人工智能2016總結-2017年展望

演講人-餘凱

 

2016總結：

1. AlphaGo 的成功

2. 各類人工智能公司的成功 

3. 算法的改進， 生成式對抗網絡，仍是個exciting的領域

4. open source工具：caffe，MMXnet

5. AI的過程： 從感知（圖像，聲音）到決策（自動駕駛）---- 決策纔是將來10年的突破方向

6. AI產業應用仍然處於初期，沒有商業模式，還須要時間和等待（與.com早期很像）

7.AI的泡沫存在，但不是很差。創業存在的問題：過去都是TO C的成功，可是TO B的成功太少，公司和資本市場都不太習慣TO B，例如估值等。

8.「創業」是艱苦的修行。

9.地平線的切入點：一，大公司不會涉及到的維度（大司的積累無效）；二，AI的本地計算十分重要（自動駕駛的計算）；三，技術難度較大

10.地平線打算構造：嵌入式AI計算生態圈：爲各類各樣的應用提供服務。

11.大牛的定義：知識的長期積累；對該行業的深度思考；持續創新的能力。

12.目前人工智能的技術差別小：是的。GPU+Caffe。 因此差別化 差別化 差別化很重要

 

2017的展望

1. AI處理器，硬件的出現。

2.新的算法的出現。

3.應用場景的出現。

 

提出的問題：

1.google的自動駕駛從公司分離出來，是否是表示不行？： google的自動駕駛基於精確地圖，沒法應對突發問題，而自動駕駛最重要的就是對突發問題的解決。

2.算法做爲核心競爭力好麼？： 這個最不合理，天天都在出現新的算法（人工智能算法），並且這個領域開源。

3.真正的核心競爭力？：一，足夠大的市場；二，差別化，差別化，差別化。

4.深度學習的平臺的選擇？：Tensorflow雖然是google產品，可是一家獨大很差。MMXNet也很好，同時與大多數人用Tensorfolw同樣，打出差別化。

5.最新的強化學習和遷移學習怎麼樣？

5.1.AI領域中的感知可使用「黑箱」；可是在決策端，須要使用「白箱」，黑箱不可想象,因此理論框架很重要。

5.2.深度學習自己就有遷移學習的特色：ImageNet訓練出來的參數在其餘的地方也能夠用。而深度學習（模型）包含兩部分：模型的遷移和參數的遷移。模型的遷移更加困難，也是high level的內容，從本質上更好的處理深度學習。