谈起人工智能，最先印入脑海的一定是横扫围棋大师的AlphaGo。但在业界，更令人吃惊的标志性变革发生在德州扑克：不需要准备海量棋谱，也没有充分公开的完美信息场景，化名“冷扑大师”的AI系统直接针对对手的劣势自我学习、通过博弈论选取最优策略，横扫德扑顶尖高手，“高情商”令人瞩目——不完全信息场景，正是错综复杂商业运作中常常面临的困境。

李开复说，“冷扑大师”战胜人类的意义，就在于“更多人通过比赛了解到了更全面的人工智能，知道AlphaGo所代表的深度学习并不是人工智能的全部”。而在商业智能时代，量化决策势不可挡，如何从汹涌的AI泡沫中找到正确方向，是学界和业界共同关心的议题。

6月24日，创业邦（微信搜索关注：ichuangyebang）受邀参加了钛媒体和杉数科技共同举办的AI大师会。会上，明尼苏达大学助理教授王子卓、清华大学交叉信息研究院助理教授李建、纽约大学助理教授陈溪、斯坦福大学讲席教授叶荫宇、佐治亚理工学院终身教授蓝光辉做了主题演讲，阐述AI时代商业本质、产业变革等问题。

明尼苏达大学助理教授王子卓以他作为杉数科技CTO进行的商业实践为例，详细阐释了复杂多变的商业环境下，如何实施智能定价的环节以及产品化。

王子卓认为，定价策略将决定很多公司最终能否生存，可谓是很多公司的“生命线”。数据驱动的定价需要正确的时间、正确地点、正确价格、正确的客户以及正确的服务和产品。从数据中挖掘消费者的构成、偏好、行为。他还谈到目标定价的6个场景：标准定价场景、非标准定价场景、组合定价、动态定价、差异化定价、创新产品定价。当然让人满意的定价还需要好的底层模型来支撑，比如MNL、NL等。但当面临多个选择、不同价格、不同质量时，数据可以告诉我们哪个模型最合适。

清华大学交叉信息研究院助理教授李建则分析了深度学习在时空大数据中应用，所谓时空大数据就是兼具时间和空间属性。他认为深度学习在图像识别、语音识别等已取得很大的成功，但在时空大数据方面的研究才刚刚起步，并没有形成一套成熟的方法论。但在日常生活中，时空大数据已经应用到诸多领域，比如商业选址，传统方法通过调查问卷，成本很高，而通过时空大数据可以提高效率、节省成本。

真正的商业内容是极其复杂的，纽约大学助理教授陈溪认为，光有这个机器学习是不够的，我们要把这个机器学习和科学、统计结合起来，才会有新的数据产生。他还认为，AI商业化需要机器学习、统计学和运筹学等技术的融合，这些技术的融合可能碰撞出新的数据分析模型。

佐治亚理工学院终身教授蓝光辉表示，AI在实施反欺诈、反洗钱、保险行业产品个性化推荐、医疗领域（预防治疗、发现早期疾病等）上已经得到广泛应用。这些问题涉及的数据越来越大，其对算法复杂度要求也越来越高。机器需要先找到活动实践数据，建立数学模型定义优化目标和约束，最后机器进行优化决策。

最后，斯坦福大学讲席教授叶荫宇结合杉数科技的实际案例分别讲解路径优化、库存管理、投资组合三大应用。他说深度学习本身还有很多东西无法解释其中原理，但实际效果很好。

国内公司对AI的相关产业跟随很紧密，在一些问题上能够集合中国特色进行研究与开开发，但优化算法在国内却相对弱势，相比于统计社区、机器学习社区等分支，相对和绝对的影响力都明显偏小。

对于AI未来的趋势，他提出了三个观点：

1、数据量集合速度增长，模型规模也飞速增长，因而需要超大规模的优化算法。比如：深度学习里，超过规模的非凸优化算法。

2、从现实的角度看，如何实现算法集群化，软硬件充分结合，如何利用GPU实现并行运算，都是目前研究的热点与难点。

3、应用，如何充分发展可以应用于具体场景的高效算法，如智慧供应链、智能金融、健康管理等领域。

会后，创业邦（微信搜索关注：ichuangyebang）等多家媒体对蓝光辉、陈溪、王子卓、叶荫宇等人进行了群访，以下为部分采访内容。

Q：企业界相对学术界有更多的技术资源还有优势的，美国高校如何应对人才挑战的？

陈溪：有两个可以思考，美国高校提供更灵活的制度，以前不允许教授到企业直接工作，而允许学校工作3天，企业工作2天，这样通过需求慢慢建立起来，像这个文本确实企业做的比学校好，学校会回归更加基础的研究，更多理解深度学习为什么取得这么好的效果，有哪些局限性，根据我们理解，这个局限性会开发出新的算法，以后会觉得还是说有更加需要创新的，更加基础的东西会在学校里完成。而大规模的应用，企业会推出越来越多的可能性。

Q：如何定义企业和学者之间的关系？