新智元AI World 2017世界人工智能大会开场视频
中国人工智能资讯智库社交主平台新智元主办的
AI WORLD 2017 世界人工智能大会
11月8日在北京国家会议中心举行，大会以“AI 新万象，中国智能+”为主题，上百位AI领袖作了覆盖技术、学术和产业最前沿的报告和讨论，2000多名业内人士参会。新智元创始人兼CEO杨静在会上发布全球首个AI专家互动资讯平台“新智元V享圈”。
全程回顾新智元AI World 2017世界人工智能大会盛况：
新华网图文回顾
http://www.xinhuanet.com/money/jrzb20171108/index.htm
爱奇艺
上午：
http://www.iqiyi.com/v_19rrdp002w.html
下午：
http://www.iqiyi.com/v_19rrdozo4c.html
阿里云云栖社区
https://yq.aliyun.com/webinar/play/316?spm=5176.8067841.wnnow.14.ZrBcrm
新智元 · NIPS 2017
来源：NIPS 2017
新智元编辑部
【新智元导读】
新智元NIPS 2017系列报道第一篇，为你带来全景式的会议概览，包括大会主席构成、Tutorial和Workshop情况，
7场
受邀报告，以及DeepMind、Facebook研究院的工作。新智元智库专家、CMU计算机学院副教授马坚老师将在美国长滩带来现场直播，关注新智元小程序或加入直播群，参与直播互动，第一时间了解NIPS前沿资讯。
12月4日，也就是下周一，一年一度的NIPS就要正式召开了。这届NIPS从售票（提前2个月售完）到赞助（赞助商太多关闭赞助通道），
屡屡创下新高
。待到正式开幕，数千名研究人员和参会者“挤挤一堂”，绝非夸张。
那么，作为
新智元NIPS系列报道的第一篇
，我们将在本文中做一个初步的全景式介绍，包括会议信息，比如大会的Chair、Tutorial和Workshop情况，大会亮点，比如受邀报告，以及DeepMind、Facebook这些顶级研究院的工作。
翻开大会手册（https://media.nips.cc/Conferences/NIPS2017/NIPS-2017-Conference-Book.pdf），首先是赞助商，会议手册用了整整6页将他们放下。NIPS 2017的钻石赞助商是：Intel Nervana、英伟达、奥迪、IBM Research和微软。
接下来的铂金赞助商，才出现了或许更能立刻让人想到的几个名字。
其他档位的赞助商中，熟悉的名字包括京东、Juergen Schmidhuber的Renaissance、Maluuba、Yoshua Bengio做顾问的Element AI，华为、今日头条，360，以及Eric Xing教授联合创立的Petuum。
这个赞助商展位图似乎让人瞥见了当前AI产业的一个缩影。
程序主席谷歌、微软、Facebook和亚马逊四家凑一桌，会议组织管理层尚无华人
好，回到会议本身。本届NIPS由Isabelle Guyon（U. Paris-Saclay & ChaLearn）和Ulrike von Luxburg（U. of Tübingen）两位学者坐镇担任大会主席（General Chair），
程序主席（Program Chair，PC）是谷歌大脑的Samy Bengio，其他三位联合PC分别来自微软、Facebook和亚马逊
：Hanna Wallach（MSR NYC）、Rob Fergus（FAIR/NYU），以及S.V.N. Vishwanathan（UCSC & Amazon），可谓凑齐一桌。
虽然目前没有确切的统计数据，但根据NIPS官网给出的论文信息，我们知道投稿论文作者以及随之的参会者，有将近40%是华人以及来自中国大陆的学生和学者，但是，在会议的组织和管理层（Organizing Committee），还没有华人。
不过，在领域主席中，有Eric Xing（Senior Area Chair）、沙飞、李航、虞晶怡、邓力、刘铁岩和周志华等。
大会亮点：Tutorial和Workshop，关注新智元V直播现场互动
如果说NIPS有不能错过的东西，那么一定是各种Tutorial和Workshop。据不完全统计，本届NIPS一共有50多个tutorial和workshop，从贝叶斯学习到理解人类行为，覆盖了各方各面。例如，
周一上午的《深度学习：实践与趋势》（周一，Hall A，上午8：00），组织者是Nando de Freitas, Scott Reed, Oriol Vinyals。
周一下午，《几何深度学习》（Geometric Deep Learning on Graphs and Manifolds），也是在Hall A，组织者是 Michael Bronstein, Joan Bruna, Arthur Szlam, Xavier Bresson, Yann LeCun。
关于Tutorial和Workshop，新智元会专门出报道，敬请期待。同时，
新智元智库专家、CMU计算机学院副教授马坚老师将在美国长滩带来现场直播，关注新智元小程序或加入直播群，参与直播互动，第一时间了解马坚教授带来的NIPS前沿资讯。扫码入群详见文末。
7场受邀报告，重磅嘉宾：Hinton“向量学院”联合创始人、白宫AI研讨会主持人、谷歌应用科学部门负责人，话题覆盖AI基因编码、能源战略、学习大脑状态表示，以及贝叶斯深度学习
Brendan Frey是深度学习基因公司Deep Genomics联合创始人兼CEO，AI向量学院的联合创始人，多伦多大学工程和医学教授。他是国际公认的机器学习和基因组生物学领域的领导者，他的研究小组在Science, Nature 和 Cell等杂志上发表了十几篇论文。他因利用深度学习识别蛋白质-DNA相互作用而登陆Nature Biotechnology（2015）的封面。而他深度学习的研究可追溯到在Science 1995上发表的关于变分自编码器的论文。
演讲内容：为什么AI使人类基因重新编码变成可能
我们已经弄清楚了如何用DNA编辑技术来写基因，但我们不知道基因修改的后果是什么，这被称之为“基因型表型差异”。为了缩小差距，我们需要逆向工程遗传密码，这是非常困难的，因为对于人类的理解能力来说，生物学太复杂，干扰太大。机器学习和人工智能是必需的。数据？每个基因组有60亿对碱基母，成百上千种生物分子，数百种细胞类型，超过70亿人口。新一代的“生物IA”研究人员准备解决这个问题，但我们面临着非同寻常的挑战。我将讨论这些聚焦在人工智能和机器学习分支的挑战将产生的最大影响和原因。
Kate Crawford教授是主要研究者、学者和作者，他花了10年时间研究大数据、机器学习和人工智能的社会影响。她是纽约大学杰出的研究教授，纽约微软研究院的首席研究员，麻省理工学院媒体实验室的客座教授，2016，她主持了在白宫召开的有关未来十年人工智能对社会和经济影响的研讨会。她是AI和机器人的世界经济论坛全球议程委员会委员，最近被任命为Richard von Weizsaecker Fellow研究员。
演讲题目：偏差的烦恼
计算机科学家越来越关注机器学习可以复制和强化偏差形式的方法。当机器学习纳入到诸如医疗健康、刑事司法和教育等核心社会机构时，偏见和歧视问题可能极其严重。但是我们能做些什么呢？高风险决策产生的机器学习偏差部分麻烦是它可能是一个或多个因素导致的：培训数据、模型、系统目标，以及系统是否不适用于部分人群。理解机器学习如何产生一个特定的结果是非常困难的，偏差通常在系统已经产生不公平的结果后才被发现。但另外的问题是：对偏差的定义取决于你的行为举止，在其他领域还存在令人兴奋的方法尚未被计算机科技收纳。这个研究将讨论最近关于机器学习偏差的文献，思考我们如何结合社会科学的方法，来找到消除偏差的出路。
John Platt以机器学习而著称：支持向量机的SMO算法和模型的输出校准。是上世纪90年卷积神经网络的先驱。他在上世纪90年代的卷积神经网络的早期采用者。然而，约翰已经在许多不同的领域工作：数据系统、计算几何、物体识别、媒体研究、模拟计算、手写识别、数学与应用数学。他发现了两颗小行星，并因其计算机绘图工作获得2006年度奥斯卡金像奖。目前主持谷歌研究所的应用科学分支。
演讲内容：减少二氧化碳排放的能源战略
气候变化问题是很难解决的。一方面，化石燃料在人类文明中无处不在：我们通过燃烧化石燃料获得16兆瓦的电力。另一方面，根据气候模型，以当前的燃烧速度，我们还有不到30年的时间，能让全球平均升温保持在2℃以下。有很多策略来对抗气候变化。本次演讲将试图通过经济建模来澄清疑惑。首先，我要给大家一个关于能源系统的教程。然后，我将给出一个简单的经济模型，它可以预测发电所产生的成本和二氧化碳排放量。通过研究可能出现的场景来找到如何以最少的成本显著减少二氧化碳排放量的解决方案。从经济模型上的最大教训是，我们需要个强大的能量奇迹：一个7*24小时二氧化碳零排放的技术，可以产生比燃烧化石燃料产生更低成本的电力。目前，没有这样的技术。我将讨论这一可能成为强大能源奇迹的技术，并讨论实现这一目标的进展。
Lise Getoor是加州大学圣克鲁兹分校计算机科学系的教授。 她的研究领域包括机器学习，数据整合和不确定性推理，重点在于图表和网络数据。她发表了超过250篇论文，拥有丰富的机器学习和图形和网络数据概率建模方法的经验。
演讲题目：结构的惊人有效性
我们收集，操纵，分析和处理大量数据的能力对社会的各个方面都产生了深远的影响。这些数据大部分是异构数据，并且通过无数复杂的方式相互联系。从信息集成到科学发现再到计算社会科学，我们需要机器学习方法，挖掘领域内的固有不确定性和内在结构。统计关系学习（SRL）是建立在概率论和统计学原理基础上的一个子领域，致力于解决不确定性问题，同时结合知识表示和逻辑的工具来表示结构。在这个演讲中，我将简要地介绍一下SRL，为常见的结构化预测问题提供模板，并描述混合逻辑，概率推理和潜在变量的建模方法。我将概述我们最近关于概率软逻辑（PSL）的工作。最后，我将强调实现知识发现的数据和结构有效性的机会（和挑战!!）。
Pieter Abbeel（加州大学伯克利分校副教授，OpenAI研究科学家，Gradescope联合创始人），从事机器学习和机器人技术，尤其是关于让机器人学习人类（学徒学习），让机器人如何通过自己的反复试验（强化学习）来学习的研究。
演讲题目：机器人技术中的深度学习
计算机科学家越来越关注机器学习在复制和强化偏见的很多方式。当ML系统被纳入医疗保健，刑事司法和教育等核心社会机构时，偏见和歧视问题可能非常严重。但是，我们可以做些什么呢？机器学习在高风险决策中存在偏差的部分原因可能有很多原因：训练数据，模型，系统目标以及系统对某些人群的工作是否不太好。鉴于理解机器学习系统如何产生特定结果十分困难，偏见往往是在系统产生不公平的结果之后才会被发现。但是，还有另外一个问题：偏见的定义会根据你的学科而有很大的变化，其他领域还有一些尚未被计算机科学所接受的令人兴奋的方法。这次演讲将着眼于最近关于机器学习偏见的文献，考虑如何整合社会科学的方法，并提出解决偏见的新策略。
Yael Niv获得特拉维夫大学精神生物学硕士学位，拥有希伯来大学博士学位。
演讲题目：学习状态表示
