发生在物理世界的训练样本往往获取非常困难，以机器人手臂随机抓取物体的实验为例，Google为了获得训练样本，只能以14台机械臂在那里日夜不停地获得训练数据。如何高效率的获得样本，或者是高效能的使用样本，将是极其核心的问题。

　　第三：机器人领域涉及强化学习、无监督学习、主动学习。

　　对于机器人领域的核心技术强度学习，特别是深度强化学习(Deep Reinforce Learning)，几乎所有我们拜访的工程师，包括Vincent一致认为技术实现的难度非常大。

　　第四：闭环控制系统对于改善性能极为必要。

　　第五：需要新的数据结构，用于表示运动学链接（Kinematic chain）、图像的卷积、运动轨迹。在之后的问答环节，atv直播，他对迁移学习抱有厚望。

　　老牌的IBM业务多元化、而且绝大部分是面向企业服务市场（to B）。因此，Michael Witbrock提出对于人工智能领域的研究路线更为系统、同时也更为传统。

　　他提到对世界的大规模建模，由之前明确的、符号化的、分解的建模方式，逐渐融合隐形的、统计的建模方式。例如之前机器人动力学方程中对于摩擦力这类非线性变量的建模和求解时，难度就不小。

　　IBM 强调了符号主义的重要性，认为知识表达、逻辑在解决复杂问题中非常重要。

　　基于逻辑的传统知识表示值得引起我们的重新思考(Rethink)。

　　IBM在此方面的研究优势是既有硬件，又有软件。在整个IBM的研究人员Michael Witbrock演讲中，他很自豪地介绍IBM过去在人工智能领域取得的进展，并且已经广泛部署到多个领域，其中有一项是在人力资源领域的应用。

　　对比一个国内的案例，某乳品巨头的人力资源负责人在谈到人工智能在人力资源领域的应用时不屑一顾地谈到人力资源的工作富有人情味，冷冰冰的机器如何应对。其实，LinkedIn的职位招聘不也是人力资源的一部分吗？传统行业如何面对高科技的进步，被颠覆还是主动整合，看似简单的答案要落到实地并不容易。

　　值得重视的是，随着人工智能应用入侵传统行业，通常需要对控制对象所处的物理环境建模，这一块是比互联网更广阔的天地，机会更多，当然也更难。

　　发生在数字世界的非关键性应用

　　从实现难度而言，发生在数字世界的非关键性应用最容易发生，实际上推荐系统就是一个很好的例子，一方面大家对推荐商品的准确性相对宽容。

　　发生在数字世界的非关键性应用挤满各种互联网公司巨头，创业公司在这个领域想有所作为也很难，或许还有垂直领域有些机会。而创业公司如何突破人才、数据、计算资源的局限，寻找生存空间值得进一步探讨。

　　代表Quora出场的Xavier Amatriain恰好就回答了这个问题。Quora是家是中小型的创业公司，是美国的问答网站（类似于国内的知乎）。Quora只有85位技术工程师，其中仅仅两位研究员。人才寥寥、计算存储资源不多、数据也不是那么充足，

　　创业公司怎么能够避免一些技术弯路，正确应用人工智能技术呢？Xavier总结了他这么多年在机器学习实际工作的一些教训。

　　1. 更多的数据还是更好的算法？

　　Xavier认为更好的算法更为重要；

　　对于小公司而言，本身数据量就少，而获得标记的数据更是需要额外的成本。小公司堆数据肯定是堆不过大公司，所以选择把精力放在优化算法上往往比选择把精力放在获取数据上更高效

　　当然一方面小公司也需要不断地积累数据。

　　2. 复杂模型还是简单模型？

　　Xavier认为模型和特征选取需要匹配；

　　模型不是越复杂越好，在创业公司往往是不管黑猫白猫，能抓到老鼠就是好猫。根据界定的问题，选取与特征相匹配的模型。

　　3. 什么情景下用监督学习还是非监督学习？

　　Xavier认为非监督学习可以降低维度、并对特征做工程突破。在某些情况下，将监督学习和非监督学习结合，效果出奇的好；

　　4. 多种算法的组合还是单一算法？