2018年4月10日至4月13日，由
O'Reilly
和
Intel
共同举办的
AI Conference 2018北京站
大会在北京国际饭店会议中心隆重举行。
大会的主题是
“探索在业务中应用人工智能的机会”
，来自Google、Intel、Uber、Amazon、百度、微软、阿里巴巴、蚂蚁金服、SAS、IBM、Unity、SalesForce、eBay、Bonsai、伯克利、斯坦福及牛津大学等在内的中美知名企业和高等学府的
85位业界专家、学者以及研发人员
，在4天的时间里，通过近百场的主题演讲、分会场议题以及相关培训活动，为来自全球的千余名与会者分享了中美在人工智能应用方面的最新成果，引起了业界的广泛关注。
在大会的主题演讲中，
多位业界大咖向与会者介绍了各自领域里人工智能应用的最新进展情况。
来自Intel人工智能事业部副总裁兼人工智能实验室和软件总经理
Arjun Bansal博士分享了Intel人工智能助推医疗行业现代化的进展。
包括如何利用深度神经网络帮助解决医疗数据集庞大的问题，优化流程，提高医生的效率；利用深度学习和机器学习大幅提升肿瘤检测的效果；通过有效优化算法而大幅降低新药研发的成本等。
同样来自Intel的
刘茵茵博士
是Intel 人工智能事业部数据科学部的数据科学主任，她和团队成员一起推动Intel Nervana平台的开发和设计，并将深度学习和Intel Nervana技术应用于不同行业领域的业务应用。
刘博士在发言中
首先谈及了Intel应用方案的整体思路：
组建一个NLP平台，建立一个开放灵活的堆栈，利用平台和堆栈创建一些商业应用解决方案。接下来刘博士给大家
分享了NLP利用深度学习网络处理自然语言的最新算法发展，
如：文档理解之类的应用，实现快速筛查海量文本，分类标注并找到相关信息。之后，刘博士
还通过几个使用Intel 人工智能技术的NLP企业案例展示了在深度学习领域里面出现的一些创新：
如何影响处理文本，语言及基于对话应用，以及启动利用数据的新方向等。
作为Google TensorFlow团队的科学家，
Sherry Moore
向与会者分享了
Google人工智能平台TensorFlow的最新研发和应用情况，
Google如何让每个人都能够从人工智能中受益以及Google致力于让人工智能惠及每个人的理念。
在演讲中，Sherry提到了人工智能在Google Assistant、Google Home、Google+等产品中的应用，其中特别提到Google Translate通过使用神经网络翻译进行整句翻译，大大提高了翻译的准确性。
同时，Sherry也介绍了Google人工智能在医学、农业、航空运输、环境保护等领域的应用。此外，TensorFlow的开源对于行业和产业界皆带来很大的变化，Sherry也就此专门进行了40分钟的分会场的议题分享。
来自Uber的
Erran Li博士
是Uber高级技术团队的资深研究科学家，ACM和IEEE计算机学会的成员，康奈尔大学计算机科学博士。Erran Li博士向与会者分享了
深度增强学习如何显著地推进自动驾驶的潜力，
如：领域适应和用于感知和行动的迁移学习，无监督学习；模型预测控制（例如iLQR）领域的研发近况，如：模仿学习（例如DAGGER、infoGAIL），策略梯度法以及层次增强学习（例如A3C和变化降低）等，以及它们在自动驾驶方面的应用表现，同时也介绍了
在自动驾驶领域所剩“最后10%”的问题所带来的巨大挑战。
来自Matroid公司的创始人兼CEO
Reza Zadeh博士
概述了Matroid的Kubernetes部署，
它为大量用户提供了定制的计算机视觉和流监控，并演示了如何在浏览器中定制计算机视觉神经网络模型。
同时解释了Matroid如何按比例构建、训练和可视化用以监视视频流的TensorFlow模型。
Danny Lange博士
是ACM和IEEE计算机学会的成员，在世界顶尖游戏公司Unity Technologies担任人工智能和机器学习的副总裁，而曾经担任Uber机器学习负责人，亚马逊机器学习公司总经理，微软的首席开发经理，参与通用汽车OnStar Virtual Advisor项目等工作经历让他成为公认的业界翘楚。
Danny Lange博士向与会者介绍了
使用ML-Agents工具包的Unity Engine作为动态3D游戏环境用于机器学习研究的例子；并且演示了游戏在推动强化学习算法发展过程中所扮演的角色；
Danny还概述了
用于训练机器学习代理的各种算法，
包括各种强化学习和监督式学习方法。并对如何在定制的3D游戏环境中进行机器学习研究，以及如何使用深度强化学习方法去完成这些环境中的各种任务给出了很好的建议。
来自百度首席科学家
熊辉博士
以
“数据驱动的人工智能时代已经到来”
开场，
指出数据驱动的主要特征是精细化的数据搜集导致一切事物会更加清晰化，但同时大量数据积累的过程也会造成信息的冗余，并使得获取高附加值信息的成本大幅提升。
在接下来的发言中，熊辉博士谈到了两类行业最适合应用人工智能：没有被充分数字化的行业，以及没有被充分用更小的颗粒度去数字化的行业。他指出在数据、计算能力、算法和应用场景等人工智能的四大必备要素中，算法优化是学术界的强项，而数据、算力和应用场景则普遍存在于企业界。
百度正作为一个数据驱动的公司，意在通过四大要素的整合打造全生态数字化AI平台，而Apollo自动驾驶开放平台，精细化、个性化的百度搜索和推送平台，以及基于百度语音技术、视频处理技术的开放平台DuerOS等都是这种理念的具体体现。
“我今天给大家讲的是
增强学习如何能够在真正的实际应用当中解决问题，它是怎么样解决的？解决了什么问题？
”Bonsai公司的创始人兼CEO，认知企业家
Mark Hammond
开门见山地提出了主题演讲的核心内容。
增强学习结合了模拟或是数字的组合，是解决动态变化和需要自适应的环境问题的一个强有力的机器学习工具。增强学习能训练模型，让它们优化多种行业（例如机器人，制造业，能源，供应链等）的系统和流程的效率。Mark Hammond在演讲中通过两个真实的案例展示了增强学习是如何成功地优化了西门子公司的机器调优，以及如何优化了一个大型空调企业的系统的能效。并且详细介绍了从构建，训练，部署模型到分析应用的业务全过程。
Hassan Sawaf
是AWS应用科学和人工智能主管，负责推动Amazon Lex，Amazon Comprehend，亚马逊翻译，亚马逊转录和其他机器学习服务等产品的科学和技术，他在自动语音识别，计算机视觉，自然语言理解和机器翻译领域有二十多年的工作经验。
Hassan Sawaf在主题演讲中首先和与会者
分享了人与计算机交互的历史进程，并结合机器学习的使用场景，介绍了亚马逊人工智能在语音识别，机器翻译等应用领域的最新成果，以及全新上线的Amazon Go带来的全新购物体验。
“到目前为止，所有的东西都是AI+HI，即人工智能+人类智能。”来自微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长
洪小文博士
在他的主题演讲
“智能简史”
中明
确提出了人工智能的发展理念，并以此为依据介绍了微软在CNN、语音识别、机器翻译等方面的进展。
来自京东人工智能平台和研究部门的副总裁
Bowen Zhou博士
是人类语言技术，机器学习和人工智能多领域的专家。之前在IBM十五年的工作经历中，是IBM技术战略与研究，以及AI认知研究方面的领导者，IBM Watson Group首席科学家。
Bowen Zhou博士
在会上与大家分享的是他对人工智能的独特认识：
从目前的ANI（窄义人工智能）发展到未来的ABI（广义人工智能）。这种发展意味着有更好的需求和标识数据，对专家人工系统，算法专家的依赖性会减少，会出现更多可解释的人工智能解决方案。更重要的在于，新开发的AI系统可以来做更多不同的Task，所有这一切合在一起，就会形成ABI。但是如果ABI能够达到，对任何AI的应用企业，对AI的使用者来说，意味着会形成一个比今天大100倍的人工智能市场。
同时，Zhou博士还分享了从ANI到ABI，研发人员需要努力实现的七个主要的技术方向。
