2017年的经典论文奖授予了1999年第十六届AAAI 最有影响力的论文，来自无人车领域的元老级人物 Sebastian Thrun 的署名论文《Monte Carlo Localization: Efficient Position Estimation for Mobile Robots》获奖。

　　其他作者包括 Dieter Fox, Wolfram Burgard, Frank Dellaert。

　　获奖理由：开创了粒子滤波（particle filtering）的应用，为机器人定位提供有效和可扩展的方法。

　　经典论文荣誉提名论文：

　　《Combining Collaborative Filtering with Personal Agents for Better Recommendations》

　　作者：Nathaniel Good, J. Ben Schafer, Joseph A. Konstan, Al Borchers, Badrul Sarwar, Jon Herlocker, John Riedl

　　Dieter Fox 将于美西时间2月6日11：30领取“经典论文奖”并发表演讲。

　　3. 2017 杰出服务奖

　　AAAI -17杰出服务奖颁发给每一年对 AI 社区做出超凡服务的个人。2017年获奖者是马里兰大学的 James A. Hendler，以奖励他通过持续服务于 AAAI 、其它专业社区以及对政府倡议人工智能研究的重要性而对人工智能领域做出的特殊贡献。

　　4. 2017AAAI/EAAI 优秀教育者奖

　　AAAI/EAAI 优秀教育者奖授予对 AI 教育做出重大贡献、让 AI 社区持续受益的个人或者团体。2017年的AAAI/EAAI 优秀教育者奖颁发给 Sebatian Thrun，奖励他在高质量、广泛使用并可负担的线上课程所做的探索工作，并且他对自动驾驶汽车和导航做出了令人兴奋的展示。

　　5. Robert S. Engelmore 纪念奖

　　该奖项和讲座成立于2003年，j2直播，以表彰Robert S. Engelmore 博士对AAAI，AI Magazine 和AI应用社群的卓越服务，以及他对应用AI的贡献。2017年奖将颁发给 David Aha（美国海军研究实验室），奖励其在自动化系统、机器学习和基于案例推理方面的开拓性研究贡献和高影响的应用，以及对 AAAI 的广泛贡献，包括通过 AAAI 博士联盟和视频比赛教育更广泛的AI社区 。

　　6. 2017 Feigenbaum 奖

　　AAAI Feigenbaum奖旨在表彰并鼓励使用计算机科学实验方法做出的优秀的人工智能研究进展。2017年的奖项将授予 Stanford大学/ Google的 Yoav Shoham，他对人工智能基础研究有很高的影响力，包括知识表示，多代理系统和计算游戏理论，并将基础研究转化为具有影响力和创新的商业产品。

　　7. AI 杂志荣誉奖

　　AAAI AI 杂志奖授予荣誉退休主编 David B. Leake 。

　　8. IAAI-17 应用开发奖

　　两篇论文获此殊荣：

　　《在线人才招聘中的大规模职业技巧规范化》（Large-Scale Occupational Skills Normalization for Online Recruitment）

　　作者：Faizan Javed, Phuong Hoang, Thomas Mahoney, Matt McNair

　　《相位：一个用于加速高通量材料发现的AI平台》（Phase-Mapper: An AI Platform to Accelerate High Throughput Materials Discovery）

　　作者（未注明均为康奈尔大学）：Yexiang Xue, Junwen Bai（上海交通大学）, Ronan Le Bras, Brendan Rappazzo, Richard Bernstein, Johan Bjorck, Liane Longpre, Santosh K. Suram（加州理工）, Robert B. van Dover, John Gregoire（加州理工）, Carla P. Gomes

　　摘要

　　高通量材料发现涉及对许多不同但在结构上相关的材料的快速合成、衡量和表征（characterization）。材料发现中的关键问题相位图识别问题（phase map identification problem），涉及从材料的组成和结构表征数据确定晶相图。我们提出了相位图识别器（Phase-Mapper）解决相位图识别问题。Phase-Mapper是一个全新的AI平台，允许人类与AI算法的数据和产品交互，还能纳入人类的反馈对解决方案予以约束或初始化。Phase-Mapper结合了任何频谱去混合算法，包括我们在本文中提出的新型解析器（slover）、基于卷积非负矩阵分解算法。AgileFD可以结合约束来正确反映材料的物理性质和人类的反馈。我们在一个涉及20个合成系统的大规模实验中，比较了解析器的三个变体（与以前提出的方法相比较），证明使用 AgileFD 增加物理约束的有效性。Phase-Mapper也已被材料科学家用于解决各种各样的相图，包括在文中作为说明性示例给出的、此前未没解析出的Nb-Mn-V氧化物系统。

　　9. AAAI-17 Blue Sky Idea Awards