在大会的主题演讲中，多位业界大咖向与会者介绍了各自领域里人工智能应用的最新进展情况。
来自 Intel 人工智能事业部副总裁兼人工智能实验室和软件总经理 Arjun Bansal 博士分享了 Intel 人工智能助推医疗行业现代化的进展。包括如何利用深度神经网络帮助解决医疗数据集庞大的问题，优化流程，提高医生的效率；利用深度学习和机器学习大幅提升肿瘤检测的效果；通过有效优化算法而大幅降低新药研发的成本等。
同样来自 Intel 的刘茵茵博士是 Intel 人工智能事业部数据科学部的数据科学主任，她和团队成员一起推动 IntelNervana 平台的开发和设计，并将深度学习和 IntelNervana 技术应用于不同行业领域的业务应用。
刘博士在发言中首先谈及了 Intel 应用方案的整体思路：组建一个 NLP 平台，建立一个开放灵活的堆栈，利用平台和堆栈创建一些商业应用解决方案。接下来刘博士给大家分享了 NLP 利用深度学习网络处理自然语言的最新算法发展，如：文档理解之类的应用，实现快速筛查海量文本，分类标注并找到相关信息。之后，刘博士还通过几个使用 Intel 人工智能技术的 NLP 企业案例展示了在深度学习领域里面出现的一些创新：如何影响处理文本，语言及基于对话应用，以及启动利用数据的新方向等。
作为 GoogleTensorFlow 团队的科学家，Sherry Moore 向与会者分享了 Google 人工智能平台 TensorFlow 的最新研发和应用情况，Google 如何让每个人都能够从人工智能中受益以及 Google 致力于让人工智能惠及每个人的理念。在演讲中，Sherry 提到了人工智能在 GoogleAssistant、Google Home、Google+等产品中的应用，其中特别提到 Google Translate 通过使用神经网络翻译进行整句翻译，大大提高了翻译的准确性。
同时，Sherry 也介绍了 Google 人工智能在医学、农业、航空运输、环境保护等领域的应用。此外，TensorFlow 的开源对于行业和产业界皆带来很大的变化，Sherry 也就此专门进行了 40 分钟的分会场的议题分享。
来自 Uber 的 ErranLi 博士是 Uber 高级技术团队的资深研究科学家，ACM 和 IEEE 计算机学会的成员，康奈尔大学计算机科学博士。Erran Li 博士向与会者分享了深度增强学习如何显著地推进自动驾驶的潜力，如：领域适应和用于感知和行动的迁移学习，无监督学习；模型预测控制（例如 iLQR）领域的研发近况，如：模仿学习（例如 DAGGER、infoGAIL），策略梯度法以及层次增强学习（例如 A3C 和变化降低）等，以及它们在自动驾驶方面的应用表现，同时也介绍了在自动驾驶领域所剩「最后 10%」的问题所带来的巨大挑战。
来自 Matroid 公司的创始人兼 CEO Reza Zadeh 博士概述了 Matroid 的 Kubernetes 部署，它为大量用户提供了定制的计算机视觉和流监控，并演示了如何在浏览器中定制计算机视觉神经网络模型。同时解释了 Matroid 如何按比例构建、训练和可视化用以监视视频流的 TensorFlow 模型。Danny Lange 博士是 ACM 和 IEEE 计算机学会的成员，在世界顶尖游戏公司 UnityTechnologies 担任人工智能和机器学习的副总裁，而曾经担任 Uber 机器学习负责人，亚马逊机器学习公司总经理，微软的首席开发经理，参与通用汽车 OnStarVirtual Advisor 项目等工作经历让他成为公认的业界翘楚。
Danny Lange 博士向与会者介绍了使用 ML-Agents 工具包的 Unity Engine 作为动态 3D 游戏环境用于机器学习研究的例子；并且演示了游戏在推动强化学习算法发展过程中所扮演的角色；Danny 还概述了用于训练机器学习代理的各种算法，包括各种强化学习和监督式学习方法。并对如何在定制的 3D 游戏环境中进行机器学习研究，以及如何使用深度强化学习方法去完成这些环境中的各种任务给出了很好的建议。
来自百度首席科学家熊辉博士以「数据驱动的人工智能时代已经到来」开场，指出数据驱动的主要特征是精细化的数据搜集导致一切事物会更加清晰化，但同时大量数据积累的过程也会造成信息的冗余，并使得获取高附加值信息的成本大幅提升。
在接下来的发言中，熊辉博士谈到了两类行业最适合应用人工智能：没有被充分数字化的行业，以及没有被充分用更小的颗粒度去数字化的行业。他指出在数据、计算能力、算法和应用场景等人工智能的四大必备要素中，算法优化是学术界的强项，而数据、算力和应用场景则普遍存在于企业界。
百度正作为一个数据驱动的公司，意在通过四大要素的整合打造全生态数字化 AI 平台，而 Apollo 自动驾驶开放平台，精细化、个性化的百度搜索和推送平台，以及基于百度语音技术、视频处理技术的开放平台 DuerOS 等都是这种理念的具体体现。
「我今天给大家讲的是增强学习如何能够在真正的实际应用当中解决问题，它是怎么样解决的？解决了什么问题？」Bonsai 公司的创始人兼 CEO，认知企业家 Mark Hammond 开门见山地提出了主题演讲的核心内容。
增强学习结合了模拟或是数字的组合，是解决动态变化和需要自适应的环境问题的一个强有力的机器学习工具。增强学习能训练模型，让它们优化多种行业（例如机器人，制造业，能源，供应链等）的系统和流程的效率。MarkHammond 在演讲中通过两个真实的案例展示了增强学习是如何成功地优化了西门子公司的机器调优，以及如何优化了一个大型空调企业的系统的能效。并且详细介绍了从构建，训练，部署模型到分析应用的业务全过程。
Hassan Sawaf 是 AWS 应用科学和人工智能主管，负责推动 Amazon Lex，Amazon Comprehend，亚马逊翻译，亚马逊转录和其他机器学习服务等产品的科学和技术，他在自动语音识别，计算机视觉，自然语言理解和机器翻译领域有二十多年的工作经验。
Hassan Sawaf 在主题演讲中首先和与会者分享了人与计算机交互的历史进程，并结合机器学习的使用场景，介绍了亚马逊人工智能在语音识别，机器翻译等应用领域的最新成果，以及全新上线的 Amazon Go 带来的全新购物体验。
「到目前为止，所有的东西都是 AI+HI，即人工智能+人类智能。」来自微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文博士在他的主题演讲「智能简史」中明确提出了人工智能的发展理念，并以此为依据介绍了微软在 CNN、语音识别、机器翻译等方面的进展。
来自京东人工智能平台和研究部门的副总裁 BowenZhou 博士是人类语言技术，机器学习和人工智能多领域的专家。之前在 IBM 十五年的工作经历中，是 IBM 技术战略与研究，以及 AI 认知研究方面的领导者，IBM Watson Group 首席科学家。
Bowen Zhou 博士在会上与大家分享的是他对人工智能的独特认识：从目前的 ANI（窄义人工智能）发展到未来的 ABI（广义人工智能）。这种发展意味着有更好的需求和标识数据，对专家人工系统，算法专家的依赖性会减少，会出现更多可解释的人工智能解决方案。更重要的在于，新开发的 AI 系统可以来做更多不同的 Task，所有这一切合在一起，就会形成 ABI。但是如果 ABI 能够达到，对任何 AI 的应用企业，对 AI 的使用者来说，意味着会形成一个比今天大 100 倍的人工智能市场。同时，Zhou 博士还分享了从 ANI 到 ABI，研发人员需要努力实现的七个主要的技术方向。
除了精彩的主题演讲，与会嘉宾的议题还从「企业中人工智能应用」、「人工智能对商业社会的影响」、「人工智能的实施与交互」、「人工智能的模型与方法」等多个方面，展示了在自然语言处理和理解、语音识别、计算机视觉识别、增强学习和机器学习、深度学习、CNN 与 GAN、AI 平台设计等领域最新的研发成果和前沿技术，以及这些成果和技术在包括医疗、金融、教育、传媒、新闻、娱乐、零售与电子商务、运输与物流等多个行业业务里的最新应用情况。
纵观本次 AIConference2018 北京站会议，给人以下几点突出的印象：
一、大数据时代的来临加快了人工智能应用的发展。
参加本次大会的 Intel、Google、Amazon、百度、京东、阿里巴巴、Uber、微软等国内外企业无一不是拥有独立大数据流量入口的企业，他们也无一例外的成为人工智能领域的「超级玩家」。海量的数据资源支持，不仅让他们在这场「未来的游戏」中成为领先者，也给他们带来了现实巨大的经济效益和对 AI 领域的影响力。正像百度首席科学家熊辉博士在会上所说的那样「与前几次人工智能发展的道路不同，这是一次由数据驱动的人工智能。」未来随着智能家居、IoT 的普及和发展，大数据对人工智能应用快速发展的推动作用将越来越明显。
二、人工智能从「云端」走来。
和数据争夺一样，「AI 云服务平台」也同样成为激烈竞争的战场。与会的许多企业基于各个领域，推出了各自基于云服务的人工智能平台，像著名的 Google 的 TensorFlow；AWS 推出构建和部署 ML 模型的 Sagemaker；IBM 有 Watson；百度自动驾驶领域有 Apollo 平台，语音技术、视频处理技术领域有 DuerOS 平台等。既然「AI 云服务」成为发展的趋势，那么这些 AI 的大佬们自然不会错过这个机会，因为平台的竞争就意味着用户的竞争，说到底是意味着数据入口和流量的竞争。
三、深度学习继续「加深」，何时由「黑」转「白」？
在这次 AI Conference 北京站大会上，与会嘉宾口中提到的，现场观众耳中听到的最多的一个词（词组），恐怕非「深度学习」莫属了。无论是 Uber 的无人驾驶，还是 Google 的机器翻译；不管是微软的「小冰」，还是 Intel 精准医疗，到处可见「深度学习」的「身影」。随着大数据的应用，以及计算机算力的大幅提升，满足了深度学习进一步提升和完善的需要。从本次大会众多应用的发展中可以清楚地看出，深度学习的发展成果已经越来越强烈地影响到人工智能在感知、预测、决策等应用中的效果，并且这种影响正向着人们所希望的方向不断前进。深度学习帮助我们解决了 what 的问题，但无法回答我们 how，因此业界习惯把这种模式称为「黑盒子」。人们一直试图打开这个「黑盒子」，但迄今为止还没有成功。什么时候这个「盒子」能由「黑」转「白」，人工智能就将在那个时刻实现质的飞跃。
