北京知识图谱科技有限公司CEO 吴刚总结了五点知识图谱项目挑战：数据壁垒，高质量知识获取难，数据结构化、知识融合难；平台工具：技术栈长，知识图谱构建和运维成本相对高；专业知识：知识专业性强，需行业专家技术团队的磨合，知识模型建立；闭环系统：半自动化学习、可迭代更新的闭环智能应用。

由此，他给出业界在做知识图谱项目技术应用建议：控制成本、小步快走、快速迭代。这就需要具备以下能力：实践与理论的鸿沟，从解决问题出发；工程开发能力；算法落地(nlp，机器学习)；数据处理(爬虫、ETL、数据清洗、本体构建、图谱构建)

最后，他还给出了知识图谱技术及应用趋势：

知识图谱与深度学习、语音识别、图像识别等技术深度结合，打通感知到认知；

知识图谱应用场景由浅至深，逐渐沉淀高质量精细化行业知识图谱；

企业数据壁垒逐渐打通，应用从 BI 到 AI；

全生命周期知识图谱开放平台化，构建与运维成本大大降低，人机协同，集成算法和行业模型，闭环迭代，半自动化自学习。

海智智能联合创始人丁力以《知识建模的技术探索与应用路径》为题，立足于知识建模技术，与大家共同探讨知识图谱技术与应用路径。

知识图谱是开放人机协同管理的知识组织机制。不但为开放数据互联与融合提供了规范，也为领域知识图谱的积累与复用提供协同管理机制。在应用层上知识图谱要考虑算法，另一方面还需要考虑如何在终端用户中体现价值与特色，让更多终端用户使用平台解决实际问题。

知识图谱的价值是什么？基于我们在行业的经验可以重新定义五个层次：实体、属性、关系、本体及联邦。知识问答的实体识别，在深度学习和机器学习技术下，结构化数据和文本的连接可以形成文本和知识图谱的互联。本体是比较特殊的地方，知识图谱有很多本体的概念，结构化知识组织需要实体关系与本体推理技术的结合；而跨领域知识图谱的互联依赖于实体链接技术。而最终业务面前，是否需要知识图谱？使用知识图谱是否会产生价值？需要考虑很多方面，比如你需要的系统的是开放的还是封闭的，如果涉及到融合外部数据，未知数据的修订，知识图谱会产生价值；系统可以复用规则推理、图分析、机器学习等常见人工智能模块，知识图谱可以提高效率。

在知识图谱技术演进之路上，语义、本体、表示学习、存储都是重要的环节。知识建模的方法策略上，丁力分享了三个要点：知识图谱的模板化解决方案、数据模型的选择与本体概念体系的选择。在图谱生产以后需要达成两个点：数据的体验和知识图谱行业分析。

蚂蚁金服人工智能部技术专家刘阳阳分享了蚂蚁金服知识图谱相关的进展，以及金融场景下知识图谱技术的实践与应用。刘阳阳分别从智能理赔、智能保顾、智能推荐三个场景进行了说明。

复旦大学教授、复旦大学知识工场实验室负责人肖仰华，详细讲述了大规模知识图谱的构建过程，主要三个核心要素：成本、规模、质量。例如如何更省人力进行验证，以知识抽取为例。首先，利用弱监督、远程监督的策略进行自动标注；其次，利用端到端深度学习模型降低特征工程代价；最后，利用先验知识降低样本依赖。

此外，他还回溯了知识工程的起源，是由符号主义推动的。然后，互联网时代的大规模开放应用，需要全新的知识表示，谷歌知识图谱诞生，代表着知识工程迈入大数据时代。这个时代下，传统的方法已经不适用了，那么我们新的机遇与使命是什么？即由数据驱动的大规模自动化知识抽取，可以利用众包技术、高质量的UGC（User Generated Content）等。

而知识将显著增强加学习能力，包括降低机器学习模型的大样本依赖，提高学习的经济性；提高机器学习模型对先验知识的利用效率；提高机器学习模型与先验知识的一致性。

肖仰华总结道：大数据时代的到来，使得自动化知识获取成为可能，知识工程有望突破知识库的规模与质量瓶颈。知识工程在知识图谱技术引领下进入大数据知识工程全新阶段（BigKE），BigKE将显著提升机器认知智能水平。

下午场干货井喷继续，上场的第一位嘉宾是来自百度知识图谱构建与认知团队负责人张扬，他主要回顾了百度知识图谱的发展历程。主要分为四个阶段：

第一阶段：2013年以前，Pre-KG，主要用于解决结构化数据生产与处理，以及稳定的数据通路与时效性。

第二阶段：2014-2015年，领域知识图谱，主要挑战在于知识表示、知识生产、知识更新、实体抽取、Tag抽取等问题。

第三阶段：2016-2017年，通用知识图谱。发现仅靠垂类数据无法满足用户在搜索推荐场景下的多样化知识需求，这导致了海量知识获取、自动化知识表示、以及知识化搜索与推荐等方面的挑战。期间，主要采用了知识抽取、知识抽取、知识化搜索、知识化推荐等方法。

第四阶段：2018年以后，多元异构知识图谱，不仅包括关注点图谱，还有实体图谱、事件图片、用户图片、POI图谱，同时将这些图谱进行关联。

最后，张扬强调：构建知识图谱的过程，其实是有一定的工作量和门槛的。百度希望构建一个开放的知识图谱平台，让开发者更加聚焦于知识库的应用，简化开发过程。

在知识图谱 panel 环节，乐言科技CTO王昊奋发问，知识图谱处在一个半实用、半研发的阶段，如何去迭代螺旋上升？同时，现在在知识图谱的项目合作上，如何兼顾阳春白雪的研究和扎扎实实的落地？其他嘉宾分享了各自观点。

肖仰华：与人合作很重要，我觉得阳春白雪的研究和扎扎实实的落地都需要。高校可以在这两个方面发挥作用。阳春白雪探索一些新的知识表示机制、模型、算法，企业很难花时间做的事情委托高校去研究。落地为什么说高校也可以发挥作用？企业不缺某一个算法，缺的是不知道怎样把这些算法拼起来，在工程咨询方面可以找高校合作，但工业界不要对学校团队有过高的期望。另外，偏研究的团队不要期望落地，偏落地的团队不要期望偏阳春白雪。

李涓子：知识图谱落地肯定是企业切实的需求，学界可以帮助建立知识图谱整体架构。而企业落地本身存在的问题，也可以把它变成研究问题。另外高校可能还应该在研究的前沿性要有一定前瞻性，比如我们还是希望能做常识知识的表示和推理，通过能够结合知识驱动和数据驱动的方法做一些常识知识推理工作。

张扬：企业和高校其实各有各的优势。高校的研究可能比较前沿，企业的优势就是可以快速的把技术转换成商业产品。企业跟高校的合作，可以把问题的边界定义清楚，这样项目会更加可控。

朱其立：企业和高校双方应该坐下来，让高校先了解企业需求，然后把这个需求抽象成一个科学问题，高校负责解决科学问题，科学问题在公开的数据上面做得比较好后，再把解决问题上获取的知识传递给公司或者企业去具体实现，在数据上做一些测试、评估。如此迭代做下去，既有阳春白雪，又有实际应用。

吴刚：像创业公司肯定不能像BAT的合作方式，后者有大量资金和时间支持。创业公司更多从应用层面出发，不完全是做工程。高校可能在参与国家大型课题或者算法有很多的积累，双方可以结合起来，通过结合算法，少部分的工程能力，为客户做出产品，最后再投钱进行更好的产学研合作。

乐言科技CTO、最大的中文知识图谱 zhishi.me 创建人王昊奋讲述了知识驱动的智能问答在企业计算中的落地实践。

为什么说智能问答越来越重要？因为它解决了我们信息过短的问题，同时知识图谱技术的提出，提升了智能问答系统的能力。随后，他从IRQA（基于信息检索的问答）、KBQA（基于知识库的问答）、MRC（基于阅读理解的回答）三种问答技术形态出发，指出不同的QA技术擅长回答的问题不同，需要取长补短。

此外，王昊奋认为，知识图谱并不是一个学科，其实更像是一个工程，它未来会结合自然语言处理、机器学习、数据库等各方面技术的优点和成果来去形成本身的应用。

上海交通大学电子信息与电气工程学院教授朱其立讲述了阿里巴巴电商认知图谱构建的原因、认知图谱的结构和算法模块介绍，以及主要的应用案例及前景介绍。他表示，对于电商，首先需要认识到用户有哪些需求；其次，以商品为中心的知识体系在理解用户需求时，存在天然缺陷。他还指出，要想来弥补这样的语义的鸿沟，需要构建开放域概念和电商概念的认知知识图谱。

那么，在构建认知知识图谱的过程中，团队提出了原子概念 （Primitive Concepts）的策略。他依次讲述了原子概念的分类体系、原子概念的消歧、电商概念的挖掘、电商概念的生成、以及关系构建。此外，他还指出，构建该知识图谱需要在实体识别、文本消歧、关系识别、短文本生成等关键NLP技术上实现突破，目前主要应用于搜索、推荐、解释等场景中。

清华大学长聘教授李涓子以《用知识为AI赋能》为题带来了精彩的分享。她讲到：知识是人工智能的核心命题与关键基础。专家系统让人工智能应用与行业中，让计算机解决领域中的问题。之后历经语义网、IBM 沃森等重要技术的进展，现在，到了构建一个生产知识的知识引擎，大规模应用知识的时代。而要实现机器智能，需要从语言知识、常识知识、行业知识的知识。实现全类型知识的支持，要经历三个阶段：增加系统的阶段、统计学习的阶段、可解释的、鲁棒性的人工智能阶段，希望是一个可解释的、鲁棒的、可信的、安全的人工智能，未来实现这一阶段的方法是知识驱动和数据驱动相结合的方法。知识图谱就是一条可实现的技术路线，在深度学习中学习的低层特征空间与人的认知领域空间之间架起了桥梁，从而实现可解释、可理解的智能。

要实现通用人工智能，还有很长的路要走，未来，可能在五到十年内是知识图谱逐渐成熟和发展的阶段。从技术研究和整个核心技术发展与应用过程中可以看到，实现大规模的知识还面临很多挑战，比如在知识驱动和数据驱动下，知识的表述和推理就是一项非常具有挑战性的任务。我们还希望能有一个知识生态，在这个生态中，大家能共同贡献知识。最后，需要把知识图谱技术平台化，把数据转化成知识，提供创新应用，发挥知识的价值。

之后李涓子老师向大家介绍了近期的两项个人研究工作：一是平台——AMiner，科技大数据挖掘与智能服务平台，AMiner 平台背后的一个核心支持技术就是知识图谱。对研究者从不同维度进行分析与刻画，形成学者画像，如活跃度、最新研究，地理信息等提供专家搜索、专家智库、学术活动信息、影响力分析等智能服务。第二个是跨语言词和实体的联合表示学习，如何用知识图谱增强词向量的表示，获得更好的结果。词向量刻画了上下文的关系，知识图谱提供了概念间的语义关系，两种相互补充。词和实体的联合表示还可以提高词和实体的表示精度。构建跨语言的实体关系图有助于打破语言的瓶颈，全部的表示学习是在跨语言知识图谱上实现的。

本次知识图谱论坛的出品人，东南大学教授漆桂林围绕《知识图谱的技术分析和平台化路线》对知识图谱的一些重难点技术及产业道路上需要关注的问题做了全局性、深入的分析。知识图谱有一个非常繁杂的技术体系，技术链很长，数据是一个关键。数据不同，技术不同，并没有一个统一的标准，能不能做好一个知识图谱很大程度上取决于经验。

漆桂林先对本体建模、关系抽取、知识融合与存储等技术难点做了深度分析。本体是动态变化的，抽象的数据模型，想要做好本体建模一定要熟悉业务底层数据，对业务了解，选择符合的建模方式。数据库重要吗？漆桂林提到，与其不断的处理文本，不如做好数据库，而数据库模式到本体的映射，我们还缺少可操作性的工具。知识抽取是知识图谱中一项核心技术，是否能通过某种方式能够捕获所有的可能性？知识融合的匹配精度是一个难点。而知识存储不仅要对图数据库进行性能对比与优化，更要结合业务场景选择。

知识图谱平台的出现极大的促进了人工智能的发展，助力机器学习，为机器提供认知思维能力和关联分析能力。现在，企业开始构建知识图谱平台，已是一个必然趋势。但是，技术研发周期长，需要长期积累，技术选项难、人才稀缺，成本高都是企业平台化过程中的困难。未来，不仅有行业平台，也会有公共平台，帮助降低知识图谱技术应用的门槛。这需要我们沉淀各种数据和技术，快速构建知识图谱职称行业应用，充分发挥知识图谱的价值。

CTA核心技术及应用峰会知识图谱专场于5月27日上午9：00准时开场。

滴滴 AI Labs NLP 智能对话团队负责人熊超的分享主题是《多轮对话技术探索以及在智能客服的应用实践》，他从问答型多轮对话、任务型多轮对话以及滴滴智能客服实践经验三个层面讲述了多轮对话技术。

熊超表示，对话问答领域面临的最大的挑战就是图灵测试，目前的多轮对话能很好的回复问题，但并不表示完全理解了用户背后真正的意图，想要顺畅的解决特定领域的对话任务更长时间。

微博研发中心技术专家齐彦杰分享了微博基于机器学习在个性化 Push 任务中的实践与应用。微博的 Push 任务有基于热点、人物关系、地理区域、个性化信息等多种类型，齐彦杰特别针对个性化 Push 场景下的技术实践与应用、打通链路的关键技术做了详细解读。

MAU 4.6 亿的微博是如何进行用户增长的？不得不提个性化 Push 任务。现在手机已经成为每个人必不可少的个人信息处理中心，大量信息等待处理，Push 在此过程中发挥着怎样的作用呢？首先要从 Push 功能的特征谈起，基于自己多年在 Push 技术应用实践的经验，齐彦杰总结了四大特性：主动性、挑战性、复杂性和两面性。对于平台来说，是一个高效的内容分发系统，可以把优质内容提供给用户；而对于用户来说，是一个可培养的、聪明的私人秘书，让机器帮助自己获取感兴趣的内容。

而决定 Push 效果的背后机制则主要是博文质量、算法模型与分发效率三方面。机器学习架构自底至上主要包括基础数据、特征工程、模型服务于排序策略四层。在此架构之后，还有一个重要的技术环节——构建推荐系统，包括从内容的物料模型与审核、后续的召回和排序。最后，通过兴趣、实时、关系与环境四个维度构建特征体系，选择拟合与用户之间的关系模型，无论是早期的 LR 模型、还是 FM 模型、wide&deep 模型我们都进行过尝试，而样本数量在其中发挥着不可忽视的作用。

通过这些技术环节的介绍，齐彦杰和大家分享的心得是：提升特征规模，这是提高机器认知能力最方便的方法；其次是训练样本及优选模型样本，如上采样、下采样。最后还分享了一些监管机制、及时推等 Push 的小技巧。

海康威视研究院前沿技术部负责人、资深算法专家 谢迪讲述了团队在完善机器学习流水线上的实践，包括信息生成（Annotation）、模型训练（Train）以及部署（Deployment）方面。

大家都知道，训练神经网络是存在”蝴蝶效应“的。如何训练一个神经网络？通过分析信息初始化方法（即静态恒常性和动态恒常性）的一些特点和优势，可以得知：训练一个真正的深度网络，批量标准化是必要条件；二动态恒常性相比静态恒常性更为重要；三是相较于单个方向保持动态恒常性，在训练时保持两个方向同时保持动态恒常性，才是解决问题的关键；四是如果模型非常深，可能还需要显示对传播的信号进行调控调试。

对此，谢迪最后总结了四方面看法：一是在目前的深度学习框架中，模型对信息生成方式是非常敏感的；二是Bounding-box，需要更加优雅优美的表示方式；三是训练神经网络时，一个非常关键的因素是动态恒常性（Dynamic isometry ），它是深度学习模型优化和稳定性的核心；四是对于芯片设计者来讲，过多的算子会导致电路复杂性更高，也就是说，对于卷积神经网络的Operator来讲，也会收敛，特别是在边缘端。

腾讯优图实验室高级研究员彭湃为大家讲述了内容审核工作中 AI CV算法的实践与应用：AI 出现之前内容审核的方式都是人工审核，人工审核一百张违规照片需要 12 分钟左右，如果是 AI，只需要 1 秒钟。而 AI 审核模型是通过深度卷积神经网络实现的，从实际业务场景中探索出双模型级联合结构——DeepEye，一级模型快速排出正样本，二级模型细粒度分类。数据是核心弹药，如何构建符合实际需要，性价比高的数据？采用主动学习机制进行数据积累，通过数据引擎挑选出值得标注的数据。

如何把网络模型 ResNet-152 变为 ResNet-50,效率提升 2 倍，精度损失降低于 1%？在性能优化工作中设计了 Deepsmart 高效模型，采用知识蒸馏兼顾大模型效果与小模型的效率，以及有助于提升模型鲁棒性的数据扩增工作。在业务中，一些具体问题可能还有一些具体解决方法，如在网络中加入注意力机制、根据更具体任务补充业务数据，在不同场景中可以采用迁移学习等。

特别要提到的一个重要工作是敏感部位注意力机制相应模块，引入通道和空间两个维度的注意力机制，可以引导模型关注图像中敏感区域，提升模型的召回率。

在完整的工作中，要重视数据不平衡的问题，其中也有一些有效的解决技巧，如分配不同类目的损失权重、降采样、重采样等。未来，我们还将继续 DeepEye 2.0 的工作，丰富更多、更复杂的任务与场景，如涉恐识别、涉政敏感图片识别等。

圆桌嘉宾：腾讯音视频专家研究员高孟平、微博研发中心技术专家齐彦杰、滴滴AI Labs NLP智能对话团队负责人熊超、腾讯优图实验室高级研究员彭湃

数字化信息时代，虽然所有行业都在进行数字信息化，但是却没有将其真正利用。借助深度学习的快速发展，现在大家开始试图借助 AI 技术理解真实世界。“如何利用 AI 算法认知世界”就成为了核心问题。在本次 Panel 中，各位嘉宾就将围绕这个核心问题，并结合实际的业务场景中，为大家分享 AI 技术如何赋能与真实落地场景？又面临着哪些挑战？

谢晓辉：所有在 AI 领域深耕的人，包括 Hulu，都会发现语义的鸿沟仍然是一个非常具有挑战性的问题。做标签会发现标签距离最终产品想要的标签，二者间语义的鸿沟很大的。最终都要借助知识图谱等技术，帮助整个 AI 认知取得下一步的进展。过去几年，AI 像脱疆的野马，快速奔跑，无论是否逼进峰值，技术的快速发展都给产业落地留下了广阔空间，未来仍大有可为！

齐彦杰：推荐推荐系统构建与认知层之上。如何基于多模态信息更准确的理解用户意图是当下的一个挑战。比如微博现在不仅会分析文本内容、图的内容，视频元素理解也成为需要研究的重要问题。随着大家对使用手机的习惯与定义发生改变，视频内容理解已经成为现在的一个技术热点。公司也要随着技术的发展做出调整，提高效率。顺应技术发展的同时让技术更好地落地，需要知道自身哪些技术成果有显著提高、如何与数据契合，是否达到预期，不耽误时间快速得到结论，让技术得以持续地发展。

高孟平：我的业务中更多的关注于视频本身的理解，如标签或者高阶语义的理解。技术进展也推动了应用的发展，提供了问题的解决方案，但是很多仍存在挑战，还有很多无法解决，如质量评估。我们的解决的思路是：先定位问题，然后寻找 AI 的解决方法，最后通过业务利用客观指标反映技术的提升效果。如果只是在某个领域里不断刷新指标，反而可能错失新领域的应用机会。

熊超：我们现在做的是智能客服，在对话问答领域面临的最大的挑战就是图灵测试，尤其是在对话非常丰富的情况下，更是一项艰巨的任务。能很好的回复问题，但并不表示完全理解了用户背后真正的意图。其次，想要顺畅的解决特定领域的对话任务还需要一个质的飞跃，也许几年、十年甚至更长的时间。

彭湃：首先，内容审核业务面临的一个非常大的挑战：一是不同的客户，因其业务的形态不同，需要过滤的规则边界也会有所差异。其次，从 To C 产品到现在助力产业互联网，会服务不同的产业客户、面临不同的需求，而这些是否都是AI可以解决的问题，是需要思考的。20年后的今天，AI 带来这么多的技术的升级，“科技向善”也是AI的使命之一，从业者需要有更多的社会责任感和担当，让AI更有温度，科技向善，以人为本。

TensorFlow 2.0已经来了，积极学习它还是依然研究 1.0 里的各种数据流程？下午演讲开始，Google Developers Expert on Machine Learning 彭靖田以《TensorFlow 2.0实现AI大众化》为题进行了演讲。在他看来，上述问题其实并不矛盾，TensorFlow 2.0要解决的问题无非是三个：Easy、Powerful、Scalable。

随后他介绍了如何使用 TensorFlow 2.0 Alpha 快速开发和部署机器学习模型、如何实现 TensorFlow 1.x 和 2.0 模型之间的快速转换以及 TensorFlow 和 AI 为人们服务的落地案例。

彭靖田最后提到，TensorFlow 2.0未来还有很多工作需要去做。首先是在分布式，它会尽快的支持完善；其次是能把Keras API的Cannd Estimators做得更好，最后是能支持带有变量分区的更大的模型等等。

Hulu首席研究主管谢晓辉则分享视频理解在个性化推荐与内容发现中的应用，内容涉及视频理解在内容冷启动、视频精细化标签和分组、深度推荐模型中的应用等。

腾讯音视频实验室专家研究员高孟平讲述了腾讯音视频实验室的多模态机器学习技术在人眼视觉服务中的落地情况。腾讯丽影整合多项视频理解技术及产品经验推出的智能封面服务，为视频入口网站提供更吸引消费者点击封面。

他表示，在视频服务里，有几个重要的环节，如视频理解、处理、编辑、质量评估。由腾讯丽影推出的智能封面（Smart Cover）服务，就是视频理解的范围。腾讯丽影于2018年11月推出，是利用深度学习等AI技术、基于人眼视觉标准的端到端视频处理平台，在视频理解、视频处理、质量评估等三个方向有非常深入的研究。目前主要应用于腾讯微视。

随后，高孟平从视频、音频、图像三方面分别讲述了智能封面的架构。其中，视频，即生成时间区间提名(Temporal Action Proposal Generation)；音频，利用大规模音频分类构建的CNN架构，包括时间卷积网络（Temporal Convolutional Network, TCN）；以及图像，封面识别。

关于未来的工作与挑战，高孟平举了两个例子进行说明。一是Semi-Reference Architecture，他认为以后可能不会依赖长视频进行精彩视频的筛选，而是直接拿一段很短的视频，通过用户筛选出来，可以大幅减少数据标注的成本。二是使用图像美学（Image Aesthetics）的通用模型，因为有些内容是无法用精彩视频描述的，如QQ音乐、K歌等，没有特定的动作。如果直接透过图像美学的评价，不用精彩视频，或许也是一个好的解决办法。

第一位上场的演讲嘉宾是机器学习专题出品人，阿里达摩院城市大脑实验室负责人华先胜。他先给人工智能技术发展“泼了一盆冷水”，然后指出AI技术和应用成功的关键因素是创造价值：锦上添花、雪中送炭、无中生有，最后是形成商业价值。

随后，基于阿里在大规模AI应用场景的基础，他从视觉智能、视觉智造、视觉诊断和城市大脑四个层面具体讲述了以机器视觉为主的技术应用案例。

以视觉搜索为例，其中的关键技术是特征学习以及索引和搜索系统，从其应用中得到启发是视觉搜索应该关注核心需求：技术至上vs应用先行、刚性需求vs锦上添花、用户先行vs数据先行。

而视觉智造的主要应用有视觉编辑（比如广告植入）、自动平面设计等。对此，他给出了实践经验：要创造一个需求（不只是来自设计师），只和行业顶尖高手合作，另外，要先关注刚性需求，而不是炫酷的技术，要用商业创新反哺技术创新。

最后，他总结了对人工智能技术实践的看法。第一，人工智能发展势不可当，进展迅猛，局限巨大，无行业不AI；第二，不深入行业，就没有深度的AI，AI+算力+数据等于价值，要首先看到价值到底是什么；第三，人工智能发展机会非常多，要用AI做人力所不能及的事情，要让AI服务于人。

工业和信息化部人才交流中心党委副书记陈新表示：“工信部人才交流中心是工信部直属的一个从事人才服务的专门机构。我们中心强调关注产业人才，肩负极具产业发展的重要使命。目前中心承担了多项国家级的产业人才培育工程和培养计划。”

他指出，数字经济人才经济区的人才建设，将聚焦人工智能、大数据、云计算、物联网、VR/AR等前沿技术。尽管当前也在不断探索中，但工信部人才交流中心的任务，就是通过整合国内外专业的资源，打造数字经济人才学习交流、创新创业、合作共赢的平台，从而为当地数字经济产业的发展，营造良好的产业发展生态。

首先，CSDN总编谷磊上台并发表致辞，他表示：“很高兴我们能够相聚在CTA杭州峰会，受CSDN创始人蒋涛先生委托，我代表CSDN对大家的到来表示热烈的欢迎，对合作伙伴表示衷心的感谢。

在核心技术愈发受到重视及企业智能化转型浪潮日益澎湃的今天，开发者和技术人员所起到的作用将至关重要。CSDN作为中国专业的IT技术社区，已经与3000万开发者携手走过了20年的时间。在这20年时间里，我们见证了技术浪潮从PC互联网到移动互联网、大数据、云计算、人工智能、万物互联的发展阶段，也见证了一代又一代开发者从优秀到卓越的心路历程。在CSDN社区，他们开放共享的精神，成为后来者技术精进的阶梯。

今后CSDN将继续秉持驾乘新技术、赋能开发者的价值观，与社区伙伴一同成长。”

5 月 26 日，中国IT社区 CSDN 与数字经济人才发展中心联合主办的第一届 CTA 核心技术及应用峰会将在杭州国际博览中心隆重召开。现场，来自科技巨头与明星创业公司的一线技术专家以及学界顶尖科学家以他们前瞻性视野，为开发者带来全球化视野下最前沿的技术解读，并为其理解机器学习与知识图谱的技术发展提供思路。