标签：习惯 -- caffe level 行业 构造 source 未来 gen
演讲人-余凯
2016总结：
1. AlphaGo 的成功
2. 各种人工智能公司的成功
3. 算法的改进， 生成式对抗网络，还是个exciting的领域
4. open source工具：caffe，MMXnet
5. AI的过程： 从感知（图像，声音）到决策（自动驾驶）---- 决策才是未来10年的突破方向
6. AI产业应用仍然处于初期，没有商业模式，还需要时间和等待（与.com早期很像）
7.AI的泡沫存在，但不是不好。创业存在的问题：过去都是TO C的成功，但是TO B的成功太少，公司和资本市场都不太习惯TO B，例如估值等。
8.“创业”是艰苦的修行。
9.地平线的切入点：一，大公司不会涉及到的维度（大司的积累无效）；二，AI的本地计算十分重要（自动驾驶的计算）；三，技术难度较大
10.地平线打算构造：嵌入式AI计算生态圈：为各种各样的应用提供服务。
11.大牛的定义：知识的长期积累；对该行业的深度思考；持续创新的能力。
12.目前人工智能的技术差异小：是的。GPU+Caffe。 所以差异化 差异化 差异化很重要
2017的展望
1. AI处理器，硬件的出现。
2.新的算法的出现。
3.应用场景的出现。
提出的问题：
1.google的自动驾驶从公司分离出来，是不是表示不行？： google的自动驾驶基于精确地图，无法应对突发问题，而自动驾驶最重要的就是对突发问题的解决。
2.算法作为核心竞争力好么？： 这个最不合理，每天都在出现新的算法（人工智能算法），而且这个领域开源。
3.真正的核心竞争力？：一，足够大的市场；二，差异化，差异化，差异化。
4.深度学习的平台的选择？：Tensorflow虽然是google产品，但是一家独大不好。MMXNet也很好，同时与大多数人用Tensorfolw一样，打出差异化。
5.最新的强化学习和迁移学习怎么样？
5.1.AI领域中的感知可以使用“黑箱”；但是在决策端，需要使用“白箱”，黑箱不可想象,所以理论框架很重要。
5.2.深度学习本身就有迁移学习的特点：ImageNet训练出来的参数在其他的地方也可以用。而深度学习（模型）包含两部分：模型的迁移和参数的迁移。模型的迁移更加困难，也是high level的内容，从本质上更好的处理深度学习。
标签：习惯 -- caffe level 行业 构造 source 未来 gen
原文地址：http://www.cnblogs.com/Matrix420/p/6198434.html
