全球机器智能峰会（2017/0525/235958.html">GMIS 2017），是全球人工智能产业信息服务平台机器之心举办的首届大会，邀请来自美国、欧洲、加拿大及国内的众多顶级专家参会演讲。本次大会共计 47 位嘉宾、5 个 Session、32 场演讲、4 场圆桌论坛、1 场人机大战，兼顾学界与产业、科技巨头与创业公司，以专业化、全球化的视角为人工智能从业者和爱好者奉上一场机器智能盛宴。

5 月 27 日，由机器之心主办、为期两天的全球机器智能峰会（GMIS 2017）在北京 898 创新空间顺利开幕。中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任王飞跃为本次大会做了开幕式致辞，他表示：「如今人工智能非常热，有人说再过几年人类甚至不如鞋底聪明，50% 甚至 70% 工作被人工智能取代。」王飞跃对此表示很震惊，但并不认同，他又说：「情况是，再过几年，人类 90% 的工作由人工智能提供，就像今天我们大部分工作是由机器提供的一样。我们的工作就是尽快让我们的鞋底也像人一样聪明，而不是鞋底比我们聪明，并希望机器之心主办的这次全球机器智能峰会让我们知道人工智能会提供一个更美好的未来。」。

大会第一天重要嘉宾「LSTM 之父」Jürgen Schmidhuber、Citadel 首席人工智能官邓力、腾讯 AI Lab 副主任俞栋、英特尔 AIPG 数据科学部主任、GE Transportation Digital Solutions CTO Wesly Mukai 等知名人工智能专家参与峰会，并在主题演讲、圆桌论坛等互动形式下，从科学家、企业家、技术专家的视角，解读人工智能的未来发展。

下午，加利福尼亚大学伯克利分校人工智能方向在读博士吴翼发表了主题为《价值迭代网络》的演讲，探讨分享了如何通过学习规划计算，使得机器具有更好的泛化能力。

下面是吴翼演讲的主要内容：

价值迭代网络

大家好！我叫吴翼，目前是 UC Bekerley 第三年人工智能方向的博士生。我今天来展示的工作，叫价值迭代网络（Value Iteration Network）。这项工作在刚刚在去年巴塞罗那结束的机器学习顶级会议 NIPS 上，获得大会唯一的最佳论文奖项。

动机

这项工作的出发点，也是 Berkeley AI Lab 的一个使命，那就是研发自动机器人，希望有一天这样的场景会发生：某天早上你对你家的机器人说：「帮我从冰箱拿瓶牛奶」。然后它就打开冰箱，看到这样的冰箱场景，然后挪开前面的苹果来拿到放在最后面的牛奶。

这项工作的难点在于，冰箱里面的样子每天都是不同的。所以这就要求机器人背后的算法有一定的泛化能力。我相信在座的大家每天都会进行类似的动作，但是这对于目前的机器人来说，还是太难了。

当然我也相信，很多人都认为，深度强化学习，atv，能够有一天帮助我们达成这一点。

背景介绍

因此，本项工作的另一个出发点就是，在近些年，深度强化学习可以成功的通过学习，单纯从图像输入，做出复杂的决策。比如玩 Atari 游戏，或者操作真实机器人，等等。在这些最近的工作中，有一个看起来让人有些惊讶的事实，那就是这些工作所采用的深度学习网络结构，和计算机视觉领域中的图片分类的神经网络非常类似。他们都有一系列卷积层来做特征提取，然后紧跟着一两个全连接层产生输出。

当然，我们已经知道了，通过反应式网络，已经足以解决一些复杂的问题。但是，这些网络结构，是否真正理解这些复杂问题？那么，什么算是真正的理解呢？这个问题很难很清楚的定义。这里让我们尝试利用一些简单的强化学习实验来回答这个问题。这个实验我们称之为格子迷宫问题，grid world。在这个问题中，红色点代表机器人，绿色的点代表目标点。机器人需要从起点移动到终点并躲避开障碍物。这项任务相对简单的原因是，机器人可以看到完整的地图信息，知道他的位置以及终点位置。