【北大AI公開課13講全鏈接+最強幹貨盤點】中國AI +，群星閃耀時

新智元推薦

整理：張易 胡祥傑

【新智元導讀】本文盤點了剛剛結束的北大 AI 公開課的精彩乾貨，附全部的文字實錄鏈接和視頻鏈接，是全景式地了解 AI 產業發展現狀和趨勢極為珍貴的資料。

首先告訴大家，這篇文章盤點了剛剛結束的北大 AI 公開課的精彩乾貨，附全部的文字實錄鏈接和視頻鏈接，是全景式地了解 AI 產業發展現狀和趨勢極為珍貴的資料。

同時，本文摘錄了來自10多個行業、13位頂級人工智慧產業專家在公開課上講解的重點內容，本身就值得收藏。

剛剛結束的北大 AI 公開課，由北大人工智慧創新中心主任雷鳴組織，以把聽者培養為「懂產業的 AI 人才」為主旨，邀請了13位頂級人工智慧產業專家，分別從智能駕駛、智能醫療、智能金融、智能家居、硬體等10多個 AI+ 行業，向學生和從業者全面介紹了 AI 如何與產業結合，以及 AI 在各行業應用的現狀、趨勢、機遇與挑戰。選課前關於此課的討論貼就成為北大BBS校園熱點第一條，課程滿意度評價在10分制中達到了9.5，甚至有北大校友從天津坐高鐵過來上課。課程產生巨大的社會影響力，課程視頻、文章瀏覽量累計120萬次。

這門課程，正是由新智元全程首發報道，將課堂精彩內容第一時間傳遞給萬千讀者的。如今公開課暫落帷幕，當我們回顧這 13 堂課，13 位嘉賓，AI 群星閃耀的一幕幕仍在腦海中流轉。

在每次長達 2 小時的課堂上，總是先由嘉賓進行 1 個小時乾貨滿滿的主題演講；再進行嘉賓和雷鳴老師的對話環節。

無論是在課堂上——

還是線上——

課程的受歡迎程度都非常高。

單是新智元整理的這門課程的文字稿，累計就超過了 20 萬字。

好了，不說這些了。當我們的人工智慧產業、學術專家們開始講話，當璀璨的 AI 群星在新智元星空色的背景下發出光芒，發出聲音，讓我們靜靜聆聽。

北大雷鳴：讓學生成為「懂行業的 AI 人才」

視頻鏈接：http://www.iqiyi.com/l_19rrf6l46v.html

"如果我們進入到某種稱為智能社會的社會，那麼可能基於技能的重複性工作會被大量替代。創新有一定的失敗率，但是投入其中的人越多，基數越大，社會發展就會越快。"

"農業社會，工作對象是自然，比如我弄個莊稼什麼的，就是天天跟自然打交道；工業社會，工作對象是自然界里被你改造過的東西。而到了智能時代，這些東西我們都不用管它了，因為有機器人在那裡替你做。我們所做的可能就是處理信息。我們設計公式就可以了，機器人把它執行出來，然後為我們所用。這會對社會造成非常深遠的影響。"

"我們希望，學生能夠成為懂行業的 AI 人才......上完這個課之後，大家可能對於每個行業都能有所了解，然後決定你喜歡哪個行業。因為我們畢業后不可能參與所有的行業，你早點知道自己喜歡哪個行業，你早點去了解將來的話，你就會更明確目標。創業也好，加入公司也好，都能做得更好。"

雷鳴，北大人工智慧創新中心主任，百度創始七劍客之一。作為課程的組織者，他為大家帶來了備受矚目的第一講《人工智慧前沿與產業趨勢》。內容涵蓋了人工智慧的發展、意義、驅動力以及和行業的結合點。

「（AI+ 現在湧現出的機會）相當於十幾年前的互聯網時代，幾乎所有的行業都有嶄新的需求。」

「對VC來說，最痛的痛點，就是拿著矯揉造作的痛點、偽需求去創業的......真正的需求不是想出來的。」

"我們投資最痛苦的經歷，就是投了一個沒有商業意識的科學家。投資創業是商業，如果你有一個idea一個技術，怎麼賣掉，征服市場。我們投過很多世界級的科學家，但是他招人、開人、整人、管人、教育人的能力欠缺，最後偉大的夢想全部破滅。

完美的情況是，這個技術牛人同時具有商業能力。但是更多的情況是，做技術的可能只想做技術，你就要找一個商業專家、一個管理專家。我很看重一個創業團隊，幾個「合伙人」，一個管技術，一個管市場、一個管供應鏈。所以的技術人員和科學家整體跟美國的比起來，綜合能力相對弱。

我不是針對搞技術的，我認為大家讀書的時候都要培養深入社會的能力和愛的能力。要加入創業公司，去打雜、哪怕倒開水、做前台、當司機……鍛煉自己的商業感覺和與人打交道的能力。"

創業公司要有這樣一種文化，既能夠相互拍桌子，又能夠相互妥協，這樣才能做起來。沒有公司不在戰鬥中成長，都是打打鬧鬧、哭哭啼啼的，才能成長。

徐小平，真格基金創始人、新東方聯合創始人。他一上講台，就表示能生活在這個 AI 時代，感覺很「燃」！他還調侃自己，雖然只有「人工」沒有「智能」，但是依然投了很多成功的 AI 公司。這堂課正是他經驗的分享。

視頻鏈接：http://www.iqiyi.com/w_19rtza2dh9.html

「我認為從現在開始，我們會看到從邊緣開始的一種革命，正如從2012開始深度學習所引起的革命，一般來說，革命都是從邊緣開始的。2012年4月我在西安一次會議上作了一個關於深度學習的講座，那時深度學習還是一個處於邊緣的課題，而如今已發展為風暴的中心。當今人工智慧的計算大多數都在 BAT 的數據中心，在雲上面，但我們會發現，有一個巨大的機會遠離數據中心，在互聯網的邊緣。」

「未來的5到10年，最具顛覆性的產業機會是什麼？我跟大家分享一下我的思考。通常來講，產業機會分成兩個階段，通常的話，我們會看到，首先是一波2B的機會。2B的機會，就是 Enabling Technology，公司就是做 technology 本身的。它是提供槍炮彈藥的，給誰提供呢？給第二波的機會提供。第二波的機會是什麼呢？就是 Technology-enabled Business。當然這些都是2C的。2B就是給 Enterprise 提供服務。這些 Enterprise 再去捕捉 consumer-orient 的機會。這個 pattern確實在歷史上反覆發生。舉一個例子，當年 PC 互聯網剛出現的時候，時間是在90年代末，那時沒有一家互聯網公司是掙錢的，大家都看到了這裡面存在機會，但在這個階段，首先要做的工作是把架構、網路給做起來吧？ 所以 CISCO 這樣的公司會表現得更好。另外也會有一些2B的培訓師等等，這個階段整體上屬於為B端造槍造炮提供彈藥的階段，這算是一種曲線救國吧。然後才有2C的大的互聯網公司的出現，比如 Google。再比如移動互聯網，首先要有 CDMA 這樣的軟體演算法，放在晶元裡面，使每個移動設備 stay connected。然後才是 Apple 這樣的公司的崛起。的大部分投資者、創業者和企業家，他們看重的就是這樣一波機會。」

「人工智慧改變世界，真正改變人工智慧，改變世界的是人才。人工智慧目前最缺的就是人才。」

「我們對於增量性的創新沒有興趣，我們要做的是顛覆性的創新。」

余凱，前 IDL 創始人、現地平線創始人兼CEO。本講圍繞的主題是嵌入式人工智慧，涉及了嵌入式人工智慧的本質特徵、軟硬體結合聯合優化、應由場景及未來的發展機會等等。

螞蟻金服漆遠：人工智慧驅動的金融生活

視頻鏈接：http://www.iqiyi.com/l_19rrfk4wof.html

「一個常識：做 AI 離不開場景。」

「今天給大家講了很多例子。從開始講移動互聯網，講mobile first。其實很多公司今天都正在，或者已經完成國內互聯網領域的上半場。之後，大家開始真正競爭的是雲計算的能力，比如阿里，比如螞蟻金服雲，比如Microsoft他發明的雲計算能力，還有Amazon，背後其實就是數據。誰的場景數據本身有價值。而這背後的話呢？其實阿里的網有一個比喻，數據是土壤，土壤上要蓋出樓，產生價值，那靠演算法，靠人工智慧。要真正能把價值能體現出來，而不是坐在金山上吃饅頭。這個背後，我們就要通過人工智慧，讓用戶包含的社會數據產生價值，並將有價值的服務帶給用戶。」

「（有一點）非常關鍵，技術、產品和運營真正的融合，如果這個中間有個重大的隔閡或切斷，其實非常危險。對公司，對這個團隊，都是非常危險的事情。這是經典的互聯網公司的一個笑話了：產品經理都很恨工程師。工程師經常說，產品經理忍不住地笑工程師出事了；而工程師，比較痛恨產品經理。但是這其實雙方應該有一個度，如果大家離開學校到工業、互聯網公司會發現，真正的融合是非常關鍵的。最起碼要on the same page，大家能夠討論這個問題，真正能想到未來的出路，要把技術的力量發展出來，把商業通過產品形式真正落地下來，這個也是非常關鍵的。」

漆遠，螞蟻金服 VP、首席科學家、普渡大學終身教授。他以人工智慧驅動金融生活服務為切入點，描述了 AI 在特定領域的實現和應用，對AI技術落地的經驗進行了總結和反思。

視頻鏈接：http://www.iqiyi.com/l_19rrfdi1kv.html

「PC時代過後是移動時代，這兩個時代都已經接近尾聲，而人工智慧時代大幕將啟，晶元廠商們誰也不想失去未來。」

「晶元廠商，在自動駕駛領域有幾種不同的商業模式：一種是賣晶元，第二種是賣系統，再往上就是演算法。假如把系統賣給谷歌，谷歌在上面可以做自己的演算法。把系統賣給車廠，而車廠做不了演算法，晶元公司可以把帶演算法的系統賣給它。」

「汽車零部件會越來越少，零部件組合化越來越明顯，供應商的兼并已成趨勢，去年已經有多起，今年這是第一起，但絕對不會是最後一起。

汽車處理器從控制（Control）進入計算（Computing）時代，新三家（英特爾，英偉達，高通）崛起後面是汽車智能化和網聯化的必然，老五家（德州儀器，瑞薩，意法，英飛凌，恩智浦（已被高通吃下））必須改變幾年一代產品的節奏，同時也可以期待他們發起併購，在計算上補課。

Mobileye原來是軟體硬體化的封閉體系，英特爾向來是可編程、做生態的開放體系（英偉達也是），下面會走向開放嗎？還缺一套語言和開發工具。」

「過去十多年，智能駕駛已經發展出來了一套AI體系，而現在，我們覺得可以把其中的一些東西推翻重來。」

吳甘沙，馭勢科技聯合創始人&CEO、原英特爾研究院院長、英特爾首席工程師。他在課上就智能駕駛的前景、社會意義、技術應用、重點難點等問題展開了宣講。課程結束后，吳甘沙接受了新智元專訪。

視頻鏈接：http://www.iqiyi.com/l_19rrfgd203.html

「兩年前IoT很火爆。當浪潮退去，很多IoT公司跟我們說， IoT是不是被吹出來的，不過只是一個個泡沫。我肯定是第一個不同意的......我們的產品全部都是2C的，所以只要產品做得好，用戶的活躍度是相當高的。」

"之前我意識到，我們把人工智慧落實到可以摸得著、用的好、買得到的設備，才可以說把人工智慧帶給用戶。其實做人工智慧技術的公司很多。今年越來越多的人工智慧技術將落實到產品上。"

"我認為今後大家會看見真正懂你的燈，而且懂你一個人。因為每個人開燈、關燈的習慣千差萬別。如果要找全世界最強的工程師把它做出來的話，十萬個規則都做不好。而且這個代碼量驚人。正確的做法是，通過燈的維度，知道你的特徵，通過家裡全部的智能硬體來掌握你的特徵，比如家裡wifi與你手機的狀態，家裡電視的狀態，音箱的狀態，客廳凈化器的狀態，房間的凈化器的狀態，可能要上百個特徵。就根據過去一個月的使用歷史進行分析，知道在這些特徵成立下，你會開燈，你會關燈，這樣才有可能做出一個真的是懂你的燈......當你家裡的設備越來越多，他們的狀態全部都可以被分析，被記錄，我只要跟隨一個禮拜，就可以理解你的習慣。我認為他會比任何一個工程師可以做的10萬個規則都更符合你想要的。"

"一定要把技術做到產品裡面，做到服務裡面，它的價值才可以最大化地發揮出來。我在這裡建議同學們，你們在做各種各樣的探索研究，最重要的就是永遠要想如何可以最大化得突破這些技術。如果可以把它用在用戶真的需求裡面，才有可能把人工智慧或者其他研究做好，真正影響到我們的生活。我甚至認為，因為我們高度關注產品，貼近用戶，用戶往往會告訴你，我們下一步的方向是什麼，他真正的需求是什麼，然後我們再研究產品、工程方向，往往才能夠取得更直接的突破。"

黃江吉，小米科技聯合創始人，圈內人親切地稱他為「KK」。課堂上，KK 老師反覆強調了產品化對於AI技術特別是深度學習發展的意義，認為產品的數據搜集效用可以和雲端的機器學習一道，形成一個良性循環，同時認為只要2C的產品做得好，用戶活躍度會相當高。

視頻鏈接：http://www.iqiyi.com/w_19rtwp8egp.html?list=19rrkd4ogy

「生命本身是一個人工智慧的學習程序。學習的核心是DNA。DNA程序蘊藏著所有的program和環境互動的結果，每一代都選擇最優的程序往下迭代。所以，我們身體里的DNA可以追溯到生命的開始。DNA程序蘊藏過去的歷史，也蘊藏著未來，因為未來環境還在變，這套程序已經是一個learning system。」

「舉個例子，這是在計算機里，我給瓢蟲寫的程序。這個程序是硅基的。現實中，生命是以碳為基礎，碳基DNA程序也在運行，稍後我們講怎麼打穿這兩者的界限。如果程序在計算機里進行迭代，告訴它選擇最好的，生命也是一樣的，checkpoint是看它能不能夠活下來，並且擴張，能不能夠把基因傳下去，把這套程序傳下去，這是唯一的一個選擇標準。所以，DNA本身就是生命數字化的過程。」

「上帝已經將這個學習程序編碼好，就像計算機程序一樣。我們身體有個程序，若想讀懂它，碳基程序是迄今為止最高效的存儲介質，全世界所有的信息可以存在一公斤的DNA裡面。甚至可以儲存百萬年，但是計算機存儲介質無法達到。」

「當你已經掌握了可以去改變基因和合成生命的能力的時候，你突然發現其實生命沒有被真正理解過。你可以讀出基因，但是你並不看得懂。」

「生命本身是一個旅程，基因只是起點，不是終點。在這個過程中，你是你自己的選擇，所以你要根據你的數字化生命的模型做出最好的選擇，希望每一個人都不做越來越壞的選擇，能夠理性地做越來越好的選擇，讓身體更健康。我認為能回答這個問題的核心點，什麼是生命的核心點，在於learning system，如果我們能做出一個 digital human of allhumans , 那套系統就像我當初做的那個那個瓢蟲的捕食行為一樣，一個 learning system ，也許那時才能夠真正理解生命本身。它不是一個簡單的 equation ，它是一個learning system 。所以碳雲智能基於了三個基本假設：生命是可以數字化的；生命是可以被計算的；生命也是可以被網路化的。」

王俊，碳雲智能創始人兼CEO、原華大基因CEO。對於人工智慧和基因技術，王俊老師做了極為精彩的分享。

視頻鏈接：http://www.iqiyi.com/l_19rrbkb3az.html

「近些年，人工智慧主要在特定領域內有很大的飛躍，包括語音識別、人臉識別。通用人工智慧則有所不同，主要強調具備人一樣的多重智能行為，包括感知、決策、推理與規劃，以及交流和溝通。其中，我認為最重要的是學習能力。目前，很多人工智慧的學習能力可能還不如兩三歲的小孩。重要的學習能力主要包括：漸進學習、自主學習和互動式學習。漸進學習是指，在不斷地學習新知識時，可以將老知識應用到新知識的學習中；自主學習是指，人從小所受的監督學習較少，更多的是與環境接觸之後，不斷自主學習；互動式學習是指，通過交流來學習。目前，這一些學習能力都是深度學習所欠缺的。」

「機器的一大局限就是缺乏常識。如剛才提到的無人駕駛，機器往往缺乏常識。現在，機器在控制方面能夠用做的很好，但缺乏對於常識的判斷。比如，前面有人招手，若機器沒有見過這個場景，不知道怎麼做。」

「人為什麼會有常識？首先，人在生活中經歷頗多，比如物體識別，人從小根據常識知道物體不會憑空消失。但是，繁多的常識若想灌輸給機器難度很大。因此，早期的 AI ，圖靈提出機器需要放在 physical world 里學習。那時，由於技術條件的限制，很難實現，目前這一問題仍然沒有解決。但是，我們可以看到，如果把機器放在 physical world 裡面學習，可能解決 common sense 的問題。退而求其次，就是把圖像、語言等用 embody 的做法輸入，可以更接近。基於此，我們開展圖像和語言的聯合學習，也希望機器能夠真正在環境里學習。」

「我覺得到2050年，通用智能達到人類智能的可能性比我得老年痴獃的可能性大一些。」

徐偉，百度 IDL 傑出科學家。他在本講就通用人工智慧的現狀與展望進行了深入的討論和交流，主要涵蓋通用人工智慧、自主學習、體驗智能、語言獲取等內容。

華為李航：NLP 有 5 個基本問題，深度學習有4個做得很好

視頻鏈接：http://www.iqiyi.com/l_19rrcceoer.html

「為什麼自然語言理解很難？其本質原因是語言是一種複雜的現象。自然語言有5個重要特點，使得計算機實現自然語言處理很困難：（1）語言是不完全有規律的，規律是錯綜複雜的。有一定的規律，也有很多例外。因為語言是經過上萬年的時間發明的，這一過程類似於建立維基百科。因此，一定會出現功能冗餘、邏輯不一致等現象。但是語言依舊有一定的規律，若不遵循一定的規範，交流會比較困難；（2）語言是可以組合的。語言的重要特點是能夠將詞語組合起來形成句子，能夠組成複雜的語言表達；（3）語言是一個開放的集合。我們可以任意地發明創造一些新的表達。比如，微信中「潛水」的表達就是一種比喻。一旦形成之後，大家都會使用，形成固定說法。語言本質的發明創造就是通過比喻擴展出來的；（4）語言需要聯繫到實踐知識；（5）語言的使用要基於環境。在人與人之間的互動中被使用。如果在外語的語言環境里去學習外語，人們就會學習得非常快，理解得非常深。」

「如果想讓計算機像人一樣使用語言，原理上需要完全不同的、與人腦更接近的計算機體系架構。」

「自然語言處理做的第一件事情就是把問題簡化。」

「自然語言處理領域發展的60多年中，總結出一個經驗，就是目前最好的方法是機器學習，包括深度學習。也就是，基於機器學習，並在一定程度上把人的知識加進來，並參考人腦的機理，從而構建更好的機器學習辦法。在短期內，自然語言處理很難突破這個框架。我們希望未來能夠有更大的突破，人工智慧能夠完全超出目前基於機器學習的方法去做自然語言處理甚至自然語言理解。但是，目前的其他的路徑都非常困難。」

「現在，無論是自然語言處理，還是人工智慧的其他領域，都形成了一個閉環機制。比如，開始有一個系統，然後有用戶產生大量的數據，之後基於數據，開發好的演算法，提高系統的性能。如果能夠閉環跑起來，就可以去收集更多的數據，可以開發出更好的機器學習演算法，使得人工智慧系統的性能能夠不斷提升。這個人工智慧閉環是現代人工智慧技術範式里最本質的一個現象，對於自然語言處理也不是例外。我們可以通過閉環，不斷去開發新的演算法，提高自然語言處理系統的性能。」

「自然語言處理，在一定程度上需要考慮技術上界和性能下界的關係。現在的自然語言處理，最本質是用數據驅動的方法去模擬人，通過人工智慧閉環去逼近人的語言使用能力。」

「自然語言理解很難，自然語言處理現在用數據驅動的辦法去做，有五個最基本的問題，即分類、匹配、翻譯、結構預測和馬爾可夫決策過程。在具體的問題上，有了數據就可以跑AI的閉環，就可以不斷提高系統的性能、演算法的能力。深度學習在我剛說的五個大任務里的前四個都能做得很好，特別是運用seq toseq的翻譯和語音識別。單論對話也能做的越來越好，但是多輪對話需要去研究和解決。」

李航，華為諾亞方舟實驗室主任。他綜述性地為大家介紹了 NLP 的任務、特點、最新技術以及發展趨勢。李航老師精闢地總結道：「給今天的講座大概做一個總結，自然語言理解很難，自然語言處理現在用數據驅動的辦法去做，有五個最基本的問題，即分類、匹配、翻譯、結構預測和馬爾可夫決策過程。在具體的問題上，有了數據就可以跑 AI 的閉環，就可以不斷提高系統的性能、演算法的能力。深度學習在我剛說的五個大任務里的前四個都能做得很好，特別是運用 seq to seq 的翻譯和語音識別。單論對話也能做的越來越好，但是多輪對話需要去研究和解決。」

科大訊飛胡郁：誰將弄潮人工智慧時代？

文字實錄鏈接：科大訊飛胡郁：漣漪效應補足智能動力學，腦機融合感覺就像連體嬰兒（北大AI課No.10）

視頻鏈接：http://www.iqiyi.com/l_19rrct99br.html

「1956年，美國達特茅斯會議提出「人工智慧」的概念，自然宇宙中產生人類智能，數字宇宙中產生人工智慧。這一會議有兩個重要的遺產：提出AI這一名詞，以及參加人工智慧的那群人。後來，這一群人中，產生4個圖靈獎得主，1個諾貝爾獎得主。這一群人在2016年之前，基本都已經去世。有意思的是，在60年後，也就是2016年，人工智慧在產業上得到了真正的發展。」

「60年來，人工智慧雖然輸出很多理論，但是實際進展並不大。因為，我們並不清楚人腦是怎麼運作的。計算機領域做應用的人認為的人工智慧是希望用計算機的方法模擬人的智能的某一方面，比如下圍棋。但是，完成這個系統並不能做決策，駕駛汽車等。目前，弱人工智慧被普遍用到工業界中。因此，你會看到不同形態的機器人可以完成人的一項任務，或者一項任務中的一個步驟。2015年，當時華為2012諾亞方舟實驗室主任，現任港科大計算機系系主任楊強老師說，計算機的真正可以思維的強人工智慧是想實現從0到1的突破。而我們現在工業界（計算機應用界）做的人工智慧只是讓計算機的行為表現得像人工智慧一樣，即內部的工作原理是否與人一樣，大家並不關心，他稱為從1到n。」

「我在過去兩年也提到，將來我們可能做出智能與人類一樣，但是沒有自我意識的智能體。在自然宇宙中，智能與自我意識是共存的，且兩者之間強相關。比如，動物的智能越強，自我意識就越強。在數字宇宙中，智能體可能很聰明，但不一定有自我意識。如果將來能夠把兩者分開，一個沒有意識的智能體還能滅絕人類嗎？我們還不如擔憂另一個問題，機器人是否會取代人類的工作，這是一個值得嚴肅考慮的問題。」

「如果我們能夠研究智能動力學（intelligence dynamics），我們可以將智能和意識分開。因為兩者產生的機理可能不同。若搞清楚，我們可以將智能的東西單獨剝離出來，做出超腦，不受到自然宇宙中神經連接的物理限制。關鍵是是否能夠將智能動力學搞清楚。」

「另一個很重要的是「漣漪效應」，這是互聯網思維在核心技術研究中的應用。為什麼現在的實驗室，不能提出最好的演算法，主要是沒有大數據和漣漪效應。在移動互聯網下，因為軟體免費，用戶願意花時間用這些產品，且不會產生抱怨或反抗。當推出一個不好的人工智慧演算法（包括圖像、語音、自然語言理解）時，就像水滴滴在水面，只有一小部分人才會用到。一旦使用，數據會送到雲計算伺服器，雲計算伺服器可以立即學習更新。當水波擴大到更廣泛的人群時，系統的性能已經提高。水波的振幅就是系統的誤差。當水波擴散，振幅越來越低。當水波紋擴散到第1000萬人時，10000001個人是第一次使用這一系統，他會覺得系統很好。利用漣漪效應，可以把不熟的、需要在真實環境中訓練出來的系統，真正培養出來。在實驗室中，可以做人工智慧的演算法。」

胡郁，科大訊飛聯合創始人、執行總裁、消費者事業群總裁。他對人工智慧技術及產業最新進展進行了深入的辨析，內容涵蓋人工智慧是什麼、由哪些核心部分組成、核心技術將如何發展、在人類發展歷程中人工智慧將扮演什麼樣的角色等等問題。

視頻鏈接：http://www.iqiyi.com/l_19rrc5qodr.html

「滴滴是12年成立的，先是有計程車，後來到14年有專車，然後15年之後有了快車順風車公交等等。現在每天訂單超過2000萬單。所以你要是做人工智慧做機器學習，那這個樣本量就一天是2000萬，這是特別大的數據。現在這個平台上有4億用戶。」

「舉幾個例子，介紹一下滴滴過去一年半左右在大數據、人工智慧方面的探索。這裡列了一些核心的項目，第一個是ETA，就是預估出從A到B大概需要多少時間，這其實是滴滴的一個非常核心的功能。因為預估時間是非常重要的，比如你想6:40從家裡來這個教室，你得大概預估一下多久能打到車，然後司機過來接你大概需要幾分鐘，然後你從你家到這裡大概需要幾分鐘，如果能有個預估的話，你就能更精準地做決策。預估時間應該根據歷史和實時的一些特徵來預測，這是一個機器學習問題。」

「大家都知道深度學習在很多領域已經有非常成功的應用了，比如說在圖像、文本、speech等方向。在交通方面其實還很少，所以大家如果對在深度學習探索新的應用感興趣的話，我覺得交通是比較有潛力的，因為現在工作還非常少。但是深度學習在交通的數據還是非常有前景的。」

葉傑平，滴滴出行副總裁、滴滴出行研究院院長。葉老師和大家分享的內容主要包括大數據和人工智慧在滴滴出行場景中的應用，智能派單、最優匹配、供需預測等背後的核心技術，以及人工智慧如何推動交通行業升級和未來的發展趨勢與展望。

微軟洪小文：AI+HI是終極智能形態

視頻鏈接：http://v.qq.com/live/p/topic/29553/review.html

洪小文博士近兩個小時的演講+問答是從一本書開始說起的—《Thinking，Fast and Slow》。這本書的作者是一個諾貝爾經濟獎的得主，他把人類思考的行為分成兩大塊，一個是我們不假思索，一個是需要好好想一下的。根據這一理論進一步細分，洪老師提出有關AI 能力的三個問題：

1. 感知：這是貓還是狗？——這是個不假思索的問題（Think Fast）

2. 認知：這是喜劇還是悲劇？——這個要好好想一想（Think a little bit Slow）

3. 決策：微軟是否要買下LinkedIn？——重大的決定（Think Slow）

「最近很多人說，微軟的硬體做的比蘋果的還好。微軟的混合現實設備HoloLens馬上要在上市了。」

關於奇點會不會到？AI是不是可以持續讓世界越來越好？洪小文認為就算有一天做到了強AI，解決了一個難題，這個世界還有很多未解的難題，雷曼猜想、P等不等於NP，甚至宇宙從哪裡來，有沒有大爆炸，將來宇宙會不會再縮小，總有一個問題可能永遠無解。他認為 AI=AugmentedIntelligence，Human+Machine=Superman。人和機器的共生才是終極形態。

「人類應當習慣，就像計算能力和記憶力，我們覺得機器比我們強是很正常的。我們其實早就朝著人類智能和人工智慧共同進化的路狂奔了。」

AI+HI 是否會造成人類的分化？無法和 AI 結合的人是否會沉入底層？洪小文認為，分化一直都有。前幾年有數字分化，將來有AI分化，其實本質就是貧富差距。我們希望人人平等。政府有責任把稅收、社會福利系統做好。而微軟這種大企業可以在計算資源平等上出力，微軟特別拿出10-20億價值的雲資源專門給付不起錢的地區使用。

洪小文，微軟全球資深副總裁、亞太研發集團主席、微軟亞洲研究院院長。他親臨北大 AI 公開課，就 AI 的感知與認知能力、AI (人工智慧)與 HI (人類智能)的共進化等問題展開了深入講解。洪老師指出，黑盒無法承擔重大決策，AI+HI是終極智能形態，而且人類已經在朝著 AI+HI 共進化狂奔。

視頻鏈接：http://www.iqiyi.com/l_19rrcj6w6v.html

IBM做醫療，核心只想解決一個問題——怎麼樣利用數據挖掘和人工智慧的技術，從海量的醫療數據中間去挖掘出證據，利用這些證據給患者提供循症的個性化醫療服務。

「類腦計算晶元的核心想法就完全突破了以前馮諾依曼通過加法器這樣的一套計算框架，而是從神經元的角度做一個晶元。」

「目前，一個晶元上有上百萬個神經元與神經元之間的連接，synapses（神經突觸）可以達到兩億五千多萬個。這樣一個非常複雜的晶元功耗非常低，只有70毫瓦。大概一個智能手機的功耗在五瓦左右，它的能耗是你手機的1%，是筆記本電腦的千分之一。」

「目前，沒有一種單一數據模型能夠覆蓋多模態的醫療數據，如何有好的雲平台去處理多模態醫療數據，這是需要解決的第一個問題。」

「真實世界證據就是真實世界中數據，包括病曆數據、醫療保險數據、疾病數據，輸入進來，產出各種模型，比如中風病人的再中風預測模型，或心梗病人的死亡風險預測模型，或某種藥物治療有效性的模型。」

「我們用傳統的醫學模型認為是高危的病人，不同中風的發病率，看完這個圖之後醫生特別激動，發現了第一點，有一群人過度治療了，這群人傳統醫學方法認為是高危的，其實並不是高危的，只不過以前的模型無法捕捉到細微的區別。」

謝國彤， IBM 研究院認知醫療研究總監、IBM 全球研究院醫療信息戰略聯合領導人，他就 AI 技術在醫療領域的應用展開了深入講解。內容涵蓋：

1. 醫療大數據及Watson健康概述

2. 醫療文本挖掘和腫瘤輔助治療案例

3. 醫療影像分析和皮膚癌輔助診斷案例

4. 結構化醫療數據分析和真實世界證據案例

5. 認知決策技術和慢性病診療案例

6. 自然語言問答技術和疾病管理案例

英偉達董方亮：硬體起家的英偉達會不會越來越「軟」？

視頻鏈接：http://www.iqiyi.com/l_19rrdfaczv.html

「因為GPU 的發展有一個很重要的技術叫 Pixel Shader（像素著色器），像素著色器是決定了今天能夠做gaming、video 等很多呈現在大家面前功能的技術之一。核心的發明人是北大大學部 87 級或 88級物理系的一位同學，所以北大人應該非常驕傲。北大對 GPU 的技術發展起到了很關鍵的作用。」

「在各類 framework 不斷演進的今天，GPU 與 deep learning緊緊地被綁在了一起。」

「deep learning 還在不斷發展，因此需要全新的架構支持，並且需要沿著比摩爾定律更高的計算量趨勢發展，才能匹配全新的計算模式，才能在 AI 時代體現良好的計算能力。」

「GPU 時代興起的原因在於，GPU 提供了與之前 general purpose computing 不同的模式。」

「AI的機會很多，在單一技術和組合式產品中，都有良好的市場。」

「它需要這種比較能滿足細分市場需求的處理器或者一種解決方案，那麼從 GPU 的角度來講，比如說針對自動駕駛，其實我們自動駕駛不是單獨用GPU，我們是用到 SOC 的方案，也就是說我們自己有自己的 CPU 加我們的 GPU，只是說我們會很大程度上依賴於 Deep learing 的這種計算能力。所以來講，比如說在自動駕駛的這種領域，我們會有自己SOC 的方案，我們 SOC 是我們自己的 CPU 加我們自己的 GPU ，這是一個硬體方案，同時在軟體方面也有準備，比如說我們第一個是底層的 CUDA，第二個是 CUDA 之上加速的庫，還有網路的優化，還有上層的應用，從硬體到軟體整個構建了自動駕駛的生態系統，這是我們看來自動駕駛比較好的解決方案。」

董方亮，英偉達自動駕駛業務區負責人。他就 GPU 的演進歷程、 GPU 和深度學習的關係、AI 技術在各產業的應用等問題，進行了深入的講解。

從無人駕駛到智能醫療，從嵌入式系統到通用 AI，通過為期 13 講的北大 AI 公開課，新智元和讀者一起全景式地領略了 AI 對社會生活各方面帶來的影響和改變。