现场报道：Alex Chen，ChainnZ

2016 年 3 月，AlphaGo 横空出世，举世哗然；2017 年 1 月，Master 再次横扫人类旗手，却已在大众意料之中。在过去的 2016 年里，以深度学习为首的机器学习技术引领的人工智能热潮迅速从学界和工业界扩散到了整个社会。大众对人工智能的不切实际的期待又达到了一个新的高度，仿佛只要使用深度学习一切就可以迎刃而解。

然而对于真正的从业者来说，每天面对的真实问题则是，深度学习技术能否对当下问题提供解决方案；如何让深度学习与现有问题结合，真正帮助我们做出判断，如何结和深度学习优化现有的系统等等这类直接和现实的问题。

2017 年 1 月 11-12 日首届人工智能前沿峰会（AI Frontiers）于美国加利福尼亚州「硅谷」中心圣克拉拉举行。这次大会邀请来自谷歌、 脸书、微软和亚马逊等人工智能前沿公司的顶级科学家，分享他们在人工智能研究及应用上的最新成果；谷歌和亚马逊团队在第二天的分会场举行了深度学习开发框架的实践课程；人工智能创业公司也在此这里聚集，分享自己的产品和想法。

　　首届人工智能前沿峰会（AI Frontiers）阵容强大，与会者超过 1600 人，覆盖 15 个国家地区，人工智能巨头公司专家工程师云集；内容覆盖人工智能业界 6 大热门主题，直切前沿：自动驾驶、语音人工助手、自然语言处理、计算机视觉、物联网、和深度学习框架。

　　AI Frontiers 人工智能前沿大会不仅为世界各地的人工智能关注者提供了最尖端的人工智能知识分享，也把人工智能领域的巨头公司研发高管、研究科学家及工程师聚拢在一起，提供非常难得地一个平台，让大家面对面交流，分享了自己对人工智能的最新认识。

机器之心作为本次大会首家华语媒体合作伙伴，对本次人工智能前沿峰会（AI Frontiers）进行专题报道。

Jeff Dean Keynote: 深度学习研究趋势与发展

　　大会第一天，大会主席胡峻玲博士致开幕辞后，谷歌大脑负责人 Jeff Dean 进行了 Keynote 演讲。Jeff Dean 介绍了谷歌大脑团队的研究进展和成果，这些研究在谷歌产品线的应用，以及团队在开源工具方面的成果（）

「工欲善其事，必先利其器」： TensorFlow

开发 TensorFlow 的初衷关键词：通用平台，最优质的，开放平台

关于机器学习系统的设计，Jeff Dean 给出了以下 5 条设计思路：

易于开发者表达其基于机器学习的想法和算法

可缩放性：可在短时间内迅速地进行试验，测试想法（并且实验结果可以良好地直接规模化）

多平台兼容

易于进行重现及分享

易于产品化

基于以上设计思路，从 2015 年 11 月 TensorFlow 正式发布起，TensorFlow 逐渐得到发展和完善：

多语言支持

性能提升

开发体验

将在保证向下兼容的前提下，提高开发者体验，加强文档撰写、提供更多可以直接使用的库以及可用于协助开发者进行开发的模型。

此外 Jeff Dean 特别在现场介绍了 TensorFlow 基于 XLA (Accelerated Linear Algebra) 的即时编译（JIT Compilation )

深度学习于谷歌无所不在

基于 TensorFlow 或更早期的机器学习系统，谷歌成功地开发了大量的应用解决方案。

Jeff Dean 列举了其中的一部分使用案例：

谷歌语音识别通过使用深度循环神经网络减低超过 30% 地错误率

照片搜索通过使用深度卷积神经网络自动升成照片标签

从图片中标出文字，并进行识别

使用深度学习检测糖尿病性视网膜病变

机器学习在机器人上的应用

更好的自然语言理解

结合图像与语言

更好的「翻译」为「理解」铺路

将参数分布于多个分布式参数服务器上，数据+模型并行化：成功解决神经翻译机的规模化问题

对于深度学习在谷歌未来的发展，Jeff Dean 谈论了以下几个方面：

更多地使用：迁移学习、Multi-task Learning 以及 Zero-Shot Learning

大多数的任务都为了这个任务从头进行模型训练，这样在数据使用、计算资源以及人员使用上效率都非常低。

对于更大的模型，使用自动机器学习

深度学习改变计算机架构设计（TPU 等其他计算架构）

对减低精准度的容忍

增加常用的运算操作

无人驾驶