蚂蚁金服人工智能部技术总监李小龙发表《蚂蚁金服智能金融实践》主题演讲，通过场景（支付、理财、投资、贷款、征信、安全、保险、客服）、数据量（全球数十亿用户、日常交易量巨大、天然业务数据化）、社会意义（通过 AI 降低金融门槛、服务 80% 用户）等多维度地论证“金融服务是 AI 创新的最好场景之一”，基于此，蚂蚁金服进行了从微贷/花呗、业务安全、智能客服、信用保险等众多场景的智能金融应用实践。李小龙现场分享了蚂蚁金服在知识库、机器人算法等多项技术创新。

从移动时代步入智能时代，香港智能金融科技有限公司(FDT-AI)联合创始人兼CEO柳崎峰谈到了金融机构的市场机遇：一是券商转型，从移动券商到智能券商，从手机上炒股到个性化服务；二是监管转型，从不监管到严格监管再到智能监管，同样需要非常强个性化的东西；三是银行转型，对私业务从人性化到个性化，对公业务从集中化到普惠化。实践方面，柳崎峰讲到了数据处理、特征提取、模型训练和评价测试四大步骤中的体会，对于大数据AI时代的精准数据问题，生成模拟数据是一个很好的思路。

香港中文大学计算机系副教授张胜誉发表《个性化推荐和资源分配在金融和经济中的应用》主题演讲，基于实例扼要分享了 AI 在金融中应用的概况，比如用人工智能来对金融做各种技术服务，当用户量达到一定规模之后，可能会需要机器人客服，和生物特征识别。这些应用可以让企业降低成本，提高效率和准确率。当前，个性化推荐存在尝试推新和利用已有经验之间的平衡；新闻的快速更新；非常有限的信息反馈等难点，对此，张胜誉表示通过 Contextual Multi-Armed Bandit 算法解决。另一方面，在共享经济盛行之时，如何分配和定价？有多个研究维度。最后，张胜誉总结道，通过运用 AI 的技术，不止让金融业得到成本的降低，效率的提升，利润的增加，而且能帮助个人建议一个更加合理的理财结构，企业构建一个更加公平透明的体系，一个更加安全的出行环境，一个更加健康的生活方式。

普林斯顿大学运筹与金融工程系助理教授王梦迪的分享，是增强学习在金融研究上的最新进展。王梦迪教授认为增强学习是人工智能的未来，且应当同古老的控制论思想结合起来，用大数据的方法来探索一个复杂系统的动态过程。简单说来，增强学习就是用智能算法来实现尽可能在线学习的复杂系统，并实现对它的自由控制。王梦迪教授解释，人是通过自己学习来成长的，现在人工智能也能做到这样了，它已经自己能学会打一些简单的游戏了，最终要去解决更难的在线控制问题。这样的技术最终可以用来帮助医生做决策，在电子商务方面还可以实现动态的在线定价，等等。

在算法博弈理论，以及机器学习方法论和博弈论方法论的交互应用有着深厚研究的上海交通大学计算机系致远讲席教授邓小铁为我们带来了《金融博弈下的价值学习》主题演讲，在多代理环境下的博弈与学习主要考虑的是对抗性学习（GAN 网络，反钓鱼、反垃圾邮件）和博弈学习（纳什均衡策略、重复的囚徒困境）。其未来价值主要体现在市场（竞争性均衡、诚实机制）和应用（搜索广告、折扣设计）两个方面。再者还有一大考据就是数据课题，在统计学历通常有学习和统计推断部分，前者主要在于收集收据，而后者则是做决策分析，在此，邓小铁教授使用了贝叶斯优化的方案来探讨，期望收益最大化。同时还有一个最著名的贝叶斯拍卖例子，通过学习价值分布、虚拟报价、确定赢家、计算费用等流程形成最优拍卖。

说到智能金融，乔治亚理工学院金融学教授、Alton M. Costley主席Sudheer Chava首先谈到了我们为什么会需要银行及其他金融机构的话题。他分析到，由于金融上的信息不对称及由此所引发的道德困境，银行这样的交易中间人的存在是有一定价值的。但当前金融交易的成本依旧相当高昂，如何用AI技术模型来重构这里的流程并降低成本，这就成了FinTech存在的意义。Chava提到了摩根大通的COIN软件在贷款合同的自动化工作上的出色表现，但金融AI本身潜在的隐患也不容忽视，如消费者相关的隐私和歧视问题、AI在模型和数据方面的偏见，等等。

智能金融论坛在主席蚂蚁金服人工智能部技术总监李小龙的主持下正式开始。李小龙表示，随着大数据和人工智能的迅猛发展，金融领域的智能化逐渐得到学术界和工业界的高度重视，并且取得了一系列重要进展，成为金融科技（FinTech）领域的重头戏。智能金融重点要解决的问题包括：如何运用大数据、云计算和人工智能来降低金融成本，提高支付、投资、贷款、理财、保险、事件分析、客服等各个方面的自动化和智能化水平，从而提高金融效率并普惠更多的人群；如何采用大规模机器学习和海量数据结合，利用深度学习、增强学习、图计算、知识图谱等前沿方法，有效识别风险，提升金融风控能力；以及如何应用博弈论进行金融市场机制和定价设计，在公平合理的基础上激发市场活力等等。基于此，本次论坛结合产学研的共同需求，聚焦热点，邀请到：上海交通大学计算机系致远讲席教授邓小铁，香港智能金融科技有限公司（FDT-AI）联合创始人兼 CEO 柳崎峰，乔治亚理工学院金融学教授、Alton M. Costley 主席 Sudheer Chava，普林斯顿大学运筹与金融工程系助理教授王梦迪，香港中文大学计算机系副教授张胜誉，以闪电演讲和观点碰撞的方式，共享最新进展，讨论共同面临的挑战，探讨可能的解决方案，并且展望智能金融的下一步发展前景。

上海交通大学计算机系研究员、思必驰公司首席科学家俞凯首先分享了两件事情：如果 NLP 是未来人工智能上的明珠，那么对话就是明珠上的明珠；其次，既然提到深度学习，那么传统的深度学习在 NLP 上该往哪儿走？在过去几十年的研究中，绝大部分研究都是一些比较典型的文本处理问题，而现在，我们所说的对话智能，有一个重要因素就是决策，比如 AlphaGo，下棋是你一步我一步，即为一系列的决策过程，用统计看到了非常好的结果，但在对话里却使用不了 NLP，因为人类语言很难用一个具体的设定好的目标。

哈尔滨工业大学的刘挺教授，则对深度学习给NLP领域所带来的改变做出一份精彩的归纳：语义表示从符号表示转向分布表示；学习模型从浅层学习到深度学习；NLP平台化从封闭走向开放；语言知识从人工构建转到自动构建；对话机器人从通用对话到场景化应用；文本理解与推理从浅层分析向深度理解迈进；文本情感分析从事实性文本到情感文本；社会媒体处理从传统媒体到社交媒体；文本生成从规范文本到自由文本；NLP与应用领域深度结合，开始为行业创造价值。

先后在科学研究、工业实验室工作十数年的奇点机智联合创始人、ACL Fellow 林德康在现场与大家分享了他对于 NLP 研究及产品的心得体会，就拿当前正在研发的，将对话和图形界面结合起来的虚拟助手来说，相比于大部分都通过对话交互的助手来说，能够跟着用户在不同的场景下使用。另一方面，为什么 NLP 数据标注困难，因为它标注的不是一个显性的东西，同时，Deep Learning 需要很多的数据训练，想要它成功，就必须有办法拿到数据，一种是通过已有的用户使用数据，比如 Google 的神经网络来帮助网页搜索，但如果要做一件全新的事情怎么办？就需要写规则。

说到语言智能的复杂性，北京云知声信息技术有限公司创始人、董事长、CTO梁家恩分析，原因是在于它需要跟特定的表达目标绑定。当语言问题能被我们定义成非常明确的目标，它就有可能变得可以被解决。但不比图像识别，深度学习在语言上应用的效果没有那么明显，它需要一个大的数据支撑。但在语言领域，口语化的数据很难收集，就算收集到也很难标注，即便人工去标注都很难处理。梁家恩还提到了规则和推理复兴的希望，以及大数据和机器学习平台作为学术和产业的结合点问题。

对于宗成庆教授提出的问题，香港中文大学工程学院的黄锦辉副院长想到了自己早年做繁体字广东话分析检索的切身经历。他认为认为现有的NLP的方法总体是管用的，但工业界和学术界存在一条鸿沟。尽管只做应用方面，对于学术发展也有一定的影响，但论文往往不容易发出去。而仅做学术研究的话，往往又缺乏数据，因为数据一般都在私营公司手里。所以黄锦辉教授号召大家尽可能共享数据，做Open Data。毕竟NLP做好的话，对于AI算法的研究也是很有帮助的。

紧接着，阿里云智能语音交互技术总监初敏也基于宗成庆主席的提问系统地分享了自己的观点。首先，深度学习很强大，在语音、图像识别等方面均取得了非常好的效果，并且在分类定义清楚时，能够将功能与隐含的关系挖掘出来，但人机交互体验体验需要在持续的数据积累和优化学习中提升。而今天我们所面临的在语言智能方面的困难，其核心关键在于问题本身不够清晰，因此，并不是深度学习不够强大，而是还没有很好地理解，没有将问题更好地定义清楚。深度学习是粗暴的计算能力问题，而非一个特别智慧的方法。同时，想要保持语言智能的热度，需要商业化成功来保障，在此之中，需要产学研分工合作共同推进，如此，整个行业才能真正地繁荣下去。

随着深度学习在语音、图像上取得突破，大家开始将注意力转移到自然语言处理领域，而中国科学技术大学计算机学院教授、CCF 会士陈恩红即是基于此，总结分享了自身与团队在深度学习与自然语言处理方面的工作成果，包括提出基于深度神经网络的词汇蕴含识别方法，基于深度卷积神经网络的试题难度预测方法等。随后，陈恩红对宗成庆主席提出的问题发表了自己的看法，比如图像、语音识别的准确率已接近或超越人类，但在 NLP 领域却还远远达不到人类水平，归根结底在于，图像语音均属于原始信息，对图像和语音进行建模相当于模拟人类视觉系统和听觉系统的功能，然而语言却属于抽象信息，这种抽象信息的处理是需要几乎整个大脑才能完成的，所以更加困难。

语言智能与应用论坛在主席中国科学院自动化研究所研究员宗成庆的主持下正式开始，宗成庆博士首先对 AI 从诞生、兴起、遇冷到繁荣的六十多年历史进程进行了回顾，并向所有论坛嘉宾以及现场观众提出了 8 大问题，比如企业界在建立自己的应用系统时，都采用了DL方法吗？是如何处理训练数据缺乏这一问题的？统计方法可以完全替代规则方法吗？在实际系统中，Parser 有什么具体的应用吗？越来越多的学界大老走向企业界，学界的出路在哪？常识与专业知识的是如何区分的？在此过程中，7位专家由此开始了今天的深度对话讨论，对相关领域研究及技术开发者提供了非常有价值的参考。

蚂蚁金服副总裁、首席数据科学家漆远发表《金融智能的发展与应用》主题报告，从“为什么要做 AI”谈起，具体介绍了蚂蚁金服在金融服务场景中如何发展 AI 技术，并将新技术创新应用在场景中，以解决金融服务的关键问题。漆远博士表示，金融服务面临时间敏感、海量数据、业务多样性、系统多样性、强安全等基本挑战，基于此阿里巴巴与蚂蚁金服构建了人工智能技术体系，从底层的图像理解，使用阿里巴巴的语音识别能力，开发 NLP，然后进行机器学习、深度学习，分析时间序列，实现推理和决策的能力，由此来帮助其用户和金融合作伙伴做出明智的决策。随后，漆远博士从安全风控、蚂蚁智能机器人、基于参数服务器的大规模机器学习、模型服务平台、图像定损产品等实际案例具体分享了蚂蚁金服的技术创新实践。

人工智能技术发展惊人，AlphaGo 更是引发了全球 AI 热潮，但我们该如何用其来造福社会？澳大利亚新南威尔士大学教授、AAAI 执行委员会成员 Toby Walsh 的报告便聚焦于此，现场为我们带来了《人工智能造福人类的那一面（AI for Social Good ）》的主题演讲，Walsh 教授表示，现在人们对于人工智能技术存在一些担心，但事实上，AI 是一种道德上中立的技术，它的好坏取决于被如何使用，可以用来提高繁华度、降低贫穷，提升医疗/教育质量，但也可能带来伤害，大规模的战争。而 Walsh 教授的研究即是基于人工智能的光明面，当前正在全球范围内对于器官银行、食品银行的合作探索。比如，在英国用聊天机器人来进行医疗服务，帮助用户诊断病情；在澳大利亚，与器官及组织管理局合作，帮助其重新设计用于将死者器官与病人相匹配的机制；与新南威尔士大学合作，为无家可归的人提供食物，与 AI 结合一起来改善人们的生活，并将食品银行慈善项目拓展到俄罗斯和美国，帮助解决扶贫和社会问题。详情

香港科技大学计算机系主任、AAAI Fellow 杨强发表《深度学习的迁移模型》主题报告，从深度学习模型的共性问题谈起，深度剖析如何使得深度学习模型变得更加可靠，使得在数据变化的情况下，模型还可以持续可用。迁移学习有小数据、可靠性、个性化等优点，且当前，深度学习的模型已经在语音、图像、推荐等众多领域非常有影响力，但是在如医疗、教育等领域还无法运用，究其原因，主要存在这样三点：我们遇到的数据往往都是小数据，而不是大数据；深度学习模型非常脆弱，稍微移动、离开现有场景，其效果便会大打折扣；再有就是应用问题。由此，杨强教授与学生一起，将迁移学习与深度学习相结合进行了探索实践，在现场通过解决大额消费金融的困境、跨领域舆情分析、互联网汽车分类问题等多个实际应用案例多角度地展示了迁移学习的深度模型所带来的优点。

中国工程院院士、中国人工智能学会理事长李德毅在主题为《L3 的挑战与量产》的报告中，从“L3 难在哪里？”、“如何突破 L2 的天花板？”、“量产 L3 的策略”三个方面出发，重点讨论了当前 L3 自动驾驶汽车所面临的挑战以及量产问题，精彩绝伦的演讲在现场引起了强烈的共鸣以及多次热烈的掌声。李德毅院士讲到，近年来，汽车辅助驾驶空前繁荣，从辅助人工驾驶（L1）转型到部分自动驾驶（L2）、再到机器自驾驶（L3），从早先的预警、提醒驾驶员跨越到机器自驾为主、固定驾驶员的角色不复存在，L3量产的势头已然不可阻挡，同时也为位置服务业（LBS）开辟了新战场。L3 释放了人对环境监控的要求，以及人的驾驶认知，但量产涉及到规模、可靠性和价格等多种因素，由此，李院士表示，定制量产 L3 应先用于特定场景，且自动驾驶汽车能否取代驾驶员掌控，取决于其能否处置特定场景下的意外情况，能否发出求助信息要求人工干预，或者在迫不得已时作出最小损失决策。

阿里巴巴技术委员会主席王坚发表大会致辞，王坚博士表示此次中国人工智能大会能够在杭州召开是非常契合的选择，杭州与人工智能的缘分由来已久，80年代初当王坚博士在读大学时，图灵奖获得者司马贺就来过杭州讨论人工智能的事情。而最大的人工智能项目——“城市大脑”也是从杭州开始，当前，阿里巴巴与杭州市正在进行城市大脑的深度探索，希望能够通过这样一个基础设施来解决城市问题。最后，王坚博士谈到，在过去几十年里，计算科学实际上是被软件和机器推着前进，同样，人工智能不仅是学科问题，会成为推动各个行业及社会发展的动力，阿里巴巴、杭州将与中国人工智能学会及业界同仁一起，为人工智能产业的发展共同努力。详情

中国科学院院士、中国人工智能学会副理事长谭铁牛院士发表大会致辞，谭院士表示，在国务院刚刚发布新一代人工智能发展规划这样一个重要的历史时刻，我们很高兴能够相聚在美丽的西子湖畔，一起参加第三届中国人工智能大会。当前，中国人工智能大会已经成为国家人工智能领域的品牌会议，得到了国内外学界、工业街的广泛关注，汇聚了来自世界各地的演讲嘉宾，是名副其实的国际化会议。今年大会同时设置了 4 个专题论坛，包括论坛主席、嘉宾在内的嘉宾都是青年学者，都是国家人才发展的希望。而在新的人工智能热潮下，我们尤其要谨记人工智能 61 年发展的教训与经验，设立一个科学、可实现的目标。最后，谭院士对所有组织此次会议的同仁表示了感谢，衷心地希望所有参会者都能够大有收获，充分运用好两天的时间，交流学术思想，探讨发展前沿，破解发展难题，共同为中国人工智能规划的实施落地、开花结果，推动我们国家真正成为世界人工智能创新的中心而共同努力。详情

中国工程院院士、中国人工智能学会理事长李德毅院士发表大会致辞，李院士表示，中国人工智能发展迅速，国务院刚刚发布人工智能发展规划，而我们选择这个好时候召开人工智能大会，体现了人工智能学会和杭州对于人工智能浓厚的兴趣，以及政府、学界、企业对此的大力推动。同时，经过60多年的发展，人工智能已经成为国际的新焦点，成为经济发展的新引擎，为社会建设带来了新机遇，同时也带来了新的挑战。我们中国的科技工作者，全体的同行对人工智能有着很深的感情，让我们在历史的机遇面前，共同将人工智能大会越办越好！

上午9：00，在香港科技大学计算机系主任、AAAI Fellow 杨强教授的主持下，中国国内级别最高、规模最大的 CCAI 2017 中国人工智能大会正式开始。首先，杨强教授代表大会组委会向所有参会者致以了诚挚的欢迎与问候。同时表示，国务院刚刚发布新一代人工智能发展规划为我们带来了新的目标，而此次大会汇聚了全球人工智能顶级专家、学者和产业界优秀人才，并围绕当前热点话题、核心技术以及大家共同关注的科学问题进行深入交流和探讨，针对语言智能与应用、智能金融、人工智能科学与艺术、人工智能青年发展四个主题设立专题论坛，已经成为中国国内人工智能领域产、学、研紧密结合的高端前沿交流平台。随后，杨强教授对今天即将发表主题报告的所有嘉宾进行了介绍。

阿里巴巴人工智能实验室研究员、杰出科学家王刚博士从人机交互方式的变迁（ DOS、桌面 PC 到手机）开始了《基于人工智能的人机交互》主题演讲，引申出基于人工智能的人机交互。阿里巴巴已经研发出语音智能助手、中文人机交流系统等多款智能产品，更有根据语境和上下文进行动态判断，自主决策对话中的策略，智能满足用户需求的自然语言对话（NLD）技术——强化学习。王博士表示，未来的人机交互将实现在深度理解用户后，在恰当的时机做恰当的主动交互，但目前还面临决策能力、推理能力等技术挑战。

浙江大学计算机学院教授潘纲现场带来《人-机的智能融合》主题演讲。由 reCAPTCHA、Fold.it 为例，引申出群体智能，让人类群体帮助解决计算系统/单人不擅长解决/不能解决的智能问题，大量用户参与，通过协作来完成单独不可能完成的任务。潘教授表示，群体智能本质上是将人类的个体智能通过计算机进行会聚融合，是典型的人智能+机智能进行融合的一种方式。

中科院计算技术研究所的兰艳艳副研究员则为大家献上了一场信息检索与机器学习的华尔兹。她从现代搜索引擎的排序学习开始介绍，进一步谈到了信息检索与深度学习的交融，并具体到其中的文本表达技术、深度文本匹配技术。“华尔兹”的终场，兰艳艳老师谈到了未来的智能搜索和检索、智能问答对话，以及深度学习在信息检索方面的局限和挑战。

清华大学计算机系副教授黄民烈老师畅谈的是当下的人机对话技术。从早期的Eliza、ALICE，到现在微软小冰、Pepper机器人，他用实例分析了人机对话中的意义和价值，以及其中充满挑战性的语义性、逻辑性、一致性及交互性问题。黄民烈老师还讨论了人机对话方面基于检索、GAN的传统技术，并进一步探讨了机器人的情感与表达、机器人身份与个性的嵌入等具体挑战及未来方向。

美国华盛顿大学教授、犀牛科技创始人兼总裁陈一昕谈的是“深度学习在医疗健康产业的技术创新及落地”。他介绍了医疗健康数据的三大应用场景，包括医养地产、医院集团、慢病筛查管理等。对于深度学习落地过程中的具体问题，陈一昕介绍了如何处理健康时序数据、如何在手机上装载深度学习模型、如何找到慢病传播规律三个方面的经验细节。

人工智能青年论坛在联合主席今日头条科学家、人工智能实验室总监李磊的主持下正式开始。李磊在开场总结道，随着数据和计算资源的增加，算法的不断改进，人工智能的很多方法在工业界产品中得到了非常大的应用，比如个性化土建、人脸识别身份验证、智能出行、智慧医疗等。但同时我们发现人工智能在这些产品应用过程中，面临着许多技术挑战，例如通常产品中需要的标注数据比较难以获取，所以在少量数据甚至是无监督半监督情况下，如何做好机器学习的方法？在海量数据下，如何做信息检索、个性化推荐？如何让机器像人一样能够与人正常地对话聊天等等。这些一系列问题都引起了我们青年科学家的关注。本论坛非常荣幸地邀请到 6 位国内外在学术界、工业界对这些问题长期持续关注并且近期做出一些成果的青年学者来分享他们的最新研究成果，并对人工智能技术的未来进行展望。

《中国科学报》主任记者王静从亲身感受的可与演奏视频协同合作、自动陪练的智慧钢琴开始分享她对于人工智能科学在艺术创造力方面的看法与见解。由此引申出科学与艺术的核心精髓在于科学与艺术是不可分割的，就像一个硬币的两面，它们共同的基础是人类的创造力，当技术进化到极致，即是艺术。最后，王静总结道：“科学新进展，加深了艺术家对自然的理解，并创作了新作品。科学新发现使艺术的表现题材、观念和手法都产生质的飞跃。在未来，在当下，科学家赋予物体思想，物体即拥有智慧，科学家是创新者，也是美丽使者。”

清华大学计算机计算机科学与技术系副教授张敏用清华自然语言处理与社会人文计算实验室创作的“人工智能科学艺术”藏头诗和微软小冰的诗歌创作，以及人类创作的诗歌，开启了她对于“科学遇到艺术”的杂谈。张敏教授发问“在艺术上，是否真的要一决高下？为什么要分出伯仲来？”，并通过实例表示，人工智能与人的智能，不应该也从来就不是对立关系，人的智慧能够与机器智能相结合，让我们用科学的方式让创作艺术成为可能。

中国科学院前沿科学与教育局副局长王颖首先为我们分享了 Yuval Noah Harari 的预测：AI 在越来越多的任务上表现超过人类，无需多久，人类50%的工种将由计算机完成；到2040年，我们可能看到一个新的阶层产生，即无用阶层，数十亿人不是失业，而是失去雇佣价值。由此带来了她作为教师对于“人工智能与艺术”的思考。教育发展将呈现诸多明显趋势，比如“在线学习方式”与“面对面学习方式”相互结合的混合学习将成为主要模式，学生将从知识的消费者变为知识的创造者；随着人工智能的发展，我们需要重新设计学习空间，从以讲授为主的讲座型空间设计，转变为基于项目合作，基于团队展示，基于自主学习，基于自由讨论，基于悠闲放松，基于工程设计等多样化的空间设计。最后，王颖总结道：“当代艺术最本质的革命就是计算机科技等新材料和艺术传播媒介的改变，艺术将与人工智能携手，共同创造人类社会的美好未来。”

北京航空航天大学计算机学院副院长王蕴红从“机器人（人工智能技术）能否鉴赏艺术作品？”、“在艺术领域，人工智能能否超越人的创造力”两个问题开启了对于人工智能技术艺术观的分享，详解了人工智能技术的优势、可发挥作用，及其可能对于艺术发展的影响。王蕴红表示，“人工智能技术发展趋势，艺术将成为其最难接近人类智能的部分”，而其也有正反两面，一方面，艺术欣赏和训练软件将使得艺术学习更为便捷和低成本，艺术创作的辅助软件将使得艺术家效率更高；但另一方面，也提出疑问，用大概率的方法训练能否产生小概率事件的发生？原创是什么？如何呵护创作的幼苗？如何避免过度训练？过拟合？人工智能软件的过度应用是否会产生大量的艺术工人？这是我们都需要思考的命题。

在人机交互领域有着深厚研究的清华大学计算机系教授、全球创新学院院长史元春为现场观众带来了《科幻与创新》主题演讲。艺术有很多门类和表现形式，而与科学相关最直接的体现就是科幻电影，从上世纪60年代到今天，我们看到了非常丰富的科幻电影，有许多工具都已经成为现实。比如我们能够通过 AR 以及更生动的交互技术，进行共享交流。史元春教授表示，人机交互主要在于输入，比如动作建模，从动作传感数据到行为建模、动作分类、交互任务。最后，史教授总结道：“科学为我们带来了无限的想象空间，但是从科研本身来说，我们尊重其严谨的规矩来分析和认识问题，并作出创新。同时，科学本身也是促进艺术发展进步的良好动力。”

首先登场来谈人工智能与艺术的女神，是南加州大学计算机系名誉副教授、机器学习中心主任的刘燕博士，她认为将来人工智能在发展方向与艺术的结合，主要还是人机信任合作，在提供可解释性、可迁移性、可靠性方面进行长足的发展。刘燕老师从DeepDream、Megenta、ANGELINA、Sunspring等振奋人心的最新AI艺术项目和作品入手，来谈人工智能与艺术的共同点、不同点。从可解释性的角度，人工智能和艺术都是目前无法解释的黑箱，但人工智能在黑箱解释方面还是有一些最新的进展。

下午13：30，完全由女性科技工作者和专家组成的人工智能科学与艺术论坛，在主席中国科学院自动化研究所研究员、机器人中心副主任乔红的主持下正式开始。

本届大会的压轴演讲是俄勒冈州立大学教授、AAAI前主席Thomas G. Dietterich的《构建强健的人工智能：原因及方式》。Dietterich教授在演讲中谈到了强健AI的必要性及其具体的实现。目前自动驾驶、外科手术、金融等高风险领域的AI应用开发，令人工智能强健性需求迫在眉睫。但我们没有办法把世界上所有的东西都建模，也没有办法把一个行为的所有后果全都数字化，这让Dietterich教授非常担忧强健性这个话题。他用生物学方面的进化和生存竞争等思想来处理这里的难题，以应对模型中的错误与未能建模的那些现象。Dietterich教授在演讲中给出了六大方向的具体思考：不确定条件下的决策、强健性优化、优化风险敏感型任务、意外检测、使用更大的模型、使用因果模型。

当前，基于大数据的机器学习非常成功，缺乏大规模的标签数据，如医药、制造业、防灾等数据量是远远不够的，这个时候，我们就需要运用到小数据，由此，日本理化学研究所先进智能研究中心主任 Masashi Sugiyama 为我们带来了《弱监督机器学习研究新进展》主题演讲。对其与团队对于弱监督学习下的分类问题的研究成果，包括将两种类别的标签数据进行分类，将有标签与无标签数据进行分类，一个对于半监督分类问题的通用方法，以及对于有标签数据的分类。

接下来，主题报告由大会程序委员会主席、南京大学教授、AAAI Fellow 周志华主持。

对于大数据如何来帮助“小数据”，美国南加州大学的副教授Fei Sha博士第一次用中文做了精彩的分享。Fei Sha博士用他家小孩选学校的切身经历，来告诉我们小数据问题会如何影响每一个人。关于如何在小数据上构建大数据场景，Fei Sha博士讲到了他们做过的三种方法：多任务学习、领域适应及零样本学习。多任务学习是当没有足够的数据时要鼓励任务之间共享信息，其中的一些细节涉及到迁移学习，Fei Sha博士推荐大家多读读杨强教授2009年的论文，以不变应万变。零样本学习则可以无中生有，可以让机器学习处理一些它从未见过的情况，即便是没有数据或数据很少。

美国微软雷德蒙研究院首席研究员周登勇（Dengyong Zhou）发表《众包中的统计推断与激励机制》主题报告，从“为什么众包”、“众包的挑战”、“统计推断”、“激励机制”着手，结合多个生动形象的案例，具体总结了微软雷德蒙研究院过去几年在基本的众包问题的研究与工程上的进展。周登勇博士表示，在可以预见的将来，机器智能完全代替人的智能几乎没有任何可能，我们应该是让人与机器各施所长互相补充。数据标注是一个比较简单的人机系统，但这里面包含的技术已经相当有挑战性。如果我们要建立更复杂的人机智能系统解决更大的问题，会有更多的新的困难需要克服。

CCAI大会第二天的演讲，由德国人工智能研究中心DFKI前负责人、北京人工智能技术中心（AITC）总监兼首席科学家Hans Uszkoreit在“机器学习在商务智能中的创新应用”的议题上展开。他首先分析了人工智能的两大方向，基于行为的系统和基于知识的系统，但目前机器学到的行为还都无法重新使用，不是真正的知识。在此基础上，Hans Uszkoreit开始谈结构化的、可复用的知识，他认为关键是能把非结构化的数据转化成结构化的知识，比如Wikidata、DBpedia所做的数据库，用了很多人工的劳动，而当前知识采集的方式已经实现了自动化。他所介绍的，是采用开源大数据分析平台Apache Flink，结合不同类型的机器学习与基于知识的自然语言理解技术，能够近乎实时地处理海量数据。Hans Uszkoreit认为，这一技术在商业分析与工业4.0方面的应用前景极为广泛，他列举了供应链管理与市场分析方面的一些实例。

第二天的主题报告在中国科学院自动化研究所研究员宗成庆的主持下正式开始。