本文主要是介绍CNCC“智能+引领社会发展”大会总结，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
引言
10月17-19日在苏州金鸡湖国际会议中心举办了CNCC大会，此次大会由CCF 主办，苏州工业园区管委会承办。大会的主题是“智能+引领社会发展”。CNCC大会的会议报告主要有上午特邀报告和下午各个分会场报告。
第一次参加这样的会议，对于来之不易的机会我们都非常珍惜，17日当我到达会场的时候，对上千人的会场感到惊叹。听会几天，我们每天都早早出发，所以每天早上都能够坐到前几排的位置。而下午的分会场就是另外一种情况了，我发现我想听的讲座人都异常的多，第一天的时候去听“学习算法与博弈决策”当在一点十分到达会场的时候，发现场内已经坐满了人，我就站在后面听了一会，那时的感觉可真真是难受，看也看不见，听也只能听个大概。所以第二天的我吸取了教训，早早的吃完饭就去了分会场。第三天的时候，去了分会场人又坐满了，于是在前面的过道处席地而坐。
下面总结一下大会中的知识点和分享一下自己的一些感受。
一、关于系统软件发展的若干思考
1.资源域变化，种类、属性（动态性、主动性，主动资源、智能性，智能体）
2.作用域的变化，（范在化，动态化）
3.软件定义使得信息基础架构发生变化，（垂直设计直接带来硬件、基础软件、应用软件的融合）
4.软件应用的问题：
1)范在资源的抽象方法（硬件管理、资源管理、任务管理）
2)新型系统软件动态边界的机理
3)柔性可扩展的操作系统结构（操作系统本身的结构必须灵活、高效、健壮，微内核操作系统）
4)泛在智能环境下的系统软件智能化机理
5)生态牵引的系统软件纵向整合方法。
5.技术生态的几点认识：
1)培育新兴系统软件生态（自主元操作系统，支撑环境）
2)支持生态的系统软件基础研究
3)软硬件协同创新设计（动态定义软件栈的方法）
4)基于生态做标准研究
#二、日本人工智能的研究、开发和应用——日本人工智能研究中心的视角
3D resnet加入了时间序列
三、智能简史
1.为什么AI如此火？
2.人对智能又期待又害怕。
3.人工智能的五个等级：
1)记忆（人类的记忆是没有计算机强的）。
2)感知（人也基本上比不过计算机）。
3)认知（了解，计划，人做翻译的时候是认知的过程，分析决策是AI在工业化中最重要的事情。分析，决策，传感器，物理世界，现在人工智能只是模拟而不是思考，只是弱人工智能，人的认知是白盒，有因果关系，可解释AI，今天的AI是以繁治繁，AI加HI，预防性的维修。
4)创造力，所有的AI都是人编写出来的。
5)智慧，智慧跟意识有关。
4.Weak AI，Strong AI相当于Human AI，造一个只有科学上有意识的机器人，用人类的意识控制机器人，控制计算机。AI+HI才能共创美好明天。强人工智能很弱，弱人工智能很强。
四、把大数据轻型化
1.用传统的方法对大数据查询耗费时间，提出一种卷积查询计划。
2.在大数据下使得许多易解的问题变成了难解的问题。
3.并行计算并不是万能的。
4.找大数据和小数据中查询效率一样的方法，使得近似解和精确解一一对应。
五、互联网体系结构的演进、创新和发展
1.互联网体系结构是互联网的最核心关键技术。
2.互联网体系结构的核心是网络层。
3.互联网的组成部分包括传送格式（IPV4/IPV6基本固定不变）、转发方式（基本固定不变）、路由控制（可变之处）。
4.互联网体系结构面对的重大挑战：扩展性、安全性、实时性、高性能、移动性、管理性，其中，前三个性能更重要。
5.关键技术：CPU/OS/互联网体系结构。
6.互联网值传递数据包，运行在任何通信技术上，允许在网络边缘上创新。
7.解决方案：扩展性：超大空间的路由寻址，开放网络的跨域可信访问；安全性：传统的方法是“有病治病”，现在应该“增强体质”；实时性：竞争资源。
六、智能机器人研究：思考和问题
1.科研的本质不能太功利。
2.Robots = perception + cognition + action(behavior、manipulation、mobility、grasping)。
3.对于爬行这一行为，在软性材料上爬比在刚性材料上爬更困难。
七、深度强化学习：现实中回合制策略游戏
1.在考虑冰的不确定性的情况下的基于AI的冰壶策略和仿真引擎。
2.抛掷机器人由牵引力控制的自动驾驶实现。
3.基于计算机视觉技术的机器人可以识别冰壶场地。
八、AI引领出行变革
1.横纵拓展，横指的是地域，纵指的是出行种类。
2.智能交通发展的三种途径：
1)智能交通基础设施的逐步完善。
2)智能交通工具的改进。
3)智能共享出行。
4)供需预测与调度。
九、大数据挖掘的新视角
1.广度学习的三种类型：
1)相同实体上的不同信息类型。
2)相似实体上的不同信息类型。
3)可以通过一个复杂网络相联系的不同信息类型。
2. 推荐系统两种方式
1)协同过滤
2)基于内容的推荐系统:用户画像，社交网络。
十、从遇见到预见——数据可视化的未来
1.面向更复杂数据的可视化。
2.可视化的生成更方便。
3.可视化的自动问答。
4.可视化使用更方便。
5.可视化的创意和美。
十一、传统产业智能化升级
1.技术沉淀之后才能应用工业。
2.实现人工智能首先要信息化、数字化。
3.数据可信、数据可追溯。
4.技术作为业务的增值，技术是工具，技术要与业务相结合。
十二、深度学习的冬天什么时候到来？
1.下一代AI工具有什么属性？
1)类别的增量学习。
2)从小样本中学习分类器。
3)可解释性：因果性的根本在于处理理想概念，但理想概念在日常生活中很难说清。
4)考虑不确定性。
5)考虑符号学派的思想。
6)智能的动力学模型。
2.接下来十年无监督学习会不会有大进展？
1)无监督学习是一种自动寻求共性的过程。
2)可以在无监督学习上引入新的知识，如迁移学习、增量学习。
3. 类脑算法是不是要给予更多关注？
1)硬件。
2)模型。
3)可解释性。
十三、计算机视觉技术赋能智慧城市
1.现在人脸检测存在的问题:硅胶人的人脸检测出来也是人脸。
2.深度学习要结合场景分析，没有什么算法是通用的，在任何场景中都能达到很好的效果。
3.深度强化学习通过将深度学习的感知能力与强化学习的决策能力相结合，以端对端的当时实现从原始输入到语义输出的感知与决策具有重要意义。
十四、计算机经典算法回顾与展望——机器学习与数据挖掘
1.聚类分析(K-means)
1)应用：理解数据和数据总结。
2)难点：非常主观的认知，缺乏客观的标准。
3)问题：密度差距大；某一类特别多；中心点的选取（容易产生局部最优）；非圆形分布不能线性分割（由于算法的目标函数决定的）。
4)解决方法：增大分类数，可以先用一个大的k，后合成一个本应该设置的k（分类数）。
2.分级群聚(hierarchical clustering)
1)近似矩阵。
2)类和类之间的距离。
3)缺点:对噪声敏感。
3.Adaboost
1)通过迭代弱分类器而产生最终的强分类器的算法。
2)增大每次分对的权重，减少每次分错的权重。
结语
此次会议中给我印象最深的是徐扬生院士的《智能机器人研究：思考和问题》，徐院士一直致力于机器人的研究，他早期做的机器人就是就是一个可以在身上爬的小虫虫，他坦言，许多人问他，你做的这些有什么意义，能干什么？他说，我也不知道，就是好玩吧。就是好玩吧，这句话恰恰对应了他所言的“科研的本质不能太功利”，其实就是如此，现在的我们恰恰需要一颗平静而不浮躁的心去做现阶段该做的事情。其次是熊辉教授的《Classic Clustering Algorithms to Live By（典型的群聚算法）》，熊教授讲了K-means算法和hierarchical clustering算法，通过这两个算法结合，克服了两者之间的缺陷。其讲解过程中将K-means算法类比为社会主义社会思维，将 hierarchical clustering类比为资本主义思维，期间穿插了许多中国文化。非常形象、生动，我觉得科技不仅仅是科技，科技的思维其实和许多知识都是相通的，要理解难解的算法，可以通过联想一些思维方法加以理解，更要追溯其源，知其然，更要知其所以然。最后是滴滴出行集团的首席技术官，他说滴滴未来可实现十字路口车辆的实时监控，增加十字路口车辆的通行效率，这个想法恰恰和我们在七月份参加的山西省“互联网+”创新创业大赛相类似。不过我们当时的设想是用摄像头拍摄的视频实现车流量的检测（这种方式会增加数据量的处理），但是滴滴设想通过滴滴中地图中的车辆定位推测十字路口车流量的状态，从而实现空车道放行，让红绿灯实现“随机应变”。
PS：关于自己最近一点的小感悟：世界是一面镜子，你对世界怎么样，世界就会对你怎么样。所以，用温情去拥抱这个薄情的社会吧！fightting！
这篇关于CNCC“智能+引领社会发展”大会总结的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
