人工智能2016总结-2017年展望

发布时间:2017-1-17 8:51:32 编辑:www.fx114.net 分享查询网我要评论
本篇文章主要介绍了"人工智能2016总结-2017年展望 ",主要涉及到人工智能2016总结-2017年展望 方面的内容,对于人工智能2016总结-2017年展望 感兴趣的同学可以参考一下。

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。

上一篇:Understanding JavaScript Function Invocation and "this"
下一篇:STL中的set容器的一点总结

相关文章

相关评论