人工智能学会余凯

① 余凯离开百度2年半造出两颗AI芯片落地三大场景是真的吗

12月20日消息，今天嵌入式AI创企地平线发布其首款嵌入式人工智能视觉芯片——“征程”1.0处理器和“旭日”1.0处理器，面向智能驾驶和智能摄像头，并落地智能驾驶、智慧城市、智能商业三大场景。至此，历时两年半，地平线的“芯片梦”尘埃落定。

在会后的采访中，地平线创始人&CEO余凯表示，这两款芯片都是基于高斯架构，针对不同场景的两个封装，并在今年成功流片，而且走的是量产流片，但并没有表明具体的量产量。该芯片具备低功耗、高性能、低延迟三个特点，通过“芯片+算法”面向三大场景提供解决方案。此外，地平线的芯片架构演进更快，明年会推出伯努利架构的芯片。

地平线由前网络研究院副院长、网络深度学习实验室主任余凯于2015年7月创办，致力于面向B端提供完整的嵌入式人工智能解决方案。前不久地平线刚刚完成由英特尔领头的近亿美元A+轮融资，目前投资方包括英特尔、红杉资本、高瓴资本、晨兴资本、金沙江创投、创新工场等。

一、从算法出发 定义芯片

地平线做AI芯片这件事可以追溯到2015年5月，当余凯从网络离开时，就谈到创业要做“AI芯片”，主要面向智能驾驶和智能家居领域。

结语：火热的AI芯片行业

近期，随着华为麒麟970芯片、苹果A11芯片、高通845芯片等的发布，推动着AI芯片不断走向火热，也使AI芯片、端智能成为未来发展的趋势。AI芯片的火热也催生了地平线、寒武纪、深鉴科技、启英泰伦等一批创业公司走向前台，成为时代的“弄潮儿”。

随着AI的发展，端侧智能的需求越来越多，将一些简单、实时、涉及隐私的需求放在本地去做计算，更加及时、稳定、安全的满足行业或用户的需求已是一种趋势。智东西(公众号:dxcom)围绕智能芯片产业已累计进行了近30篇重磅报道，AI芯片快速发展正成为人工智能产业落地的一大助推引擎。

而各家的发展也使AI芯片呈现不同的路径，比如高通845芯片走的是一种相对“温和”的通用路线，深鉴科技的FPGA（现场可编程门阵列）芯片，地平线此番发布的则属于ASIC专用芯片。

此次地平线推出的嵌入式视觉AI芯片以及解决方案再一次推动AI芯片，使更多的设备智能化，推进AI芯片在智能驾驶、智慧城市、以及智慧商业等场景的落地。

但是从落地场景来看仍是几个竞争激烈的场景，以智能摄像头的应用为例，主要一个就是安防领域，在这方面有安防巨头海康威视、大华等，也有独角兽计算机视觉公司商汤科技、Face++等，包括芯片领域的深鉴科技等都在围绕摄像头等安防场景进行布局，竞争尤为激烈。

如何快速落地场景，如何发现更新的落地场景和商业模式，都是地平线接下来面临的问题。

② 余凯的人物评价

余凯是深度学习领域的领军人物之一，Facebook人工智能实验室主任Yann LeCun在2014年的一次访谈中评价到，最近五年里余凯领导的NEC加州实验室是世界上最活跃的五家早期开展深度学习卷积神经网络的研究团队之一（其余为Yann LeCun实验室，Geoffrey Hinton实验室，Andrew Ng实验室，Yoshua Bengio实验室，和瑞士Juergen Schidhuber实验室)。
余凯在深度学习领域另一位领军人物Yoshua Bengio维护的网站www.deeplearning.net上，列出了世界上主要的深度学习研究机构，其中来自企业界的有5家，包括“NEC, Kai Yu’s group” （注：在余凯加入网络后，该条目改为“Bai, Kai Yu’s group”)。

③ 中国人工智能学会的理事成员

第七届理事会 姓名 性别 工作单位 职称 职务 李德毅 男 总参第六十一研究所 研究员 理事长 杨放春 男 北京邮电大学 教授 常务副理事长 谭铁牛 男 中科院自动化研究所 研究员 副理事长 黄河燕 女 北京理工大学 教授 副理事长 焦李成 男 西安电子科技大学 教授 副理事长 马少平 男 清华大学 教授 副理事长 王国胤 男 重庆邮电大学 教授 副理事长 刘 宏 男 北京大学 教授 副理事长 蒋昌俊 男 东华大学 教授 副理事长 任福继 男 日本德岛大学 教授 海外副理事长 杨强 男 香港科技大学 教授 海外副理事长 王卫宁 女 北京邮电大学 研究员 秘书长 马华东 男 北京邮电大学 教授 副秘书长 何清 男 中科院计算所 研究员 副秘书长 余凯 男 网络深度研究院 教授 副秘书长 余有成 男 《中国科技奖励》杂志社 副秘书长 张新钰 男 清华大学 高工 副秘书长 董晶 女 中科院自动化所 副研究员 副秘书长 张跃 男 北京语言智能研究院 研究员 副秘书长 刘江男CSDN程序员杂志副秘书长岳东男南京邮电大学教授副秘书长洪林 女 北京理工大学 副秘书长

④ 2020世界智能网联汽车大会干货：滴滴无人出租车申请体验者近4万

上汽的智能网联汽车发展情况

在业务落地方面，祖似杰表示，5G智能汽车示范体验区项目已经于今天上午交付使用，以实现高速、城区拥堵以及泊车等自动驾驶场景的市场化落地。

按照计划，上汽将在年底正式投产L3级的5G智能汽车MARVELR。

同时上汽还计划在今年完成2万个标准集装箱的运输任务。“我们已经开始小范围的商业运营，明年争取完成20万个标准集装箱，按照商业实际场景进行运营。”祖似杰在现场说道。

除了这些，上汽也在围绕电子电器架构、软件平台、数据平台进行布局，以此打造智能网联汽车基础能力。

四、滴滴孟醒：报名体验自动驾驶的人数已接近4万

滴滴自动驾驶公司COO孟醒分享了滴滴自动驾驶在过去四年内做的一些工作以及思考。

据孟醒介绍，滴滴自动驾驶公司于4年前在北京成立，目前在加州、北京、上海、苏州四个地方设有办公室。上海是当前最重要的一个测试运营场景。

今年6月底，滴滴在上海嘉定汽车城上线了滴滴自动驾驶体验，截至今天，报名人数已经达到近4万人。

那么，滴滴是如何来做自动驾驶的？

孟醒表示，滴滴是一家出行公司，在做自动驾驶出行时，考虑到了如何把传统出行和自动驾驶出行融合在一起。这也是滴滴做“混合派单”的原因所在。

此外，滴滴认为能把自动驾驶做起来需要三个方面。一个是AI，即车上的智能能力。一个是需要足够多的数据，作为AI的燃料。其次是需要具备出行生态网络。

在技术能力上，首先要具备全栈的能力。这是因为“每个模块之间上下游的关系，连接是非常紧密的，你只有每个模块都有自己的研发能力，才可以迭代足够快。我们今天关注的不是每一个模块或者说整体系统水平多高，更重要的是迭代速度有多快。”孟醒在演讲中说道。

总结来说，滴滴自动驾驶的业务涉及三方面内容，即AI、数据和网络。在滴滴看来，只有这三个方面都做好了，自动驾驶出行服务才算被搞定了。

五、地平线余凯：2030年智能汽车芯片会成为半导体最大的垂直市场

地平线创始人兼CEO余凯分享了地平线在车载AI芯片方面的思考。

在余凯看来，如果认为传统燃油车时代，发动机是汽车的核心竞争力、最核心的部件。那么在软件定义汽车的时代，在大数据和人工智能的时代，数据就是石油、就是能源；而芯片就是那个发动机。

当前，整个汽车产业的价值链正发生着深刻的变化和转型。未来汽车将成为四个轮子上的超级计算机。这个过程中，芯片和操作系统是至关重要的。“这里可能是颠覆式创新而不是增量创新”。余凯在现场说道。

余凯进一步强调了数据和数据处理能力的重要性。

在他看来，对比Waymo和特斯拉采集到的数据量，Waymo可以算是研究院模式的创新。相比之下，特斯拉则通过影子模式，打造了算力、算法、数据于完整一体的、可以快速进化的连机版AI体。虽然特斯拉的自动驾驶能力并不完美，但真正可怕的是它的进化速度。

余凯在演讲中说道，“如果说它的进化速度其他车企很难跟得上的时候，它就成为了智能汽车时代的定义者，平台的定义者，它对这个产业的控制力将会超过微软、英特尔、苹果。”

关于未来，余凯认为今天大部分的自动驾驶和未来的需求相比仍有较大差距。他预计到2030年，智能汽车芯片会成为整个半导体领域当中的第一大市场。与此同时，在这个领域，很可能会诞生巨型计算平台企业，而这样的巨头企业则很可能出生在中国。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

⑤ 中国人工智能产业还存在哪三项弱点

如今，“智能+”社会已步步临近，社会各界也正积极勾勒未来社会图景。国外人工智能巨头动作不断，在基础技术、应用领域方面都有诸多突破，可以总结为三点：基础研究能力强、跨界创新密集、人才红利持续发挥。

腾讯研究院发布的《中美两国人工智能产业发展全面解读》，从企业人数分布可以看出中美之间的巨大差异。报告显示，截至2017年6月，美国共有1078家人工智能企业，员工数量为78700名；中国有592家人工智能企业，员工数量为39200名，约为美国的50%。分领域来看，在处理器/芯片领域，美国员工人数是中国的13.8倍，美国17900人，中国1300人。中国在技术层领域的企业人数也远远落后于美国，仅在智能机器人领域人才稍多，为6400人，是美国同领域人数的3倍。

根据全球职场社交平台“领英”的数据，7成美国人工智能人才从业10年以上，而中国仅有4成相关人才有这样的从业经验。报告分析，这源于中国人工智能产业起步比美国晚，人才培养模式尚存差距。

中国高校在很长时间内并没有人工智能专业，而美国是人工智能概念的诞生地，基本上大院校都有人工智能专业和研究方向。根据美国国家科技委员会的人工智能全球大学排名，前20名中有16所是美国大学，这些大学源源不断地向科技企业输送人才。

业内人士表示，由于人才匮乏，人工智能工程师的年薪水涨船高。博士毕业进入企业，起薪或可高达百万元，“否则根本留不住人”。而且，即便这样的人也很难“上手就用”，都要在公司经过数月至一年的专业培训。

目前，中国正在快速追赶美国人工智能人才的培养步伐。从论文发表数量来看，华人作者的领先优势日益明显。在“深度学习”领域，中国的论文数量从2014年开始超越美国。专家认为，人才培养是“智能+”发展的关键，而且，人才培养要与重点项目相结合，真正做到核心人才本土化、核心项目自主化。

《中国机器人产业发展报告》建议，应建立机器人行业亟须的多层次、多类型技能人才培养体系，建立校企联合培养人才的新机制。同时，建立培养标准体系，运用职业培训和职业资格制度加深与汽车、电子、化工、消防等相关行业合作，实现人才培养与企业需求的良好对接。

国务院2017年印发《新一代人工智能发展规划》，提到将“加快培养聚集人工智能高端人才”。伴随着巨大的市场需求和应用场景，我国有望吸引更多人才来华从事人工智能行业。

在面向2030年对我国人工智能发展进行的战略性部署中，我国新一代人工智能发展规划也明确提出了我国人工智能发展的“三步走”目标：

第一步，到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业进入国际第一方阵，成为我国新的重要经济增长点；第二步，到2025年，人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平，人工智能产业进入全球价值链高端，成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展；到2030年，人工智能理论、技术与应用总体达到世界领先水平，我国成为世界主要人工智能创新中心，人工智能产业竞争力达到国际领先水平。

专家认为，要想让机器人渗透到人们生活，真正实现智能社会，一定要把相应的基础设施建设好，建立知识库、大数据库、面向各类具体问题的智能系统等。“这不仅要有技术，还涉及整个社会体系、服务体系和治理体系等。”业内人士呼吁，要加快机器人向各领域的应用，实现人机协调、跨界融合、共创分享，营造有利于机器人发展的良好生态。

瑞银研究报告显示：至2030年AI每年将为亚洲贡献经济价值高达1.8万亿至3.0万亿美元，将对金融服务、医疗保健、制造、零售和交通等行业产生巨大影响。这些行业加起来，相当于目前亚洲GDP的三分之二。

据统计，2000至2016年，中国人工智能企业数量累计增长1477家，融资规模达27.6亿美元。其中，2014至2016年三年是中国人工智能发展最为迅速的时期。这三年里新增的人工智能企业数量占累计总数的55.38%。另据艾瑞咨询公开数据，中国人工智能产业规模2016年已突破100亿元。

面对优势，还需戒骄戒躁；面对补足，还需踏实补强；我国应在人工智能产业发展的浪潮中争当“弄潮儿”。

未来已来，当时代的钟声缓缓敲响，新科技革命和产业变革将是最难掌控但必须面对的不确定性因素之一，抓住了就是机遇，抓不住就是挑战，必须在日新月异的科技大变革中、在国际合作与竞争的征程中加速前进。

⑥ 人工智能产业将寻求哪三方面的突破

未来将扎实推进理论发展，加强新技术整合能力

如今，“智能+”社会已步步临近，社会各界也正积极勾勒未来社会图景。国外人工智能巨头动作不断，在基础技术、应用领域方面都有诸多突破，可以总结为三点：基础研究能力强、跨界创新密集、人才红利持续发挥。

第一步，到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业进入国际第一方阵，成为我国新的重要经济增长点；第二步，到2025年，人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平，人工智能产业进入全球价值链高端，成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展；到2030年，人工智能理论、技术与应用总体达到世界领先水平，我国成为世界主要人工智能创新中心，人工智能产业竞争力达到国际领先水平。

专家认为，要想让机器人渗透到人们生活，真正实现智能社会，一定要把相应的基础设施建设好，建立知识库、大数据库、面向各类具体问题的智能系统等。“这不仅要有技术，还涉及整个社会体系、服务体系和治理体系等。”业内人士呼吁，要加快机器人向各领域的应用，实现人机协调、跨界融合、共创分享，营造有利于机器人发展的良好生态。

瑞银研究报告显示：至2030年AI每年将为亚洲贡献经济价值高达1.8万亿至3.0万亿美元，将对金融服务、医疗保健、制造、零售和交通等行业产生巨大影响。这些行业加起来，相当于目前亚洲GDP的三分之二。

据统计，2000至2016年，中国人工智能企业数量累计增长1477家，融资规模达27.6亿美元。其中，2014至2016年三年是中国人工智能发展最为迅速的时期。这三年里新增的人工智能企业数量占累计总数的55.38%。另据艾瑞咨询公开数据，中国人工智能产业规模2016年已突破100亿元。

面对优势，还需戒骄戒躁；面对补足，还需踏实补强；我国应在人工智能产业发展的浪潮中争当“弄潮儿”。

未来已来，当时代的钟声缓缓敲响，新科技革命和产业变革将是最难掌控但必须面对的不确定性因素之一，抓住了就是机遇，抓不住就是挑战，必须在日新月异的科技大变革中、在国际合作与竞争的征程中加速前进。

⑦ 国内深度学习领域比较厉害的教授有哪些

在过去的三十年，深度学习运动一度被认为是学术界的一个异类，但是现在， Geoff Hinton（如图1）和他的深度学习同事，包括纽约大学Yann LeCun和蒙特利尔大学的Yoshua Bengio，在互联网世界受到前所未有的关注。Hinton是加拿大多伦多大学教授和研究员，目前就职于Google，他利用深度学习技术来提高语音识别、图像标签以及其他无数在线工具的用户体验，LeCun在Facebook做类似的工作。当下人工智能在微软、IBM以及网络和许多其它公司受到极大的关注。
我非常兴奋，我们发现一种可以使神经网络变得更好的方法，尤其是这种方法能够揭示大脑是如何工作的时候——Geoff Hinton。
Geoff Hinton 等人亲手缔造了深度学习的复兴
Hinton本科阶段在剑桥学习心理学，他意识到科学家们并没有真正理解大脑——不能完全掌握数十亿神经元之间的交互以及如何提升智力。这些科学家可以解释电信号沿着一个轴突连接一个神经元到另一个，但他们无法解释这些神经元是如何学习或计算的。Hinton认为这些都是大问题，答案可能最终让我们实现1950年代人工智能研究人员的梦想。

图1： Geoff Hinton（AI领袖级人物，目前就职于Google）
他也没有答案，但他将尽全力寻找答案，至少改进的人工神经网络可以模拟人脑的某些方面。“我非常兴奋，我们发现一种可以使神经网络变得更好的方法，尤其是这种方法能够揭示大脑是如何工作的时候，”Hinton说，洋溢着青春的热情。

这些人工神经网络可以收集信息，并且能够做出反应，它们可以理解东西看起来什么样或听起来像什么。当你将单词组合起来，它们在做决定的时候会变得更聪明，而在完成这些过程中不需要人类提供物体或对象的标签，这是传统的的机器学习工具做不到的。
随着人工智能的发展，这些神经网络将更加快速、灵活、高效，它们随着机器规模的增加而变得更加聪明，随着时间的推移将能够解决越来越多的复杂任务。
早在80年代初，当Hinton和同事开始这个想法时，那时的电脑性能还远远不能处理神经网络需要的巨大数据集，成功是有限的，随后人工智能社区背弃了他们，转而去寻找类人脑的捷径，而不是尝试模仿大脑的运作。
但仍然有一些研究人员坚定地支持Hinton的工作。根据Hinton和LeCun回忆，这极为艰难，甚至直到2004年——已经是Hinton和LeCun第一次开发“反向传播”算法神经网络20年之后了——学术界对这些毫无兴趣。
但是那一年，从加拿大先进项目研究所（CIFAR）拿到的极少量资金，并在LeCun以及 Bengio 的支持下，Hinton建立了神经计算和自适应感知项目，这个项目只邀请一些计算机科学家、生物学家、电气工程师、神经科学家、物理学家和心理学家。
通过招聘这些研究人员，Hinton旨在创建一个世界级的团队，致力于创建模拟生物智能的模拟——模拟大脑如何筛选大量的视觉、听觉以及书面线索来理解和应对它的环境。Hinton认为建立这样一个组织会刺激人工智能领域的创新，甚至改变世界，事实证明，他是对的。
Geoffrey Hinton 曾感慨自己的学术生涯就像 ANN （人工神经网络）一样起起伏伏，所幸的是，这位 Gatsby 的创立者一直没有放弃 ANN 的研究。他们为实现早期的想法，定期聚集在一起召开研讨会，构建了更强大的深度学习算法，操作更大的数据集。期间赢得全球人工智能比赛，再然后互联网的巨头开始注意到他们。
2011年，一位NCAP研究员和斯坦福的Andrew Ng在Google建立了深度学习项目，今天，公司用神经网络在Android手机和社交网络以及Google +上标记图像。去年，Hinton加入Google公司，其目的是进一步把这项工作做的更为深入。
每年不到一百万美元的CIFAR投资，Hinton和他的伙伴们带来的回报是丰厚的，这不仅发生在Google也发生在一些国家，包括加拿大。
在这个过程中，Hinton和NCAP已经改变了这个曾经抛弃他们社区的面貌，当下大学生从传统机器学习项目转到深度学习这种现象无处不在了 。毫无疑问，现在深度学习是主流。“我们不再是极端分子了”Hinton说，“我们现在可是炙手可热的核心技术呢。 ”
Hinton也周游世界并为深度学习积极布道，Hinton有一个习惯就是喜欢突然大喊：“我现在理解大脑是如何工作的了！”这很有感染力，他每周都会这样做，你很难模仿。
通过NCAP 和CIFAR，Hinton开办了一家暑期学校，致力于培养新一代的人工智能研究人员。有这么多的商业公司进入这一领域，这是比以往任何时候都更加重要。不仅仅是科技巨头加入这个领域，我们也看到大量的深度学习初创公司包括Ersatz,、Expect Labs以及 Declara。
“我们希望把AI和CIFAR带到一个美妙的新领域，”Hinton说，“一个还没有人或者程序到达的境界。”
和Geoff Hinton一起共同缔造深度学习复兴的大神还包括Yoshua Bengio（如图2）和 Yann LeCun（图3）教授，他们是Hinton坚定的支持者。
Yoshua Bengio（如图2）教授也是机器学习大神之一，他的研究工作主要聚焦在高级机器学习方面，致力于用其解决人工智能问题。他是少有的几个仍然全身心投入在深度学习学术界的教授之一，好多其他教授早已投身于工业界，加入了Google或Facebook公司。

图 2：Montreal大学教授及AI研究者 Yoshua Bengio
Yann LeCun和Yoshua Bengio不同，他目前就职于Facebook，任Facebook人工智能研究院主任，也是人工智能尤其是深度学习领域最知名的学者之一，在多伦多大学随Hinton读博士后即加盟贝尔实验室，期间研发了卷积神经网络（Convolutional Neural Networks）与曾广泛用于手写识别和OCR的图变换网络方法。2003年加入纽约大学，从事广度与深度兼具的各类研究，涉及机器学习、计算机视觉、移动机器人和计算神经学。

图3：纽约大学AI研究者及Facebook人工智能研究院的主任 Yann LeCun
毋庸置疑的是，深度学习以及整个人工智能领域已成为互联网巨头竞争的一个焦点。
深度学习领域人才极度稀缺
Montreal大学全职教授Yoshua Bengio表示：“深度学习现在炙手可热，目前的困境是缺乏专家，一个博士生大概需要五年的时间培养，但是五年前还没有博士生开始从事深度学习，这意味着现在该领域的专家特别少，可以说弥足珍贵、极度稀缺。”
据说目前深度学习领域的顶尖人才不超过50人，Andrew Ng表示深度学习领域人才匮乏的主要原因首先是数据，对于解决某些领域的问题，获取数据并非易事；其次是计算基础架构工具，包括计算机硬件和软件；最后是这个领域的工程师培养时间非常长。所以科技巨头们包括Google、Facebook、Twitter、网络等纷纷通过收购深度学习领域的初创公司来招揽人才。
Google 2013年3月收购了一家名为DNNresearch的初创公司，这家公司隶属多伦多大学计算机科学院，只有三个人——Geoffrey Hinton 与他的研究生学生 Alex Krizhevsky 和 Ilya Sutskever。之后，Google今年1月份斥资4亿美元收购人工智能初创企业DeepMind，DeepMind由人工智能程序师兼神经科学家Demis Hassabis等人联合创立，是前沿的人工智能企业，其将机器学习和系统神经科学的最先进技术结合起来，建立强大的通用学习算法。另外，Google还收购乌克兰面部识别技术开发商Viewdle。
Google不断的收购深度学习领域的公司最主要的目的是“抢购”一批世界上最一流的专家，在一个迅速成长的人工智能领域里面，这些专家无一不是佼佼者。
Facebook也在2012年以近6000万美元的价格收购以色列人脸识别公司Face.com。人事方面，任命计算机科学家Yann LeCun（图3）作为人工智能研究院的主任，用深度学习专业知识来帮助创建解决方案，更好地在每天上传到Facebook上的3.5亿张照片和视频中识别人脸和对象。去年8月13日Facebook又宣布收购了语音识别及机器翻译公司Mobile Technologies，后者将会帮助我们从图片识别拓展到语音识别领域。假以时日，Facebook可能会开发出交互更加自然的服务，而且相对于任何现有技术，它还会帮助解决多得多的问题。
Twitter 今年7月29日收购了基于深度学习的计算机视觉创业公司Madbits。Madbits这家公司是由Facebook人工智能实验室主任Yann LeCun以前两名学生创办的，开发了可自动理解、组织和提取媒介内容信息的视觉智能技术。这项基于深度学习的计算机视觉技术已经开发完成，正在测试。Twitter上每天都会出现无数的图片。收购Madbits可以帮助Twitter推出诸如图像搜索的功能，基于图像内容改进搜索排名，甚至是通过分析图像来更好地理解人们的推文内容。
其他公司。雅虎收购深度学习公司LookFlow和图像标注公司IQEngine；QualComm收购图像识别公司Kooaba； Pinterest收购物体识别公司VisualGraph；Dropbox收购图像标注公司Anchovi Labs；网络成立李彦宏亲自挂帅的深度学习研究院，有Andrew Ng、余凯等技术大牛加盟； 至此，深度学习领域的几位大牛基本上都各有所属。
深度学习的误区及产品化浪潮
网络首席科学家Andrew Ng表示：“目前围绕Deep Learning存在着某种程度的夸大，它不单出现于媒体的字里行间，也存在于一些研究者之中。这是一种不健康的氛围。将Deep Learning描绘成对人脑的模拟，这种说法非常具有吸引力，但却是过于简化的模仿，它距离真正的AI或人们所谓的‘奇点’还相当遥远。”
目前这项技术主要是从海量数据当中学习，理解数据，这也是现今有关Deep Learning技术研究和产品发展的驱动力。而具备与人能力相匹配的AI需要无所不包，例如人类拥有丰富的感情，这些都是当下Deep Learning研究尚未涉及的。今天，AI领域最大的挑战和短板是Perception，如何让机器更好地理解人的意图；而这正是 "深度学习"可以发光发热的范畴。
一项技术能够快速成为主流，一个主要原因就是能够快速推出成熟的产品，深度学习也不例外，所以深度学习产品化是一个大趋势，追求不切实际的“天网”或者电影情节的高科技未免太急功近利、不切实际。目前 "深度学习"让Google产品在语音，文本和图像的识别上变得更加聪明，可以更准确地洞悉我们的信息输入，更人性化地理解我们的意图。现在，每个安卓手机的语音识别以及Google街景中的图像处理都有"深度学习"的影子。笔者认为，随着深度学习的发展和科技公司加大投入，会有越来越多的产品推向市场。

⑧ 余凯的个人荣誉

余凯组建并领导了中国第一家以深度学习为核心的大数据人工智能研发机构IDL。余凯带领的团队在语音识别，计算机视觉，互联网广告，网页搜索排序等互联网核心业务上取得突破性进展，并因此创纪录的连续三次荣获百万美金“网络最高奖”。2014年以来，余凯还领导了网络大脑，自动驾驶，BaiEye， 以及DuBike等一系列创新项目，在国内外业界产生重大影响。
除了在工业界所取得成就以外，余凯还是机器学习领域的国际顶尖学者，发表论文被引用超过7000次，获著名的国际机器学习大会ICML-2013的最佳论文奖银奖，余凯曾任机器学习两大会议ICML和NIPS的领域大大。2011年应邀在斯坦福大学计算机系作为Adjunct Faculty，主讲了研究生课程“CS121：Introction to Aritificial Intelligence”(人工智能绪论）。余凯曾带领团队在ImageNet等著名人工智能算法竞赛中屡次荣获国际第一名。
美国NEC研究院曾经是国际上机器学习研究的重镇之一，VladimirVapnik（支撑向量机SVM和统计学习理论之父）, Yann LeCun（卷积神经网络CNN之父）, Leon Bottou（随机梯度下降算法SGD专家）等都在此工作过。余凯博士担任美国NEC研究院的Department Head, 在加州硅谷建立起一支有高度声誉的技术研发团队。在深度学习方面，余凯们是国际上最早投入研发而且最活跃的研究团队之一。自2009年以来，余凯领导开发出一系列有重大影响力的技术，在世界范围内将图像物体识别推上一个新的台阶，多次在著名国际评测中获奖，包括：
2009年，在PASCAL VOC视觉识别竞赛中获得第一名。
2008年和2009年，美国国家技术与标准局组织的TRECVID图像事件检测评比中两次获得多项第一名。
2010年，带领团队在首届ImageNet大规模视觉识别竞赛中获得第一名(Geoffrey Hinton团队于2012年获得第一名）。
余凯在深度学习，特征学习，贝叶斯学习，高斯过程，推荐系统，图像识别，图像检索等领域多有建树，在著名学术会议和杂志上发表了几十篇高质量论文，被同行引用达7000次以上。曾获得1999中国信号处理学会年会优秀论文奖，第9届PKDD国际会议最佳论文奖银奖，和第30届机器学习国际会议(ICML)的最佳论文奖银奖。
2013年到2014年，余凯所带领的语音技术团队，深度学习技术团队，和图像技术团队，相继3次获得业界著名的百万美金“网络最高奖”，创造了网络公司内部各个技术&业务团队的记录。