第三届中国人工智能大会全程报道

DAY1：

大会首先由香港科技大学计算机系主任杨强教授代表大会组委会向所有参会者致以了诚挚的欢迎与问候。

同时表示，国务院刚刚发布新一代人工智能发展规划为我们带来了新的目标，此次大会汇聚了全球人工智能顶级专家进行深入交流和探讨，针对语言智能与应用、智能金融、人工智能科学与艺术、人工智能青年发展四个主题设立专题论坛。随后，杨强教授对今天即将发表主题报告的所有嘉宾进行了介绍。接着由中国工程院院士、中国人工智能学会理事长李德毅院士发表大会致辞，李院士表示，中国人工智能发展迅速，国务院刚刚发布人工智能发展规划，而我们选择这个好时候召开人工智能大会，体现了人工智能学会和杭州对于人工智能浓厚的兴趣，以及政府、学界、企业对此的大力推动。同时，经过60多年的发展，人工智能已经成为国际的新焦点，成为经济发展的新引擎，为社会建设带来了新机遇，同时也带来了新的挑战。我们中国的科技工作者，全体的同行对人工智能有着很深的感情，让我们在历史的机遇面前，共同将人工智能大会越办越好！

随后由中国科学院院士、中国人工智能学会副理事长谭铁牛院士，阿里巴巴技术委员会主席王坚发表大会致辞。好了，接下来我们进入大会的精华部分，分别由香港科技大学计算机系主任杨强教授与蚂蚁金服首席科学家漆远主持。

D1-1《L3   的挑战与量产》：

在中国工程院院士、中国人工智能学会理事长李德毅在主题为《L3   的挑战与量产》的报告中，从“L3   难在哪里？”、“如何突破   L2   的天花板？”、“量产   L3   的策略”三个方面出发，重点讨论了当前   L3   自动驾驶汽车所面临的挑战以及量产问题，精彩绝伦的演讲在现场引起了强烈的共鸣以及多次热烈的掌声。李德毅院士讲到，近年来，汽车辅助驾驶空前繁荣，从辅助人工驾驶（L1）转型到部分自动驾驶（L2）、再到机器自驾驶（L3），从早先的预警、提醒驾驶员跨越到机器自驾为主、固定驾驶员的角色不复存在，L3量产的势头已然不可阻挡，同时也为位置服务业（LBS）开辟了新战场。L3   释放了人对环境监控的要求，以及人的驾驶认知，但量产涉及到规模、可靠性和价格等多种因素，由此，李院士表示，定制量产   L3   应先用于特定场景，且自动驾驶汽车能否取代驾驶员掌控，取决于其能否处置特定场景下的意外情况，能否发出求助信息要求人工干预，或者在迫不得已时作出最小损失决策。

D1-2《深度学习的迁移模型》：

香港科技大学计算机系主任、AAAI   Fellow   杨强发表《深度学习的迁移模型》主题报告，从深度学习模型的共性问题谈起，深度剖析如何使得深度学习模型变得更加可靠，使得在数据变化的情况下，模型还可以持续可用。迁移学习有小数据、可靠性、个性化等优点，且当前，深度学习的模型已经在语音、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：我们遇到的数据往往都是小数据，而不是大数据；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；再有就是应用问题。由此，杨强教授与学生一起，将迁移学习与深度学习相结合进行了探索实践，在现场通过解决大额消费金融的困境、跨领域舆情分析、互联网汽车分类问题等多个实际应用案例多角度地展示了迁移学习的深度模型所带来的优点。

D1-3《AI   for   Social   Good》：

人工智能技术发展惊人，AlphaGo   更是引发了全球   AI   热潮，但我们该如何用其来造福社会？澳大利亚新南威尔士大学教授、AAAI   执行委员会成员   Toby   Walsh   的报告便聚焦于此，现场为我们带来了《人工智能造福人类的那一面（AI   for   Social   Good   ）》的主题演讲，Walsh   教授表示，现在人们对于人工智能技术存在一些担心，但事实上，AI   是一种道德上中立的技术，它的好坏取决于被如何使用，可以用来提高繁华度、降低贫穷，提升医疗/教育质量，但也可能带来伤害，大规模的战争。而   Walsh   教授的研究即是基于人工智能的光明面，当前正在全球范围内对于器官银行、食品银行的合作探索。比如，在英国用聊天机器人来进行医疗服务，帮助用户诊断病情；在澳大利亚，与器官及组织管理局合作，帮助其重新设计用于将死者器官与病人相匹配的机制；与新南威尔士大学合作，为无家可归的人提供食物，与   AI   结合一起来改善人们的生活，并将食品银行慈善项目拓展到俄罗斯和美国，帮助解决扶贫和社会问题。

D1-4《金融智能的发展与应用》

蚂蚁金服副总裁、首席数据科学家漆远发表《金融智能的发展与应用》主题报告，从“为什么要做   AI”谈起，具体介绍了蚂蚁金服在金融服务场景中如何发展   AI   技术，并将新技术创新应用在场景中，以解决金融服务的关键问题。漆远博士表示，金融服务面临时间敏感、海量数据、业务多样性、系统多样性、强安全等基本挑战，基于此阿里巴巴与蚂蚁金服构建了人工智能技术体系，从底层的图像理解，使用阿里巴巴的语音识别能力，开发   NLP，然后进行机器学习、深度学习，分析时间序列，实现推理和决策的能力，由此来帮助其用户和金融合作伙伴做出明智的决策。随后，漆远博士从安全风控、蚂蚁智能机器人、基于参数服务器的大规模机器学习、模型服务平台、图像定损产品等实际案例具体分享了蚂蚁金服的技术创新实践。

午餐过后下午随之而来的是“语言智能与应用论坛”与“智能金融论坛”。

《语言智能与应用论坛》：

语言智能与应用论坛在主席中国科学院自动化研究所研究员宗成庆的主持下正式开始，宗成庆博士首先对   AI   从诞生、兴起、遇冷到繁荣的六十多年历史进程进行了回顾，并向所有论坛嘉宾以及现场观众提出了   8   大问题，比如企业界在建立自己的应用系统时，都采用了DL方法吗？是如何处理训练数据缺乏这一问题的？统计方法可以完全替代规则方法吗？在实际系统中，Parser   有什么具体的应用吗？越来越多的学界大老走向企业界，学界的出路在哪？常识与专业知识的是如何区分的？在此过程中，7位专家由此开始了今天的深度对话讨论，对相关领域研究及技术开发者提供了非常有价值的参考。

《智能金融论坛》

智能金融论坛在主席蚂蚁金服人工智能部技术总监李小龙的主持下正式开始。李小龙表示，随着大数据和人工智能的迅猛发展，金融领域的智能化逐渐得到学术界和工业界的高度重视，并且取得了一系列重要进展，成为金融科技（FinTech）领域的重头戏。

智能金融重点要解决的问题包括：如何运用大数据、云计算和人工智能来降低金融成本，提高支付、投资、贷款、理财、保险、事件分析、客服等各个方面的自动化和智能化水平，从而提高金融效率并普惠更多的人群；如何采用大规模机器学习和海量数据结合，利用深度学习、增强学习、图计算、知识图谱等前沿方法，有效识别风险，提升金融风控能力；以及如何应用博弈论进行金融市场机制和定价设计，在公平合理的基础上激发市场活力等等。

基于此，本次论坛结合产学研的共同需求，聚焦热点，邀请到：上海交通大学计算机系致远讲席教授邓小铁，香港智能金融科技有限公司（FDT-AI）联合创始人兼   CEO   柳崎峰，乔治亚理工学院金融学教授、Alton   M.   Costley   主席   Sudheer   Chava，普林斯顿大学运筹与金融工程系助理教授王梦迪，香港中文大学计算机系副教授张胜誉，以闪电演讲和观点碰撞的方式，共享最新进展，讨论共同面临的挑战，探讨可能的解决方案，并且展望智能金融的下一步发展前景。

好了，完美的一天就此结束，小伙伴们是否收获满满。让我们共同期待DAY2的到来。

DAY2：

本届大会第二天分别由中国科学院自动化研究所研究员宗成庆与南京大学教授、AAAI   Fellow   周志华进行主持。下面我们进入正题：

D2-1《机器学习在商务智能中的创新应用》：

CCAI大会第二天的演讲，由德国人工智能研究中心DFKI前负责人、北京人工智能技术中心（AITC）总监兼首席科学家Hans   Uszkoreit在“机器学习在商务智能中的创新应用”的议题上展开。他首先分析了人工智能的两大方向，基于行为的系统和基于知识的系统，但目前机器学到的行为还都无法重新使用，不是真正的知识。在此基础上，Hans   Uszkoreit开始谈结构化的、可复用的知识，他认为关键是能把非结构化的数据转化成结构化的知识，比如Wikidata、DBpedia所做的数据库，用了很多人工的劳动，而当前知识采集的方式已经实现了自动化。他所介绍的，是采用开源大数据分析平台Apache   Flink，结合不同类型的机器学习与基于知识的自然语言理解技术，能够近乎实时地处理海量数据。Hans   Uszkoreit认为，这一技术在商业分析与工业4.0方面的应用前景极为广泛，他列举了供应链管理与市场分析方面的一些实例。

D2-2《众包中的统计推断与激励机制》：

美国微软雷德蒙研究院首席研究员周登勇（Dengyong   Zhou）发表《众包中的统计推断与激励机制》主题报告，从“为什么众包”、“众包的挑战”、“统计推断”、“激励机制”着手，结合多个生动形象的案例，具体总结了微软雷德蒙研究院过去几年在基本的众包问题的研究与工程上的进展。周登勇博士表示，在可以预见的将来，机器智能完全代替人的智能几乎没有任何可能，我们应该是让人与机器各施所长互相补充。数据标注是一个比较简单的人机系统，但这里面包含的技术已经相当有挑战性。如果我们要建立更复杂的人机智能系统解决更大的问题，会有更多的新的困难需要克服。

D2-3《大数据如何来帮助“小数据”》：

对于大数据如何来帮助“小数据”，美国南加州大学的副教授Fei   Sha博士第一次用中文做了精彩的分享。Fei   Sha博士用他家小孩选学校的切身经历，来告诉我们小数据问题会如何影响每一个人。关于如何在小数据上构建大数据场景，Fei   Sha博士讲到了他们做过的三种方法：多任务学习、领域适应及零样本学习。多任务学习是当没有足够的数据时要鼓励任务之间共享信息，其中的一些细节涉及到迁移学习，Fei   Sha博士推荐大家多读读杨强教授2009年的论文，以不变应万变。零样本学习则可以无中生有，可以让机器学习处理一些它从未见过的情况，即便是没有数据或数据很少。

D2-4《弱监督机器学习研究新进展》：

当前，基于大数据的机器学习非常成功，缺乏大规模的标签数据，如医药、制造业、防灾等数据量是远远不够的，这个时候，我们就需要运用到小数据，由此，日本理化学研究所先进智能研究中心主任   Masashi   Sugiyama   为我们带来了《弱监督机器学习研究新进展》主题演讲。对其与团队对于弱监督学习下的分类问题的研究成果，包括将两种类别的标签数据进行分类，将有标签与无标签数据进行分类，一个对于半监督分类问题的通用方法，以及对于有标签数据的分类。

D2-5《构建强健的人工智能：原因及方式》

本届大会的压轴演讲是俄勒冈州立大学教授、AAAI前主席Thomas   G.   Dietterich的《构建强健的人工智能：原因及方式》。Dietterich教授在演讲中谈到了强健AI的必要性及其具体的实现。目前自动驾驶、外科手术、金融等高风险领域的AI应用开发，令人工智能强健性需求迫在眉睫。但我们没有办法把世界上所有的东西都建模，也没有办法把一个行为的所有后果全都数字化，这让Dietterich教授非常担忧强健性这个话题。他用生物学方面的进化和生存竞争等思想来处理这里的难题，以应对模型中的错误与未能建模的那些现象。Dietterich教授在演讲中给出了六大方向的具体思考：不确定条件下的决策、强健性优化、优化风险敏感型任务、意外检测、使用更大的模型、使用因果模型。

午餐过后下午随之而来的是“人工智能科学与艺术论坛”与“人工智能青年论坛”。

首先登场的是南加州大学计算机系名誉副教授、机器学习中心主任的刘燕博士，她认为将来人工智能在发展方向与艺术的结合，主要还是人机信任合作，在提供可解释性、可迁移性、可靠性方面进行长足的发展。

接下来在人机交互领域有着深厚研究的清华大学计算机系教授、全球创新学院院长史元春为现场观众带来了《科幻与创新》主题演讲。史教授最后总结道：“科学为我们带来了无限的想象空间，但是从科研本身来说，我们尊重其严谨的规矩来分析和认识问题，并作出创新。同时，科学本身也是促进艺术发展进步的良好动力。”

紧接着北京航空航天大学计算机学院副院长王蕴红从“机器人（人工智能技术）能否鉴赏艺术作品？”、“在艺术领域，人工智能能否超越人的创造力”两个问题开启了对于人工智能技术艺术观的分享，详解了人工智能技术的优势、可发挥作用，及其可能对于艺术发展的影响。

中国科学院前沿科学与教育局副局长王颖首先为我们分享了   Yuval   Noah   Harari   的预测：AI   在越来越多的任务上表现超过人类，无需多久，人类50%的工种将由计算机完成；到2040年，我们可能看到一个新的阶层产生，即无用阶层，数十亿人不是失业，而是失去雇佣价值。由此带来了她作为教师对于“人工智能与艺术”的思考。最后，王颖总结道：“当代艺术最本质的革命就是计算机科技等新材料和艺术传播媒介的改变，艺术将与人工智能携手，共同创造人类社会的美好未来。”

清华大学计算机计算机科学与技术系副教授张敏用清华自然语言处理与社会人文计算实验室创作的“人工智能科学艺术”藏头诗和微软小冰的诗歌创作，以及人类创作的诗歌，开启了她对于“科学遇到艺术”的杂谈。张敏教授发问“在艺术上，是否真的要一决高下？为什么要分出伯仲来？”，并通过实例表示，人工智能与人的智能，不应该也从来就不是对立关系，人的智慧能够与机器智能相结合，让我们用科学的方式让创作艺术成为可能。

《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。最后，王静总结道：“科学新进展，加深了艺术家对自然的理解，并创作了新作品。科学新发现使艺术的表现题材、观念和手法都产生质的飞跃。在未来，在当下，科学家赋予物体思想，物体即拥有智慧，科学家是创新者，也是美丽使者。”

人工智能青年论坛在联合主席今日头条科学家、人工智能实验室总监李磊的主持下正式开始。李磊在开场总结道，随着数据和计算资源的增加，算法的不断改进，人工智能的很多方法在工业界产品中得到了非常大的应用，比如个性化土建、人脸识别身份验证、智能出行、智慧医疗等。但同时我们发现人工智能在这些产品应用过程中，面临着许多技术挑战，例如通常产品中需要的标注数据比较难以获取，所以在少量数据甚至是无监督半监督情况下，如何做好机器学习的方法？在海量数据下，如何做信息检索、个性化推荐？如何让机器像人一样能够与人正常地对话聊天等等。这些一系列问题都引起了我们青年科学家的关注。本论坛非常荣幸地邀请到   6   位国内外在学术界、工业界对这些问题长期持续关注并且近期做出一些成果的青年学者来分享他们的最新研究成果，并对人工智能技术的未来进行展望。

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。

清华大学计算机系副教授黄民烈老师畅谈的是当下的人机对话技术。从早期的Eliza、ALICE，到现在微软小冰、Pepper机器人，他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。黄民烈老师还讨论了人机对话方面基于检索、GAN的传统技术，并进一步探讨了机器人的情感与表达、机器人身份与个性的嵌入等具体挑战及未来方向。

中科院计算技术研究所的兰艳艳副研究员则为大家献上了一场信息检索与机器学习的华尔兹。她从现代搜索引擎的排序学习开始介绍，进一步谈到了信息检索与深度学习的交融，并具体到其中的文本表达技术、深度文本匹配技术。“华尔兹”的终场，兰艳艳老师谈到了未来的智能搜索和检索、智能问答对话，以及深度学习在信息检索方面的局限和挑战。

浙江大学计算机学院教授潘纲现场带来《人-机的智能融合》主题演讲。由   reCAPTCHA、Fold.it   为例，引申出群体智能，让人类群体帮助解决计算系统/单人不擅长解决/不能解决的智能问题，大量用户参与，通过协作来完成单独不可能完成的任务。潘教授表示，群体智能本质上是将人类的个体智能通过计算机进行会聚融合，是典型的人智能+机智能进行融合的一种方式。

最后由阿里巴巴人工智能实验室研究员、杰出科学家王刚博士从人机交互方式的变迁（   DOS、桌面   PC   到手机）开始了《基于人工智能的人机交互》主题演讲，引申出基于人工智能的人机交互。阿里巴巴已经研发出语音智能助手、中文人机交流系统等多款智能产品，更有根据语境和上下文进行动态判断，自主决策对话中的策略，智能满足用户需求的自然语言对话（NLD）技术——强化学习。王博士表示，未来的人机交互将实现在深度理解用户后，在恰当的时机做恰当的主动交互，但目前还面临决策能力、推理能力等技术挑战。

干货满满的两天很快就过去了有木有，期待下一届大会更加精彩。

来源：中生代技术

原文链接