文章来源：Xtecher

特邀作者：郭宝婷

由凯风基金会、集智俱乐部、美国芝加哥大学社会学系Knowledge Lab、清华大学科技政策研究中心、腾讯研究院联合举办的“人工智能与公共政策研讨会”（AI and Public Policy: Frontiers in AI and Applications）于7月22日-23日举行。研讨会请到国际知名学者和业内人士，讨论人工智能与公共政策的发展趋势，特别关注科技政策议题。

7月23日，会议开展了4场主题演讲，随后为分主题学者讨论。本文为Xtecher记者从现场发回的主题演讲内容摘要。

彩云天气袁行远：神经网络中序列学习的应用

彩云天气创始人、CEO袁行远

彩云天气创始人、CEO袁行远详析了彩云天气精准的即时预报背后的原理。

天气即时预报，其实是询问的是在一段连续的视频中，如果知道前几帧的内容，如何预测后面几帧。这是新大脑皮层的一个基础功能，却没有受到学术界太多关注。袁行远介绍，彩云天气用的是以多层卷积神经网络为基础的深度学习，在近几年的学术界，这种方法在物体识别上有很高的准确率。

彩云天气用的是地面气象雷达信息，是中央气象台公开提供的官方数据。彩云天气会先将气象图叠到地图上，然后通过多层卷积神经网络算法和深度学习，建立起云层移动的模型识别，合成出某一具体时间和地点的降雨带移动方向和位置，进而完成误差小于5分钟的降雨时间预测。

袁行远接着介绍并演示了使用同样原理的雾霾预测、机器翻译应用“彩云小译”，以及自动作曲的应用。

Momenta研发总监夏炎：自动驾驶中的深度学习

自动驾驶初创公司Momenta联合创始人、研发总监、图像搜索技术专家夏炎

自动驾驶初创公司Momenta联合创始人、研发总监、图像搜索技术专家夏炎，在会上谈了自动驾驶中深度学习的应用。

夏炎指出，现在深度学习有重大突破，主要体现在两方面，第一是大数据，现在有公共数据库、图像数据，大型公司也有大量用户数据；第二是大型计算，硬件可以进行大型运算。但深度学习也有局限，首先是解释力不足，深度学习现在仍是一个黑箱子；其次是深度学习依赖大量现实世界数据，金钱成本高；第三是仍需要人工设计网络、调整参数。

在自动驾驶领域，夏炎谈到两种深度学习方法：一种是端到端深度学习，只需要少量训练数据，系统就能自动学会驾驶技术。但这种方法的缺陷是无先验知识，缺少精细化处理，难以处理罕见事件。另一种方法是移动机器人（mobile bot），把任务拆解成小问题，用深度学习解决每个问题。通过机器人，可以进行高清地图生成、局部规划和全局规划。

Momenta是如何做的？感知（perception）。使用传感器+深度学习，模拟视觉对环境的感知。其中包括移动物体感知（车辆、行人）、静态物体感知（道路、交通标志）。通过提取从多辆汽车拍摄的2D图像语义点来重建道路、交通标志、信号及周围环境的3D位置，融合来自GPS和IMU的数据，可以创建更高精度的HD地图。算法可以根据当前环境感知和高精度地图信息，做出驾驶决策规划，解决在罕见路况失灵的问题。

集智俱乐部张江：当复杂系统遇见深度学习

集智俱乐部创始人、集智AI学园创始人、北师大教授张江

集智俱乐部创始人张江，用集智俱乐部的性质给他的主题演讲做引入。集智俱乐部是个什么样的组织？最简单的理解，它是一个学术社群。但集智俱乐部背后其实分为两个群体，一个群体是复杂系统理论者（complexity’er），另一群是机器学习者（machine learner）。前者的代表是哈佛大学物理学博士后尤亦庄，他们大多是物理学家、社科学科学者，追求理论的精深；后者的代表是彩云天气创始人、CEO袁行远，他们追求实践价值，致力于用科技改变社会。张江说，“连接这两群人的，就是我。”

复杂系统其实是一种科学，也经历了历史发展，它是一个以方法论为导向的领域。在过去几年，AI的发展飞快。研究复杂网络系统多年的科学家张江发现，他们之间可以互相补充，互相帮助理解。

张江详细介绍了以复杂系统为原理的神经网络的应用。例如预测非洲的贫穷区，使用神经网络系统训练的预测模型要准确很多。作为第二个例子，张江展示了如何通过结合DeepWalk算法和CNN网络，打造一个复杂网络分类器。通过大量生成的网络数据来训练，分类器可以学习到抽取原网络的多尺度特征，从而区分无标度和小世界特性。

张江最后介绍了集智AI学园。这是作为学术社群的集智俱乐部在应用领域迈出的重要一步，让理论和应用两个群体有更多融合与发展的空间。

哈佛物理博士后尤亦庄：物理和机器学习有惊人相似性