本次会议主办方邀请到来自谷歌 Waymo，特斯拉和百度无人驾驶的专家同台讨论。谷歌 Waymo 的技术经理贾兆寅分享了谷歌 Waymo 一步步的发展历程。

Waymo 坚持 4 条做法：

1. 尽可能覆盖更多

2. 创造简单的目标代表（create simple object representations)

3. 不要去试着理解其他人在做什么

4. 避免视觉处理（因为还不够 robust 健壮）

来自特斯拉的机器学习负责人谷俊丽也分享了她对无人驾驶的展望和对机器学习的观点。她认为交通工具的发展现在处于从数字化变成智能化的关键阶段，我们已经看到了智能化的曙光。

谈到传感器，谷俊丽表示输入混合信号的技术还不成熟，不同传感器通常是分开计算。

接下来百度无人驾驶总监韩旭（Tony Han），首先他针对中国市场的特点表达了自己的看法，情况更多更复杂，但意义也非常重大，之后分享了关于百度无人驾驶的进展与测试视频。

在讨论环节中，主持人问嘉宾：「在深度学习中，计算能力越强数据越多效果往往越好，关于无人车计算能力的成本需要考虑吗？」

两位嘉宾展现了不一样的看法。谷俊丽表示这应该不会成为一个问题，关键是对不同的数据采取不同的计算策略。如果这种计算策略得当，应该会有有效的解决方案。韩旭（Tony Han）则认为计算成本的问题迟早会解决，但目前我们无法忽视计算成本带来的问题。

语音助理

微软邓力：历经三代对话系统

来自微软 AI 的首席科学家邓力教授首先介绍了语音识别和字符识别的系统，是深度学习让对话系统（Dialogue System) 不局限于一个狭窄的领域，然后嘉宾回顾了对话系统近 30 年的发展与沿革，该部分内容可参考文章 ：。

之后邓力教授介绍了三代聊天技术的不同特点：

第一代系统是基于符号规则/Template 的系统，专注与语法但应用范围有限，所用的数据只是为了设计规则，不涉及学习。

第二代系统是数据驱动，浅层学习，数据在这里是用来学习统计参数的工具。这种系统不利于及时与更新，同样局限于一定范围的应用。第二种方法参考文章：~sjy/papers/ygtw13.pdf

第三代系统同样为数据驱动，但结合了深度学习，使端到端的学习成为可能，不易解释但应用范围较广。

最后邓力认为用自然语言理解（Natural Language Understanding）来模拟 Long-span Dependency 对语义和语法连贯性识别，在 ASR 领域很有潜力。

百度展示语音实力，亚马逊力推 Alexa