人工智能2016总结-2017年展望

Posted 2020-08-24 御剑飞行

演讲人-余凯

 

2016总结：

1. AlphaGo 的成功

2. 各种人工智能公司的成功 

3. 算法的改进， 生成式对抗网络，还是个exciting的领域

4. open source工具：caffe，MMXnet

5. AI的过程： 从感知（图像，声音）到决策（自动驾驶）---- 决策才是未来10年的突破方向

6. AI产业应用仍然处于初期，没有商业模式，还需要时间和等待（与.com早期很像）

7.AI的泡沫存在，但不是不好。创业存在的问题：过去都是TO C的成功，但是TO B的成功太少，公司和资本市场都不太习惯TO B，例如估值等。

8.“创业”是艰苦的修行。

9.地平线的切入点：一，大公司不会涉及到的维度（大司的积累无效）；二，AI的本地计算十分重要（自动驾驶的计算）；三，技术难度较大

10.地平线打算构造：嵌入式AI计算生态圈：为各种各样的应用提供服务。

11.大牛的定义：知识的长期积累；对该行业的深度思考；持续创新的能力。

12.目前人工智能的技术差异小：是的。GPU+Caffe。 所以差异化 差异化 差异化很重要

 

2017的展望

1. AI处理器，硬件的出现。

2.新的算法的出现。

3.应用场景的出现。

 

提出的问题：

1.google的自动驾驶从公司分离出来，是不是表示不行？： google的自动驾驶基于精确地图，无法应对突发问题，而自动驾驶最重要的就是对突发问题的解决。

2.算法作为核心竞争力好么？： 这个最不合理，每天都在出现新的算法（人工智能算法），而且这个领域开源。

3.真正的核心竞争力？：一，足够大的市场；二，差异化，差异化，差异化。

4.深度学习的平台的选择？：Tensorflow虽然是google产品，但是一家独大不好。MMXNet也很好，同时与大多数人用Tensorfolw一样，打出差异化。

5.最新的强化学习和迁移学习怎么样？

5.1.AI领域中的感知可以使用“黑箱”；但是在决策端，需要使用“白箱”，黑箱不可想象,所以理论框架很重要。

5.2.深度学习本身就有迁移学习的特点：ImageNet训练出来的参数在其他的地方也可以用。而深度学习（模型）包含两部分：模型的迁移和参数的迁移。模型的迁移更加困难，也是high level的内容，从本质上更好的处理深度学习。