2016年1月，Rework深度學習會議在舊金山舉辦，會議既有傑出的深度學習研究人員的出席，也看到不少優秀的創業公司。本文系出席這次會議的 Lisha Li的會議概述。文章主要分三個部分，首先介紹了文章整體思路，然後分別從研究和公司兩個角度介紹會議內容。
Part 1：總體思路
上週我參加了「Rework深度學習」會議，為期兩天的會議雲集了多名深度學習頂尖研究者和深度學習公司。我按照先後順序做了總結筆記，筆記分「研究」和「公司」兩部分。「研究」類筆記包含與吳恩達的Q&A。
研究類的談話對業內最新成果作出了一系列精彩總結。當然，如果你經常閱讀相關文獻，會對這些話題很熟悉。如果不是，我也不便給你特定的例子，因為它們都很值得一讀。
毫無疑問，人們對這一領域研究應用非常興奮。個人認為，參加此次會議的公司大致可分為以下幾類：大型公司（Pinterest, Twitter, eBay, Flickr）利用深度學習來提高競爭力。除了其他各種已經得到運用的統計/機器學習工具，深度學習也成為工具包裡的又一利器，不過，它尤善於完成必須規模化處理海量視覺化資料和自然語言處理任務。在規模小一些公司中，一些從事醫療運用的公司似乎既有很棒的商業模式也有易於處理的問題（比如，下面會提到的從事超聲波診斷的BayLabs公司）。這些公司主要利用了計算機視覺在分類任務上的進展，技術進展使診斷更加效率，更易獲取。這似乎確有說服力，只要（就某個需要解決的問題）擁有標記好的資料組，比如就超聲波診斷來說，與醫院和研究機構合作似乎就能蒐集到這些資料。而且考慮到責任問題，這隻能作為輔助手段而不能真正替代醫生。還有兩家公司致力於衛星影像的分析。其中一家能夠評估所獲資料的價值（計算世界石油儲量就是很有代表性的例子，又如中國建設活動可以作為其經濟發展的等價參考）。最後，會有更多面對垂直領域的消費者，垂直領域商家試圖用深度學習提升互動個性化（比如，購物推薦，管理自己相簿，等等）。
用深度學習創造一個成功的商業，就是找到一個滿足於目前技術可以實現的準確度的垂直領域，儘管也將為此投入大量金錢。簡言之，它給出的結果是否足夠精確？是否有人願意為現有精確度買單？雖然很多公司看起來前景廣闊，但是他們是否可以算作成功仍不明朗。相較而言，正如下面將提到的許多公司所做的那樣，搭建一個實現深度學習的平臺則更為簡單，尤其是考慮到許多有足夠財力的公司已經組建了自己的深度學習團隊（如上）。
這些談話筆記是我實時記錄的，請原諒它們有點兒未加潤色。
Part 2: 研究
Ilya Sutskever/OpenAI
演講主題：深度學習的理論和應用（Deep Learning Theory and Applications）
技術進展：深度神經網路非常富有表現力而且能為我們感興趣的十分困難的問題提供解決方案。它們可從實際資料進行訓練（也就是說，我們能找到好的權重）。透過類比生物神經元，演講者提出了一個溫和論點，說服我們自己相信為什麼神經網路應該可以解決類似生物神經網路解決的問題（生物神經元放電慢，每秒次數少。）會議也展示了一項名為「神經GPU」的新研究，透過研究DNN如何學習演算法，解決更好泛化DNN的問題。研究結果：能用最多20位元的二進位制加法進行訓練，並泛化至2000位元，乘法運算同樣如此。也可以高度並行運算。
主要收穫：深度神經網路找到可訓練性和表現力間的平衡點。
與吳恩達的圍爐談話
主要內容：我們必須聯合起來向大眾普及人工智慧能夠做什麼以及不能做什麼，這樣才能消除大眾對人工智慧的恐懼情緒。吳恩達對人工智慧及其開源的（面向普通人的）傳播渠道持樂觀態度。政府應當在其中扮演更加重要的角色，不過，不是採取限制的解決方案，而應當致力於設立該領域的安全標準。
深度總結（詮釋）：吳恩達對無人駕駛持樂觀態度：汽車製造商應當享有更多自主權（對此仍有爭議）。從公交線路開始（這樣更容易保證安全性），循序漸進。他對政府在無人駕駛這一領域的角色充滿期待。支援幫助無人駕駛系統的建設。
如何看待 可行性，私人和公共的攻擊？
區別來（come）和停（stop）（在這一點上，視覺無法做出區分）。因此需加改善。但是，汽車沒有盲區。因此，自動駕駛有好也有壞（調整我們的預期，比如，預期應當有所不同）。類比：火車比馬車更危險。社會必須瞭解在火車面前不要做什麼。自動駕駛和汽車也是如此。希望人們能夠辨識出無人駕駛汽車並做好應對行為（因此，物理上可以讓無人駕駛汽車區別於其他汽車）。不需要很漂亮但一定要容易辨認。車輛眼中的世界與人類有所不同。
預測人工智慧引發的事故。相關公司如何應對公關危機？
我義無反顧的對人工智慧持樂觀態度，並坦誠它的能力及侷限性。對於某些粗心大意釋出了一些尚未成熟的產品公司，我希望他們能夠開誠佈公地向監管部門及公眾作出解釋。
您支援及反對怎樣的立法？
應保證無人駕駛汽車的安全性，但若為此在車內安置人力就沒意思了。解決方案應當是標準的而非特殊的（比如在自動車內安置人力）。
能夠信任企業關於安全人工智慧的承諾嗎？
相關決策者正是房間裡的諸位。對科技持樂觀態度。
Musk擔心人工智慧，對人工智慧的恐懼源於何處？
人工智慧在很多層面來看都已經非常「聰明」了，我們也從以往的問題中積累了越來越多的資料。人工智慧和人類能做的尚存鴻溝，因此，我們並沒有合適定製的資料用於監督學習，因此人工智慧所創造的價值來自監督學習。指數外推（exponentially extrapolate）誘人，但是， 需被格式化的資料量並未呈指數增長，所以還遠沒到擔心人工智慧的時候。
未來五年人工智慧道德問題會是什麼？
人工智慧創造了巨大的價值，比任何公司（谷歌、百度、facebook）都要大。比如說，Ｉphone徹底顛覆了科技。相反，我對它的負面問題擔心得比較少。讓這個生態系統良性增長，使每個人都能從中獲益。總之，鼓勵增長。
人工智慧競賽？你不這麼看嗎？
當然，我們都在爭奪人才。我們正處於發展一個生態系統的初期，所以每一個人都需要為此努力工作。公司的工作重心正從軟體和演算法轉向資料。開放已發表的論文資源。開源軟體的作用。
怎麼說服企業加入開源專案？
依靠好的公關加專業的人才。是的，我們需要賺錢，但是，這必須與矽谷的互助精神相結合才行。比如Coursera。如果我不是真正的相信它的價值，它現在也不會成為一個這麼激動人心的的專案。
智慧財產權法規如何改變才能有助於這一願景的實現？
專利權體系已經崩壞。有價值的智慧財產權是資料——很短的時間就可以捕捉到價值，專利體系因此崩壞。除此之外，關於資料的社會契約是什麼呢？複雜的對話。
人工智慧對就業有怎樣的影響？企業應當如何看待，政府在其中扮演怎樣的角色？
人工智慧會讓許多人（比如卡車司機）失業。希望加強對人工智慧的科普：越多的人瞭解人工智慧，我們就越容易作出最優的決定。
Christopher Manning ／ 史丹佛大學電腦科學及語言學教授
Christopher D Manning, Professor of Computer Science and Linguistics, Stanford University on Wednesday, May 14, 2014, at Stanford University. ( Photo by Norbert von der Groeben )[/caption]
演講主題：深度學習，語言的精確含義(Deep Learning the Precise Meaning of Language)
技術進展：語音元素同時出現機率比能編碼意義成分，巨大收穫超過了Categorical CRF,SVD,S&W（其他流行的方法）。仍然存在語意合成性（compositionality)的難題。比如，如從見微知著？他們已經充分利用了遷移學習自適性並整體建模（利用深度學習），改善了翻譯TED演講效果，提高了25%。現在，正利用基於依存語法分析的神經網路來開發普遍依賴性（普遍跨語言）模型表示。
主要收穫：語言是我們跨越時空傳遞知識的工具。如果我們想要開始解鎖NL-理解，我們必須讓計算機從海量的資料資源中學習。
Andrej Karpathy／史丹佛博士生
演講主題：視覺化和理解遞迴神經網路（Visualizing and Understanding Recurrent Networks）
遞迴神經網路（RNNs）具有靈活性。輸入和輸出可以是序列，而不限於固定大小。這一點非常適合文字情感分類（sentiment classification）以及影片處理。
極大的修辭繁榮：「生成、取樣或者使得輸出富有幻覺效果」。
應用舉例：透過遞迴神經網路輸入莎士比亞的作品來產生新的詩歌；生成幾乎符合規定的代數幾何的Latex檔案；產生C語言程式碼。它們都很擅長捕捉資料的統計學模式。
而所有的這些只需要112行Python程式碼！
事物如何按比例變化。遞迴神經網路中存在可解釋的最小單元。比如，有的可以進行引用檢測或者檢測新的行。遞迴神經網路和卷積神經網路（CNN）的結合也投入了應用，它能夠很好地進行影像描述（當然也有有趣的失敗案例）。另一個應用是用文字進行影像搜尋。測試影像，然後將之輸入CNN，而不是最後的分類器，我們重新將代表（rep）輸入RNN，給出描述中第一個單詞的機率。使用來自 Amazon Mechanical Turk的資料。失敗案例。延伸處理偵測和描述聯合任務的模型。完全卷積，完全可微積分。只需要輸入一小段文字進行查詢，就可以得到所查詢的影像。
Ian Goodfellow／谷歌研究員
演講主題：最最佳化神經網路的指南 （Tutorial on Optimization for Deep Networks）
應用及原理：在分析神經網路每一層貢獻時，一個很好的比喻是把神經網路看做一系列矩陣乘法（每層一次矩陣相乘）。當然，隨著層數的增加，很難確定某一層的作用。結果，在應用中我們發現誤差曲面的最小誤差層非常薄，但是周圍波動梯度很大，這會讓系統容易溢位。
異議：對於如何找到最小值並沒有數學上的保證（這當然不是凸曲面）。然而，在應用例項中，隨著時間推移的繪圖誤差會給我們一條令人驚訝的平滑而且單調的曲線。
理論進展：批次正態化（Batch Normalization）——利用平均值和方差進行正態化，這樣的話你的梯度下降可以很好地適應每一層對結果影響之間的差異。在實際操作中發現，這一發現讓訓練更加容易和迅速。
Roland Memisevic／蒙特利爾大學助教
演講主題：深度學習，作為一種計算正規化（Deep Learning as a Compute Paradigm）
從中央處理器（CPUs）到圖形處理器（GPUs）的轉變使得我們利用NN中可行的並行水平，也使得目前成果成為可能。我們該怎樣前進並且在硬體層面上取得更高的效率呢？答案是深度學習正規化。追求細節的話，它可以更加準確但同時需要更多資料；反之，它不那麼精確也也不需要那麼多資料。經典正規化：精確、快速但是對程式設計繁瑣乏味。泛化來講則比較緩慢但易於程式設計。總的來說，深度學習更偏向於準確，而不是專門化。人類則更加偏向泛化的特徵。使用極少資料，一般性解決問題。思考具身認知（embodied cognitioin)。人們善於用本來是為解決其他問題預先建立的結構處理新的垂直領域問題。
主要收穫：我們應該對硬體建模，充分利用神經網路中的平行計算。也check out一下 Twenty Billion Neurons（新創業公司）。
深度學習應用對未來經濟發展影響的座談會
擔憂惡意的人工智慧，炒作還是現實？答案：炒作，一個好的新聞故事。
深度學習拉開了貧富差距，它的進一步發展會惡化這一差距嗎？答案：深度學習在本質上是開源的，因此，較之以往，公司更容易獲取。這一趨勢讓專家們能夠專注於他們的研究而不需要重新發明工具。這樣他們可以做的更多。總結：附和吳恩達的觀點：我們需要規則而非特定的解決方案。政府不是專家，所以他們應該負責給出綱領，而非開出解決方案。
Oriol Vinyals/谷歌DeepMind
演講主題：谷歌大腦的端對端學習
技術進步：使用遞迴神經網路的語言建模。感謝長短時記憶模型、Theano和Torch，我們現在實現起來比以往任何時候都要簡單。端對端學習使我們能夠嘗試許多新東西，在給圖片新增標註、語音、語法分析、影片分化和演算法方面可以表現的更好。成功的關鍵在於相信它在引數最最佳化方面會運轉的很好。
主要收穫：序列變得最為重要。有了足夠的資料，它們可以生成非常複雜的函式。注意力模型讓遞迴模型變得更好。
演講者/公司：Aditya Khosla/MIT博士生
演講主題：透過視覺化媒介理解人類行為(Understanding human behaviour through visual media)
我們能否對人類喜歡或者容易記住哪類照片進行預測？能否從照片中預測出性格？能否從圖片中預測出政治傾向？能否預測出某人的精神狀態？
技術：開發iTracker卷積神經網路來理解使用者在看什麼。2釐米內的誤差，期待它更好。Demo檢視地址http://gazefollow.csail.mit.edu
應用：可以很好的應用於自閉症和精神分裂症的診斷。毫無疑問的，也可以用在廣告上。
Pieter Abbeel/伯克利EECS助理教授
演講主題：用於機器人的深度增強學習
什麼是機器人的標準方法？
感知（加速器），手工設計的狀態估計，手工聲稱的控制策略等級，手工調節的10is自由引數，馬達命令。用DNN取代3箇中間步驟。這反映了影像識別和語音識別的革命。
但並不一樣，因為機器人不是一個監督學習問題。機器人有反饋迴路。稀疏報酬函式。
3項挑戰：穩定性。像汽車一樣脫離路線，然後我們就會與沒有表示的資料離開很遠。稀鬆監督。
深度增強學習運動。給它獎勵，觸地越有力，就前進的更多。
前沿/未來。記憶，評估，temporal hierarchy/目標設定。分享與遷移學習
Lise Getoor/加州大學聖克魯茲學校
可擴充套件的圖收集推理。
設定：結構化資料，「大資料不是扁平的」多峰的（Multimodal）。漂亮提取結構化資料，扁平成表資料，而且沒有充分利用結構。
需求：用於圖的機器學習。圖輸入(不僅是序列）。
挑戰：部件相互間與自身內在有依賴性。
目標：圖輸入導致圖輸出。
核心觀點：預測/輸出依靠。挑戰，真正大以及複雜（表現為節點數目，連線數目，繞圈的連線方式）的圖資料結構。
工具：Probabilistic Soft Logic（PSL）。一種說明的機率程式語言，可用於共同的推理問題豐富的結構圖資料。可以解決大多數問題。
總結：需要處理結構化資料的技術。處理這種問題演算法的新機遇。他們用來處理這個的工具是PSL.getoor@usc.edu
Part 3：公司
演講人／公司名稱：Diogo Moitinho de Almeida/Enlitic
演講主題：用於深度學習的工具很難操縱，我們需要一起合作使其更加靈活。例如，在神經網路增加幾層很容易，這要得益於工具。關於其他事情呢？難點：引數的costs，不可微分更新的節點。一般來說，我們需要開發通用「技巧」來實施深度學習。
技術進步：研究一個庫讓事物更加可組合化，讓動態架構成為可能。這對於一些醫療診斷任務非常有用。
經驗：深度學習非常好，工具限制了它們的發展，讓我們共同解決這個問題。
Clement Farabet/推特
演講主題：Twitter的深度學習
商業方面的應用：時間軸排名/個性化，內容發現和建議，Periscope排名/個性化，搜尋，索引和檢索，廣告目標確定和點選預測。平臺安全。這些都需要實時執行，所以給這些任務增加了難度。
挑戰：所有事情都不是一般性的，遷移學習非常困難。需要一個可靠的資料收集的迴路， 規模上快速。使用從另一資料組訓練來的東西也不是那麼可適用（ImageNet); 比如twitter，鮮有自然圖片。
技術進步：開發三種軟體包來提出快速模型探測的主題，如何處理分散式結構資料和分散式訓練。它們分別是troch-autograd，torch-datasets和torch-distlearn。
Clarifai Matthew Zeiler／Clairifai
演講主題：屬於每個人的深度學習。想要理解圖片和影片。他們的技術能夠驅動許多不同的垂直領域：Vimeo（影片網站）、皮克斯、蘋果手機的醫療裝置給耳朵，辭職，和嘴的內部拍照，等等。因此既有企業也有消費者。
技術應用案例：New Forevery App。使用者整理圖片，標註位置、時間和其他內容。不需要手工新增標籤。實時預測新標籤，建立內容分類（冒險、避暑和休閒）。
經驗：深度學習使我們達到了個性化的新水平。
Charles Cadieu/Bay Labs CEO、MI博士後
演講主題：提高醫療影像的質量、價值和使用許可權（Increasing Quality, Value and Access to Medical Imaging）
商業應用：讓更多的人和機構能夠享受到閱讀醫療影像的價值和質量。例如，在超聲影像方面。這方面有著非常廣泛的應用場景，在診斷能力方面，這完全可以與其他工具相媲美，甚至比它們更好。這種方法的價格實惠（相對來說），基於當前的平板電腦和iphone也會擁有很強的便攜性。可以將深度學習應用在風溼性心臟病方面。
主要收穫：將深度學習轉向去理解我們內部的世界，然後使用更加先進的應用去實現它。
Andrew Zhai/Pinterest
演講主題：Pinterest的視覺搜尋
技術進步：Flashlight：幫助Pinterest識別出圖片中的物體，並推薦相似的物體。技術挑戰：用少於250毫秒的時間在幾十億圖片中進行檢索。深度學習用在影像表示和檢索上。使用卷積神經的中間層並把它們的嵌入當成對相似度的測量。規模化是另外一個挑戰。解決方案：將資料集劃分成碎片，然後在一個分散式基礎結構中使用KNN（臨近演算法）。
有待進步：根據圖形中的物體位置進行預設截圖，而不是根據預先規定的位置。
Pierre Garrigues/Flickr
演講主題：Deep Learning with Flickr Tags
商業應用：使用者標籤預測。圖片搜尋和發現。圖片審美模式(為了推薦，判定圖片有多好)。目前技術水平是ImageNet,然而，Flickr沒有文字標籤（比如，用大海給人的感受來描述一張大海的圖片)。這提供了一組豐富又不同的資料。
挑戰：模式探索以及需要快速訓練模型。一些解決方案：Spark on yarn.Caffe on Spark
Neil Glackin/Intelligent Voice
演講主題：Recurrent Lateral Spiking Networks for Speech Enhancement
技術進步：嘈雜環境（外部）聲音識別 效果不佳
生物學靈感:人類耳蝸是一個快速的傅立葉變換，將聲音數字化為脈衝刺激。
脈衝神經元: 橫向遞迴，用兩個引數將對稱關聯引數化。真擅於清除聲音中的噪音。
Matthias Dantone/ Fashwell
演講主題:A Deep Learning Pipeline to Convert Fashion Images into Valuable Fashion Assets
用深度學習進行圖片處理。讓instagram上的物件商品化。產品利用instagram的資料組向使用者推薦大家甚至沒有表達出來的需求之物。需要識別圖片中的時髦客體，也必須給使用者推薦正確的東西，同時提供這些商品在合作網店上的直接連結。
Steven Brumby/Co-Founder & CTO, Descartes Labs
演講主題：從雲端看地球：機器學習如何改變著我們看待世界的方式（Seeing the Earth from the Cloud: How Machine Learning is Changing the Way we See the World.）
利用目前DL的程式碼有效性分析透過農業資料衛星圖片獲取的海量資料。應用例項：商品交易者會對更精細的看法感興趣：比如種植食物的種類、數量以及進出口活動。在深度學習的幫助下分析海量陣列，Descartes Labs可以提供這類洞見。
Eli David,CTO, Deep Instinct @deepinstinctsec
深度學習用於安全：分析移動應用，找到/識別惡意資訊。較之傳統方法，顯示出非常有力的分析結果。
關鍵內容：Deep Instinct使用深度學習識別網路攻擊並在真正危險出現之前，加以實時封鎖，為解決網路安全問題提供了新方法。
Maithili/Sightline Innovation Founder CEO。
深度學習用來識別自制部件缺陷（比如，汽車部件）。當部件生產出來後，特殊光學照相機會拍攝部件圖片，然後深度學習就可以實行質量控制。相同的技術可運用到醫療診斷中。加拿大最大的醫學學習創業公司。
Richard Socher/Metamind CTO,CEO和聯合創始人
主題：From Classification to Question Answering for Language and Vision
如果處理正確，標準圖片和文字分類能非常準確。應用：顱內出血：將很多CT掃描進行歸類，優先情況糟糕的出血案例。
未來：NLP/AI任務能簡化成問答。但不是所有問題都能和分類一樣簡單。比如，機器翻譯，情緒分析。
目標：QA的聯合模型（joint model）。問題：對於自然語言處理來說，還不存在這樣一種單一模型結構，針對跨任務，持續生成先進結果。問題二：聯合多工學習很難。
解決方案：Metamind研發的Dynamic Memory Networks。使用RNN裡的GRU單元。包括重置決定是否應該在意過去所知的控制門（gate）。情景記憶模組。如果與問題（術語是相似度函式）相關，控制門被啟用。來自神經科學的靈感：情景記憶是自傳式事件的記憶（事件，地點等等）。在傳遞性推理過程中， 情景式記憶的位置（海馬體）處於活躍狀態中。
結果：世界上最精確的視覺問答模型。例子：播放的是什麼體育節目：網球。什麼食物，健康嗎，卡路里...等等，因此不是嚴格分類。
Kaheer Suleman/ CTO and CO-Founder，Maluuba
對話。自然語言理解。加入ConvNet 和 LSTM。超越領域：機器閱讀理解。輸入多選答案表格，機器是否選擇了正確的一個。機器理解演算法正確率78%（最好）。人類短故事資料組以及多項答案。
研究學習更多通用任務的方法。使用深度學習網路，方差減少。
對話系統的未來：領域獨立（健康，遊戲，推特，等等）通識推理。沒有好的資料組來學習通識。
幽默感，多峰的。
Arno Candel/Chief Architect H20.ai
產品：H20軟體，最佳Java 程式碼。適用於各處（手提/伺服器/叢集）。分散式計算和Spark，開源。Client APIs,R,Python，Java，Scala,Flow
應用：深度學習在粒子物理領域成績斐然。從背景訊號中識別希格斯粒子。打敗所有其他模型。關鍵內容：與許多不同語言匹配，真實有效的Java程式碼，將深度學習引入許多垂直領域的好辦法
關鍵內容：與許多不同語言匹配，真實有效的Java程式碼，將深度學習引入許多垂直領域的好辦法。
Nigel Duffy/ CTO of AI, Sentient Technologies
深度學習會改變線上購物體驗。比如，買鞋很不容易。使用深度學習來改善商品推薦/適配過程。虛擬發現，我們無法確切知道我們想要什麼。基於對話，僅憑圖片，有趣，生產性以及在各種裝置上工作。20個問題就搞定你想買什麼。
方法：用CNN捕捉產品語義。使用amazon mechanical turk標記資料組。他們自己的在 shoes.com
關鍵內容：透過對話讓線上購物變得有趣。深度學習使之成為可能。
Hassan Sawaf/Ebay
Davide Morelli/CTO Biobeats
測量心率
收集全球心血管資料（ 從手機上）。讓音樂與心跳同步。搭建深度學習讓資料有意義。使用者價值：獲取儀表盤。顯示洞見和資訊。彙集所有apps資料。壓力，疲勞，恢復能力，睡眠資料。數字vs.外掛
搭建幾個應用。與你的節奏同步（你一天的soundtrack）。讓它變得有趣，他們也能獲取資料。
此時此地：冥想應用。呼吸練習。MEasures HRV response.教使用者學會呼吸。干預引擎：你現在是不是該呼吸了。直接的生物反饋訓練神經網路分析資料。
人類活動識別模組。
概念性挑戰。我們身體的各種反應方式。文字至上，很難獲取基準事實。潛在變數，生理的，心理的，需要個性化基線。
Alex Jaimes CTO at AICure
我們都離不開醫療，測試，獲得NIH自助。A輪。如今正在擴張和增加收入。
依從性（adherence）重要的地方。臨床測試。人口健康（高風險，高成本）醫療 GDP的18%。臨床測試百分比，一年510億。
技術：可規模化，互動性，花費低，任何語言，自適性和私人化，敏於語言和計算機讀寫水平。實時干預...大資料洞見。
連續資料點vs不連續的血液測試。無依從性，成本高。
目標：智慧醫療助手
James Crawford，Orbital Insight創始人
如何拍下百萬衛星圖片，瞭解地球。商業太空。大型和小型衛星圖片增長。到2020年，衛星影像會增長50倍。我們想要的不是畫素而是洞見。他們的產品就是將衛星圖片轉化為洞見。 應用例項：美國零售：去某些地方（購物集中地）的時間模式分析。週三是去科爾士百貨公司的高峰時段。及時獲取高峰（正在發生事情的時間序列。）分類畫素。
世界石油庫存：浮動的井蓋（起伏與油艙石油儲量有關……確實更加安全。但是對圖片分析來說，很好。用專利演算法找到陰影和庫存。穩定油價。這些油艙分屬許多不同國家，因此我們也不知道石油總量。
貧窮分佈圖：計算汽車數量，這比調研資料要好。世界銀行的付費專案。多個垂直領域的應用。 總結：公司為那些想要獲取先進，無偏見社會經濟發展趨勢知識的決策者們提供服務。透過計算機視覺和雲端計算將百萬圖片轉化為可進行測量觀察的理解世界的宏觀圖景。
Luca Rigazio
自主採取行動。有了機器人，我們似乎少了些代理。有巨大的機遇，也有很難定性定量的風險。歷史上的兩個成功。HTF。Airliners → 自動駕駛儀。
例項：飛行員關閉自動駕駛儀，讓飛機（法國）墜毀。
Human AI = HAI
最後一層怎麼走，感覺。 給觀眾的問題：僅理解或者綜合？需要與人類很好合作嗎？測量什麼，如何測量。
佛羅倫薩派（Florentine）。代理完全從資料中學習。