金融、醫療、家庭生活……人工智慧的“觸角”已經深入各行各業，在這場席捲世界的智慧革命中，理論和實踐如同引航燈，逐漸點亮人工智慧未知領域。在各種頂級會議的加持下，人工智慧的“通天之塔”正拔地而起。
2月4日-9日2017AAAI國際智慧大會在美國舊金山召開，被 CCF 評選為 A 類學術會議的AAAI一直是人工智慧界的研究風向標，在學術界久負盛名。本屆AAAI吸引了5000+的各大高校和研究院的AI學者參與，從機器演算法討論到人工智慧與宇宙探索，在短短5天的議程內，從2,590 篇論文中評選出8篇最佳論文，值得關注的是，所提交的論文中超30%來自中國，興許過不了幾年AAAI（美國人工智慧大會）怕是要變成Association for Asian Artificial Intelligence了。
言歸正傳，無標籤的監督學習能否實現？人工智慧能否做出符合人類社會的道德決策？無人車將有怎樣的發展？在速食主義的當下，我們或難以細細品讀每篇論文的觀點論據，但此番文海拾貝必能窺見本屆AAAI的要點。
| 最具前瞻性的三篇論文
我們將為各位技術饕客推薦這三篇論文：“最佳論文”可以說是AAAI的評選“花魁”，同樣引領當年人工智慧的浪潮，行業人士不可不看。“學生最佳論文”則提出了機器學習的瓶頸——時間抽象，如何讓機器瞭解“時間”的概念？這將成為人工智慧發展的下一個課題。而“經典論文”獎項則授予蒙特卡洛定位，這一研究專注於機器人的位置可信度領域，在保留了表徵任意分佈的能力後得出實驗結果。
最佳論文：
最佳論文是此次大會最重磅的獎項，今年花落史丹佛大學Russell Steward以及其導師Stefano Drmon撰寫的論文《Label-Free Supervision of Neural Networks with Physics and Domain Knowledge》（利用用物理和特定領域知識進行無標籤的神經網路監督）
該論文引入了一種新的神經網路監督學習方法，在沒有任何帶標籤的訓練樣本的情況下，成功訓練出一個卷積神經網路來檢測和跟蹤物件。
實驗中，作者約束隱藏變數的型別級語義進行實驗，並對比了傳統的神經網路監督學習方法，提出代數和邏輯等這些必要約束的過程可能仍需要大量的域特定工程。在沒有任何帶標籤的訓練樣本的情況下，發現相比傳統監督學習方法，沒有標籤的訓練樣本可以實現減少標記工作量以及作為一組單一的約束可以應用於多個資料集而不重新標記。
原論文地址：
http://www.aaai.org/Conferences/AAAI/2017/PreliminaryPapers/12-Stewart-14967.pdf
學生最佳論文：
該獎項頒給了麥吉爾大學的由Pierre-Luc Bacon、Jean Harb和Doina Precup所著的《The option-critic architecture》（最Option-Critic結構）。
該論文提到了時間抽象（temporal abstraction）是在增強學習中對學習和規劃進行擴充套件的關鍵。雖然時間上延伸（temporally extended）的動作框架有很好的理解，但從資料中自動學習這樣的抽象是個挑戰。傳統的方法是用 options 框架中處理這個問題。作者為 option 得出了策略梯度定理，並提出了一個新的 option-critic 結構。
原論文地址：
http://rll.berkeley.edu/deeprlworkshop/papers/BaconPrecup2015.pdf
經典論文：
經典論文頒給了《Monte Carlo Localization: Efficient Position Estimation for Mobile Robots》（蒙特卡洛定位：對移動機器人的有效定位估算），作者為Dieter Fox, Wolfram Burgard, Frank Dell。該論文開創了粒子濾波（particle filtering）的應用，為機器人定位提供了一個有效和可擴充套件的方法。
蒙特卡洛定位（MCL）是markov定位的一種版本，一個最近被成功應用的概率統計方法家族成員。相比傳統演算法計算複雜、需要妥協成粗粒度解決辦法來說，MCL方法從計算上來說很有效率，同時保留了呈現基乎任意分配的能力。MCL應用了以樣本基礎的方法估算概率分佈，這樣就把就算放在了需要它的地方。一定數量的樣本從網上取得，因此只在必須是呼叫巨大樣本。質性結果表明，跟之前的方法相比，MCL產益提高了準確度並且在減輕運算量的情況下保證量級序列的需求。並且，MCL也更容易實施應用。
原論文地址：
http://101.96.8.164/courses.cs.washington.edu/courses/cse473/01sp/project2/sampling.pdf
| 最不容錯過的大佬演講
除評選出年度最佳論文外，大會在為期幾天的會程中，還邀請了眾多學界大咖進行演講，下面整理了麻省理工教授Rosalind Picard、美國國家航空航天局研究員Jeremy Frank、谷歌首席科學家Vincent Vanhouke及百度副總裁王海峰等大佬的主題演講，一方面可見學術界的理論研究，另一方面巨頭廠商的實踐經驗也格外寶貴。
1、MIT研發訊號處理和機器學習技術去發明有情商的科技，可以感知、識別並聰明的迴應人類的情緒反應。在一些新方法中，機器可以區分真笑假笑，攝像機、手機甚至揹包能對人類的生理訊號進行編碼運算，挖掘大腦深層活動，感知人類的孤獨，焦慮，睡眠，記憶，癲癇和更多情況。
——Rosalind Picard(MIT and Empatica, USA) 《Adventures in Building Emotional Intelligence Technologies 》（對建立情緒智慧科技的探索）
2.未來，航天員將需要如AI一樣智慧的工具，來擺脫對地面任務的依賴，並進行自主決策。以AI支撐的決策支援工具有自動計劃、錯誤診斷、自動判斷和機器學習，而這些發展將會促成一個更有人道主義的火星探索。
——Jeremy Frank (Intelligent Systems Division, NASA Ames Research Center)《Enabling Autonomous Space Mission Operations with Artificial Intelligence 》（用人工智慧促成自主太空任務執行）
3. 影象識別的現狀是通過一系列的靠人類註解者標註的無關聯網路圖片來學習。但是認知科學告訴我們，認知發展是沒有密集監督的。一系列驗證表明，機器學習系統只簡單觀看完無標籤的拍攝視訊後，就能夠模仿人類攝錄員的趨勢，自動通過全景攝製，生成普通領域的視覺影像。
——Kristen Grauman (University of Texas at Austin, USA)《Learning How to Move and Where to Look from Unlabeled Video》 (通過無標籤視訊，機器學習怎樣動，怎樣看）
4. 現在，機器視覺、機器翻譯、語音識別等能力已能比肩人類，但資料稀缺，機器技能轉換以及持續活躍的學習仍然是深度學習亟待解決的問題，要解決這一點，需要現在的機器學習從業者跳出監督學習的舒適區，人工智慧從理論到實踐的必要下一步。
——Vincent Vanhouke (Google首席科學家)《OK Google, fold my laundry s'il te plaît》（好的谷歌，請折折我的衣服）
5.NLP是人工智慧中最為困難的問題之一。百度公司十分重視該領域的研發，不僅在基於大資料、機器學習和語言學方面的積累上研發了針對NLP的知識圖譜，並大量分析、理解語言、段落及篇章，陸續建立和完善了機器翻譯和對話系統。依託百度得天獨厚的使用者和資料優勢，自然語言處理技術得到深厚積累，並已經應用在百度的搜尋、Feed、o2o等眾多產品上。
——王海峰（百度副總裁）《Natural Language Processing at Baidu》（百度的自然語言處理）
在此奉上大會最全的官方內容包以及數百篇提名論文，不說多了，這裡最全：
論文：
http://www.aaai.org/Conferences/AAAI/2017/aaai17accepted-papers.pdf
AAAI官方內容包：
http://www.aaai.org/Conferences/AAAI/2017/aaai17program.pdf
