问答环节
张铭教授：金融技术，量化交易，更多的是自行研发还是与高校的合作？
许冬亮副总裁：目前的基础是百度以前的积累，同时也在与高校建立联合实验室，比如北大、清华等。工业界与学术界结合，会带来更大的进步！
张铭教授：银行系统已经运行了很多年，本身已经有专家系统的类似的东西，那是怎么与新的人工智能技术结合的？怎么更好的融合？
许冬亮副总裁：首先，现有的技术不是去更换，而是共建，在传统技术的基础上，叠加新技术助力金融。
张铭教授：百度，在人工智能领域，技术部署上，占有什么样的地位？
许冬亮副总裁：其实，百度的储备是非常深厚的，其实，已经布局了一个新的赛道。
张铭教授：百度非常早，在人工智能领域有提前的部署，对人工智能人才的需求？硕士还是博士？
许冬亮副总裁：站在个人角度来说，人才代表一个企业的未来，是需要在人工智能技术上有深刻积淀的人才。目前所使用的技术，远远还未达到人工智能希望的状态，学历并不代表一切，更重要的是兴趣爱好，百度并不都是博士、硕士学历，也有很多本科人才，表现很好，升职很快。
张铭教授：作为技术出身，如何看职业发展路径？
许冬亮副总裁：其实有人毕业后，都是有很强的可塑性，技术、产品、管理，最好的一条路就是要找到最适合自己的一条路。
张铭教授：成功的人，需要什么样的素质？哪种是最重要的素质？
许冬亮副总裁：保持对成长的渴望，保持成长的动力，保持更强的学习能力。
张铭教授：也就是，stay hungry,stay foolish！哈哈，关于创业，谈一下建议或者看法。
许冬亮副总裁：对于进入初创的企业或者快速发展的企业，有些人，对创业看法可能很偏。没有渡过生死期的企业其实是很难的，对于现在的学生，建议去已经渡过生死期的企业，那样可以更快的成长！
张铭教授：深度学习，可解释性非常差，关于金融的推荐，如何保证大家去信任和选择。
许冬亮副总裁：量化交易出现后，如果完全交给机器，它会有不可预测性。机器学习都是从历史数据去预测未来，因为未来是不可预测性，所以不会完全交给机器。
张铭教授：近些年，NLP领域，渐渐有了可解释性，但是还有各种各样的探索。学术界都是走在最前边的。量化投资领域，谈一下人才的需求。
许冬亮副总裁：从智能投顾来说，一方面需要对AI技术的积累，还需要对投资领域有一定的经验，但是最重要的是人的可学习能力，就算没有经验也可以，这样的人才，可以在未来快速学习以适应未来。
张铭教授：舆情分析中，人为操作的可能性多不多？
许冬亮副总裁：人为操作相对已经比较少了，但是水军还是比较多，可以采用反欺诈。
张铭教授：我们设计的LSTM的改进版本——异构LSTM模型，可以扩展到现实场景的更多领域。技术细节问题，传统的金融领域，很多的金融的先验知识，还是用ML的模型更好？怎么样去操作？
许冬亮副总裁：从我们应用案例来说，多个排他因素，具体还要线下了解。现场同学的提问，公共新闻对量化投资的影响。先对基金的分析，以后可以深入探讨。与银行合作第一步，其实是双方共性，双方都有诉求，从出发点来看，大家是目标一致的，即利益协同的。从0到1带来的好处是，行业内的示范特性，趟过的坑都会积累很多经验，别人是比较难以复制的。
个评：stay hungry,stay foolish！保持对成长的渴望！你终会有成！
备注：以上对话环节的文本编辑，为博主总结，与原文稍微有异，请以原文录音为准。时间紧迫，如有错误，欢迎网友留言指出、探讨。
