全球机器智能峰会 (Global Machine Intelligence Summit 简称 GMIS)
本次由机器之心和市北高新集团联合举办 https://gmis.jiqizhixin.com/
以各大咖主题演讲30分钟为主，每天最后还有一轮5人圆桌会议，共两天。
AI落地例子或各个topic：
李航，南大教授，《统计学习方法》作者， 自然语言对话：未来技术发展的机遇与挑战
主要讲了 NLP 的难点，现在语音助手发展情况，离强人工智能还远，以及未来的机遇和可行方法。
针对语音助手，李老师给出下面这些统计数据：
用户使用语音助手的频率：
![]()
(下面的图例很遗憾没拍到，也忘记了，印象里占比最大的是3~4次每两周)在不同设备场景下，使用频率相差会比较大：
![gmis2019_voice_assistants_daily_use_rates_on_diff_devices]()
语音助手各应用使用率：
![gmis2019_popular_skills_in_voice_assistants]()
建议进行这些类别的机器人探索（opportunities）：
- task-oriented bots
- informational bots
- emotional bots
- game bots
设计对话系统时要注意的点（principles in dialogue system design）：
- Self-contained in each scenario
- fails gracefully
- being compassionate, emotional, and funny, if possible
- never pretends to be smart
提升技术上界，降低用户使用下限
王建宇，中科院上海分院长，遥感信息技术应用大数据
王院长是搞卫星遥感的，所以主要内容也就是卫星拍下的各类图像数据的处理，让我感觉很厉害的是卫星使用多光谱技术后所能做的事情。以下是卫星多光谱成像原理图：
区分水稻种类：
多光谱用于识别农业作物信息，不仅能识别植被类别，现在的精度已经能够达到识别哪种水稻品种，有什么种类病害，生长水平。
后面周涛老师也借例调侃道 “搞农产品期货的估计会很‘开心’”
Matt Scott， 码隆科技， 新零售
自助买菜机，自助零售机
他们现在主要工作就是对商品的识别。
零售柜商品其实是很难区分的，比如，饮料都是塑料瓶子，都有很多字、图像复杂、类别极多，在这方面，他们的算法有极大优势，在webvision数据集上达到 state of the art ，演讲的时候连抛三篇论文。在后面圆桌讨论环节，主持人提问遇到落地困难的时候，是怎样克服的，matt 回答 “more research”。
周涛，电子科技大学教授，大数据与人工智能带来社会治理革命：
直接讲了三个例子：
- 街景打分，应用到城市发展程度的识别。 [1]
- 两两对比，进行打分，排序， 从而能够训练一个 discriminator 进行定量评估。
类似讲扎克伯格的电影《social network》里的一个网站。![gmis2019_place_pulse_comparing]()
- 两两对比，进行打分，排序， 从而能够训练一个 discriminator 进行定量评估。
中小企业贷款评分，各类数据大数据挖掘。
- 数据渠道，数据聚合能力
水质检测，向水体中照光，使用反射的光谱数据做分析。
- 检测速度提高到10s一次，从而能允许检测设施在水体范围动态移动建立整体模型，而过去只能是多点模型。精度也远高过去方法。
杨强，香港科技大学教授，数据孤岛和联邦迁移学习
联邦学习：一种新型人工智能技术，可以不用公开、泄露数据就能实现多方之间合作训练更好的模型，架构如下：
这种方法一开始是 Google 为了训练手机输入法 Gboard[1] 才提出的，现在用于金融行业非常有效，金融公司之间有不少客户不同，金融与互联网公司合作，同一客户数据段不同，使用联邦学习技术，可以互补数据而合作方又并不会真的拿到模型或数据，模型在数据源间流转，而不再是数据在各自模型间流通。
这种技术实现起来的核心算法是 同态加密 之类的加密算法，也是最近技术，不太好懂，联邦学习比较适用于金融领域，我们也就不细究了。
其他
华为讲了很多他们的开源贡献，ppt里文字很多，但讲的时候基本都是一概而过，可以认为是在其他场所用过的PPT，未经精简的版本就拿来用了。确实很厉害，但本身PPT没什么对外价值。
阿里讲在超大规模工业化下的一些实践，技术难度很大，架构、算力真的很猛，但其实这些场景和技术跟绝大多数企业还是有很大 Gap：一方面，从应用场景讲，阿里有80%的机器学习资源实际用来做推荐系统/搜索，数据特征是高维、稀疏，与 CV 和 NLP 相差很大。模型接近 1 T，注意，是模型，不是数据。
(Hidden Content)
Andrew.Ng， 吴恩达， 企业的人工智能转型：
主要是给 landing.ai 打广告，给出企业 AI 转型的步骤建议：
- 实行试点项目获得动力； # 项目要够小，成功为先，这样才有动力
- 建立一支内部 AI 团队； # 不需要额外招一批AI专家，已有的AI从业者和行业工程师成对形成团队
- 提供广泛的 AI 培训；
- 策划合适的 AI 战略； # 不要一上来就定所谓AI战略
- 建立内部和外部沟通。
几个公认的点：
没有太多去讲云计算/大数据/基础设施/政策支持，这种捞钱的套话，不再去讲炫目的效果，而是很多反思;
不再全是用户画像/人脸识别/金融风控之类的结构化数据或传统方法，多了很多新方案落地的例子。
几点共识（不同嘉宾都有多次提到的）：
- 大多在谈人工智能水平的时候，都是先狠狠一棒上去，做不了强人工智能，短时间也不太可能做智能度很高的东西，理性谨慎。
- 要把人类先验认知作为知识库结合到现有黑盒模型中去。
- 数据需要继续增广，提高质量，促进分享。
- 不同领域间，不同规模公司间，技术 Gap 很深，这里不是说技术深度的区别，而是技术方法和思路就不一样。
除了共识，从例子中能总结以下隐含结论，相对有鼓舞价值：
- 我们需要提升技能上界，拉低用户使用的下界，工程和算法结合。（要做非常多的trick，架构都越来越复杂）
- 单点突破后，在该点的效益远大于旧方法。（不会讲准确率继续提升会怎样，而是现有例子就已经压倒性优于过去，或者是过去未有的应用）
之前完全没听说过的，非常有启发价值的：
1、两两对比，进行打分，排序，从而能够训练一个 discriminator 进行定量评估。
类似讲扎克伯格的电影《social network》里的一个网站。
2、用 Matt 提到论文中的方法，进行多类别、多错误标记的复杂图像数据集的识别。分阶段从简单到复杂的 subset 训练。
3、联邦学习，同态加密。
个人想法
超半数都是前大学教授背景，公司应考虑与高校合作，把周期长的研究性命题，一起合作处理。
虽然学术氛围有些过火，行业骤然谨慎，但整体前景仍看好，要继续深挖垂直领域，以图单点突破。
- 1.Does the Visibility of Greenery Increase Perceived Safety in Urban Areas? Evidence from the Place Pulse 1.0 Dataset https://www.researchgate.net/publication/280945887 [^gmis2019_matt_3_papers]: CurriculumNet, MSLoss, Hierarchical Triplet Loss [^google_ai_federated_learning_on_gboard]: https://ai.googleblog.com/2017/04/federated-learning-collaborative.html ↩