CCAI中国人工智能大会活动第一天报道

CCAI中国人工智能大会于2017年7月22日开幕,中生代技术群友吕张城在前方发来报道

CCAI中国人工智能大会活动第一天报道_第1张图片

CCAI中国人工智能大会活动第一天报道_第2张图片

1.李德毅(中国工程院院士,中国人工智能学会理事长)

简介和杭州的渊源

介绍了人工智能对未来的发展


 CCAI中国人工智能大会活动第一天报道_第3张图片

2.谭铁牛(中国科学院院士,中国人工智能学会副理事长)

 中国人工智能规划材料:

http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm

CCAI中国人工智能大会活动第一天报道_第4张图片

 

CCAI中国人工智能大会活动第一天报道_第5张图片

3.阿里云:王坚

杭州的城市大脑项目,可以说是未来最大的人工智能项目

云计算,云不是最重要的,计算是最重要的

以前计算被软件推着走,现在计算被人工智能推着走。

 

简单总结:借助于智慧城市的项目,阿里的人工智能技术能够与实际的场景结合,快速演进,在社会上的价值传播,技术营销也非常有利。

 

4.主体演讲:李德毅院士


L3的挑战与量产

L3的级别level3,是无人驾驶中的级别划分,从L0~L5

去年是人工智能发展的60周年。

无人驾驶两条路线:

辅助驾驶ADAS(被动安全)

自动驾驶(Automatic driving)→自主驾驶(autonomous driving)→智能网连汽车(connectand autonomous driving)

目前几乎所有的自动驾驶汽车都是L2的级别。由于汽车是在开放的不确定性环境下行驶,人工驾驶常常会遇到偶发的的大雾,大雪,红绿灯,崎岖小路,涉水,车辆醉驾,事故,施工,新手都很难驾驶,因此想要汽车拿驾照(自动驾驶)是很难的。

自动驾驶的分级:

L0:人工驾驶

L1:辅助驾驶

L2:部分自动驾驶

L3:机器自驾驶(eyes off社会对自动驾驶的底线)

乘员可以不用驾照

自动泊车,被认为是自动驾驶的最后一公里,最难的是边缘泊车(edge parking);基本问题是解决车的问题还是人的问题?

L4:机器自驾驶(minds off)

L5:机器自驾驶(driving off)

 

自动驾驶中,除了计算认知之外,还有记忆认知,交互认知也非常重要

 CCAI中国人工智能大会活动第一天报道_第6张图片

上图为中国工程院的自动驾驶超脑设计思路,用了NVIDIA的四个tx1的芯片,与国内典型的车厂合作,进行驾驶训练学习。

 

L3级别的自动驾驶车,需要从特定场景先做起来,不必要把全世界的驾驶大数据都压缩到一个汽车大脑中,比如公交车的路线是固定的。

 

人工智能以润物无声的柔软改变着这个世界

李教授的风格:风趣幽默,只想做超脑,欢迎产学界合作。

 

简单总结:从自动驾驶的技术发展复杂度,国家政策等方面来看,当前的问题还有很多,未来的坑更多,前路漫漫,B公司押宝在自动驾驶上,有很大的风险,自动驾驶的落地迭代远比阿里的人工智能落地要困难。

 

 CCAI中国人工智能大会活动第一天报道_第7张图片

5.深度学习的迁移模型,杨强教授,


下一个学习的热点:迁移学习

迁移学习的优点1:小数据

优点2:可靠性,模型本身要具备自适应的能力

优点3:个性化,适应不同的场景和能力

 

迁移学习的本质:找出不变量。比如香港的车和大陆的架势员的位置,虽然左右不同,但是都是靠近路中心线的位置。

 

如何能够实现迁移学习:多层次的特征学习(利用深度学习)

深度学习模型的迁移:定量分析

 

简单总结:非常学术,表示不懂。。。。


 CCAI中国人工智能大会活动第一天报道_第8张图片

6.蚂蚁金服的人工智能发展:漆远

1.人工智能的发展离不开数据

2.海量的金融场景数据金融服务的基本挑战

3.金融智能的技术栈

4.盗号模型:

5.风控,借贷宝,定损包

 

整体来说,阿里在人工智能技术上的落地是卓有成效的,很接地气,每个技术的落地都能带来利润。技术上基本以大平台,服务化的思路,统一的平台针对不同的业务提供给差异化的服务,对于新技术的落地迭代很快,上线快。从漆远的讲解来看,他们对学术界也是很关注的,如Facebook的论文中的新思想,能够在阿里快速落地,他们自己今年发表的论文基本上是3年前就做出来的东西。

 

CCAI中国人工智能大会活动第一天报道_第9张图片

7.语音智能与应用主题论坛:宗成庆

人工智能的发展历程,

neil Lawrence说了一句话:自然语言处理nlp就像一只被强光照着的兔子,等待被XXX....

 

nlp中,理性主义方法(基于规则)和经验主意方法是否是针锋相对?

 

目前如知识图谱,应答系统在企业中的应用,比学术界的发展更快,那么学术界应该如何发展?

 

宗老师很关注,结合目前产业界和学术界的合作发展问题,因为很多学术界的人被公司挖走了。。。

 

自然语言处理,主要涉及到最基本的理解问题,对于计算机来说,计算技术和搜索技术反而是相对成熟的技术。

 

CCAI中国人工智能大会活动第一天报道_第10张图片

8.陈恩红:

与科大讯飞围绕教育行业做了不少工作,针对学生考试的卷子进行判断,针对性的推荐学生不会,不懂,相对有难度的,合适的题目,因人而异个性化。

观点:深度学习在自然语言处理方面,比起图像,语音处理方面的成熟度而言,仅仅处于探索起步阶段。

 

问答系统需要融入领域知识,需要考虑情境

 

CCAI中国人工智能大会活动第一天报道_第11张图片

9.阿里初敏:

深度学习本身是一个比较粗暴的计算,但不是全部。

它的难度在于问题的理解,分类,得到future

人工智能领域,需要通过商业上的成功,来保持在人工智能领域的持续热度

 

语音外呼技术,它在特定的场景下是容易做到的,没有太大的技术难度。因为它的目的是明确的,但是要想做成一个对外的公共服务化平台,需要把不同的业务场景抽象出来,形成语义树,模型抽象是比较难的。另外一方面从心理上,人对于机器打来的电话还是比较难接受的。

 

CCAI中国人工智能大会活动第一天报道_第12张图片

10.黄锦辉:

在学术界,希望把深度学习这个黑盒打开,看看里面是为什么会得到这样的结果。

 

CCAI中国人工智能大会活动第一天报道_第13张图片

11.梁家恩:

深度学习为什么在图像,语音识别,翻译等领域应用的比较好,主要是因为这些场景更多的是映射问题。


语言的复杂度来自它是个工具,需要与特定任务绑定;深度学习解决语言也有困难,口语上效果更好;口语数据难标注,标注代价大,规则在实用中占比依然大;理性主义和经验主义,虽然前者式微,规则的选择和推理在实际场景中不顺畅,但有复兴希望;学术和产业诉求不同,产业强调落地实用,结合点可能在大数据和机器学习平台

 

CCAI中国人工智能大会活动第一天报道_第14张图片

12.林德康:在创业公司做智能助手,在学术界呆了12年,在Google呆了10

实际上Google自己本身的知识图谱,也用了很多的规则。在工业界而言,什么好用用什么,而不是像学术界的追求一样。

 

CCAI中国人工智能大会活动第一天报道_第15张图片

12.刘挺:哈工大教授

人工智能领域,并不一定需要专业领域的知识,比如alphago并没有围棋高手参与,美国有一家金融公司,赚了很多钱,但是从来没有招金融学的人。

 

哈工大scir?可以写高考作文?古诗?但是意境方面实际上与人还有有差异的。

 

 


 

下午智能金融论坛:

1.邓小铁教授

对抗性学习gan

博弈学习

 

2.增强学习-人工智能的下一个未来

王梦迪:普林斯顿大学运筹与金融工程系助理教授

1.控制论(1950-1990):已知系统设计自反馈机制

2.机器学习1990-2010:大规模数据的映射问题

3.增强学习(2010~):用人工智能算法在线学习动态的问题

增强学习目前典型的学习场景:游戏/高频量化交易和钱化策略/医疗

 

算法进步非常快:半年前gpu两天的工作现在CPU几个小时

软硬件进步也非常快,是未来发展的一个非常有前景的方向

 

3.个性化推荐和资源分配在金融和经济中的应用:张胜誉,香港中文大学计算机系副教授

 

针对优质客户进行个性化金融产品的推荐,以获取最大转化率

投资资源分配

防伪反欺诈

等等。。。

 

个性化推荐难点:过去的记录和当前的现状的平衡,实时性等。

 

共享经济(打车,共享单车等)下的分配和定价:人和物,人和人都有联系,需要考量总效用,公平,稳定等问题,是一个NP-hard问题,但是可以找到近似最优解

 

AI在金融领域,可以降低成本,提高效率

 

 

4.金融从从移动时代进入到智能时代:柳琦峰

FDT集团,马蔚华任金融创新工厂总导师

他们公司非常好的两个数据来源:

1.内部来自于150位交易员5年的操作记录

2.FDT校园公益,进行模拟交易数据的比赛

 

人工智能的系统实现关键:

数据处理:删数据比增加样本更重要

 

5.蚂蚁在智能金融上的实践

 

 问题1:中美之间在大数据金融领域有什么不同

答:银行和监管从历史上来就比较强,因此中国在金融领域有不少方面都可以有更大的空间进行创新。

 

问题2:博弈论在互联网金融的应用

滴滴快滴打车,铁塔公司合并?

 

问题3:多个玩家博弈的情况下最终结果的稳定性(纳什均衡?)

谁先获取信息,谁先选择最优策略,谁先操作谁获利,信息获取和操作很重要。

通过机器算法进行交易的总体还不多,30%?,不同的增强学习的流派,最终获利的情况也不太一样,在两年内能活下的公司,活的都还不错。但是同样的策略,针对1亿美元和对100亿美元的策略是不一样的。

 

传统的保险只需要用户的姓名,号码和是否吸烟,大量的用户行为数据是没有得到有效的利用的。AI一定会冲击保险行业,如果能够获取到物联网相关的数据,比如开车习惯,运动数据,健康状况等,将可以提供更差异化,个性化的保险策略。

 

传统的金融基于模型,现在的金融基于数据

传统的金融,基于的是理论模型推理,规律

 

AI能不能预测股灾?

现在有人可以用过去的数据,成功预测了过去的股灾,但由于股灾的次数也不多,还没有谁能成功证明预测到未来的股灾。

从技术的角度讲,股灾属于小概率事件,类似于长尾效应中,左尾或者右尾的少量数据的条件下复杂网络的相变,如传染病的大规模突然爆发,仅仅通过机器学习是解决不了的。

 

解决了预测准确的问题,还要解决执行的问题,比如跌停时无法交易。

 

对人工智能在金融领域未来的期望:

一方面,希望人工智能帮助我们做越来越多的事情,但另外一方面,如深度学习等我们不清楚为何最后的决策是这样?最终这些决策需要符合监管的要求。

 (未完待续)



来源:中生代技术

原文链接

你可能感兴趣的:(CCAI中国人工智能大会活动第一天报道)