清华大学张钹院士在今年的CNCC大会上做了主题分享，他认为后深度学习时代的人工智能，就是想把人工智能从这个狭义的，只能解决一定范围的方法，推广更宽广的范围去，也就是从弱人工智能、强人工智能、到通用人工智能的演进。

而张院士也认为在这一过程中，可能会遇到三个方面的挑战。

1.概念统计方法带来的困难；「深度学习区分的是重复的模型，但大脑区分的是语义的特征，这两种区分有本质的区别，但是有关联。」

2.生数据带来的困难。张院士认为，大数据实际上掺杂了很多噪声，生数据的鲁棒性自然会比处理过的数据表现更差。

3.推广与迁移的困难。如何将弱人工智能推广到通用智能，也就是举一反三的层面，这点目前人工智能的表现还比较局限。

张院士提出了两个解决方案，一个是将数据驱动与知识驱动结合起来；另一个是回归神经网络的本源，如何学习人类神经网络的思维模式，再将这套方法移植到机器身上来。

而在演讲的最后，张院士指出，人工智能的发展要更加依靠学科交叉，特别是数学、认知科学、心理学、神经科学及语言学等。

CNCC2016｜清华大学张钹院士起底：后深度学习时代的人工智能

邢波：人工智能有哪三大机遇？

在数博会人工智能与大数据主题论坛上，卡耐基梅隆大学计算机科学系教授邢波做了一个系统性的演讲。在会上，邢教授指出人工智能存在三个方面的机遇。

首先是理论基础与实际需求仍有差距。包括了数学模型本身在表达性、迁移性、透明性与可调性上的局限；以及算法工具在速度、稳定性及收敛保障上的不足。

其次是如何跨越已有操作系统与AI任务需求间的鸿沟。在不同平台上实现AI非常困难。「由于大数据的产生，我们对于软件系统的需要和部署能力有更高的要求，譬如希望在不同平台上，能在不同的移动设备，云的设备上不同平台上跑同样的软件，目前这些问题都没有解决。」

最后一点在于未来通用硬件的构造会是什么样。从低功耗的CPU/GPU、到更多核的CPU/GPU、更大的RAM及闪存存储、或是量子计算甚至是DNS计算等不同于冯·诺依曼计算机的计算模型。

卡耐基梅隆邢波眼里的人工智能：它的价值在于通用性

谭铁牛：大数据时代里，模式识别的机遇在什么地方？

中国科学院副院长谭铁牛在CNCC上做了《大数据时代的模式识别》为主题的分享。基于人工智能的相关演讲已经多如牛毛，谭院长便为大家做了更为具体的介绍。「（模式识别）用我自己的语言来说就是：世上万物，不管是物质的还是精神的，看得见还是看不见的都是一种模式。」他认为，深度学习之所以火，便是获取提升模式识别的一种能力。而基于目前现状，谭院长概括出了以下几个现状：

面向特定任务的模式识别已取得突破性进展，有的性能可与人媲美。

统计与基于神经网络的模式识别目前占主导地位，深度学习开创了新局面。

通用模式识别依然任重道远。

鲁棒性、自适应性和可泛化性是一个进一步发展的三大瓶颈。

而针对现在的机遇，谭院长总结了三点：首先是数据利用，成为信息服务与知识服务的渠道。第二点是推动理论与方法创新；第三点的想法与张钹院士的做法一样，就是加速学科领域的交叉与渗透。

此外，谭院长还提出了几点值得关注的研究方向，包括：

面向大规模多源异构数据的鲁棒特征表达；

结构与统计相结合的模式识别新理论；

数据与知识相结合的模式识别；

具有鲁棒性和自适应性的生物启发模式识别；

基于跨领域跨模态知识迁移的模式识别；

以互联网为中心的模式识别。

想知道谭院长还提出了哪些真知灼见？欢迎点下面的链接查看。

CNCC2016|中科院谭铁牛：大数据时代的模式识别

叶杰平：机器学习如何用于滴滴打车？

叶杰平教授是机器学习领域的国际领军人物，现任滴滴研究院副院长，美国密歇根大学的终身教授。他在今年的腾讯大数据峰会暨KDDChina技术峰会解密了机器学习在滴滴中的大规模应用。雷锋网此前覆盖过MIT所做的最新车辆调度系统，其中同样也运用了机器学习的算法。比起尚未正式运用到实际领域的MIT研究成果，滴滴的算法已应用于预测目的地、估价、拼车、匹配司机、热力图等一系列实际场景中。

而滴滴人工智能的核心就在于订单的分配上。叶教授指出，滴滴实现订单最优匹配需要遵循这两大核心：做出最优路径规划，预估时间。

此外，在评估乘客体验及打分系统的权重上，滴滴人工智能也运用了不同的算法，以带给用户更好的乘车体验。关于叶教授的更多演讲细节，可以看看雷锋网所做的详细整理：

滴滴研究院副院长叶杰平：揭开滴滴人工智能调度系统的真面目

为大家介绍了2016年十位国内学术大牛的精彩演讲，但实际上更多精彩的演讲因篇幅所限无法一一覆盖，也希望读者们关注AI科技评论，与我们分享你心中的经典演讲吧！