AI的发展离不开场景，而最丰富的场景在中国
7月24日，第三届中国人工智能大会（CCAI 2017）在杭州国际会议中心顺利落幕。会上专家在各自领域发表了精彩的演讲，让智库带你盘点干货。
香港科技大学计算机与工程系主任、AAAI Fellow杨强教授
杨教授在智能学习和数据挖掘、智能规划等领域有着突出贡献，被当选为IEEE fellow。目前，杨教授是包括IEEE Intelligent Systems, IEEE Transactions on Knowledge and Data Engineering, Journal of Web Intelligence and Journal of Knowledge and Information Systems在内的多个国际知名期刊的编委。
迁移学习有小数据、可靠性、个性化等优点，虽然深度学习模型已在语音、图像、推荐等众多领域非常有影响力，但是在如医疗、教育等领域还无法运用，究其原因，主要存在这样三点：1、我们遇到的数据往往都是小数据，而不是大数据；2、深度学习模型非常脆弱，稍微移动、离开现有场景，其效果便会大打折扣；3、再有就是应用问题。
迁移学习的三大优点
小数据。我们生活当中大量遇见的是小数据而不是大数据，当数据很稀疏，看到不同的类别我们还是能在当中做出很靠谱的模型。这并不是空穴来风，而是之前我们有过很多大数据的经验可以去借鉴，站在大数据的巨人肩膀上，所以人工智能大量地应用，迁移学习这种模式是必不可少的。
可靠性。即使我们有一个大数据模型，我们也很关心它的可靠性。把一个模型迁移到不同的领域，就会发现它的准确率会大量下降，如何防止这一点，我们就需要模型本身具有自适应的能力，能够自带迁移能力。
个性化。我们整个的社会，我们的应用在向一个个性化的方向发展，有了云端，有了各种各样的终端，终端的操作者都是我们个性化的人。那么我们让一个模型、一个服务来适应我们每个人的特性，迁移学习是必不可少的。
澳大利亚新南威尔士大学教授、AAAI 执行委员会成员 Toby Walsh
Walsh教授早年因其在搜索领域的两项核心技术——约束编程以及可满足性方向的研究成果而闻名业界，是多个国际会议及组织的常驻嘉宾。同时，Toby Walsh还为澳大利亚信息与通信技术研究中心(NICTA)提供技术指导。
人工智能是中性技术
Centre on Impact of AI and Robotics与新南威尔大学合作了“食品银行“，这将会选择不同的剩余食品来进行捐献，并自动地配送给不同的慈善机构和教会。其实就是把不同慈善机构的信息放在一个平台上，而且它解决了不同的慈善机构收集到的不同量的食品的问题。
未来人工智能会对伦理产生什么样的影响，我们能从工业变革中学到一些东西，因为在未来人工智能会改变社会，而社会又将做出什么样的改变？答案是，从心理学和社会学角度，生活的方方面面都会受到影响。因此要开展这样的对话，来迎接这样的变化。
还有很多的领域也是相当重要。第一个就是教育，如果未来要和机器抢饭碗，人类要做好准备，其中将改变的一个领域那就是教育。教育毫无疑问是我们能够在未来生存，能够在这样的变革中维持人类繁荣中很重要的一点。工作是不是存在，或者说工作是不是被机器取代，还是说机器是否带来更多的工作？而在未来，能确认的一点是新工作、新技能需要交互，所以教育是我们在这样一个过渡时期需要非常关注的一个领域。
蚂蚁金服副总裁兼首席数据科学家漆远
2013年，漆远加入阿里巴巴集团并担任副总裁，和另外一名负责人在王坚博士的领导下创建了阿里巴巴DST（数据科学与技术研究院）；从事深度学习、加强学习等人工智能领域的前沿研究和应用。
蚂蚁金服做了很多：安全风控、智能助理、机器学习平台、模型服务平台、定损宝......这些都基于蚂蚁金服今年的两个关键词，一个是“开放”，一个是“AI”。
在所有的场景里面产生了海量的数据，而这些数据成为了人工智能的燃料，使得我们可以发展和应用一系列的人工智能技术。而这些场景、问题本身又为人工智能带来了挑战，
面对这些挑战我们构建了一个金融智能的平台，从底层的图像理解，以及使用阿里巴巴集团的语音识别能力，在此之上发展了NLP的能力，然后这上面进行机器学习、深度学习，分析时间序列，比如说预测余额宝的利率变化；在最顶层，我们发展推理和决策的能力，使我们能够帮助我们的用户和金融合作伙伴做出明智的决策。
德国人工智能研究中心科技总监 Hans Uszkoreit 博士
中德两国人工智能合作的核心人物，负责德国人工智能研究中心在中国的所有合作项目，今年 3 月，他刚被任命为在北京新成立的人工智能技术中心（AITC）总监兼首席科学家。在访谈中，Uszkoreit 博士谈到了人工智能在工业 4.0 和商业智能上的应用，以及中、美、欧在人工智能领域的差异。
我个人所期待的人工智能突破，是多种感官信息输入的交叉领域，以及 AI 在常识性知识与直觉的获取。
欧洲在语义学技术、神经网络与机器翻译等领域的研发投入上往往准备充足，但研究成果在科学上的成熟与商业上的收获更多发生在美国。其中的例外，是制造业领域的 AI，它是欧洲、特别是德国的强项。而今中国在 AI 领域的下游应用研究与上游资金投入上同美国的大力竞争，则相当耐人寻味。前者是今天 AI 应用的关键，后者则有可能逆转我们过去的 AI 创新流程。
更多精彩观点
清华大学计算机系副教授黄民烈：人机对话技术。从早期的Eliza、ALICE，到现在微软小冰、Pepper机器人，黄老师用实例分析了人机对话中的意义和价值，以及其中充满挑战性的语义性、逻辑性、一致性及交互性问题。
普林斯顿大学运筹与金融工程系助理教授王梦迪：增强学习是人工智能的未来，且应当同古老的控制论思想结合起来，用大数据的方法来探索一个复杂系统的动态过程。简单说来，增强学习就是用智能算法来实现尽可能在线学习的复杂系统，并实现对它的自由控制。
乔治亚理工学院金融学教授、Alton M. Costley主席Sudheer Chava：由于金融上的信息不对称及由此所引发的道德困境，银行这样的交易中间人的存在是有一定价值的。但当前金融交易的成本依旧相当高昂，如何用AI技术模型来重构这里的流程并降低成本，这就成了FinTech存在的意义。
哈尔滨工业大学的刘挺教授，则对深度学习给NLP领域所带来的改变做出一份精彩的归纳：语义表示从符号表示转向分布表示；学习模型从浅层学习到深度学习；NLP平台化从封闭走向开放；语言知识从人工构建转到自动构建；对话机器人从通用对话到场景化应用；文本理解与推理从浅层分析向深度理解迈进；文本情感分析从事实性文本到情感文本；社会媒体处理从传统媒体到社交媒体；文本生成从规范文本到自由文本；NLP与应用领域深度结合，开始为行业创造价值。
北京云知声信息技术有限公司创始人、董事长、CTO梁家恩分析，语言智能的复杂性原因是在于它需要跟特定的表达目标绑定。当语言问题能被我们定义成非常明确的目标，它就有可能变得可以被解决。但不比图像识别，深度学习在语言上应用的效果没有那么明显，它需要一个大的数据支撑。但在语言领域，口语化的数据很难收集，就算收集到也很难标注，即便人工去标注都很难处理。
美国华盛顿大学教授、犀牛科技创始人兼总裁陈一昕谈的是“深度学习在医疗健康产业的技术创新及落地”。他介绍了医疗健康数据的三大应用场景，包括医养地产、医院集团、慢病筛查管理等。对于深度学习落地过程中的具体问题，陈一昕介绍了如何处理健康时序数据、如何在手机上装载深度学习模型、如何找到慢病传播规律三个方面的经验细节。
《中国科学报》主任记者王静从亲身感受的可与演奏视频协同合作、自动陪练的智慧钢琴开始分享她对于人工智能科学在艺术创造力方面的看法与见解。由此引申出科学与艺术的核心精髓在于科学与艺术是不可分割的，就像一个硬币的两面，它们共同的基础是人类的创造力，当技术进化到极致，即是艺术。
更多精彩，点击下面图片
信任危机：当人工智能开始“说谎”
【精华】四张图 三大模块 两分钟通读国务院人工智能规划要点
相关内容
微信扫码咨询专知VIP会员