雷鋒網(wǎng) AI 科技評論剛剛出爐了 2016 十大 AI 演講盤點，不少熱心讀者感到疑惑：為什么這里面列舉的都是國外大牛，怎么不見咱們國內(nèi)的知名學者們的演講整理？這不，雷鋒網(wǎng)已經(jīng)整理出了國內(nèi)過去一年來的精彩演講，一同隨 AI 科技評論看看，哪位大神的高見讓你受益匪淺？本文排名不分先后，歡迎各位讀者在評論區(qū)暢所欲言，說說你們心中的最佳 AI 演講吧。

高文：回顧過去，展望未來

北京大學信息科學技術學院教授。中國工程院院士、ACM/IEEE Fellow、CCF - GAIR · 全球人工智能與機器人峰會大會主席高文院士這一年參加的演講不少，但主要都是圍繞人工智能的歷史與未來展開的。如果你對人工智能非常感興趣，想對 60 年的浪潮有一個詳細的了解，那么不妨看看他在 CNCC 2016 上所做的《人工智能--螺旋上升的 60 年》演講，39 頁 PPT 向讀者們展示了一個呈螺旋式上升的人工智能歷程。

從 2006 年的第三次機器學習浪潮來看，高文院士認為有兩個因素促進了深度學習的成功：

• 一個是硬件的進步：硬件越來越便宜，計算能力越來越強。

• 第二個是模型和參數(shù)調(diào)整技巧的進步。

而在高工機器人年會閉幕式上，高文院士發(fā)表主題報告《人工智能的前景與挑戰(zhàn)》，主要針對大環(huán)境下的人工智能進行了一些研究和探討，雷鋒網(wǎng)對他的詳細演講進行了報道，可以點擊下方鏈接查看。

還想了解下高文院士都說了些什么其它內(nèi)容？歡迎閱讀雷鋒網(wǎng)此前報道：

CNCC 2016 | 中國工程院高文院士 39 張 PPT 帶你看懂人工智能 60 年浪潮

中國工程院院士高文：下一波浪潮和AI的未來 | 2016 高工機器人年會

值得一提的是，高文院士也傾情為我們 AI 科技評論做了個小廣告，也歡迎大家以此途徑查看他的演講內(nèi)容。在此也向高文院士對AI科技評論的關注致以感謝！

周志華：57 頁 PPT 告訴你，機器學習的本質(zhì)是什么？

周志華教授主要從事人工智能、機器學習、數(shù)據(jù)挖掘等領域的研究，他除了在 CNCC 2016 上發(fā)表過演講外，在今年的 KDD China 技術峰會上也做過分享。周志華教授以「文獻篩選」作為例子，讓觀眾們在活潑的例子教學中就明白了關于機器學習的「是什么」「為什么」「怎么做」三個方面的問題。在演講的最后，周志華教授提出了幾點總結(jié)，雷鋒網(wǎng)摘錄如下：

• 深度學習可能有「冬天」，它只是機器學習的一種技術，總會出現(xiàn)更「潮」的新技術；

• 機器學習不會有「冬天」，只要有分析數(shù)據(jù)的需求，就會用到機器學習；

• 關于未來的思考：

1、技術上：一定是能有效利用 GPU 等計算設備的方法（未必是深度學習）；

2、任務上：開放環(huán)境的機器學習任務特別重要（魯棒性是關鍵）；

3、形態(tài)上：希望是從現(xiàn)在的「算法 + 數(shù)據(jù)」過渡到「學件」的形態(tài)。

• 如果要對未來這三點加上一個預測期限的話，分別是 5 年、10 年、15 年。

如果對周志華教授的演講感興趣的話，可以點擊以下鏈接閱讀。

周志華 KDD China 技術峰會現(xiàn)場演講：深度學習并不是在「模擬人腦」

CNCC 2016 | 周志華 57 張 PPT 揭開機器學習本質(zhì)

楊強：從深度學習到遷移學習

說完了人工智能展望、深度學習的分析后，接下來雷鋒網(wǎng)要介紹的是遷移學習。誠然，深度學習在有即時反饋的領域和應用方向有著一定的優(yōu)勢，但在其他領域則不行?！改壳敖鉀Q這種反饋的時延問題需要強化學習來做。而在明天，則有更多的地方需要遷移學習?！?/p>

香港科技大學教授、第四范式首席科學家楊強在雷鋒網(wǎng)承辦的 CCF- GAIR 全球人工智能與機器人峰會大會上，為大家講述了人工智能要取得成功應當具備的五個必要條件和遷移學習的本質(zhì)。

楊教授認為，遷移學習是深度學習與強化學習的結(jié)合體，能夠?qū)⑦m用于大數(shù)據(jù)的模型遷移到小數(shù)據(jù)上，實現(xiàn)個性化遷移，這樣一來能夠避免數(shù)據(jù)寡頭的出現(xiàn)。他通過谷歌 DeepMind 的應用實例講解強化遷移學習和三層結(jié)構(gòu)算法模型，指出了人工智能成功的五個必要條件——清晰的商業(yè)模式（明確的目標）、高質(zhì)量的大數(shù)據(jù)、清晰的問題定義和領域邊界、懂人工智能的跨界人才及計算能力。

此外，楊強教授還在今年的 KDD China 上做了主題為《從深度學習到遷移學習》的演講，詳情可以點擊鏈接查看。

香港科技大學楊強 KDD China 技術峰會演講：遷移學習的本質(zhì)與實際應用

楊強教授 PPT 解密：如何在人工智能浪潮中少走彎路｜CCF-GAIR

李德毅：如何實現(xiàn)無人駕駛的駕駛腦

中國工程院李德毅院士今年已經(jīng) 73 歲高齡，但作為自動化和人工智能專家，李院士一直緊密關注著智能車產(chǎn)業(yè)的生態(tài)環(huán)境、工程化實踐與未來發(fā)展。在中國第三屆機器人峰會上，李院士分享了在無人駕駛領域的研究和觀點。他認為，駕駛活動更多的是技巧，記憶和經(jīng)驗，而不是知識、推理和計算。駕駛腦的差異，反映是個人的智力和運動協(xié)調(diào)能力的差異，世界上沒有兩個完全相同的駕駛腦。

「這才叫機器人。我們想將來車上跑的駕駛腦也是一樣的。真正開車的不是汽車本身，而是駕駛員，人的認知，要把腦和機器融合在一起才行。所以我們主張在我們機器人里面，有一個調(diào)試總線擴展為自學總線，可以學習人是怎么開車的。然后機器人開車時候扮演的角色，主要是通過學習的東西消化吸收，深入學習，變成了自己的行為。

雷鋒網(wǎng)已經(jīng)為大家整理好了他的完整演講附 PPT，趕緊點此閱讀吧。

李德毅詳解：無人駕駛的核心在駕駛腦｜中國機器人峰會

李航：華為實驗室是怎么做深度學習的？

楊強教授是華為諾亞方舟實驗室的第一任主任，自然這個實驗室主要針對的是機器學習、人工智能及數(shù)據(jù)挖掘方面的研究了。現(xiàn)任實驗室主任李航在今年雷鋒網(wǎng)承辦的 CCF-GAIR 大會上向觀眾分享了人工智能在手機領域的應用研究。李航在演講中表示，華為諾亞方舟實驗室的其中一個愿景，就是打造一個全智能化的智能移動手機終端，用戶將通過自然語言的方式從終端獲取一切想要的信息和協(xié)助。

而在年底的 KDD China 上，李航做了題為《自然語言處理中的深度學習：過去、現(xiàn)在和未來》的演講，結(jié)合具體的 NLP 技術，介紹了自動問答系統(tǒng)、圖片檢索、機器翻譯、自然語言對話的各種應用結(jié)合。

李航認為，未來自然語言處理深度學習的發(fā)展趨勢，應該是一個神經(jīng)處理和符號處理的結(jié)合的混合模式。還等什么？趕緊看看雷鋒網(wǎng)關于李航的相關報道吧：

AIR 019 | 華為諾亞方舟實驗室主任李航：我們在人工智能領域的愿景與實踐

華為諾亞方舟實驗室主任李航：自然語言處理的未來趨勢

洪小文：人工智能如何與人類智能共同進化？

今年在韓國舉辦的「二十一世紀的計算」學術研討會以人機協(xié)作（Human and Machine Working as a Team）為主題，現(xiàn)任微軟全球資深副總裁，微軟亞太研發(fā)集團主席，兼微軟亞洲研究院院長洪小文博士做了題目為《人工智能與人類智能的共同進化》（Co-Evolution of Artificial Intelligence and Human Intelligence）的演講。

在演講中，洪小文提及人工智能有三個不同的技術層面，包括計算機視覺識別、自然語言理解及數(shù)據(jù)分析&可視化。

「人類智能的優(yōu)越性在于從小樣本中、甚至 0 樣本中進行學習和推理。而以深度學習為代表的人工智能技術則更適合從大數(shù)據(jù)中學習?！鼓敲慈斯ぶ悄苤械摹钢悄堋?，根據(jù)洪博士的理解，主要分為四大層面：功能、智能、智能及智慧。而截至目前最聰明的機器也只是達到了「智能」層面，因此他認為只有把人類智能與人工智能進行組合，才能實現(xiàn)真正的「共同進化」。詳細 PPT 可參看：

二十一世紀的計算 | 微軟亞洲研究院洪小文54頁PPT講述人工智能和人類智能的 “共進化”

顏水成：360人工智能的四大應用布局

原新加坡國立大學教授，現(xiàn)任360 首席科學家、人工智能研究院院長顏水成在今年也發(fā)表演講，介紹了 360 是如何做人工智能的。按照顏教授的說法，360 的人工智能最基本的布局比較全面，覆蓋了人工智能的多個方向，具體包括：

• 一是視覺感知，對圖象和視頻的分析；

• 二是語音感知；

• 三是語義感知，希望智能硬件能夠和用戶進行對話和交流；

• 四是大數(shù)據(jù)分析，我們也希望深度學習能夠發(fā)揮在大數(shù)據(jù)方面的積極作用。

而顏水成在今年雷鋒網(wǎng)承辦的 CCF-GAIR 大會上同樣向我們分享了 360 的一些研發(fā)進展?！笍难邪l(fā)角度來說，我們主要做了兩件事：一方面是當我們有了大數(shù)據(jù)之后怎樣更加快速的把這個模型訓練出來？另外是從智能硬件的層面來說，除了傳統(tǒng)的人工智能，在云上的使用還有一個很重要的場景是端上的人工智能。」顏教授表示在未來會從業(yè)務與研究層面用人工智能提供服務。

360首席科學家顏水成：我們?nèi)绾巫鋈斯ぶ悄埽?/a>

AIR 022 | 騰訊、小米、360、今日頭條眼中的機器學習

張鈸：后深度學習時代，我們應該……

那么在后深度學習時代，我們又需要以怎樣的態(tài)度看待人工智能呢？

清華大學張鈸院士在今年的 CNCC 大會上做了主題分享，他認為后深度學習時代的人工智能，就是想把人工智能從這個狹義的，只能解決一定范圍的方法，推廣更寬廣的范圍去，也就是從弱人工智能、強人工智能、到通用人工智能的演進。

而張院士也認為在這一過程中，可能會遇到三個方面的挑戰(zhàn)。

1. 概念統(tǒng)計方法帶來的困難；「深度學習區(qū)分的是重復的模型，但大腦區(qū)分的是語義的特征，這兩種區(qū)分有本質(zhì)的區(qū)別，但是有關聯(lián)?！?/p>

2. 生數(shù)據(jù)帶來的困難。張院士認為，大數(shù)據(jù)實際上摻雜了很多噪聲，生數(shù)據(jù)的魯棒性自然會比處理過的數(shù)據(jù)表現(xiàn)更差。

3. 推廣與遷移的困難。如何將弱人工智能推廣到通用智能，也就是舉一反三的層面，這點目前人工智能的表現(xiàn)還比較局限。

張院士提出了兩個解決方案，一個是將數(shù)據(jù)驅(qū)動與知識驅(qū)動結(jié)合起來；另一個是回歸神經(jīng)網(wǎng)絡的本源，如何學習人類神經(jīng)網(wǎng)絡的思維模式，再將這套方法移植到機器身上來。

而在演講的最后，張院士指出，人工智能的發(fā)展要更加依靠學科交叉，特別是數(shù)學、認知科學、心理學、神經(jīng)科學及語言學等。

CNCC 2016｜清華大學張鈸院士起底： 后深度學習時代的人工智能

邢波：人工智能有哪三大機遇？

在數(shù)博會人工智能與大數(shù)據(jù)主題論壇上，卡耐基梅隆大學計算機科學系教授邢波做了一個系統(tǒng)性的演講。在會上，邢教授指出人工智能存在三個方面的機遇。

首先是理論基礎與實際需求仍有差距。包括了數(shù)學模型本身在表達性、遷移性、透明性與可調(diào)性上的局限；以及算法工具在速度、穩(wěn)定性及收斂保障上的不足。

其次是如何跨越已有操作系統(tǒng)與 AI 任務需求間的鴻溝。在不同平臺上實現(xiàn) AI 非常困難。「由于大數(shù)據(jù)的產(chǎn)生，我們對于軟件系統(tǒng)的需要和部署能力有更高的要求，譬如希望在不同平臺上，能在不同的移動設備，云的設備上不同平臺上跑同樣的軟件，目前這些問題都沒有解決?！?/p>

最后一點在于未來通用硬件的構(gòu)造會是什么樣。從低功耗的 CPU/GPU、到更多核的 CPU/GPU、更大的 RAM 及閃存存儲、或是量子計算甚至是 DNS 計算等不同于馮·諾依曼計算機的計算模型。

卡耐基梅隆邢波眼里的人工智能：它的價值在于通用性

譚鐵牛：大數(shù)據(jù)時代里，模式識別的機遇在什么地方？

中國科學院副院長譚鐵牛在 CNCC 上做了《大數(shù)據(jù)時代的模式識別》為主題的分享?；谌斯ぶ悄艿南嚓P演講已經(jīng)多如牛毛，譚院長便為大家做了更為具體的介紹。「（模式識別）用我自己的語言來說就是：世上萬物，不管是物質(zhì)的還是精神的，看得見還是看不見的都是一種模式?！顾J為，深度學習之所以火，便是獲取提升模式識別的一種能力。而基于目前現(xiàn)狀，譚院長概括出了以下幾個現(xiàn)狀：

• 面向特定任務的模式識別已取得突破性進展，有的性能可與人媲美。

• 統(tǒng)計與基于神經(jīng)網(wǎng)絡的模式識別目前占主導地位，深度學習開創(chuàng)了新局面。

• 通用模式識別依然任重道遠。

• 魯棒性、自適應性和可泛化性是一個進一步發(fā)展的三大瓶頸。

而針對現(xiàn)在的機遇，譚院長總結(jié)了三點：首先是數(shù)據(jù)利用，成為信息服務與知識服務的渠道。第二點是推動理論與方法創(chuàng)新；第三點的想法與張鈸院士的做法一樣，就是加速學科領域的交叉與滲透。

此外，譚院長還提出了幾點值得關注的研究方向，包括：

• 面向大規(guī)模多源異構(gòu)數(shù)據(jù)的魯棒特征表達；

• 結(jié)構(gòu)與統(tǒng)計相結(jié)合的模式識別新理論；

• 數(shù)據(jù)與知識相結(jié)合的模式識別；

• 具有魯棒性和自適應性的生物啟發(fā)模式識別；

• 基于跨領域跨模態(tài)知識遷移的模式識別；

• 以互聯(lián)網(wǎng)為中心的模式識別。

想知道譚院長還提出了哪些真知灼見？歡迎點下面的鏈接查看。

CNCC 2016 | 中科院譚鐵牛：大數(shù)據(jù)時代的模式識別

葉杰平：機器學習如何用于滴滴打車？

葉杰平教授是機器學習領域的國際領軍人物，現(xiàn)任滴滴研究院副院長，美國密歇根大學的終身教授。他在今年的騰訊大數(shù)據(jù)峰會暨 KDD China 技術峰會解密了機器學習在滴滴中的大規(guī)模應用。雷鋒網(wǎng)此前覆蓋過 MIT 所做的最新車輛調(diào)度系統(tǒng)，其中同樣也運用了機器學習的算法。比起尚未正式運用到實際領域的 MIT 研究成果，滴滴的算法已應用于預測目的地、估價、拼車、匹配司機、熱力圖等一系列實際場景中。

而滴滴人工智能的核心就在于訂單的分配上。葉教授指出，滴滴實現(xiàn)訂單最優(yōu)匹配需要遵循這兩大核心：做出最優(yōu)路徑規(guī)劃，預估時間。

此外，在評估乘客體驗及打分系統(tǒng)的權(quán)重上，滴滴人工智能也運用了不同的算法，以帶給用戶更好的乘車體驗。關于葉教授的更多演講細節(jié)，可以看看雷鋒網(wǎng)所做的詳細整理：

滴滴研究院副院長葉杰平：揭開滴滴人工智能調(diào)度系統(tǒng)的真面目

雷鋒網(wǎng)為大家介紹了 2016 年十位國內(nèi)學術大牛的精彩演講，但實際上更多精彩的演講因篇幅所限無法一一覆蓋，也希望讀者們關注 AI 科技評論，與我們分享你心中的經(jīng)典演講吧！

*封面圖源于網(wǎng)絡

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。