2016十大 AI 演讲盘点，大牛们都发表了什么真知灼见？

新年到来，也不要忘记和雷锋网一起温故而知新啊。

在刚刚落下尾声的 2016 年，许许多多的人工智能大神们站在台上分享他们的所见所感，雷锋网整理了十位人工智能领域的大牛们所做的最新演讲，一起与雷锋网来回顾这些充满智慧闪光的科研成果吧。

Yann LeCun：从小白科普到 AI 技术探讨，一个也没落下

Yann LeCun 堪比学术界的网红，今年频频露面于公众面前发表演讲，还录制了不少教学视频，圈粉无数。如果 Yann LeCun 想坐 2016 最活跃学界大神的宝座，雷锋网觉得没有人敢和他抢。

LeCun 在卡内基梅隆大学机器人研究所进行了一场关于 AI 技术核心问题与发展前景的演讲。雷锋网了解，他在演讲中提到了三点干货：

• 1. 无监督学习代表了 AI 技术的未来。

• 2. 当前 AI 应用的热点集中在卷积神经网络。

• 3. 用模拟器提高无监督学习的效率是大势所趋。

但不久后，在 NIPS 大会的演讲上，LeCun 又将预测学习代替无监督学习一词，认为预测学习不仅能在无监督情况下学习，还能学习世界的预测模型。而就在最近，他又把预测学习的落脚点放在了 GANs，称它为「20 年来机器学习领域最酷的想法」。

雷锋网对他的演讲做了不少覆盖，比如演讲 PPT 实录；演讲视频整理；教授人人都能懂的深度学习基本原理；甚至还有 Quora 问答集锦，亲授如何（像他一样）从小白到大牛，自觉深度学习技术。

啥也不说了，关注 AI 科技评论快上车吧！

Yoshua Bengio：从机器学习到人工智能，聚焦机制是核心

作为与 Yann LeCun、 Geoffrey Hinton 齐名的「深度学习三巨头」，Yoshua Bengio 同样是学界不可忽视的一名执牛耳者，他自 1993 年在蒙特利尔大学任教。谷歌于今年 11 月宣布建立蒙特利尔算法学习人工智能实验室（MILA），共计投资 340 万美元，资助蒙特利尔大学和麦吉尔大学旗下七名重量级教授及超过 150 名研究者的日常实验。而自然，Yoshua Bengio 也在其列。他领导下的深度学习实验室可谓是人工智能的研究前沿阵地，也是世界上最大的研究中心之一。http://www.leiphone.com/news/201611/u6HcoL3VhOxAbdjx.html

在今年 5 月的 Twitter Cortex 上，Bengio 应邀做了题为「自然语言词义下的深度学习」的演讲。在演讲中，Bengio 提及了从机器学习到人工智能的三个关键要素，主要包括：

• 1. 非常非常多的数据；

• 2. 极灵活的模型

• 3. 强大的先验知识，能打破维度魔咒。

此外，他还引申到了深度学习中的聚焦机制（Attention），首先它需要考虑一个输入（或中间的）序列或图像；但考虑到高层次指称，通过设置权重或每个输入位置概率，（如 MLP 所产生的），能够应用于每个位置。而这最主要的一个应用就在于机器翻译。在 2014 年，神经机器翻译获得了初步突破，并在端到端机器翻译取得了显著成果。雷锋网此前也做过报道，谷歌大脑团队执掌下的 Google Translate 目前已经完全应用了机器学习进行翻译学习。

Bengio 认为，聚焦机制能够让深度学习取得巨大进步，并让学习者模型更好地做选择。

Ian Goodfellow：我发明的生成式对抗网络怎么样？

既然说到了 Bengio，雷锋网怎么能不提他的得意门生、「GANs」之父 Ian Goodfellow 呢？他同样在 NIPS 2016 上发表演讲，分享了他对生成式对抗网络的研究成果。

生成对抗网络是一种生成模型（Generative Model），其背后最基本的思想就是从训练库里获取很多的训练样本（Training Examples），从而学习这些训练案例生成的概率分布。

而 GANs 所做的「对抗」，就是让生成器网络与判别器网络玩一个游戏，生成器网络不断通过输入的随机噪声转化为假数据；而判别器网络就需要判断数据的真伪。

「与传统神经网络训练不一样的且有趣的地方，就是我们训练生成器的方法不同。生成器一心想要「骗过」判别器。使用博弈理论分析技术，我们可以证明这里面存在一种均衡。」

不过训练 GANs 的一个难点，就在于会出现「模型崩溃」（Mode Collapse）：生成的所有样本都在一个点上（样本相同），而主要的解决方式是开发能找到均衡状态的新算法，而非令误差最小化的成本函数。

Goodfellow 此前为 Google Brain 高级研究员，现在为 OpenAI 的科学家。他在学术界也同样非常活跃，不仅发布了 38 分钟视频，（手把手）教授如何完善生成对抗网络，还在最后与网友互动，详细解答了求知者的各种疑惑。

Jeff Dean：如何实现大规模深度学习？

如果说谷歌是人工智能领域的弄潮儿，Jeff Dean 自然就是沙滩上最为璀璨的珍珠。Jeff Dean 在领导谷歌大脑（2011 年成立，雷锋网注）的这段时间内，研究小组已经创造了超过 1000 个深度学习项目，并将其应用在谷歌现有的产品当中：如 YouTube，谷歌翻译和谷歌相册等。研究人员通过深度学习将大量数据输入到神经网络当中，学习比人类识别速度更快的模式。

在今年 3 月 AlphaGo 与李世石人机大战时，Jeff Dean 就做了《大规模深度学习最新进展》的主题演讲，而在今年 9 月的 Scaled Maching Learning 会议也做了内容类似的《使用 TensorFlow 的大规模深度学习》。

Jeff Dean 认为，神经网络能从数据中学习真正复杂的函数。从一端输入内容转换成另一端的输出内容。他也提及机器学习领域的发展速度非常之快，因为一篇论文发布之后，全球对人工智能有研究的机构都会下载它，并对内容进行解析和论证，加上电子论文的通达性，比起计算机学其它领域的研究进展会快得多。

对于谷歌，Jeff Dean 表示深度学习在语音识别、Image 挑战赛、谷歌翻译、照片搜索、街景影像，甚至是搜索排名上都取得了巨大突破。关于他的更多访谈资料，可以参考《谷歌战神谈增强学习和无监督学习》。

李飞飞：ImageNet又有哪些主要进展？

今年 AI 界并不平静，而李飞飞加盟谷歌，着手成立新的机器学习实验室，则成了里头「万绿丛中一点红」的存在，而雷锋网一直对这位华人女性科学家保持高度关注。

李飞飞在今年参加了 ICPR 2016，并应邀发表了名为《计算机视觉智能的探索》的演讲。她在演讲中提到，自然经历了五亿多年的变革才构造了人类强大的视觉系统，而人工智能的视觉探索之旅也只进行了短短五十年。李飞飞介绍了她的实验室中正在开发的，基于大数据及深度学习的计算机图像视频研究体系。

作为全球计算机视觉领域的知名专家，李飞飞的主要贡献在于参与建立了两个被 AI 研究者广泛使用来教机器分类物体的数据库：Caltech 101 和 ImageNet，而后者，目前已经成为了全球最大的图像识别数据库。

当然，这个演讲的主要内容还是在介绍 ImageNet 的主要进展，而如果你对她最为出名的 TED 演讲还不够熟悉，欢迎一睹雷锋网此前撰写的李飞飞个人介绍。

吴恩达：如何用深度学习构建 AI 系统？

百度人工智能实验室的吴恩达（AndrewNg）也算得上是非常活跃的人工智能学者，他同样在今年的 NIPS 2016 上进行了演讲，名为《如何用深度学习建构人工智能系统》（Nuts and Bolts of Building Applications using Deep Learning）。

吴恩达在演讲中指出深度学习非常火的原因在于，神经网络能够扩大无限大的规模，并能够依靠这一点引领深度学习。在百度的人工智能实验室中，他严格将团队分为了算法与架构两大体系，认为没有人是两者皆擅长的，因此这一点可以为其它深度学习创业公司的团队提供参考。

而在接下来的展望中，吴恩达认为下一个深度学习的大潮在于端对端的学习。需要足够多的数据量，才能实现更加纯粹的端到端学习，也就是直接通过深度学习将语音对标到最终想要的文本，并通过深度学习自身的体征提取来获得结果。关于吴恩达的 NIPS 2016 最新演讲，还请回顾一下雷锋网的相关文章。

Michael Jordan：思维层与数据科学革命

此 Michael Jordan 非彼乔丹，他是加州大学伯克利分校（University of California, Berkeley）电子工程系、计算机科学系以及统计系的杰出教授。在他麾下学习过的不少学生都已经成为了鼎鼎有名的机器学习大牛，比如 Yoshua Bengio 和 Andrew Ng 都是他的得意门生。

他于今年五月在伯克利分校做了一个关于计算思维、推理思维及数据科学的演讲。在会上他提到，数据科学需要计算思维与推理思维的完全融合，并指出了大数据环境下验证模式、解释模式与计算过程中可能出现的问题。

「在处理数据科学问题上出现了许多概念与数学上的挑战，而面临这些挑战，我们需要在计算思维与推理思维上建立良好的联系。」

Geoffrey Hinton：入门机器学习？还得我来带带你

而三巨头的另一名大牛 Geoffrey Hinton 相对而言则比较低调。雷锋网从他的主页上了解到，他在过去一年并没有参加什么大型的公开会议，也鲜有关于他的报道。但是，他可称得上是深度学习的鼻祖，正是他将深度学习从低谷中拯救出来，并成为今天我们喜闻乐见的核心技术。在过去的 20 到 30 年里，无疑他是深度学习最为积极的先行者。目前， 他为 LeCun, Bengio 和 Aaron Courvile 合著的深度学习入门大作《Deep Learning》写了推荐语，该书于 2016 年年底出版发货。

如果你对深度学习一无所知，又觉得看书太过辛苦，雷锋网此前编译过另一份 Hinton 讲述的《Deep Learning》演讲PPT，或许是你入门的好选择。欢迎点此查看学习。

Jürgen Schmidhuber：LSTM 之父的慧眼回顾

不知道是不是长江后浪推前浪，比起活跃的青壮年一代，LSTM 之父 Jürgen Schmidhuber 在今年也露面较少，在今年夏天的 WCCI 上，他发表了言简意赅的《Deep Learning：since 1991》的演讲，主要回顾了深度监督学习/无监督学习/强化学习的一系列进展，并讨论实际上可能伴随的具体应用。「没有任何原因说明，机器不能拥有好奇心和创造力」

「所有的智能——不论是人类的还是人工的——都基于一个主题，那就是解决问题。长期以来，我们一直在致力于构建一个解决通用问题的机制，不论这些问题是困难还是简单。这个问题解决机制能够通过先前学习的技能解决现有的问题，通常，机器会将新的技能增加到计算指令系统中，并能够解决越来越通用的问题。当然，如果到达我们所预想的成功，一切将会发生翻天覆地的改变，因为每个计算问题或每个专业性研究都将受到影响。」

关于他更为详细的人工智能访谈，可以参看雷锋网(公众号：雷锋网)此前的报道。

Ben Goertzel：人工智能将变得越来越通用

美国通用人工智能会议主席 Ben Geortzel 在年初的未来论坛上做了主题演讲，期间他提出了一句流传甚广的话：人工智能将会变得越来越通用。那么，我们又该如何理解这句话？一起和雷锋网来看看吧。

在 Ben Goertzel 的理解中，AI 在很多层面都与人类是不一样的，特别是在基础架构层面。而他发现，现在很多的人工智能只能解决一些非常狭窄的功能，比如无人驾驶只是针对于汽车领域，而换成无人摩托，就需要重新进行编程。他认为，现在人们需要向利用 AGI 所导向的工具，实现通用工人智能。

「AI 项目的范围是比较窄的，但是将来会变得越来越通用。它们不仅仅越来越智能，同时它们的范围和目的也更加通用，我认为这是一个关键趋势。

通过 AGI 通用人工智能可以实现很多愿景，一个愿景是思维云，我们可以把世界各地的思维和大脑连在云上，我们的应用，不管手机应用还是机器人，还是科学数据分析的机构，我们可以从互联网下载他们的大脑和思维，他们可以帮助你进行思考，不管他们在哪个领域都可以做，在云上有覆盖各个领域的应用。」

Ben Geortzel 目前正专注于开源 AI 项目 OpenCog 的研发，并尝试推动大学与独立研究院的结合，这也是雷锋网一直致力在做的。

十个演讲的盘点也许只是匆匆一瞥，还有不少大会上的优秀演讲因为篇幅限制，雷锋网只能忍痛割爱。但不论如何，雷锋网将与你在新的一年内继续走在探索人工智能的道路上，关注智能与未来的我们也会期待见证新一年的精彩。

【兼职召集令！】

如果你对未来充满憧憬，喜欢探索改变世界的科技进展，look no further！

我们需要这样的你：

精通英语，对技术与产品感兴趣，关注人工智能学术动态的萝莉&萌妹子&技术宅；

文字不求妙笔生花，但希望通俗易懂；

在这里，你会收获：

一群来自天南地北、志同道合的小伙伴；

前沿学术科技动态，每天为自己充充电；

更高的生活品质，翻翻文章就能挣到零花钱；

有意向的小伙伴们把个人介绍/简历发至 guoyixin@leiphone.com，如有作品，欢迎一并附上。

。