演讲人-余凯算法
2016总结:网络
1. AlphaGo 的成功框架
2. 各类人工智能公司的成功 工具
3. 算法的改进, 生成式对抗网络,仍是个exciting的领域学习
4. open source工具:caffe,MMXnetgoogle
5. AI的过程: 从感知(图像,声音)到决策(自动驾驶)---- 决策才是将来10年的突破方向人工智能
6. AI产业应用仍然处于初期,没有商业模式,还须要时间和等待(与.com早期很像)url
7.AI的泡沫存在,但不是很差。创业存在的问题:过去都是TO C的成功,可是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。ci
8.“创业”是艰苦的修行。get
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:为各类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别小:是的。GPU+Caffe。 因此差别化 差别化 差别化很重要
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,是否是表示不行?: google的自动驾驶基于精确地图,没法应对突发问题,而自动驾驶最重要的就是对突发问题的解决。
2.算法做为核心竞争力好么?: 这个最不合理,天天都在出现新的算法(人工智能算法),并且这个领域开源。
3.真正的核心竞争力?:一,足够大的市场;二,差别化,差别化,差别化。
4.深度学习的平台的选择?:Tensorflow虽然是google产品,可是一家独大很差。MMXNet也很好,同时与大多数人用Tensorfolw同样,打出差别化。
5.最新的强化学习和迁移学习怎么样?
5.1.AI领域中的感知可使用“黑箱”;可是在决策端,须要使用“白箱”,黑箱不可想象,因此理论框架很重要。
5.2.深度学习自己就有迁移学习的特色:ImageNet训练出来的参数在其余的地方也能够用。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。