0
| 本文作者： 奕欣 | 2017-01-09 10:40 |
雷鋒網 AI 科技評論剛剛出爐了 2016 十大 AI 演講盤點，不少熱心讀者感到疑惑：為什么這里面列舉的都是國外大牛，怎么不見咱們國內的知名學者們的演講整理？這不，雷鋒網已經整理出了國內過去一年來的精彩演講，一同隨 AI 科技評論看看，哪位大神的高見讓你受益匪淺？本文排名不分先后，歡迎各位讀者在評論區暢所欲言，說說你們心中的最佳 AI 演講吧。
北京大學信息科學技術學院教授。中國工程院院士、ACM/IEEE Fellow、CCF - GAIR · 全球人工智能與機器人峰會大會主席高文院士這一年參加的演講不少，但主要都是圍繞人工智能的歷史與未來展開的。如果你對人工智能非常感興趣，想對 60 年的浪潮有一個詳細的了解，那么不妨看看他在 CNCC 2016 上所做的《人工智能--螺旋上升的 60 年》演講，39 頁 PPT 向讀者們展示了一個呈螺旋式上升的人工智能歷程。
從 2006 年的第三次機器學習浪潮來看，高文院士認為有兩個因素促進了深度學習的成功：
一個是硬件的進步：硬件越來越便宜，計算能力越來越強。
第二個是模型和參數調整技巧的進步。
而在高工機器人年會閉幕式上，高文院士發表主題報告《人工智能的前景與挑戰》，主要針對大環境下的人工智能進行了一些研究和探討，雷鋒網對他的詳細演講進行了報道，可以點擊下方鏈接查看。
還想了解下高文院士都說了些什么其它內容？歡迎閱讀雷鋒網此前報道：
CNCC 2016 | 中國工程院高文院士 39 張 PPT 帶你看懂人工智能 60 年浪潮
中國工程院院士高文：下一波浪潮和AI的未來 | 2016 高工機器人年會
值得一提的是，高文院士也傾情為我們 AI 科技評論做了個小廣告，也歡迎大家以此途徑查看他的演講內容。在此也向高文院士對AI科技評論的關注致以感謝！
周志華教授主要從事人工智能、機器學習、數據挖掘等領域的研究，他除了在 CNCC 2016 上發表過演講外，在今年的 KDD China 技術峰會上也做過分享。周志華教授以「文獻篩選」作為例子，讓觀眾們在活潑的例子教學中就明白了關于機器學習的「是什么」「為什么」「怎么做」三個方面的問題。在演講的最后，周志華教授提出了幾點總結，雷鋒網摘錄如下：
深度學習可能有「冬天」，它只是機器學習的一種技術，總會出現更「潮」的新技術；
機器學習不會有「冬天」，只要有分析數據的需求，就會用到機器學習；
關于未來的思考：
1、技術上：一定是能有效利用 GPU 等計算設備的方法（未必是深度學習）；
2、任務上：開放環境的機器學習任務特別重要（魯棒性是關鍵）；
3、形態上：希望是從現在的「算法 + 數據」過渡到「學件」的形態。
如果要對未來這三點加上一個預測期限的話，分別是 5 年、10 年、15 年。
如果對周志華教授的演講感興趣的話，可以點擊以下鏈接閱讀。
周志華 KDD China 技術峰會現場演講：深度學習并不是在「模擬人腦」
CNCC 2016 | 周志華 57 張 PPT 揭開機器學習本質
說完了人工智能展望、深度學習的分析后，接下來雷鋒網要介紹的是遷移學習。誠然，深度學習在有即時反饋的領域和應用方向有著一定的優勢，但在其他領域則不行。「目前解決這種反饋的時延問題需要強化學習來做。而在明天，則有更多的地方需要遷移學習。」
香港科技大學教授、第四范式首席科學家楊強在雷鋒網承辦的 CCF- GAIR 全球人工智能與機器人峰會大會上，為大家講述了人工智能要取得成功應當具備的五個必要條件和遷移學習的本質。
楊教授認為，遷移學習是深度學習與強化學習的結合體，能夠將適用于大數據的模型遷移到小數據上，實現個性化遷移，這樣一來能夠避免數據寡頭的出現。他通過谷歌 DeepMind 的應用實例講解強化遷移學習和三層結構算法模型，指出了人工智能成功的五個必要條件——清晰的商業模式（明確的目標）、高質量的大數據、清晰的問題定義和領域邊界、懂人工智能的跨界人才及計算能力。
此外，楊強教授還在今年的 KDD China 上做了主題為《從深度學習到遷移學習》的演講，詳情可以點擊鏈接查看。
香港科技大學楊強 KDD China 技術峰會演講：遷移學習的本質與實際應用
楊強教授 PPT 解密：如何在人工智能浪潮中少走彎路｜CCF-GAIR
中國工程院李德毅院士今年已經 73 歲高齡，但作為自動化和人工智能專家，李院士一直緊密關注著智能車產業的生態環境、工程化實踐與未來發展。在中國第三屆機器人峰會上，李院士分享了在無人駕駛領域的研究和觀點。他認為，駕駛活動更多的是技巧，記憶和經驗，而不是知識、推理和計算。駕駛腦的差異，反映是個人的智力和運動協調能力的差異，世界上沒有兩個完全相同的駕駛腦。
「這才叫機器人。我們想將來車上跑的駕駛腦也是一樣的。真正開車的不是汽車本身，而是駕駛員，人的認知，要把腦和機器融合在一起才行。所以我們主張在我們機器人里面，有一個調試總線擴展為自學總線，可以學習人是怎么開車的。然后機器人開車時候扮演的角色，主要是通過學習的東西消化吸收，深入學習，變成了自己的行為。
雷鋒網已經為大家整理好了他的完整演講附 PPT，趕緊點此閱讀吧。
楊強教授是華為諾亞方舟實驗室的第一任主任，自然這個實驗室主要針對的是機器學習、人工智能及數據挖掘方面的研究了。現任實驗室主任李航在今年雷鋒網承辦的 CCF-GAIR 大會上向觀眾分享了人工智能在手機領域的應用研究。李航在演講中表示，華為諾亞方舟實驗室的其中一個愿景，就是打造一個全智能化的智能移動手機終端，用戶將通過自然語言的方式從終端獲取一切想要的信息和協助。
而在年底的 KDD China 上，李航做了題為《自然語言處理中的深度學習：過去、現在和未來》的演講，結合具體的 NLP 技術，介紹了自動問答系統、圖片檢索、機器翻譯、自然語言對話的各種應用結合。
李航認為，未來自然語言處理深度學習的發展趨勢，應該是一個神經處理和符號處理的結合的混合模式。還等什么？趕緊看看雷鋒網關于李航的相關報道吧：
AIR 019 | 華為諾亞方舟實驗室主任李航：我們在人工智能領域的愿景與實踐
今年在韓國舉辦的「二十一世紀的計算」學術研討會以人機協作（Human and Machine Working as a Team）為主題，現任微軟全球資深副總裁，微軟亞太研發集團主席，兼微軟亞洲研究院院長洪小文博士做了題目為《人工智能與人類智能的共同進化》（Co-Evolution of Artificial Intelligence and Human Intelligence）的演講。
在演講中，洪小文提及人工智能有三個不同的技術層面，包括計算機視覺識別、自然語言理解及數據分析&可視化。
「人類智能的優越性在于從小樣本中、甚至 0 樣本中進行學習和推理。而以深度學習為代表的人工智能技術則更適合從大數據中學習。」那么人工智能中的「智能」，根據洪博士的理解，主要分為四大層面：功能、智能、智能及智慧。而截至目前最聰明的機器也只是達到了「智能」層面，因此他認為只有把人類智能與人工智能進行組合，才能實現真正的「共同進化」。詳細 PPT 可參看：
二十一世紀的計算 | 微軟亞洲研究院洪小文54頁PPT講述人工智能和人類智能的 “共進化”
原新加坡國立大學教授，現任360 首席科學家、人工智能研究院院長顏水成在今年也發表演講，介紹了 360 是如何做人工智能的。按照顏教授的說法，360 的人工智能最基本的布局比較全面，覆蓋了人工智能的多個方向，具體包括：
一是視覺感知，對圖象和視頻的分析；
二是語音感知；
三是語義感知，希望智能硬件能夠和用戶進行對話和交流；
四是大數據分析，我們也希望深度學習能夠發揮在大數據方面的積極作用。
而顏水成在今年雷鋒網承辦的 CCF-GAIR 大會上同樣向我們分享了 360 的一些研發進展。「從研發角度來說，我們主要做了兩件事：一方面是當我們有了大數據之后怎樣更加快速的把這個模型訓練出來？另外是從智能硬件的層面來說，除了傳統的人工智能，在云上的使用還有一個很重要的場景是端上的人工智能。」顏教授表示在未來會從業務與研究層面用人工智能提供服務。
AIR 022 | 騰訊、小米、360、今日頭條眼中的機器學習
那么在后深度學習時代，我們又需要以怎樣的態度看待人工智能呢？
清華大學張鈸院士在今年的 CNCC 大會上做了主題分享，他認為后深度學習時代的人工智能，就是想把人工智能從這個狹義的，只能解決一定范圍的方法，推廣更寬廣的范圍去，也就是從弱人工智能、強人工智能、到通用人工智能的演進。
而張院士也認為在這一過程中，可能會遇到三個方面的挑戰。
1. 概念統計方法帶來的困難；「深度學習區分的是重復的模型，但大腦區分的是語義的特征，這兩種區分有本質的區別，但是有關聯。」
2. 生數據帶來的困難。張院士認為，大數據實際上摻雜了很多噪聲，生數據的魯棒性自然會比處理過的數據表現更差。
3. 推廣與遷移的困難。如何將弱人工智能推廣到通用智能，也就是舉一反三的層面，這點目前人工智能的表現還比較局限。
張院士提出了兩個解決方案，一個是將數據驅動與知識驅動結合起來；另一個是回歸神經網絡的本源，如何學習人類神經網絡的思維模式，再將這套方法移植到機器身上來。
而在演講的最后，張院士指出，人工智能的發展要更加依靠學科交叉，特別是數學、認知科學、心理學、神經科學及語言學等。
CNCC 2016｜清華大學張鈸院士起底： 后深度學習時代的人工智能
在數博會人工智能與大數據主題論壇上，卡耐基梅隆大學計算機科學系教授邢波做了一個系統性的演講。在會上，邢教授指出人工智能存在三個方面的機遇。
首先是理論基礎與實際需求仍有差距。包括了數學模型本身在表達性、遷移性、透明性與可調性上的局限；以及算法工具在速度、穩定性及收斂保障上的不足。
其次是如何跨越已有操作系統與 AI 任務需求間的鴻溝。在不同平臺上實現 AI 非常困難。「由于大數據的產生，我們對于軟件系統的需要和部署能力有更高的要求，譬如希望在不同平臺上，能在不同的移動設備，云的設備上不同平臺上跑同樣的軟件，目前這些問題都沒有解決。」
最后一點在于未來通用硬件的構造會是什么樣。從低功耗的 CPU/GPU、到更多核的 CPU/GPU、更大的 RAM 及閃存存儲、或是量子計算甚至是 DNS 計算等不同于馮·諾依曼計算機的計算模型。
中國科學院副院長譚鐵牛在 CNCC 上做了《大數據時代的模式識別》為主題的分享。基于人工智能的相關演講已經多如牛毛，譚院長便為大家做了更為具體的介紹。「（模式識別）用我自己的語言來說就是：世上萬物，不管是物質的還是精神的，看得見還是看不見的都是一種模式。」他認為，深度學習之所以火，便是獲取提升模式識別的一種能力。而基于目前現狀，譚院長概括出了以下幾個現狀：
面向特定任務的模式識別已取得突破性進展，有的性能可與人媲美。
統計與基于神經網絡的模式識別目前占主導地位，深度學習開創了新局面。
通用模式識別依然任重道遠。
魯棒性、自適應性和可泛化性是一個進一步發展的三大瓶頸。
而針對現在的機遇，譚院長總結了三點：首先是數據利用，成為信息服務與知識服務的渠道。第二點是推動理論與方法創新；第三點的想法與張鈸院士的做法一樣，就是加速學科領域的交叉與滲透。
此外，譚院長還提出了幾點值得關注的研究方向，包括：
面向大規模多源異構數據的魯棒特征表達；
結構與統計相結合的模式識別新理論；
數據與知識相結合的模式識別；
具有魯棒性和自適應性的生物啟發模式識別；
基于跨領域跨模態知識遷移的模式識別；
以互聯網為中心的模式識別。
想知道譚院長還提出了哪些真知灼見？歡迎點下面的鏈接查看。
葉杰平教授是機器學習領域的國際領軍人物，現任滴滴研究院副院長，美國密歇根大學的終身教授。他在今年的騰訊大數據峰會暨 KDD China 技術峰會解密了機器學習在滴滴中的大規模應用。雷鋒網此前覆蓋過 MIT 所做的最新車輛調度系統，其中同樣也運用了機器學習的算法。比起尚未正式運用到實際領域的 MIT 研究成果，滴滴的算法已應用于預測目的地、估價、拼車、匹配司機、熱力圖等一系列實際場景中。
而滴滴人工智能的核心就在于訂單的分配上。葉教授指出，滴滴實現訂單最優匹配需要遵循這兩大核心：做出最優路徑規劃，預估時間。
此外，在評估乘客體驗及打分系統的權重上，滴滴人工智能也運用了不同的算法，以帶給用戶更好的乘車體驗。關于葉教授的更多演講細節，可以看看雷鋒網所做的詳細整理：
雷鋒網為大家介紹了 2016 年十位國內學術大牛的精彩演講，但實際上更多精彩的演講因篇幅所限無法一一覆蓋，也希望讀者們關注 AI 科技評論，與我們分享你心中的經典演講吧！
*封面圖源于網絡
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
