报名 | 机器之心邀请您参加硅谷人工智能前沿大会

第三届美国硅谷顶级人工智能前沿大会(AI Frontiers Conference)将于2018年11月9-11日在美国硅谷最高级别会议中心圣何塞会展中心盛大举行。

AI Frontiers Conference整合硅谷人工智能产业界优势资源,打造一个以挖掘人工智能技术突破创新性进展,最前沿的技术,创新产品和创业公司的平台。会议的演讲者为各人工智能细分技术世界级科学家代表。他们分别是来自于硅谷巨头企业,独角兽企业,优秀创业公司,斯坦福,伯克利人工智能实验室及项目组贡献杰出的教授和研究人员。经过组委会严格筛选,与全世界人工智能研发,应用,咨询,投资领域分享人工智能发展趋势和最新动向。

会议由于其领先型和精华内容,吸引了来自全世界各地行业人士参加,参会者主要来自于全世界及硅谷企业包括互联网,软件,通信,汽车,半导体,医疗,金融和各个创业公司的数据科学研发人员和商务人士。谷歌,脸书,亚马逊,微软,英特尔,麦肯锡等积极参与和赞助支持。各顶级企业风投和硅谷热门机构风投A16Z,KPCB等参与创业环节。麻省科技评论,福布斯,Techcruch, Venture beat, Finantial Times记者前来采访跟踪报道最新信息。

本届大会在以往会议基础上增加了更多演讲及讨论内容,包括有自然语言处理(NLP),自动驾驶(autonomous driving), 机器人(Robot), 视频分析(Video Analysis), 游戏(Games),深度学习突破性进展(Deep Learning breakthrough),无人机Drones), 人工智能与医疗大健康(AI in Healthcare), 人工智能与金融科技(AI in Finance), 物联网(IoT), 边缘计算(Edge Computing)等十二个议题。详细内容请参考www.aifrontiers.com

本次会议一共进行三天。第一天,第二天是主题演讲与讨论。由OpenAI创始IIya Sutskever开场主讲,接下来由12个主题小组专题演讲讨论。第二天另外包括创业环节,由经过选拔的硅谷人工智能优秀创业公司演讲竞赛,硅谷顶级VC合伙人小组评判;第三天深度学习培训,有包括Tensor Flow (谷歌团队亲自培训),PyTorch (脸书团队亲自培训),Seq2Seq 学习(谷歌大脑资深研究员Lucasz培训),弱监督语义理解(新秀创业公司Mosaix首席科学家Lao Ni培训)。第一天晚上另外有与美国顶级科学家和投资人近距离接触的VIP晚宴活动。

演讲嘉宾是由组委会精心挑选的在各个领域内做出成就的代表人物,其中包括:

Ilya Sutskever:OpenAI的联合创始人和研究室主任、前谷歌大脑研究员、深度学习之父GeoffreyHinton的高徒,参与了2012年AlexNet的研究,在谷歌时期与DeepMind研究员共同研发了围棋人工智能AlphaGo

邓力:华尔街对冲基金Citadel首席AI科学家, 前微软应用与服务业务(ASG)的人工智能首席科学家。邓力2009 年就同Geoffrey Hinton 教授合作,首次提出并将深度神经网络应用到大规模语言识别中,显著提高了机器对语音的识别率,极大推动了人机交互领域的发展与进步。他相关领域获得了70多项美国或国际专利。

Pieter Abbeel:加州伯克利大学教授、伯克利机器人学习实验室负责人、分别创立了机器人公司Covariant.ai和Gradescope,曾提出学徒式学习解决逆向强化学习问题,主导了近年来深度学习在机器人领域的应用。

李开复:创新工场 CEO,创新工场人工智能工程院董事长,卡内基梅隆大学计算机博士,人工智能创业导师。曾是Google大中华区总裁,微软全球副总裁,苹果、SGI等多家公司担当要职。

QuocLe:2011年谷歌大脑项目的创始人之一,开发出谷歌大脑的第一个大规模神经网络模型,分别贡献了包括Seq2seq学习、Doc2vec学习、神经框架搜索等前沿的机器学习模型,为谷歌的神经机器翻译系统和AutoML奠定技术基础。

PercyLiang:斯坦福大学助理教授、对话式AI公司Semantic Machines的联合创始人,曾参与开发谷歌助手背后的语言理解技术,目前深耕于语言理解和深度学习可解释性的研究,开发了最大的问答系统数据集SQuAD。

另外还有VP谷歌人工智能 JayYagnik,ARM GM&VP Himagiri Mukkamala,大疆无人机美国研发负责人Arnaud Thierceline,Uber工程总监Mark Moor等三十多名人工智能领军人物。

AI Frontiers人工智能前沿大会主办及委员会方由来美国硅谷资深人工智能科学家,创投人士,来自于微软,亚马逊,谷歌,苹果等总监级人工智能专家作为资深顾问组成。致力于把最新的人工智能领域发展动向和知识迭代由其领域掌舵者、人工智能先驱带给全世界人工智能参与者。由于其豪华阵容和内容的专业度被美国媒体列为最值得参加的人工智能大会之一。

更多演讲嘉宾,更多精彩内容和购票请报名参加硅谷人工智能前沿大会官网(www.aifrontiers.com

商务购票(含Marriot酒店住宿,VIP晚宴)请点击https://www.eventbrite.com/e/ai-frontiers-conference-2018-tickets-48904191754

商务合作及企业赞助请联系大会联席主席黄静之助理邮箱annie@aifrontiers.com

其他咨询请邮件info@aifrontiers.com。

机器之心作为合作方享有折扣码d50sync。

全世界与会者齐聚硅谷人工智能前沿大会,共展创新愿景,推动世界人工智能交流与进步。

产业硅谷AI Frontiers Conference
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

神经机器翻译技术

2013 年,Nal Kalchbrenner 和 Phil Blunsom 提出了一种用于机器翻译的新型端到端编码器-解码器结构 [4]。该模型可以使用卷积神经网络(CNN)将给定的一段源文本编码成一个连续的向量,然后再使用循环神经网络(RNN)作为解码器将该状态向量转换成目标语言。他们的研究成果可以说是神经机器翻译(NMT)的诞生;神经机器翻译是一种使用深度学习神经网络获取自然语言之间的映射关系的方法。NMT 的非线性映射不同于线性的 SMT 模型,而且是使用了连接编码器和解码器的状态向量来描述语义的等价关系。此外,RNN 应该还能得到无限长句子背后的信息,从而解决所谓的「长距离重新排序(long distance reordering)」问题。

阿尔法围棋技术

阿尔法围棋是于2014年开始由英国伦敦Google DeepMind公司开发的人工智能围棋程序。AlphaGo是第一个打败人类职业棋手的计算机程序,也是第一个打败围棋世界冠军的计算机程序,可以说是历史上最强的棋手。 技术上来说,AlphaGo的算法结合了机器学习(machine learning)和树搜索(tree search)技术,并使用了大量的人类、电脑的对弈来进行训练。AlphaGo使用蒙特卡洛树搜索(MCTS:Monte-Carlo Tree Search),以价值网络(value network)和策略网络(policy network)为指导,其中价值网络用于预测游戏的胜利者,策略网络用于选择下一步行动。价值网络和策略网络都是使用深度神经网络技术实现的,神经网络的输入是经过预处理的围棋面板的描述(description of Go board)。

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

Alex网络技术

AlexNet是一个卷积神经网络的名字,最初是与CUDA一起使用GPU支持运行的,AlexNet是2012年ImageNet竞赛冠军获得者Alex Krizhevsky设计的。该网络达错误率大大减小了15.3%,比亚军高出10.8个百分点。AlexNet是由SuperVision组设计的,由Alex Krizhevsky, Geoffrey Hinton和Ilya Sutskever组成。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

语言识别技术

在自然语言处理中,语言识别或语言猜测是确定给定内容所使用的自然语言的问题。针对该问题的计算方法被视为文本分类的特例,并用各种统计方法解决。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

问答系统技术

问答系统是未来自然语言处理的明日之星。问答系统外部的行为上来看,其与目前主流资讯检索技术有两点不同:首先是查询方式为完整而口语化的问句,再来则是其回传的为高精准度网页结果或明确的答案字串。以Ask Jeeves为例,使用者不需要思考该使用什么样的问法才能够得到理想的答案,只需要用口语化的方式直接提问如“请问谁是美国总统?”即可。而系统在了解使用者问句后,会非常清楚地回答“奥巴马是美国总统”。面对这种系统,使用者不需要费心去一一检视搜索引擎回传的网页,对于资讯检索的效率与资讯的普及都有很大帮助。从系统内部来看,问答系统使用了大量有别于传统资讯检索系统自然语言处理技术,如自然语言剖析(Natural Language Parsing)、问题分类(Question Classification)、专名辨识(Named Entity Recognition)等等。少数系统甚至会使用复杂的逻辑推理机制,来区隔出需要推理机制才能够区隔出来的答案。在系统所使用的资料上,除了传统资讯检索会使用到的资料外(如字典),问答系统还会使用本体论等语义资料,或者利用网页来增加资料的丰富性。

推荐文章
暂无评论
暂无评论~