为了挖掘在AI与社会研究交叉领域有想法的研究者，促进思维碰撞，腾讯研究院S-Tech工作室与集智俱乐部共同打造了“AI&Society”的系列学术沙龙活动。

✎AI&Scociety学术沙龙简介

人类已经全面进入了智能社会，以人工智能为代表的新一代技术必将逐步渗透到我们的日常生活之中，并彻底改变我们的社会形态。那么，新一代的人机共生社会需要怎样的社会科学？社会科学的研究成果又如何促进人工智能的发展？人工智能会怎样影响人类社会？社会科学研究又如何借鉴人工智能领域的最新成果？

我们认为挖掘AI与社会领域有想法的年轻学者，促进AI与社会原创思想的交流与碰撞是探索、回答这一系列重大问题的第一步。因此，腾讯研究院S-Tech工作室与集智俱乐部共同打造了“AI&Society”的系列学术沙龙活动。

该系列沙龙以线下实体活动为主，我们将邀请AI与社会领域的交叉研究学者进行公开性的讨论与思想碰撞。沙龙的主题可涵盖但不限于如下的内容和主题：

计算社会科学（Computational Social Sicence）

社会计算（Social Computing）

多主体系统（Multi agent systems）

算法经济学（Algorithm Economy）

人工智能社会学（Artificial Intelligence Sociology）

群体智慧（Swarm Intelligence）

人类计算（Human Computation）

机器学习（Machine Learning）

技术与人类社会（Technology and Human Society）

人工智能与城市科学（Artificial Intelligence and Urban Science）

AI&Society第三期

颠覆式创新一百年&AI走进社会生活发展前沿追踪

人工智能正在以指数暴涨的速度融入到我们的社会生活。从全新的零售业形态到社会管理；从颠覆式创新到智能机器人；从AI天气预报员到AI翻译助手，每一项创新都深刻地改变了我们的生活方式和社会形态。为了让AI&Society前沿领域的研究者们能够分享他们最新的学术成果和思考；也为了让更广大的听众能够感受到科技进步的步伐，腾讯研究院S-Tech工作室与集智俱乐部在2017年12月24日举办了一场为期一天的学术饕餮盛宴。我们将有请来自芝加哥大学、东京大学、中国科学院、英特尔中国研究院、北京师范大学、DeepBelief.ai、彩云AI等AI重镇的学者和实践者进行分享。

上午场报告简介

颠覆式创新一百年：来自大学、公司、与互联网社区的大数据观察

报告内容：人类的技术和科学发展史，常常面临重大转型。每一次重大转折中，都会出现致“颠覆性创新”的团队或者个人，其贡献的知识或者技术，不是沿着既有技术发展，而是冒着巨大风险开辟了新的方向。随着新的方向逐渐树立，小团队成长大为团队，年轻成员成为资深专家，他们获得原来越多的资源和注意力，要维持越来越多的合作关系，工作日程日趋繁忙，思想决策却日趋保守，形成又一轮的技术锁定，等待着新一轮技术突破的产生。报告分析了Web of Science数据库中在一百年（1915-2015）中记录的四千五百万论文团队，美国专利数据库中在四十年（1975-2015）中记录的五百万专利团队，和GitHub数据库在四年中记录的一千五百万开源代码团队，揭示了团队规模及成员分工对团队创新能力的影响。研究发现，小团队经常以小博大，以慢制快，来实现颠覆性创新。

相关论文：https://arxiv.org/abs/1709.02445

三篇引用量类似，却有着非常不同的“颠覆程度”的论文

主讲人介绍

吴令飞：芝加哥大学社会学系博士后，研究兴趣是组织创新与学习。通过使用数学模型和机器学习方法，通过研究来自科学界（例如Web of Science 和 ORCID数据）、工业界（例如美国专利数据）、和互联网众包社区（例如Stack Exchange 和 GitHub）大量团队的人员结构与产出的关系，报告人致力于寻找组织创新与学习的一般规律，促进组织管理和政策制定。

2013年从香港城市大学获得传播学博士学位。博士最后一年曾在百度推荐与个性化部作为算法工程师实习生。在到芝加哥大学前曾在亚利桑那州立大学人类行为、制度与环境研究中心担任博士后研究员两年。

下午场AI技术追踪

简介：生物的进化过程可以视为在适应度景观（fitness landscape）上的最大化，而机器学习的过程可以视为在一个复杂曲面上的最小化，这二者之间存在着许多的相似之处。在进化的过程中，生物分子常常不只要适应单一的环境，有时（例如气候突变时），生物必须对复杂多变的环境产生适应能力，这种对多种环境的适应能力与多任务学习（迁移学习）之间也有着密切的关系。在本次报告中，我将用统计推断和机器学习的语言介绍我们在分子进化方面的一些最新的工作。

简介：新零售基于新技术，让线下零售业能够将人、货、店、场景透过数据贯穿来产生消费者更大价值以及更好的用户体验，最近火热的各种无人货架，透过rfid与二维码来做为结算辅助，无法控制的货损与成本，真的这些就是我们所谓的新技术吗?我们将会聊聊那些新技术将在新零售舞台上发光发热，而且也还有机会「看」见新零售…

简介：ames Hendler和Alice M. Mulvehill在其合著的《社会机器》一书中指出，人类解决问题的能力是通过很多代的集体进化而发展出的一项技能，并且在每个个体的一生中仍在不断进化。机器，没有主动学习的能力，曾经被认为只能根据输入的内容进行机械化、计算式且重复乏味的输出。果真如此吗？历史上，机器曾经一度冲击过人类的文化并带来了极大的影响。今天我们已经看到，机器同时作为一种通信的机体在起作用。当机器成为社会的一部分，我们如何能够与机器一同，恰如其分的作为社会的一部分运作？

简介：机器人要从工业产线走向千家万户，面对的是千变万化的环境和任务需求。深度学习的研究突破为机器人的智能提升创造了极大的潜力，然而单独的深度神经网络往往无法直接解决机器人学中的问题。同时，机器人的自主运动能力也为深度学习带来了新的机遇。如何将物体识别、语义分割等深度学习算法与机器人的感知和决策系统相结合，将是本次报告探讨的主题。

简介：随着深度学习在各个领域的爆发，人类智慧的骄傲一个接一个被机器攻克。曾经高不可攀的翻译问题被日复一日被技术进步的浪潮冲击着，加速着不同语言人群的互相理解。神经网络翻译到底给机器赋予了一个什么样的神奇大脑？工程师们又如何为这样一个大脑打造一个同样强大的身体，让互联网的用户们能享受到完美的服务？这个生存在互联网中的巨人将如何进化，改变每一个人的生活？本次报告将从工程师的角度向大家介绍这些问题。

简介：从细菌、细胞、蛋白质的相互作用，到人类的社交行为、科学家论文之间的引证等，这些复杂的系统都可以用网络进行表征刻画。因此，研究复杂网络对我们认识自然、了解人类社会、有深远的意义。传统的研究主要从数学建模，度分布，SVD矩阵分解等角度进行。随着大数据的来临，网络的规模变得越来越庞大，传统的研究方法受到了时间空间复杂度的挑战。利用深度学习的方法把网络节点嵌入到高维空间（以下简称表征学习）为复杂网络的研究注入了新的血液，提供了全新的研究思路。本报告主要介绍近几年深度学习算法在复杂网络应用（节点分类，链路预测，推荐系统，网络可视化）上的突破进展，同时探讨深度学习算法在复杂网络控制中的可行性。

简介：超分辨率技术(Super-Resolution，以下简称SR)是指将低分辨率图片重建出相应的高分辨率图片，并尽可能的保持图片的信息。

SR技术大致可分为两类：1.从多张低分辨图片重构出高分辨的图片 2.从单张低分辨率图片重构出高分辨率图片。

后者是深度学习模型采用的方法，即所谓Single Image Super-Resolution (简称SISR)。原则上来讲，SISR是一个不适定问题(ill-posed)，对于一个低分辨率图像可能存在多种高分辨率的图像与之对应，因此为了得到高分辨率图像，通常需要加入先验信息进行约束。在基于深度学习的超分辨方法中，这个先验信息是通过大量训练数据学习出来的，本次讲座则主要基于此讲解。

报告信息

主办方：腾讯研究院S-Tech工作室

集智俱乐部

时间：2017年12月24日09:00-17:30

地点：腾讯研究院（北京）

直播平台：读书人（可下载读书人APP观看此全天学术报告直播并参与互动）

日程：

08:30-09:00签到

09:00-11:30上午场

11:30-13:30午餐

13:30-17:30下午场

报名方式