和VR技术建立虚拟试衣间等业务模式。

16:40蚂蚁金服副总裁&首席数据科学家漆远介绍NLP、机器学习、图像识别、语音识别等人工智能技术在金融领域的应用，覆盖信用、推荐、风控、搜索、智能助理、营销等方面。他介绍了一些案例，例如，蚂蚁智能客服的机器人智能回答，根据用户历史行为进行个性化问题推荐，通过问题预测+自动启动服务引导实现小二工作台；在微贷方面，打造基于大数据和机器学习的信贷模式，在这个模式下，客户立即申请立即获贷，不良率低，解决了小微企业和个人贷款难的问题：金额高、流程长、授信难。

17:00驭势科技联合创始人&CEO吴甘沙表示，人工智能是未来20年最重要的技术发展方向， 2016年的人工智能就相当于1996年的互联网，1981年PC机，是一个变革时代的开始。但驭势科技有几个观点，第一，智能驾驶是未来10年市场辐射规模最大、社会效益最卓著的人工智能产业。第二，智能驾驶的技术、市场和政策条件将在未来5年成熟。第三，智能驾驶领域生态的合纵连横将是主旋律。第四，智能驾驶不仅仅是人工智能，它是人工智能+汽车电子+系统工程，需要将汽车电子、系统工程的概念加进去才能实习真正的智能驾驶。第五，智能驾驶创新的重心将逐渐从人工智能转向到系统工程。

（机器学习/深度学习算法工程师（CM02）工作地点：北京 
• 既要让自动驾驶更好的理解周围，又要挑战更多机器学习用于无人驾驶的可能
职位要求
• 熟悉机器学习的基本方法 ( 降维、分类、回归、排序等等 )
• 熟悉深度学习原理和基本模型，熟练使用 Caffe ，Theano 或其他常用深度学习工具，并能够灵活的解决实际问题
• 熟悉计算机视觉和图像处理的常用方法 ( 物体检测、跟踪、分割、分类识别等 ) 。学习能力强，读机器学习、计算机视觉领域的论文易如反掌
• 有很强的工程能力，精通 C++ 语言以及至少另一种常见编程语言
• 对计算机架构有深刻的认识，能够开发高性能、实时运行的图像处理软件
• 有发明创造的理想和热情，致力于创造解决实际问题的视觉感知技术
• 尝试将机器学习和深度学习技术应用于非识别领域。
优先考虑
• 发表过 CVPR/ECCV/ICCV/NIPS/ICML 等视觉和 AI 领域会议文章
• 熟悉图像识别领域的常见工具如OpenCV等
• 熟悉高性能运算加速工具如 Neon 以及 GPGPU 技术如 GLES，CUDA和OpenCL 等）

17:20格灵深瞳联合创始人&CTO赵勇介绍了格灵深瞳在人脸识别、行为识别等是计算机视觉技术领域的一些实践。人脸识别方面，正在努力提升远距离摄像头下的人脸识别精度，已经可以做到50米距离的产品化。行为识别方面，则通过三维摄像头来解决复杂空间内拥挤环境下的行为识别。对于AI产业化，他最为看好AI在安全、医疗领域、自动驾驶等领域的前景，因为这些领域和大众的生活关系非常紧密，需求很强烈。

知乎 你为什么加入格灵深瞳：http://www.zhihu.com/question/25987116

17:40红杉资本中国基金合伙人周逵表示，未来所有成功的公司都会变成人工智能公司，而目前整个业界的趋势就是人工智能。但目前人工智能虽然领域广泛，但面临诸多挑战。因此，在这个时候，选择和时机就会显的非常重要，目前红杉资本已经投资了多家从事人工智能和大数据的公司。未来，红杉资本将会持续帮助这些创业伙伴实现他们的梦想。

第二日   “机器学习的明天”、“人工智能的机遇”

13:35清华大学计算机科学与技术系特别研究员崔鹏表示，希望通过本论坛的讨论，让青年对人工智能有正确的认识。他摆出了看待人工智能的两个针锋相对的观点：一是泡沫，由于万能论、奇点论、资本角逐和研究过热，二是机遇，认为泡沫是科学与技术发展的推动力，因为数据量、计算能力、理论等方面的进步和之前的人工智能泡沫是不同的。本论坛的嘉宾将就着这两个方面阐述自己的观点。

13:55中科院自动化所模式识别国家重点实验室副主任王亮提到，在十年的发展过程中，人工智能经历了几次起起落落，但始终在发展。繁荣时期，人工智能要顺势而为；低谷期的人工智能要逆势而上。王亮认为人工智能绝不是泡沫。接着，他总结了前两次人工智能低谷的重要原因：受限于相关技术领域的发展。例如，早期的计算机有限的内存和处理速度不足以解决任何实际的AI问题或者模型学习的数据库太小，包含信息太少。演讲结尾，王亮总结道，当年轻人遇到人工智能时，首先要了解人工智能的发展历程；要熟悉人工智能的发展现状，学会使用“能否解决现实问题并产生社会价值”的实践标准来区别机遇与泡沫，顺势而为，抓住机遇迎接挑战，探索多学科交叉新思路，推动人工智能健康发展。

14:15天眼查CEO柳超认为要辨析人工智能时机遇还是泡沫，首先需要明确人工智能的定义，在他的理解中：人工智能的定义是赋能于人。现在，技术进步、人文进步、资本助力三者交叉循环推动人工智能处于最好的时代。柳超认为赋能于人意味着人和机器的能力互补，实现人、数据、技术三位一体的人工智能理念。分享中，柳超借助天眼查梳理欢乐颂关系的案例，详细介绍天眼查赋能于人的过程。最后，他总结道：目前，人工智能处于最好的时代，我们要做的是赋能于人，看清世界。

戴文渊宣布论坛正式开始，并引人思考：机器学习的明天不会是今天火热的深度学习。

16:25腾讯AI Lab计算机视觉组负责人刘威在演讲的开头就表示机器学习的明天会更好。随后，李磊介绍了机器学习的框架，并论述了浅度学习只能描述相对简单的映射关系，但刘威同时表示，浅度学习仍然需要大力研究发展。例如，大图近似这种浅层学习，仍值得研究。最后，刘威谈到了自己对机器学习未来的看法，他表示，深度学习是未来机器学习的未来，对比传统的计算机视觉，基于深度学习的计算机视觉可以全自动学习更有价值的图像特征，比方说卷积神经网络算法的突破导致物体识别精度大幅上升，而具体的实例就是艺术滤镜。

16:35微软亚洲研究院首席研究员刘铁岩认为探讨机器学习未来的发展前景，必须要理解当前机器学习的优势和痛点。今天机器学习之所以能获得成功，得益于大数据、复杂模型和强大的计算能力。但事由正反两面，这个三个因素同时也带来了困难。首先大量的数据很难进行标注；其次深度模型也越来越难分析；此外，同步并行计算的速度和通信延迟也会限制未来深度学习的发展。针对这三个方面的问题，他结合微软研究院目前的研究成果一一给出了解决方法。未来，刘铁岩表示微软研究院会将机器学习的研究成果逐步通过开源项目展示给大众。

16:45清华大学计算机科学与技术系特别研究员朱军以《交互式机器学习》为演讲题目，他首先介绍了机器学习的现状，他表示，目前的机器学习是数据驱动的统计机器学习，而深度学习在2006年获得突破，但机器学习仍然面临很多困难，首先，机器学习的过程需要大量的专家知识，其次，有经验的研究者需要三到五年，第三，机器学习局限在专家和专业的开发者手中，而交互式学习可以解决机器学习面临的这些困难，但关键问题是要有易用、易于理解的交互式可视化界面、接受用户反馈的模型和学习算法、即时响应的高效算法、对数据噪声比较鲁棒、从小样本学习以及迁移学习的能力。

链接：http://special.csdncms.csdn.net/CCAI2016/#g338=1