作为上海人的一大便利，就是家门口有很多高水平的活动，比如演唱会、展览、电影节、时装周，当然，还有学术报告会。比如，7月2日开始为期三天的SSIST, ShanghaiTech Symposium on Information Science and Technology. 今年的主题是Artificial Intelligence，Web Security and Smart Energy.
感谢上海科技大学的筹办，使得几十位世界级大牛与我的距离，缩短到了5站地铁。这几天能见到很多耳熟能详的大牛，包括Yann LeCun, Harry Shum, Dawn Song, Tie-Yan Liu, Yuandong Tian, Weiming Ma, Shuicheng Yan等等。
预热环节，第一天是一个工业创新论坛。尊敬的上海科技大学校长江绵恒，将于第二天致开幕词。
第一天邀请的嘉宾，在工业界有很全面的代表性:
马维英，今日头条VP，前微软亚洲研究院副院长。
黄华，华为MBB总监。
闵可锐，猎豹移动首席科学家，本来计划的傅盛先生因故没有来。
徐立，商汤科技CEO。
颜水成，奇虎360 VP。
马毅，上海科技大学教授。
主持人是Delaware大学的虞晶怡教授。
（由于专业能力有限，时间仓促，以下诸多谬误之处，在此致歉。）
虞晶怡教授作为CVPR方向的学者，开场给我们做了一个生动的增强现实Demo，在实时的手机摄像中，可以随意放置物体，比如一个唐三彩的雕塑马，一个地上的小人，或是真人大小的跳舞女郎，可以做到很逼真的效果，几乎看不出来是加工上去的，还能360度远近观看，你懂得。
闵可锐作为猎豹移动的首席科学家，给了第一个talk，介绍猎豹移动。我也是从去年才开始频繁听到猎豹移动和傅盛的名字，其实我们并不陌生，成立于2010年，它的前身是金山网络。
猎豹移动悄悄做到了Google Play全球非游戏类应用榜单排名第三的移动应用开发商。Talk中提到了两个我几乎没听过，但已经做的很大的产品，海外排名第三的News Republic，类似今日头条，做个性化内容分发；live.me，美国排名第一的直播平台。
关于技术分享，闵可锐大牛介绍了News Republic的智能推荐，用到一个learning to hash的方法将512维特征降到64维，从而提升系统性能。
也提到了一个新产品，小雅音响，售价699，6+1环形麦克风阵列，可以在5米范围内保持很好的声学特性，具有更温暖更具有情感的人声（很可爱的小姑娘），平滑的合成语音，包括中英文转换。用户不必担心播放出的声音干扰小雅音响的语音指令识别，因为它的“有呼必应”特性在去回声、去噪声方面做了很多优化。
来自华为上海的黄华总监，供职华为17年了，笑侃自己超过了45岁（呼应今年的华为45岁裁员传闻）。黄华总监介绍了人工智能在华为移动网络方面的应用。最开始他们聘请了很多俄罗斯、法国的数学家，进行rule-based的研发。我们知道俄罗斯的数学非常强，但最后网络环境复杂到数学家也无法解决了。再精妙的参数，也无法适应万变的应用场景，包括天气气候，不同国家，城市乡村等等，哪怕同一个建筑内的位移，也会对无线信号产生很大的扰动。而网络设备本身也在变得更复杂，预计4G到5G网络，天线数会增加到64个。
在多变的网络环境、网络信号下，reinforcemeng learning正是用武之地，让它适应性地自我学习，实现了7%的提升。
黄华总监还多次提到了《奇点临近》这本书，一并推荐给大家。
颜水成先生，曾经是新加坡国立大学的计算机教授，近年从学术界跨入工业界，加入奇虎360，领导人工智能研究院。从学术界到工业界的转变脉络，也在他的talk中隐约有所体现。
颜老板提出了人工智能的两个追求方向:
- 精度极限
- 产品体验
包括我个人，注意力常常在精度极限上，也体现在学术界不断刷新各个标准数据集的精确度记录，Kaggle、天池竞赛依据某个量化分值排名参赛队伍。但对精度极限的追求，不是人工智能的全部。
能将二者结合起来的经典范例，就是大公司的AI Labs，对精度极限和产品体验的联合追求，可以互相促进，形成良性循环。
颜老板还分享了residual network v.s. densely connected networks；介绍了人工智能在图像分割的应用，比如美图类软件的人像抠图和背景置换，美颜和去美颜；低功耗的深度学习应用场景，比如车载镜头对路况标志的识别，手表应用等。
来自商汤科技(SenseTime)的徐立，口才了得，为我们介绍了一把“人工智能忽悠史”。这里大家感受下列历史事件，从中可以看到一些起起伏伏:
- 1956年，达特茅斯会议标志AI诞生。
- 1957年，罗森布拉特发明第一款神经网络，进入第一个高峰。
- 1970年，受计算能力所限，AI进入第一个低谷。
- 1982年，霍普菲尔特神经网络提出。
- 1986年，BP算法实现了神经网络训练的突破，进入第二个高峰。
- 1990年，人工智能计算机DAPRA失败，进入第二个低谷。
- 2006年，深度学习神经网络被提出。
- 2013年，深度学习算法在语音和视觉识别率获得突破性进展，进入第三个高峰。
徐立的表达和总结能力很强，他认为和人一样，人工智能的突破，也是按照“看、听、说”这个顺序。深度学习的突破，关键节点在2012年的ImageNet图像分类竞赛，深度学习方法准确率达到85%，相比前一年提升11个点，2013年又提升到89%。而我2012年开始读博士，2014年辍学，不胜唏嘘。
徐立还分享了融资时的趣事，他自己的公司也做了一个200块GPU的训练系统，可以将24小时训练时间缩短到6小时，当时某大公司也从Nvidia(英伟达)采购了6万块GPU，以此向投资人说明自己公司应用的GPU技术的靠谱，后来这个投资人就没了下文。再过了两年，这个投资人总是给他发红包，原来他没有投商汤科技，而是买了英伟达的股票，要感谢他的信息。我查了下K线，8倍收益。
从这两件事可以看出，深度学习和GPU，是这次人工智能浪潮的助推器。虽然谷歌搜索在大陆被封锁，但中国大陆仍然是Google Trends中搜索deep learning最火热的地区。
机器学习应用，基本要经历从技不如人，到超越大众，再到超越专家的演进。而今后很多带“老”字的职业，都可能被取代，比如老中医，老司机。
茶歇之后，是一个圆桌会议。
我认为很成功，主持人准备了很优质的问题，活跃地引导现场气氛，让非常资深的各位嘉宾吐露了不少干货。印象比较深刻的问题有：
创业的4W(what, who, where, when)。
因航班一再延误而中途到场的马维英先生（也是我在微软亚洲研究院时期的大老板），介绍了自己临近50岁而创业的心路历程，并深刻解读今日头条的产品布局，大有可为的人工智能应用场景。作为台湾人的马先生，很儒雅有风度。又让我想起罗永浩说，台湾老板常常给人如沐春风的感觉。
关于什么人适合创业，马毅教授提到不应该鼓励大学老师创业，因为他们作为科技放大器，有着更长远重要的使命。已经从学术界转入工业界的颜水成教授发表了一点不同看法，认为对于专业性极强的人工智能领域，知名大学教授更容易获得投资界的信任，并依靠自己的专长和资源获得成功。
而对于适合创业的人都具有什么特质，大家都表示，真的没有什么规律，这么多年的观察下来，什么案例都有。
关于地点，徐立表示，要离大学近，离人才近。
关于创业时机，嘉宾表示，要结合行业的发展，也要结合自己的人生规划。
主持人的一个刁钻问题是，请为自己的公司做一下招人宣传。于是各位老板各显神通。
今日头条的马维英最近经常招人很熟练，又慷慨陈词了一番，介绍闭环下的个性化内容分发平台，大有可为，并具有非常有竞争力的薪酬。华为的黄华总监透露了一个秘密，华为作为多年不上市公司，不用对资方缴纳巨额利润，赚的钱都会被大家分掉，现在加入华为是在山顶上等收获。360表示自己马上要上市，加入可以享受IPO的红利。SenseTime作为初创公司表示自己工资高且有股份。
唯一一个来自观众的问题是，人工智能还会火多久？媒体的热炒会产生哪些负面影响。这也是我和很多人心中的疑惑。嘉宾有的表示，这才刚刚开始，二三十年不成问题。有的比喻今天为，春夏秋冬的秋天，我理解秋天是收获的季节，之后可能是冬天，冬天过后又是四季的轮回。
（未完待续）
网友评论