概述

非常有幸能有這次機會參加2018中國人工智慧峰會，感謝領導給與這次機會，如果沒有這次參會學習，感覺自己之前的知識是和當前人工智慧發展趨勢就會脫節，無法瞭解當前最新進展與之後關注的方向。本次會議最初最期待的是前百度首頁科學家吳恩達，因為之前聽過他的幾期人工智慧學習視訊，但整體聽下了，其他業界大佬的演講內容也不亞於吳恩達（吳恩達這次演講主題反而不是技術類），雖然僅僅一上午時間，感覺意猶未盡，但也感覺不虛此行。下面對每位大咖演講的重要內容作下記錄，同時說說自己的感想。

潘雲鶴

國家新一代人工智慧戰略諮詢委員會組長，中國人工智慧產業發展聯盟理事長，中國工程院院長，原中國工程院常務副院長

重要內容記錄

人工智慧2.0時代

潘院長介紹了社會空間、物理空間、資訊空間三維空間的具體關係，其中資訊空間中存在大量的知識，當前的人工智慧從這個空間可以得到大量的資料基礎，也是使人工智慧發展空間有著無限可能的必備條件。

跨媒體智慧

跨媒體智慧指的是融合視覺、語音、自然語言產生的架構跨媒體的人工智慧，演示了幾個例子：大疆眼鏡、谷歌眼鏡、盲人眼鏡，這些跨媒體的裝置已經在一些領域有了很好的應用。

人際混合增強智慧

人工智慧研究的重要方向之一是借鑑認知科學、計算神經科學的研究成果，使計算機通過直覺推理、經驗學習將自身引導到更高層次。目前的機器智慧仍然是以計算機為中心，並沒有實現人們所希望的“以人為中心”。如何把人類認知模型引入到機器智慧中，讓它能夠在推理、決策、記憶等方面達到類人智慧水平，是目前科學界討論的焦點

自主智慧系統

機器自主智慧是一種自主的智慧思維。由於人工智慧的發展及軟硬體的進步，使計算機邏輯分析能力不斷大幅提高，直至計算機的綜合邏輯分析提高為邏輯思維，這種邏輯思維可以根據環境條件自主產生新的邏輯，並擺脫人類的框架式控制，而成為一種自主的智慧思維

個人感想

對社會空間、物理空間、資訊空間感觸非常深，把人類世界分為各個維度去考慮，從而引出人工智慧在各個維度中的具體應用，以及資訊空間的大知識，從人類的社交、物聯網等等產生的資料量級已經達到不可預估，而這些資料為人工智慧發展空間帶來的無限可能。人際混合增強智慧將對人的思想進行學習，感覺人工智慧的潛能真的是深不可測。

萊斯利.瓦利安特

2010年圖靈獲得主，“計算學習理論之父”，英國皇家學會會士，美國科學院院士，哈佛大學教授

重要內容記錄

機器學習的必備條件以及其侷限和如何解決

機器學習的八大必備條件：方向要明確、結果要容錯、精準的引數、大量的資料支撐，結果不能有太多變化等等（沒記全），機器學習不能夠像人一樣去推理，例如孔子有膝上型電腦嗎？機器是不知道的，填詞補全句子內容，機器無從下手。​要讓機器能夠進行推理，提供的資料的要可靠，然後需要去教機器如何去做。

什麼是監督學習

監督學習演算法是分析該訓練資料，併產生一個推斷的功能，其可以用於映射出新的例項，但正常機器學習產生的結果是錯誤的，這時需要人去進行糾錯改正，並將結果反饋給機器，讓其不斷訓練提升結果的準確性。過程中進行了舉例說明。

個人感想

萊斯利.瓦利安特的演講是從學術理論的角度和大家探討了當下大資料環境下，機器學習所面臨的新挑戰，聽起來通俗易懂，可能自己的高度有限，或者演講內容需面向大眾，沒有聽到期望的那些高深的技術知識。

吳恩達

Landing.ai創始人、CEO，斯坦福大學計算機系客座教授，原百度首席科學家

重要內容記錄

企業應如何使用人工智慧

從三個方面講述了企業如何進行人工智慧的研究：AI人才、AI專案、公司戰略+AI，其中AI人才建議單獨成立部門，主要進行資料分析和演算法研究，AI部門需要與各個公司部門進行對接，AI團隊的建設不必要大而廣，需要針對公司的情況，針對性的進行研究，團隊的建設注意已外部資源引進+團隊資料處理+具體業務；AI專案​不必須所有都自己研究開發，可以引進外部成熟的產品進行合作模式擴充套件；公司戰略中的AI切忌研究通用性AI，通用性AI是谷歌和行業一些大型公司該做的，一般公司的AI應該進行垂直行業研究，而且是要對公司重要而非大規模的針對性研究。

政府對人工智慧可以提供哪些支援

主要倡導政府要對人工智慧進行政策支援，而且對一些資料要進行彙總開放，資料是人工智慧的基礎，開放資料讓整個社會的人工智慧活躍起來，然後通過無人駕駛技術說明人工智慧將使規則被重新定義，因為當前的交通規則是根據人的駕駛來定義的，未來交通規則會根據程式來定義。

大學的人工智慧情況

當前南京大學開設了人工智慧學院，一些大學也開設了人工智慧專利，是一個不錯的方向。

個人感想

之前看吳恩達的視訊大多數技術類視訊，這次演講更注重技術周邊因素的講解與提倡，感覺高度又上了一層，而且更加崇拜他了，不僅僅是技術專家，更是教育專家，關心整個業界的發展，從他講到的“人工智慧將重新定義社會規則”，意識到了人工智慧的強大，與勢不可擋。

周志華

南京大學計算機系主任，南京大學人工智慧學院院長，歐洲科學院外籍院士，ACM/AAAI/IEEE/AAAS/IAPR會士​

重要內容記錄

深度森林演算法的提出與其在之後研究的特殊意義

以深度學習為導線，引出深度神經網路，深度神經網路截止最近已經有了很大突破進展，從之前8層神經網路就獲得了全國競賽的一等獎，到現在神經網路已經可以達到100層的水平，但由於深度神經網路必定會帶來超引數，導致整個系統會高度複雜，維護成本非常高，當前人工智慧研究者開始就深度神經網路尋求簡化的演算法，而深度森林演算法成為了人工智慧研究的方向，深度森林是一種新穎的具有顯示錶示學習能力的多層GBDT森林，它可以與目標傳播的變體進行共同訓練，這種方法在很多神經網路不適合的領域中具有巨大潛力。

監督學習以後的方向是弱監督學習

首先講解監督學習的步驟，監督學習需要通過不斷的增加資料樣本（標準資料），機器通過不斷的學習產生出結果模型，這個過程中需要人的參與，對結果模型進行監控，糾正，並把最新的結果反饋給機器，機器不斷的學習。然後監督學習又分為強監督學習、弱監督學習，過程中舉了一些例子說明兩者的卻別，其中弱監督學習的幾個特徵：輸入資料可以不精確，輸入的內容可以缺少，資料的資料量可以不大，較強監督學習，弱監督學習是以後機器學習的一個方向。

如何應對開放環境學習

講解了當前機器學習的程度，以及後續機器學習會發展的方向，當前機器學習大都是通過大量的資料輸入的結果會按照自然規律產生出人類能夠接受的結果，但很多情況下，隨著社會的發展，一些結果並不理想，所以後續機器學習要能夠達到隨著環境的變化，機器能夠輸入不同的結果，這也是機器學習以後的研究方向，讓機器學習更加的智慧。

個人感想

在聽周院士演講之前，一些機器學習概念感覺只會越來越深化，從而產生更多的意想不到的結果，像深度神經網路，感覺方向應該是不斷的增加神經網路的層數，從而提供計算能力，但恰恰相反，因為深度神經網路的複雜性，反而應該需求另外一種途徑。監督學習之前認為強監督學習才是方向，但也恰恰相反，減少樣本，機器照樣能夠預期的學習效果反而是方向。感覺學習要將複雜問題簡單化，不能一味的去提高計算機的效能來解決問題，尋求更智慧，更高階的演算法才是正道。

總體總結

本次大會演講，印象最深刻的是吳恩達和周志華的演講，吳恩達雖然是Landing.ai 的創始人，本次沒有太多講AI技術內容，而是從企業、政府、大學的角度講述如何去培養技術人才、企業如何利用人工智慧做戰略佈局，政府應該將更多的資料進行共享，感覺高度就不一樣了；周華志而是從人工智慧技術的方向去講解未來的技術需努力的方向，而且這些對之後的人工智慧領域的探索指引了方向，感覺意義非常重大。
本來對參加此類大會不是特別感興趣，因為沒有涉及到具體的技術，但此次大會學到了一些不一樣的東西，感覺參加此類大會重要的是要了解當前主流技術的一個理念，大咖們的思想，瞭解一些技術為什麼會被使用，當前技術發證的進展如何，以及技術的根本是什麼樣的，因為這些內容只有頂尖大咖們的研究是權威的。
參會過程中，通過查閱會展資料，一些大會的合作伙伴中也看到了一些好的產品，例如氪信科技的金融圖譜，雲問的智慧客服系統等等都是不錯的產品，以及一些合作媒體大都是科技類的媒體，後期資訊採集可以從這些網站上下手。
​​​以上就是本次大會的收穫。​​