引言
10月17-19日在蘇州金雞湖國際會議中心舉辦了CNCC大會，此次大會由CCF 主辦，蘇州工業園區管委會承辦。大會的主題是“智能+引領社會發展”。CNCC大會的會議報告主要有上午特邀報告和下午各個分會場報告。
第一次參加這樣的會議，對於來之不易的機會我們都非常珍惜，17日當我到達會場的時候，對上千人的會場感到驚歎。聽會幾天，我們每天都早早出發，所以每天早上都能夠坐到前幾排的位置。而下午的分會場就是另外一種情況了，我發現我想聽的講座人都異常的多，第一天的時候去聽“學習算法與博弈決策”當在一點十分到達會場的時候，發現場內已經坐滿了人，我就站在後面聽了一會，那時的感覺可真真是難受，看也看不見，聽也只能聽個大概。所以第二天的我吸取了教訓，早早的吃完飯就去了分會場。第三天的時候，去了分會場人又坐滿了，於是在前面的過道處席地而坐。
下面總結一下大會中的知識點和分享一下自己的一些感受。
一、關於系統軟件發展的若干思考
1.資源域變化，種類、屬性（動態性、主動性，主動資源、智能性，智能體）
2.作用域的變化，（範在化，動態化）
3.軟件定義使得信息基礎架構發生變化，（垂直設計直接帶來硬件、基礎軟件、應用軟件的融合）
4.軟件應用的問題：
1)範在資源的抽象方法（硬件管理、資源管理、任務管理）
2)新型系統軟件動態邊界的機理
3)柔性可擴展的操作系統結構（操作系統本身的結構必須靈活、高效、健壯，微內核操作系統）
4)泛在智能環境下的系統軟件智能化機理
5)生態牽引的系統軟件縱向整合方法。
5.技術生態的幾點認識：
1)培育新興系統軟件生態（自主元操作系統，支撐環境）
2)支持生態的系統軟件基礎研究
3)軟硬件協同創新設計（動態定義軟件棧的方法）
4)基於生態做標準研究
#二、日本人工智能的研究、開發和應用——日本人工智能研究中心的視角
3D resnet加入了時間序列
三、智能簡史
1.爲什麼AI如此火？
2.人對智能又期待又害怕。
3.人工智能的五個等級：
1)記憶（人類的記憶是沒有計算機強的）。
2)感知（人也基本上比不過計算機）。
3)認知（瞭解，計劃，人做翻譯的時候是認知的過程，分析決策是AI在工業化中最重要的事情。分析，決策，傳感器，物理世界，現在人工智能只是模擬而不是思考，只是弱人工智能，人的認知是白盒，有因果關係，可解釋AI，今天的AI是以繁治繁，AI加HI，預防性的維修。
4)創造力，所有的AI都是人編寫出來的。
5)智慧，智慧跟意識有關。
4.Weak AI，Strong AI相當於Human AI，造一個只有科學上有意識的機器人，用人類的意識控制機器人，控制計算機。AI+HI才能共創美好明天。強人工智能很弱，弱人工智能很強。
四、把大數據輕型化
1.用傳統的方法對大數據查詢耗費時間，提出一種卷積查詢計劃。
2.在大數據下使得許多易解的問題變成了難解的問題。
3.並行計算並不是萬能的。
4.找大數據和小數據中查詢效率一樣的方法，使得近似解和精確解一一對應。
五、互聯網體系結構的演進、創新和發展
1.互聯網體系結構是互聯網的最核心關鍵技術。
2.互聯網體系結構的核心是網絡層。
3.互聯網的組成部分包括傳送格式（IPV4/IPV6基本固定不變）、轉發方式（基本固定不變）、路由控制（可變之處）。
4.互聯網體系結構面對的重大挑戰：擴展性、安全性、實時性、高性能、移動性、管理性，其中，前三個性能更重要。
5.關鍵技術：CPU/OS/互聯網體系結構。
6.互聯網值傳遞數據包，運行在任何通信技術上，允許在網絡邊緣上創新。
7.解決方案：擴展性：超大空間的路由尋址，開放網絡的跨域可信訪問；安全性：傳統的方法是“有病治病”，現在應該“增強體質”；實時性：競爭資源。
六、智能機器人研究：思考和問題
1.科研的本質不能太功利。
2.Robots = perception + cognition + action(behavior、manipulation、mobility、grasping)。
3.對於爬行這一行爲，在軟性材料上爬比在剛性材料上爬更困難。
七、深度強化學習：現實中回合制策略遊戲
1.在考慮冰的不確定性的情況下的基於AI的冰壺策略和仿真引擎。
2.拋擲機器人由牽引力控制的自動駕駛實現。
3.基於計算機視覺技術的機器人可以識別冰壺場地。
八、AI引領出行變革
1.橫縱拓展，橫指的是地域，縱指的是出行種類。
2.智能交通發展的三種途徑：
1)智能交通基礎設施的逐步完善。
2)智能交通工具的改進。
3)智能共享出行。
4)供需預測與調度。
九、大數據挖掘的新視角
1.廣度學習的三種類型：
1)相同實體上的不同信息類型。
2)相似實體上的不同信息類型。
3)可以通過一個複雜網絡相聯繫的不同信息類型。
2. 推薦系統兩種方式
1)協同過濾
2)基於內容的推薦系統:用戶畫像，社交網絡。
十、從遇見到預見——數據可視化的未來
1.面向更復雜數據的可視化。
2.可視化的生成更方便。
3.可視化的自動問答。
4.可視化使用更方便。
5.可視化的創意和美。
十一、傳統產業智能化升級
1.技術沉澱之後才能應用工業。
2.實現人工智能首先要信息化、數字化。
3.數據可信、數據可追溯。
4.技術作爲業務的增值，技術是工具，技術要與業務相結合。
十二、深度學習的冬天什麼時候到來？
1.下一代AI工具有什麼屬性？
1)類別的增量學習。
2)從小樣本中學習分類器。
3)可解釋性：因果性的根本在於處理理想概念，但理想概念在日常生活中很難說清。
4)考慮不確定性。
5)考慮符號學派的思想。
6)智能的動力學模型。
2.接下來十年無監督學習會不會有大進展？
1)無監督學習是一種自動尋求共性的過程。
2)可以在無監督學習上引入新的知識，如遷移學習、增量學習。
3. 類腦算法是不是要給予更多關注？
1)硬件。
2)模型。
3)可解釋性。
十三、計算機視覺技術賦能智慧城市
1.現在人臉檢測存在的問題:硅膠人的人臉檢測出來也是人臉。
2.深度學習要結合場景分析，沒有什麼算法是通用的，在任何場景中都能達到很好的效果。
3.深度強化學習通過將深度學習的感知能力與強化學習的決策能力相結合，以端對端的當時實現從原始輸入到語義輸出的感知與決策具有重要意義。
十四、計算機經典算法回顧與展望——機器學習與數據挖掘
1.聚類分析(K-means)
1)應用：理解數據和數據總結。
2)難點：非常主觀的認知，缺乏客觀的標準。
3)問題：密度差距大；某一類特別多；中心點的選取（容易產生局部最優）；非圓形分佈不能線性分割（由於算法的目標函數決定的）。
4)解決方法：增大分類數，可以先用一個大的k，後合成一個本應該設置的k（分類數）。
2.分級羣聚(hierarchical clustering)
1)近似矩陣。
2)類和類之間的距離。
3)缺點:對噪聲敏感。
3.Adaboost
1)通過迭代弱分類器而產生最終的強分類器的算法。
2)增大每次分對的權重，減少每次分錯的權重。
結語
此次會議中給我印象最深的是徐揚生院士的《智能機器人研究：思考和問題》，徐院士一直致力於機器人的研究，他早期做的機器人就是就是一個可以在身上爬的小蟲蟲，他坦言，許多人問他，你做的這些有什麼意義，能幹什麼？他說，我也不知道，就是好玩吧。就是好玩吧，這句話恰恰對應了他所言的“科研的本質不能太功利”，其實就是如此，現在的我們恰恰需要一顆平靜而不浮躁的心去做現階段該做的事情。其次是熊輝教授的《Classic Clustering Algorithms to Live By（典型的羣聚算法）》，熊教授講了K-means算法和hierarchical clustering算法，通過這兩個算法結合，克服了兩者之間的缺陷。其講解過程中將K-means算法類比爲社會主義社會思維，將 hierarchical clustering類比爲資本主義思維，期間穿插了許多中國文化。非常形象、生動，我覺得科技不僅僅是科技，科技的思維其實和許多知識都是相通的，要理解難解的算法，可以通過聯想一些思維方法加以理解，更要追溯其源，知其然，更要知其所以然。最後是滴滴出行集團的首席技術官，他說滴滴未來可實現十字路口車輛的實時監控，增加十字路口車輛的通行效率，這個想法恰恰和我們在七月份參加的山西省“互聯網+”創新創業大賽相類似。不過我們當時的設想是用攝像頭拍攝的視頻實現車流量的檢測（這種方式會增加數據量的處理），但是滴滴設想通過滴滴中地圖中的車輛定位推測十字路口車流量的狀態，從而實現空車道放行，讓紅綠燈實現“隨機應變”。
PS：關於自己最近一點的小感悟：世界是一面鏡子，你對世界怎麼樣，世界就會對你怎麼樣。所以，用溫情去擁抱這個薄情的社會吧！fightting！