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，邀请了来自美国、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、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。
在27日大会的最后一个环节，是主题为《机器智能时代的青年先锋视野》的论坛活动。参与分享的嘉宾分别是：来自加州大学伯克利分校计算机系在读博士姜碧野，卡内基梅隆助理教授Zachary Lipton，澎峰科技创始人张先轶，NIPS 2016 最佳论文「VIN」作者之一吴翼。其中姜碧野为本场活动的主持人。
姜碧野：大家已经进入AI领域，大概有四年的时间了。请给我们分享一下如何快速学习、获取AI方面的知识？比如在两年之内，就能通过学习更好地了解这个领域？
Zachary Lipton：我的背景很有趣，在专科学习前，我是音乐人，没有计算机科学方面的背景。相当于是一张白纸。这就意味着我必须快速学习。PHD给了我很多自由度，我可以花数周的时间专注于这个方面，然后去找到资源，互联网有很多资源，可以从中学到基础的知识。此外，也可以跟别人共同研究论文，彼此分享。
我的经验是，并不是要成为专家，才能产出。比如我写第一篇论文时，并没有实施能力建立复杂运算，但是评估方面有研究空间，因而我的第一篇论文关于这个方向。我认为，只要你不断学习，慢慢地就会了解如何写论文，做实验，对别人的论文如何评论。你可以通过写论文或者做其他事来成为专家，而不是等成为专家之后再来做事，因为成为专家需要很长时间。
对于机器学习而言，并不是要成为全球最顶尖的人，而是在具备一定数学知识基础上，找到合适的研究方向，知道它的问题，懂得如何进行复杂的运算或者实验，再通过讲述好故事的方式指出解决的问题所在。此外，从朋友、合作者，以及具体领域的实验或数据，都能学到很多知识，比如对医疗领域的应用，就给了我很多想法。
张先轶：平时我要写很多论文，学习一些知识，看一些源代码。我是做高性能计算的，比如B型超级计算机的性能，需要设计神经系统来优化神经系统的模型，因此需要了解一些低层次的模型以及他们的计算、运行方法。我们还要了解各种不同的系统、矩阵、卷积系统，这是我们的研究范围。
吴翼：你身边总有一些专家，大胆去敲他们的门，告诉他们，你想跟他们合作，并且说明你要做什么。我当时就是这么做，去敲教授的门，询问他，是否有项目需要我效劳。然后我跟教授合作了一个项目，发表了一篇文章。我认为，勇敢地跟正确的人对话很重要。
另外，好的合作者很重要。在做深度学习的时候，我有很多好朋友，也有很好的合作者。当然，这需要开放的心态和开放的视野，因为，在不同的领域，你不知道两年之后会做什么，而在新领域，也有可能出现你以前不知道的知识。
姜碧野：先轶，你作为青年创业者，你有没有踩过一些坑？或者有一些觉得非常精彩，非常有意义的事情可以跟大家分享一下？
张先轶：我之前是在中科院待了很久，后来去国外待了一段时间。其实大部分时间要么在大学，或者是研究所工作，做的都是有点偏研究+工程的这种东西。但是在创业的时候，其实之前的经历和做公司差别还是很大的，因为我们做Research只追求一个点，只聚焦到一个点上做得非常漂亮，把我的论文发出去，可能再去做其他的东西。
但是作为公司，是要把我们在计算、加速的点上下链条做得更多一些，可以成为一个真正的产品性的东西，交付给客户，客户使用更方便。因为大量的客户，可能他需求的是一个房子，你提供给他的不能是一个很漂亮的砖，那个砖他用不了，你必须得垒成很漂亮的房子提供给客户，而且每个公司背景不一样，要考虑的问题都有很大不同。
姜碧野：Zachary Lipton，你很快就晋升为教授了，我想请问，你作为一个年轻的教授，尤其是在AI的领域，你对学生的期待是什么？你给他们什么建议呢？
Zachary Lipton：首先要灵活，要跟不同的学生有不同的合作，里面有很多不同的因素，因此我是因材施教。不同的学生有不同的目标，你允许他们有不同的打算，有的人想在学术界，有的人想直接去业界等等。有人想成为成功的工程师，但是他对于研究的过程并不熟悉，所以我就帮助他，比如说怎么使用深度学习实验室，就教了他很多关于做研究的问题。比如有的人完全不知所措，不知道从那里开始，我也有教导他们的方式，取决于学生的背景，要因材施教，了解学生不同的特点。
此外，在机器学习中，越来越倾向实证化了，你看到了从原来理论的验证，一直到现在越来越倾向于实证了。我自己本身也是偏实证、实验的一个人，这也是我未来五到十年想对学生们说的，我鼓励他们去做一些更现实的问题，做一些现实性的假设，以批判性的思维来对待他们。现在机器学习，因为很长时间以来，机器学习就是机器学习，是学术界里面，是象牙塔里的事情，外面就是外面的事情，现在却完全不一样了，不再是过去那种只空谈理论，就可以发论文的时代了，所以，现在机器学习更加实际了，更加实证了。
姜碧野：你是否觉得学生们应该有数学的背景，或者是理论分析和算法的背景？
Zachary Lipton：我只能说，现在这个门槛更加偏实证了。中午的时候，聊到一句很有意思的话，拒绝了一篇文章，这篇文章如果测量、测量、测量，这个文章根本就不用看了，没什么价值。当然这只是一个玩笑，并不是说必须得有数学的背景才能搞人工智能，但有数学背景肯定还是会有用处的，工程数学肯定是一个加分的东西，是一个优势的东西。如果你在数学或者是其他方面没有背景的话，反倒会是有一点障碍，数学背景不是必须的，但是肯定是非常重要的。
吴翼：深度学习和烹饪一样，需要一点天赋。比如我一次做一个菜，我的室友就没有那样的天赋，他要想做一道菜，可能两个锅都糊了。有的时候，有的人做一个事情需要一天，有的人需要一个月，所以还是需要一点天赋。
姜碧野：作为青年先锋，能给我们描述一下未来几年您想要去做的一些，让我们感到兴奋的领域，能跟我们说一说吗？
张先轶：我觉得开源是非常重要的，在应用的层面，在网络层面，在深度学习层面，在数据库方面等各个方面。但是在CPU这边，或者是硬件的方面，在处理器方面，并没有什么太多的、著名的、开源的标准。所以，我觉得Risk Five是一个非常好的开始，一个非常好的研究题目，我们的研究团队可以使用Risk Five这个开源的东西，把它和其他的加速器结合，来建立自己的芯片，用来做自己的应用，这是非常好的，我觉得这是未来的一个方向。
另外关于学术界，我想说增强学习、强化学习将持续是一个热点。我真的希望深度学习可以做一个星际的AI。还有一个研究的热点，就是结合深度学习和自然语言和强化学习，在自然语言里面，我们可以去评估机器理解语言研究得多好，在这里面我们可以开发出各种各样的应用。最近也有一些让机器去听从人类的语言，说出来的一些命令，命令的执行，也是一个很好的领域。
Zachary Lipton：对于我来说，我觉得机器学习会应用于医学方面，还有就是强化学习和对话。我觉得其实未来是很多元化的，为什么我愿意进入机器学习呢？让我很兴奋的地方，我觉得它已经开始以一种重要的方式影响社会了。我们现在的技术已经很先进了，或者说已经取得了一些新的进展，比如说它可以帮助人们过滤新闻等等。而深度学习进入到社会的视野当中，开始影响社会，将来人类社会会越来越自动化，更多的行业和工作越来越自动化。在未来五到十年，或者是更快早的时间，我们会进入到关键时刻，整个社会应该一起决定对于机器学习应该有什么样的公共政策，应该有什么样道德上的考量，伦理上的考量，进而制定政策来引导机器学习。在社会层面上，我们已经到了一个需要认真思考这件事情的时候了。
姜碧野：现在有各种各样的框架，使得人们可以快速写出这些网络，越来越多的人，哪怕是本科生，甚至是上大学之前，都可以自学来写出一些象样的东西。你觉得这些年轻人需要哪些技能，才能够真正在这个领域有更好的职业发展呢？
吴翼：对所有的博士生来说，写作很重要。我看了一些论文，根据他们的文字，就能判断这是本科生还是博士写的，而现在本科生的写作能力差强人意。
Zachary Lipton：深度学习有关的论文，如果你三四年前已发表过，就不能再发类似主题的论文，某个主题第一篇成功论文，很有启迪性。如果你再写，没有新意的话，根本发表不了。因为以前它是创新，让人敬仰，但现在是有用的常规工具，如果你没有没法超越此前的想法，论文也发表不了。理论是不断演进，不断有新的方法出现，我们要不断追踪最前沿的知识，再加上工程和数学的思维。具体来说，我们需要深度理解一些子领域，把我们关注的子领域彻底研究透彻。现在有一个有关卫生领域的深度学习的新会议，我发表过文章，我也是评委之一，在评委中，有临床医学和深度学习的专家，在审阅深度学习论文的时候，会更贴近业界以及现实应用。我们未来会追求多元化的研究方向，但要求要有新意。
