AI Conference 2018人工智能大会 参会总结

主 题：AI Conference 2018人工智能大会

时 间：2018.04.11-4.13

地 点：北京国际饭店会议中心

发起人：O’Reilly 和 Intel

参与部门：研发设计部

参会人员：柳玉豹 兴海物联AI Lab负责人

记录人：柳玉豹

2018年4月10日至4月13日，很荣幸代表企业参加由O’Reilly和Intel共同举办的AI Conference 2018北京站大会。

大会的主题是“探索在业务中应用人工智能的机会”，来自Google、Intel、Uber、Amazon、百度、微软、阿里巴巴、蚂蚁金服、SAS、IBM、Unity、SalesForce、eBay、Bonsai、伯克利、斯坦福及牛津大学等在内的中美知名企业和高等学府的85位业界专家、学者以及研发人员，在4天的时间里，通过近百场的主题演讲、分会场议题以及相关培训活动，为来自全球的千余名与会者分享了中美在人工智能应用方面的最新成果，引起了业界的广泛关注。

【总结】

本次AI Conference2018北京站会议，主要能看出以下几个突出要点。

一、大数据时代推动人工智能发展。

参加本次大会的Intel、Google、Amazon、百度、京东、阿里巴巴、Uber、微软等国内外企业无一不是拥有独立大数据流量入口的企业，他们也无一例外的成为人工智能领域的“超级玩家”。海量的数据资源支持，不仅让他们在这场“未来的游戏”中成为领先者，也给他们带来了现实巨大的经济效益和对AI领域的影响力。

正像百度首席科学家熊辉博士在会上所说的那样“与前几次人工智能发展的道路不同，这是一次由数据驱动的人工智能。”未来随着智能家居、IoT的普及和发展，大数据对人工智能应用快速发展的推动作用将越来越明显。

二、人工智能从“云端平台”走来。

和数据争夺一样，“AI云服务平台”也同样成为激烈竞争的战场。与会的许多企业基于各个领域，推出了各自基于云服务的人工智能平台，像著名的Google的 TensorFlow；AWS推出构建和部署ML模型的Sagemaker；IBM有Watson；百度自动驾驶领域有Apollo平台，语音技术、视频处理技术领域有DuerOS平台等。

既然“AI云服务”成为发展的趋势，那么这些AI的大佬们自然不会错过这个机会，因为平台的竞争就意味着用户的竞争，说到底是意味着数据入口和流量的竞争。

三、深度学习继续“加深”，“黑盒子”仍未打开。

在这次AI Conference北京站大会上，与会嘉宾口中提到的，现场观众耳中听到的最多的一个词（词组），恐怕非“深度学习”莫属了。无论是Uber的无人驾驶，还是Google的机器翻译；不管是微软的“小冰”，还是Intel精准医疗，到处可见“深度学习”的“身影”。随着大数据的应用，以及计算机算力的大幅提升，满足了深度学习进一步提升和完善的需要。

从本次大会众多应用的发展中可以清楚地看出，深度学习的发展成果已经越来越强烈地影响到人工智能在感知、预测、决策等应用中的效果，并且这种影响正向着人们所希望的方向不断前进。

深度学习帮助我们解决了what的问题，但无法回答我们how，因此业界习惯把这种模式称为“黑盒子”。人们一直试图打开这个“黑盒子”，但迄今为止还没有成功。

【2018AI Conference第一天】

本日参加了google AI、Unity AI两位高级算法讲师的讲坛。

1、Yufeng Guo (Google) 主题 “tensorflow”

使用他们家的TensorFlow开源机器学习框架来训练了一个机器学习系统；

使用大量服饰数据（mnist-fashion）作为训练集，完成构建复杂的分类器全过程；

简单神经网络-》模型升级为CNN；

2、Arthur Juliani (Unity Technologies) 主题 “深度增强学习”

对增强学习做深入的探讨，预先开发环境搭建；

从最基本的查找表和GridWall到使用深度神经网络解决复杂的三维任务；

详细阐述了增强学习的多种变形，包括Q-学习、策略梯度和Actor-Critic等；

将成果整理成了一篇kaggle，包括详细代码、运行结果以及对应的数据集，详细见链接。

https://www.kaggle.com/liuyubao/fashion-mnist

【2018AI Conference第二天】

1、Modernizing the healthcare industry with AI Arjun Bansal

来自Intel人工智能事业部副总裁兼人工智能实验室和软件总经理Arjun Bansal博士分享了Intel人工智能助推医疗行业现代化的进展。包括如何利用深度神经网络帮助解决医疗数据集庞大的问题，优化流程，提高医生的效率；利用深度学习和机器学习大幅提升肿瘤检测的效果；通过有效优化算法而大幅降低新药研发的成本等。

2、Machine learning for autonomous vehicles: recent advances and future challenges Erran Li

来自Uber的Erran Li博士是Uber高级技术团队的资深研究科学家，ACM和IEEE计算机学会的成员，康奈尔大学计算机科学博士。Erran Li博士向与会者分享了深度增强学习如何显著地推进自动驾驶的潜力，如：领域适应和用于感知和行动的迁移学习，无监督学习；模型预测控制（例如iLQR）领域的研发近况，如：模仿学习（例如DAGGER、infoGAIL），策略梯度法以及层次增强学习（例如A3C和变化降低）等，以及它们在自动驾驶方面的应用表现，同时也介绍了在自动驾驶领域所剩“最后10%”的问题所带来的巨大挑战。

3、Turning machine learning research into products for industry Reza Zadeh (Matroid | Stanford)

来自Matroid公司的创始人兼CEO Reza Zadeh博士概述了Matroid的Kubernetes部署，它为大量用户提供了定制的计算机视觉和流监控，并演示了如何在浏览器中定制计算机视觉神经网络模型。同时解释了Matroid如何按比例构建、训练和可视化用以监视视频流的TensorFlow模型。

4、数据驱动的人工智能前沿 Hui Xiong (Baidu)

来自百度首席科学家熊辉博士以“数据驱动的人工智能时代已经到来”开场，指出数据驱动的主要特征是精细化的数据搜集导致一切事物会更加清晰化，但同时大量数据积累的过程也会造成信息的冗余，并使得获取高附加值信息的成本大幅提升。

在接下来的发言中，熊辉博士谈到了两类行业最适合应用人工智能：没有被充分数字化的行业，以及没有被充分用更小的颗粒度去数字化的行业。他指出在数据、计算能力、算法和应用场景等人工智能的四大必备要素中，算法优化是学术界的强项，而数据、算力和应用场景则普遍存在于企业界。

百度正作为一个数据驱动的公司，意在通过四大要素的整合打造全生态数字化AI平台，而Apollo自动驾驶开放平台，精细化、个性化的百度搜索和推送平台，以及基于百度语音技术、视频处理技术的开放平台DuerOS等都是这种理念的具体体现。

【2018AI Conference第三天】

1、 Democratizing deep reinforcement learning Danny Lange (Unity Technologies)

Danny Lange博士是ACM和IEEE计算机学会的成员，在世界顶尖游戏公司Unity Technologies担任人工智能和机器学习的副总裁，而曾经担任Uber机器学习负责人，亚马逊机器学习公司总经理，微软的首席开发经理，参与通用汽车OnStar Virtual Advisor项目等工作经历让他成为公认的业界翘楚。

Danny Lange博士向与会者介绍了使用ML-Agents工具包的Unity Engine作为动态3D游戏环境用于机器学习研究的例子；并且演示了游戏在推动强化学习算法发展过程中所扮演的角色；Danny还概述了用于训练机器学习代理的各种算法，包括各种强化学习和监督式学习方法。并对如何在定制的3D游戏环境中进行机器学习研究，以及如何使用深度强化学习方法去完成这些环境中的各种任务给出了很好的建议。

2、Get your hard hat: Intelligent industrial systems with deep reinforcement learning Mark Hammond (Bonsai)

“我今天给大家讲的是增强学习如何能够在真正的实际应用当中解决问题，它是怎么样解决的？解决了什么问题？”Bonsai公司的创始人兼CEO，认知企业家Mark Hammond开门见山地提出了主题演讲的核心内容。

增强学习结合了模拟或是数字的组合，是解决动态变化和需要自适应的环境问题的一个强有力的机器学习工具。增强学习能训练模型，让它们优化多种行业（例如机器人，制造业，能源，供应链等）的系统和流程的效率。

Mark Hammond在演讲中通过两个真实的案例展示了增强学习是如何成功地优化了西门子公司的机器调优，以及如何优化了一个大型空调企业的系统的能效。并且详细介绍了从构建，训练，部署模型到分析应用的业务全过程。

3、Convergence of modalities in language technology Hassan Sawaf (Amazon Web Services)

Hassan Sawaf是AWS应用科学和人工智能主管，负责推动Amazon Lex，Amazon Comprehend，亚马逊翻译，亚马逊转录和其他机器学习服务等产品的科学和技术，他在自动语音识别，计算机视觉，自然语言理解和机器翻译领域有二十多年的工作经验。

Hassan Sawaf在主题演讲中首先和与会者分享了人与计算机交互的历史进程，并结合机器学习的使用场景，介绍了亚马逊人工智能在语音识别，机器翻译等应用领域的最新成果，以及全新上线的Amazon Go带来的全新购物体验。

4、智能简史 Hsiao-Wuen Hon (微软亚洲研究院 (Microsoft Research Asia))

“到目前为止，所有的东西都是AI+HI，即人工智能+人类智能。”来自微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文博士在他的主题演讲“智能简史”中明确提出了人工智能的发展理念，并以此为依据介绍了微软在CNN、语音识别、机器翻译等方面的进展。

5、从狭义人工智能到广义人工智能：7大前沿研究方向 Bowen Zhou (JD.com)

来自京东人工智能平台和研究部门的副总裁Bowen Zhou博士是人类语言技术，机器学习和人工智能多领域的专家。之前在IBM十五年的工作经历中，是IBM技术战略与研究，以及AI认知研究方面的领导者，IBM Watson Group首席科学家。

Bowen Zhou博士在会上与大家分享的是他对人工智能的独特认识：从目前的ANI（窄义人工智能）发展到未来的ABI（广义人工智能）。这种发展意味着有更好的需求和标识数据，对专家人工系统，算法专家的依赖性会减少，会出现更多可解释的人工智能解决方案。

更重要的在于，新开发的AI系统可以来做更多不同的Task，所有这一切合在一起，就会形成ABI。但是如果ABI能够达到，对任何AI的应用企业，对AI的使用者来说，意味着会形成一个比今天大100倍的人工智能市场。同时，Zhou博士还分享了从ANI到ABI，研发人员需要努力实现的七个主要的技术方向。