嘉宾：滴滴出行CTO张博，百度首席架构师James Peng，地平线机器人创始人余凯，英国克兰菲尔德大学教授曹东璞，中国指挥与控制学会副秘书长刘玉超，中国汽车工程研究院副院长谢飞等。

　　新智元100论坛

　　微软创投加速器CEO罗斌

14:00，加速AI革命

　　新智元100 技术、投资专家评审

　　14:30

　　赛伯乐投资集团总裁王阳

　　16:00，人工智能的产业应用和资本协同

　　明势资本创始人黄明明

　　16:30，人工智能引领第四次工业革命

　　? 投资领袖圆桌

　　主持人：酷我音乐创始人雷鸣

　　嘉宾：赛伯乐投资集团总裁王阳、高榕资本创始合伙人岳斌、梅花创投创始人吴世春、微软创投加速器CEO罗斌、小 i 机器人CEO袁辉、凯鹏华盈（KPCB）中国基金主管合伙人周炜。

　　世界人工智能大会-主论坛演讲嘉宾和内容介绍

　　【演讲题目】人工智能名人堂：纪念与欢庆（AI Hall of Fame: In Memory and Celebration）

　　王飞跃，中国自动化学会副理事长、

中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任

　　王飞跃教授，1990年获美国伦塞利尔理工学院（RPI）计算机与系统工程博士学位。1990年起在美国亚利桑那大学先后任助教授、副教授和教授，机器人与自动化实验室主任，复杂系统高等研究中心主任。1998年作为国家计划委员会“引入海外杰出人才计划”和中国科学院“百人计划”人才回国工作，2011年追溯为首位国防领域“千人计划”国家特聘专家。曾任中国科学院自动化研究所副所长，现为中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任，国防科技大学军事计算实验与平行系统技术研究中心主任，中国科学院大学中国经济与社会安全研究中心主任,青岛智能产业技术研究院院长。

　　【新智元专访】中国人工智能的希望（5分钟 视频）

　　Yoshua Bengio，加拿大蒙特利尔大学教授

　　Yoshua Bengio从 20 世纪 80 年代开始研究神经网络。他 1991 年在麦吉尔大学获得博士学位，j2直播，此后在麻省理工学院跟从 Michael Jordan 做博士后研究，之后在贝尔实验室与 Yann LeCun、Patrice Simard、Léon Bottou、Vladimir Vapnik 等人一起工作。后来他回到蒙特利尔大学，现在是该校计算机科学与运筹学系机器学习实验室（MILA）主任，他也是加拿大的统计学学习算法研究主席。在这些年间，除了促进无监督学习，Bengio 的研究小组还对自然语言理解、递归神经网络的发展做出了贡献。

　　【演讲题目】深度学习十年简史和未来展望

　　【摘要】Deep learning, which exploits multiple levels of data representations that give rise to hierarchies of concept abstraction, has been the driving force in the recent resurgence of Artificial Intelligence (AI). While only over the past four years have we seen quantum leaps in a wide range of everyday AI applications, the underlying deep learning technology had been brewing since earlier time, notably about ten years ago with the birth of a generative deep learning model called Deep Belief Networks (Hinton et al., 2006). I will first reflect on how generative Deep Belief Networks rapidly evolved into discriminative Deep Neural Networks which has profoundly reshaped the landscapes of large scale speech recognition since 2010 (Hinton and Deng et al: IEEE Signal Processing Magazine, Vol. 29, pp. 82-97, 2012) and of ensuing image recognition since 2012. I will then proceed to summarize subsequent rapid advances in natural language processing and other cognitive AI applications. Next, some key limitations of current deep learning technology are analyzed, including the lack of structure-to-structure transformation and learning for bridging symbolic and neural processing required to achieve human-like deep understanding of and reasoning in natural language with embedded common-sense knowledge. Finally, outlooks for future AI breakthrough are discussed by looking into potential solutions to overcoming the current weaknesses of deep learning, and by examining the similarities and differences between existing deep learning-based AI systems and their neuroscientific/cognitive counterparts.

　　邓力，微软人工智能首席科学家