CCAI中国人工智能大会于2017年7月22日开幕，中生代技术群友吕张城在前方发来报道
1.李德毅(中国工程院院士，中国人工智能学会理事长)
简介和杭州的渊源
介绍了人工智能对未来的发展
2.谭铁牛(中国科学院院士，中国人工智能学会副理事长)
中国人工智能规划材料：
http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm
3.阿里云：王坚
杭州的城市大脑项目，可以说是未来最大的人工智能项目
云计算，云不是最重要的，计算是最重要的
以前计算被软件推着走，现在计算被人工智能推着走。
简单总结：借助于智慧城市的项目，阿里的人工智能技术能够与实际的场景结合，快速演进，在社会上的价值传播，技术营销也非常有利。
4.主体演讲：李德毅院士
L3的挑战与量产
L3的级别level3，是无人驾驶中的级别划分，从L0~L5
去年是人工智能发展的60周年。
无人驾驶两条路线：
辅助驾驶ADAS(被动安全)
自动驾驶(Automatic driving)→自主驾驶(autonomous driving)→智能网连汽车(connectand autonomous driving)
目前几乎所有的自动驾驶汽车都是L2的级别。由于汽车是在开放的不确定性环境下行驶，人工驾驶常常会遇到偶发的的大雾，大雪，红绿灯，崎岖小路，涉水，车辆醉驾，事故，施工，新手都很难驾驶，因此想要汽车拿驾照(自动驾驶)是很难的。
自动驾驶的分级：
L0：人工驾驶
L1：辅助驾驶
L2：部分自动驾驶
L3：机器自驾驶(eyes off社会对自动驾驶的底线)
乘员可以不用驾照
自动泊车，被认为是自动驾驶的最后一公里，最难的是边缘泊车(edge parking)；基本问题是解决车的问题还是人的问题？
L4：机器自驾驶(minds off)
L5：机器自驾驶(driving off)
自动驾驶中，除了计算认知之外，还有记忆认知，交互认知也非常重要
上图为中国工程院的自动驾驶超脑设计思路，用了NVIDIA的四个tx1的芯片，与国内典型的车厂合作，进行驾驶训练学习。
L3级别的自动驾驶车，需要从特定场景先做起来，不必要把全世界的驾驶大数据都压缩到一个汽车大脑中，比如公交车的路线是固定的。
人工智能以润物无声的柔软改变着这个世界
李教授的风格：风趣幽默，只想做超脑，欢迎产学界合作。
简单总结：从自动驾驶的技术发展复杂度，国家政策等方面来看，当前的问题还有很多，未来的坑更多，前路漫漫，B公司押宝在自动驾驶上，有很大的风险，自动驾驶的落地迭代远比阿里的人工智能落地要困难。
5.深度学习的迁移模型，杨强教授，
下一个学习的热点：迁移学习
迁移学习的优点1：小数据
优点2：可靠性，模型本身要具备自适应的能力
优点3：个性化，适应不同的场景和能力
迁移学习的本质：找出不变量。比如香港的车和大陆的架势员的位置，虽然左右不同，但是都是靠近路中心线的位置。
如何能够实现迁移学习：多层次的特征学习(利用深度学习)
深度学习模型的迁移：定量分析
简单总结：非常学术，表示不懂。。。。
6.蚂蚁金服的人工智能发展：漆远
1.人工智能的发展离不开数据
2.海量的金融场景→数据→金融服务的基本挑战
3.金融智能的技术栈
4.盗号模型：
5.风控，借贷宝，定损包
整体来说，阿里在人工智能技术上的落地是卓有成效的，很接地气，每个技术的落地都能带来利润。技术上基本以大平台，服务化的思路，统一的平台针对不同的业务提供给差异化的服务，对于新技术的落地迭代很快，上线快。从漆远的讲解来看，他们对学术界也是很关注的，如Facebook的论文中的新思想，能够在阿里快速落地，他们自己今年发表的论文基本上是3年前就做出来的东西。
7.语音智能与应用主题论坛：宗成庆
人工智能的发展历程，
neil Lawrence说了一句话：自然语言处理nlp就像一只被强光照着的兔子，等待被XXX....
在nlp中，理性主义方法(基于规则)和经验主意方法是否是针锋相对?
目前如知识图谱，应答系统在企业中的应用，比学术界的发展更快，那么学术界应该如何发展？
宗老师很关注，结合目前产业界和学术界的合作发展问题，因为很多学术界的人被公司挖走了。。。
自然语言处理，主要涉及到最基本的理解问题，对于计算机来说，计算技术和搜索技术反而是相对成熟的技术。
8.陈恩红：
与科大讯飞围绕教育行业做了不少工作，针对学生考试的卷子进行判断，针对性的推荐学生不会，不懂，相对有难度的，合适的题目，因人而异个性化。
观点：深度学习在自然语言处理方面，比起图像，语音处理方面的成熟度而言，仅仅处于探索起步阶段。
问答系统需要融入领域知识，需要考虑情境
9.阿里初敏：
深度学习本身是一个比较粗暴的计算，但不是全部。
它的难度在于问题的理解，分类，得到future。
人工智能领域，需要通过商业上的成功，来保持在人工智能领域的持续热度
语音外呼技术，它在特定的场景下是容易做到的，没有太大的技术难度。因为它的目的是明确的，但是要想做成一个对外的公共服务化平台，需要把不同的业务场景抽象出来，形成语义树，模型抽象是比较难的。另外一方面从心理上，人对于机器打来的电话还是比较难接受的。
10.黄锦辉：
在学术界，希望把深度学习这个黑盒打开，看看里面是为什么会得到这样的结果。
11.梁家恩：
深度学习为什么在图像，语音识别，翻译等领域应用的比较好，主要是因为这些场景更多的是映射问题。
语言的复杂度来自它是个工具，需要与特定任务绑定；深度学习解决语言也有困难，口语上效果更好；口语数据难标注，标注代价大，规则在实用中占比依然大；理性主义和经验主义，虽然前者式微，规则的选择和推理在实际场景中不顺畅，但有复兴希望；学术和产业诉求不同，产业强调落地实用，结合点可能在大数据和机器学习平台
12.林德康：在创业公司做智能助手，在学术界呆了12年，在Google呆了10年
实际上Google自己本身的知识图谱，也用了很多的规则。在工业界而言，什么好用用什么，而不是像学术界的追求一样。
12.刘挺：哈工大教授
人工智能领域，并不一定需要专业领域的知识，比如alphago并没有围棋高手参与，美国有一家金融公司，赚了很多钱，但是从来没有招金融学的人。
哈工大scir?可以写高考作文?古诗?但是意境方面实际上与人还有有差异的。
下午智能金融论坛：
1.邓小铁教授
对抗性学习gan
博弈学习
2.增强学习-人工智能的下一个未来
王梦迪：普林斯顿大学运筹与金融工程系助理教授
1.控制论(1950-1990)：已知系统设计自反馈机制
2.机器学习1990-2010：大规模数据的映射问题
3.增强学习(2010~)：用人工智能算法在线学习动态的问题
增强学习目前典型的学习场景：游戏/高频量化交易和钱化策略/医疗
算法进步非常快：半年前gpu两天的工作→现在CPU几个小时
软硬件进步也非常快，是未来发展的一个非常有前景的方向
3.个性化推荐和资源分配在金融和经济中的应用：张胜誉，香港中文大学计算机系副教授
针对优质客户进行个性化金融产品的推荐，以获取最大转化率
投资资源分配
防伪反欺诈
等等。。。
个性化推荐难点：过去的记录和当前的现状的平衡，实时性等。
共享经济(打车，共享单车等)下的分配和定价：人和物，人和人都有联系，需要考量总效用，公平，稳定等问题，是一个NP-hard问题，但是可以找到近似最优解
AI在金融领域，可以降低成本，提高效率
4.金融从从移动时代进入到智能时代：柳琦峰
FDT集团，马蔚华任金融创新工厂总导师
他们公司非常好的两个数据来源：
1.内部来自于150位交易员5年的操作记录
2.FDT校园公益，进行模拟交易数据的比赛
人工智能的系统实现关键：
数据处理：删数据比增加样本更重要
5.蚂蚁在智能金融上的实践
问题1：中美之间在大数据金融领域有什么不同
答：银行和监管从历史上来就比较强，因此中国在金融领域有不少方面都可以有更大的空间进行创新。
问题2：博弈论在互联网金融的应用
滴滴快滴打车，铁塔公司合并?
问题3：多个玩家博弈的情况下最终结果的稳定性(纳什均衡?)
谁先获取信息，谁先选择最优策略，谁先操作谁获利，信息获取和操作很重要。
通过机器算法进行交易的总体还不多，30%?，不同的增强学习的流派，最终获利的情况也不太一样，在两年内能活下的公司，活的都还不错。但是同样的策略，针对1亿美元和对100亿美元的策略是不一样的。
传统的保险只需要用户的姓名，号码和是否吸烟，大量的用户行为数据是没有得到有效的利用的。AI一定会冲击保险行业，如果能够获取到物联网相关的数据，比如开车习惯，运动数据，健康状况等，将可以提供更差异化，个性化的保险策略。
传统的金融基于模型，现在的金融基于数据
传统的金融，基于的是理论模型推理，规律
AI能不能预测股灾?
现在有人可以用过去的数据，成功预测了过去的股灾，但由于股灾的次数也不多，还没有谁能成功证明预测到未来的股灾。
从技术的角度讲，股灾属于小概率事件，类似于长尾效应中，左尾或者右尾的少量数据的条件下复杂网络的相变，如传染病的大规模突然爆发，仅仅通过机器学习是解决不了的。
解决了预测准确的问题，还要解决执行的问题，比如跌停时无法交易。
对人工智能在金融领域未来的期望：
一方面，希望人工智能帮助我们做越来越多的事情，但另外一方面，如深度学习等我们不清楚为何最后的决策是这样?最终这些决策需要符合监管的要求。
（未完待续）
来源：中生代技术
原文链接
