来自 Bosch 的 Mohak 的讲座主要在于深度学习与物联网的结合。物联网的影响范围会越来越大，逐步渗透各个行业，但同时面临很多挑战，比如时间序列，不均一性，异步性等。深度学习技术可以给物联网领域带来很多机会，比如它的多功能性，便于训练与高度整合。

来自 Intel 的 Andres 完整地介绍了一个公司需要采用人工智能解决方案的完整过程和可能遇到的问题。最后嘉宾也覆盖了 Intel Nervana 的特性和应用领域。

物联网的最后一位嘉宾是北京文安的陶海, 他主要分享了文安的产品和最新技术，通过深度学习和计算机视觉的结合，通过嵌入式 CV 硬件，GPU，VPU 和 FPGA 的加速产生的一系列智能产品。在提高了处理速度的同时，增加了设备性能，同时针对不同场景设计了不同的硬件，并在国内外都取得了良好地市场反馈。

在之后的讨论环节，主持人首先问诸如 Bosch 这样的大公司会自己建造自己的深度学习应用还是通过世面上已有的程序库？Mohak 表示他既会关注需要的软件包，也会自己尝试解决问题，这个主要是根据问题本身决定。Andres 则说他们会利用一些开源的库来实现自己的目的。陶海表示他们使用 Caffe 和 TensorFlow，这主要基于两点考虑，分布式和支持丰富。下面一个问题是怎么在设备端训练数据？Andres 认为在设备端训练会有优势有劣势。优势是提高了性能，劣势是收集的数据不稳定造成影响。

机器之心携手硒说对本版块进行了分析报道，感兴趣的读者可以阅读

谷歌、Facebook、亚马逊研发负责人同台共议深度学习框架

本板块嘉宾包括谷歌工程技术总监 Rajat Monga，Caffe 作者、Facebook 研究科学家贾扬清，来自亚马逊机器学习团队负责人的 Alex Smola 和来自 Facebook 的研究工程师 Soumith Chintala。

首先 Rajat 回顾总结了深度学习的发展，并介绍了 TensorFlow 的基本构架和具体实现实例。Rajat 提到，随着深度学习的复杂性提高，出现数据包成为大势所趋。

贾扬清以 Caffe 的设计为载体，分享了如何设计深度学习框架——一个好的深度学习框架具有以下几个特征：可拓展性，便携性，增强的数值类型，可移动性。随后贾扬清对 Caffe 和 Torch 进行了对比。

亚马逊机器学习总监 Alex Smola 首先深入浅出地讲解了编译环境中函数性质不同带来的优缺点：优点在于直接和灵活，atv直播，缺点在与该系统很难优化；随后 Alex 介绍了 MXNet 强大的兼容性和分布式深度学习性能。

本板块最后一位嘉宾，来自 Facebook 的 Soumith Chintala 介绍了 Torch 可以应用的种种场景以及核心逻辑，并为后来的深度学习培训做了铺垫，最后还展望了下一代深度学习构架的特点，比如支持各种科学计算，动态的神经网络等。

机器之心将在之后对本部分分享内容进行更加详尽的重现报道。

a16z 合伙人 Frank Chan Keynote：人工智能的未来，降低成本与市场影响

　　晚宴期间，大会请到了来自硅谷著名风投 Andreessen Horowitz（a16z）的合伙人 Frank Chan。Frank 解读了人工智能将大幅度降低成本的重要领域，以及可能将带来的市场影响。

演讲重点了覆盖以下领域：

自动驾驶和飞行

理解物理世界中的物件和形式

内容生产

预测未来

自动优化复杂系统

理解

机器之心将在之后对本部分分享内容进行更加详尽的解读报道。

©本文为机器之心原创，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]