机器之心

全球机器智能峰会（ GMIS 2017 ），是全球人工智能产业信息服务平台机器之心举办的首届大会，邀请来自美国、欧洲、加拿大及国内的众多顶级专家参会演讲。本次大会共计 47 位嘉宾、5 个Session、32 场演讲、4 场圆桌论坛、1 场人机大战，兼顾学界与产业、科技巨头与创业公司，以专业化、全球化的视角为人工智能从业者和爱好者奉上一场机器智能盛宴。

5 月 27 日，机器之心主办的为期两天的全球机器智能峰会（GMIS 2017）在北京 898 创新空间顺利开幕。中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任王飞跃为本次大会做了开幕式致辞，他表示：「我个人的看法是再过几年，我们90%的工作是人工智能提供的，就像我们今天大部分工作是机器提供的一样。我们的工作就是尽快让我们的鞋底也像人一样聪明，而不是鞋底比我们聪明，这就是人工智能给我们提供工作的机会。我们知道人工智能会给我们提供一个更美好的未来。」大会第一天重要嘉宾「LSTM 之父」Jürgen Schmidhuber、Citadel 首席人工智能官邓力、腾讯 AI Lab 副主任俞栋、英特尔 AIPG 数据科学部主任 Yinyin Liu、GE Transportation Digital Solutions CTO Wesly Mukai 等知名人工智能专家参与峰会，并在主题演讲、圆桌论坛等互动形式下，从科学家、企业家、技术专家的视角，解读人工智能的未来发展。

上午，英特尔人工智能产品事业部数据科学主任 Yinyin Liu 发表了主题为《演变中的人工智能：与模型俱进》的演讲，她探讨分享了如何用同一种模型为不同行业提供解决方案，以及如何让各个行业的专家建议推动整个人工智能生态系统的发展。以下是该演讲的主要内容：

人工智能领域中的解决方案包括模型设计、数据收集、AI 框架搭建等不同组成部分。除了这些部分，各行业从业者的思考，譬如哪些问题是可以解决的、什么样的解决方案是有效的，也对整个生态系统的发展有至关重要的作用。

用于图像的模型是最常见的一种深度学习模型，然而一种模型可以投入到不同的领域中给出多样的解决方案。例如，图像识别可以用于农业，进行作物疾病的识别。即使缺少针对这一个细分领域的数据集，我们也可以通过在 ImageNet 数据集上训练好的通用图像分类器上添加层数和微调，以迁移学习的方法搭建针对特定领域的高效图像识别模型。而图像分割则可以用于作物产量的预测。

图像分割模型还可以应用于自动驾驶。即使这个问题更难、数据注释更难获得，我们也可以用游戏引擎直接生成场景图片来进行用于自动驾驶的模型的训练。在油气勘探、肿瘤检测任务中，用于图像的模型也提供了大量的解决方案。

另一种常见的深度学习模型是用于序列的模型。我们用序列模型为金融业从业者提供了内容概括解决方案，帮助他们从海量的数据中找到和自身任务相关的信息。序列模型也被用于基因组学、语音识别等其他领域。

深度学习推动着人工智能领域的进展，模型是我们的起点，然后我们收集不同的需求、解决这些问题、再将相关经验反馈到模型中。在不断重复这个循环的过程中，我们就可以设计更好的模型，并更加高效地提供解决方案。

Nervana 为这个过程提供全栈式平台，我们提供多样的硬件、库、框架与工具包，最终，我们也收集不同领域的经验，融入到平台的设计中，使更多人获益。

我们希望，人工智能最终能为整个社会做出贡献。