6月24日，為期四天的2020北京智源大會在線上圓滿落幕。來自20多個國家和地區(qū)的150多位演講嘉賓，和來自50多個國家、超過50萬名國內(nèi)外專業(yè)觀眾共襄盛會。
 
北京智源大會是北京智源人工智能研究院主辦的年度國際性人工智能高端學(xué)術(shù)交流活動，以國際性、權(quán)威性、專業(yè)性和前瞻性的“內(nèi)行AI大會”為宗旨。2019年舉辦了首屆大會，今年為第二屆，主題是“人工智能的下一個十年”。在全球抗擊新冠肺炎疫情的特殊時刻，2020北京智源大會全程采用線上形式召開，與包括5位圖靈獎得主在內(nèi)的世界人工智能領(lǐng)域頂尖專家學(xué)者們通過視頻相聚，共同探討未來十年人工智能的發(fā)展走向，大力推動AI領(lǐng)域的國際交流合作，發(fā)揮AI抗疫的支撐作用，凝聚全球戰(zhàn)“疫”的強大合力。
 
在開幕式、全體大會、閉幕式以及19個專題論壇上，大會出席嘉賓們就人工智能理論、技術(shù)和產(chǎn)業(yè)應(yīng)用等方面，結(jié)合面臨的機遇、挑戰(zhàn)和發(fā)展趨勢等發(fā)表了一系列前瞻洞見。

本次智源大會上，與會專家一致認為，未來十年，全球人工智能領(lǐng)域的專家學(xué)者將著力推動從專用人工智能（弱人工智能）向通用人工智能（強人工智能）的跨越式發(fā)展，并研究解決人工智能發(fā)展過程中面臨的重大難點與挑戰(zhàn)。其中，作為人工智能過去十年中的標志性成就——深度學(xué)習(xí)，它的發(fā)展脈絡(luò)和以及所面臨的挑戰(zhàn)也是與會專家們討論的焦點。
 
1. 國際頂尖科學(xué)家針對深度學(xué)習(xí)現(xiàn)有問題開展探索性、開創(chuàng)性研究

1995年圖靈獎獲得者曼紐爾·布盧姆（Manuel Blum）因計算復(fù)雜性理論及其在密碼系統(tǒng)和程序檢驗中的應(yīng)用而獲獎，他在AI方面的研究主要聚焦在通過計算機模擬人腦認知和信息處理過程，結(jié)合了認知神經(jīng)科學(xué)、計算機科學(xué)等，在認知計算領(lǐng)域具有開創(chuàng)性。本次智源大會上他重點介紹了一種新型的可用數(shù)學(xué)建模、可計算的機器認知模型，以幫助機器擁有意識，未來他還將在推動機器自主意識方面開展更深入的工作。

 
2007年圖靈獎獲得者約瑟夫·斯法基斯（Joseph Sifakis）因提出對人工智能模型的自動化檢測方法而獲獎。他在機器學(xué)習(xí)領(lǐng)域的研究主要集中在提升機器學(xué)習(xí)模型的可解釋性，從理論層面進行分析和論證。在本次智源大會上，斯法基斯介紹了通過數(shù)學(xué)算法驗證人工智能模型可信度的方法，能夠推動人工智能模型在醫(yī)療、金融、國防等具有高安全性要求的領(lǐng)域應(yīng)用落地。他認為，未來的可信人工智能應(yīng)融合數(shù)據(jù)驅(qū)動方法和模型驅(qū)動方法，組成復(fù)合型系統(tǒng)。
 
2011年圖靈獎獲得者朱迪亞·珀爾（Judea Pearl）因在人工智能概率和因果推理研究方面取得的杰出貢獻而獲獎，他在人工智能領(lǐng)域的研究主要聚焦貝葉斯網(wǎng)絡(luò)等結(jié)合因果推理與概率計算的人工智能算法，相比深度學(xué)習(xí)技術(shù)，能夠更好地解釋人工智能形成決策的原因，并將人工智能從以預(yù)測為主的應(yīng)用拓展到?jīng)Q策與反思（即對可能情況的認知和判斷）層面，具有較高的研究前景。在本次大會上，珀爾介紹了在因果推理領(lǐng)域的最新研究成果，推動機器因果推理從定性分析進入定量分析階段，是人工智能、機器學(xué)習(xí)從數(shù)據(jù)驅(qū)動的統(tǒng)計關(guān)聯(lián)分析向因果推理的一次范式轉(zhuǎn)變，在思想和方法上具有變革性，為不確定性推理、決策等提供理論基礎(chǔ)，被認為能夠較好地解決機器學(xué)習(xí)可解釋性不足、推理結(jié)果不可靠的問題。珀爾認為，機器因果推理目前還在不斷完善和發(fā)展中，將其思想和工具用于處理復(fù)雜的預(yù)測、決策、推理等問題，是未來發(fā)展的重要方向，能夠有效解決大數(shù)據(jù)環(huán)境下高噪聲、高維度、弱先驗等條件下的因果推理難題。珀爾稱人工智能研究將很快迎來一場“因果革命”，為通往第三代（前兩代分別為專家系統(tǒng)和深度學(xué)習(xí)）強人工智能提供了重要的理論途徑。
 
LSTM（長短期記憶網(wǎng)絡(luò)）提出者尤爾根·斯米德胡伯（Jürgen Schmidhuber）回顧了一系列基于LSTM的深度神經(jīng)網(wǎng)絡(luò)模型在病毒傳播分析、藥品設(shè)計、蛋白質(zhì)折疊預(yù)測、醫(yī)療圖像識別，以及語音識別，機器翻譯等方面的應(yīng)用，強調(diào)說明LSTM是一種通用目的模型。尤爾根·斯米德胡伯教授提出了其對AI未來的愿景：具有好奇心的人工智能，能夠自我設(shè)定目標、自我學(xué)習(xí)、自我提升、實現(xiàn)目標，同時進一步討論了機器學(xué)習(xí)技術(shù)如何通過自學(xué)習(xí)和強化學(xué)習(xí)等方式獲得通用智能能力。
 
2. 人工智能應(yīng)在技術(shù)發(fā)展的同時兼顧數(shù)據(jù)隱私保護

深度學(xué)習(xí)的發(fā)展依賴大規(guī)模訓(xùn)練數(shù)據(jù)提升模型的性能（精度），但收集大量數(shù)據(jù)會凸顯數(shù)據(jù)隱私保護的問題。與會專家普遍認為，應(yīng)在技術(shù)發(fā)展的同時兼顧數(shù)據(jù)隱私保護。智源研究院學(xué)術(shù)顧問委員會主席、清華大學(xué)張鈸院士建議從兩方面開展工作，一是建立健全數(shù)據(jù)隱私保護的相關(guān)法律法規(guī)，二是發(fā)展安全、可靠、可信和可擴展的人工智能技術(shù)。智源研究院學(xué)術(shù)顧問委員會委員、北京大學(xué)高文院士認為，應(yīng)在借鑒歐美隱私保護模式的基礎(chǔ)上，發(fā)展具有中國特色的治理模式，通過建立社會誠信機制，減少數(shù)據(jù)濫用。微眾銀行首席人工智能官、香港科技大學(xué)教授楊強認為，探索聯(lián)邦學(xué)習(xí)等能夠兼顧數(shù)據(jù)隱私保護和AI模型性能的新算法，可以進一步激勵我國AI技術(shù)創(chuàng)新，形成基于新算法架構(gòu)的人工智能范式。
 

在研究方向上，智源研究院自2109年開始設(shè)立人工智能的數(shù)理基礎(chǔ)、機器學(xué)習(xí)、自然語言處理、智能信息檢索與挖掘、智能體系架構(gòu)與芯片五大方向，目前正在組織凝練認知神經(jīng)基礎(chǔ)、決策智能、機器感知等新方向，本次大會上，圍繞這些重點前沿研究方向，設(shè)立了多個專題論壇開展針對性研討。

1. 智源研究院已布局的5大研究方向發(fā)展現(xiàn)狀及趨勢

（1）人工智能的數(shù)理基礎(chǔ)

深度學(xué)習(xí)的可解釋性、魯棒性等問題仍是人工智能理論研究及應(yīng)用落地面臨的挑戰(zhàn)。近年來，以深度學(xué)習(xí)和強化學(xué)習(xí)為代表的人工智能方法取得了顛覆性進展。與此同時，研究者們一直希望從理論上解釋為什么深度學(xué)習(xí)能在各種應(yīng)用場景中取得良好效果，如何從理論上保證深度網(wǎng)絡(luò)的穩(wěn)健性。本次大會“人工智能的數(shù)理基礎(chǔ)”論壇參與專家一致認為，近年來以數(shù)學(xué)和統(tǒng)計學(xué)為基礎(chǔ)的深度學(xué)習(xí)理論研究對假設(shè)要求很強，往往不符合實際情況，離真正揭示深度學(xué)習(xí)工作機制還有很大距離。盡管對深度學(xué)習(xí)的理論分析已經(jīng)使用了一些數(shù)學(xué)工具，但目前仍缺乏一個統(tǒng)一的數(shù)學(xué)理論框架來對數(shù)據(jù)分布、模型結(jié)構(gòu)以及學(xué)習(xí)方法的交互作用進行分析，對深度學(xué)習(xí)本身存在的缺陷以及改進方向也需要進行深入剖析。
 
人工智能的數(shù)理基礎(chǔ)研究給多領(lǐng)域多學(xué)科的融合發(fā)展提供了機遇。智源研究院“人工智能的數(shù)理基礎(chǔ)”方向首席科學(xué)家、北京大學(xué)張平文院士認為，目前關(guān)于人工智能數(shù)理基礎(chǔ)的研究主要集中在深度學(xué)習(xí)的數(shù)學(xué)理論，未來的發(fā)展已呈現(xiàn)與數(shù)據(jù)科學(xué)、物理、信息及腦科學(xué)等領(lǐng)域融合的趨勢，今后甚至可能重構(gòu)應(yīng)用數(shù)學(xué)。當前，人工智能的數(shù)理基礎(chǔ)這個概念還沒有一個明確的定義，在國際上也沒有一個明顯的領(lǐng)導(dǎo)者，正是年輕人開疆拓土的好時機，應(yīng)該創(chuàng)造一切機會鼓勵我國的青年人投身人工智能數(shù)理基礎(chǔ)的研究。光啟高等研究院副院長、香港浸會大學(xué)兼職教授季春霖從自己的研究經(jīng)歷中切實感受到需要把深度學(xué)習(xí)和物理模型相結(jié)合，特別呼吁建立實習(xí)生機制，鼓勵學(xué)界和業(yè)界的深度交流。
 
（2）機器學(xué)習(xí)

機器學(xué)習(xí)將從研究人工智能算法理論的學(xué)科，向工程化學(xué)科發(fā)展。機器學(xué)習(xí)作為人工智能領(lǐng)域的重要分支，目前已發(fā)展成熟，以深度學(xué)習(xí)為代表的機器學(xué)習(xí)算法已全面落地應(yīng)用。機器學(xué)習(xí)領(lǐng)軍人物、加州大學(xué)伯克利分校教授邁克爾·喬丹（Michael Jordan）認為，在下一個十年，機器學(xué)習(xí)科研工作重心將從研究類人智能機器向開發(fā)建造能夠處理大規(guī)模數(shù)據(jù)的智能化計算機系統(tǒng)轉(zhuǎn)變。通過這類大型智能系統(tǒng)，將為人類提供更好的決策支持。機器學(xué)習(xí)研究者需要在下一個十年持續(xù)關(guān)注算法架構(gòu)優(yōu)化、數(shù)據(jù)樣本采樣、博弈論、市場設(shè)計等領(lǐng)域。

 
加強和發(fā)展機器學(xué)習(xí)的理論研究是當前迫切需求。近年來機器學(xué)習(xí)的研究已經(jīng)產(chǎn)生了數(shù)以千計的模型、范式和優(yōu)化算法，在推動機器學(xué)習(xí)高速發(fā)展的同時，也導(dǎo)致機器學(xué)習(xí)的理解變得困難，急需解決隱私保護、模型可解釋性、泛化等問題等方面機器學(xué)習(xí)理論的不足?？突仿〈髮W(xué)機器學(xué)習(xí)系副主任邢波（Eric Xing）教授從損失函數(shù)、優(yōu)化求解、模型體系結(jié)構(gòu)和理論等方面提出了一個系統(tǒng)的、統(tǒng)一的機器學(xué)習(xí)藍圖，提供了對各種機器學(xué)習(xí)算法的全新整體理解，并給出以組合方式解決機器學(xué)習(xí)問題的指導(dǎo)方向。
 
算法突破可解決當前人工智能計算復(fù)雜度高、資源消耗巨大的發(fā)展困難。哥倫比亞大學(xué)電子工程系副教授約翰·萊特（John Wright）認為，突破傳統(tǒng)框架的全新高效機器學(xué)習(xí)算法是當前的研究前沿，算法突破將推動新一代人工智能發(fā)展。通過針對非凸優(yōu)化問題的討論，用不依賴初始化的簡單迭代方法予以解決，在天文學(xué)和計算機視覺領(lǐng)域亦有廣泛應(yīng)用。智源研究院“機器學(xué)習(xí)”方向研究員、北京大學(xué)教授林宙辰認為，在傳統(tǒng)優(yōu)化算法的適當部分引入學(xué)習(xí)機制，可以顯著提高算法的收斂速度并得到更好的信息處理效果?；趯W(xué)習(xí)的優(yōu)化算法能夠更好地適應(yīng)數(shù)據(jù)，將是傳統(tǒng)優(yōu)化算法的有益補充，建議從事優(yōu)化算法的研究者多加以關(guān)注。
 
縝密人工智能系統(tǒng)將建立新型人機協(xié)作關(guān)系。人工智能在科學(xué)研究生態(tài)中已發(fā)揮重要作用，但當前主要還是利用數(shù)據(jù)而不是知識。人工智能促進會（AAAI）現(xiàn)任主席、南加州大學(xué)信息科學(xué)研究所科研副主任尤蘭妲·吉爾（Yolanda Gil）教授提出利用知識技術(shù)發(fā)展縝密人工智能系統(tǒng)（Thoughtful Artificial Intelligence），通過新型人機協(xié)作方式助力科學(xué)探索過程，并建議系統(tǒng)滿足七項原則：合理性、語境性、主動性、在線性、雙向性、系統(tǒng)性、倫理性。
 
（3）智能信息檢索與挖掘

搜索與人工智能技術(shù)將深度結(jié)合，智能搜索要體現(xiàn)“以人為本”理念。加拿大皇家科學(xué)院和加拿大工程院院士裴健教授認為，搜索需要理解復(fù)雜的用戶信息需求，需要大量的人工智能技術(shù)支撐，高質(zhì)量的人工智能算法也需要高效的搜索算法從大規(guī)模空間中搜索到最優(yōu)的參數(shù)和模型，搜索技術(shù)將在未來人工智能技術(shù)發(fā)展中扮演重要角色。同時，智能搜索不僅僅是人工智能技術(shù)的簡單應(yīng)用，還要考慮每一個“人”（包括老年人、殘疾人等）的不同需求，需要在可解釋性、文化差異、公平性、隱私保護、安全性、信息準確性、用戶適應(yīng)性等方面進行進一步的探索。
 
開放世界的持續(xù)學(xué)習(xí)具有重要價值。傳統(tǒng)的機器學(xué)習(xí)是一個封閉式的系統(tǒng)，如何讓機器能夠在開放世界，包括訓(xùn)練數(shù)據(jù)未覆蓋的未知世界進行探索學(xué)習(xí)，是一個很難但很有意義的問題。北京大學(xué)劉兵教授指出，持續(xù)學(xué)習(xí)的核心在于如何引導(dǎo)機器自發(fā)進行學(xué)習(xí)，從而使其面對未知困難時，能根據(jù)機器累計的知識，自發(fā)地解決困難。主要研究內(nèi)容包括如何持續(xù)解決問題、如何進行自發(fā)的知識積累與收集、如何讓機器保存記憶、如何更好地讓對話參與在整個過程中等。
 
多模態(tài)對話式搜索將成為智能信息檢索的重要研究方向?，F(xiàn)在的信息檢索工具（如搜索引擎）不能處理復(fù)雜的信息需求，迫切需要新的信息檢索工具能夠處理更加多樣的信息（如圖片、視頻以及各種模態(tài)的數(shù)據(jù)等），并且能夠通過多輪自然語言對話方式解決復(fù)雜信息獲取問題。新加坡國立大學(xué)計算機學(xué)院的首任院長蔡達成教授認為，多模態(tài)對話和多模態(tài)推薦系統(tǒng)的主要技術(shù)挑戰(zhàn)，在于多模態(tài)上下文和歷史的建模，領(lǐng)域知識與用戶模型的融合，交互方式，評價方法及數(shù)據(jù)集等。未來搜索、對話和推薦的界限將逐漸消失，融合各種技術(shù)的新的信息獲取方法應(yīng)該成為未來研究的重點。
 
（4）智能體系架構(gòu)與芯片

探索合理的智能超算評測方法，推動大規(guī)模智能超算系統(tǒng)的健康發(fā)展。智能超算系統(tǒng)是支撐智能時代的重要基礎(chǔ)設(shè)施，針對智能超算系統(tǒng)，傳統(tǒng)高性能計算領(lǐng)域的基準測試（如Linpack）難以高效準確評估智能超算算力，而已有的人工智能基準測試程序（如MLPerf）由于規(guī)模固定、結(jié)果不直觀等原因并不適合智能超算系統(tǒng)的評估。智源研究院“智能體系架構(gòu)與芯片”方向研究員、清華大學(xué)教授陳文光認為，合理的智能算力測試程序應(yīng)規(guī)模可變，具備人工智能意義及多機通信特征，同時測試結(jié)果可用單一分數(shù)表示。
 
智能計算系統(tǒng)需要系統(tǒng)性創(chuàng)新，形成長期深耕和持久發(fā)展意識。智源研究院“智能體系架構(gòu)與芯片”方向研究員、中科院計算所研究員包云崗認為，智能計算系統(tǒng)的芯片設(shè)計是該領(lǐng)域的核心問題，既可以借鑒傳統(tǒng)計算系統(tǒng)的設(shè)計方法（如軟硬件去耦合層次化設(shè)計思想），也需要EDA（電子設(shè)計自動化）工具和軟硬件協(xié)同設(shè)計平臺等方面的創(chuàng)新，應(yīng)建立貫穿研究、應(yīng)用、教學(xué)、推廣等環(huán)節(jié)的長期深耕和持久發(fā)展的創(chuàng)新意識。此外，開源已經(jīng)成為芯片發(fā)展的新趨勢，通過敏捷設(shè)計方法可以降低芯片設(shè)計門檻，打造開源芯片生態(tài)。
 
后摩爾時代的算力提升需要以新器件和新架構(gòu)作為驅(qū)動力。摩爾定律帶來的計算性能提升日益放緩，基于傳統(tǒng)器件的馮諾依曼架構(gòu)面臨存儲墻和功耗墻等問題，難以滿足智能應(yīng)用日益增長的算力需求，需要加快推動以神經(jīng)形態(tài)計算為代表的智能體系架構(gòu)發(fā)展。智源青年科學(xué)家、北京大學(xué)研究員楊玉超提出，可以利用憶阻器的動力學(xué)特性來探索新的計算應(yīng)用，充分發(fā)揮神經(jīng)形態(tài)硬件的優(yōu)勢。
 
（5）自然語言處理

基于深度學(xué)習(xí)的自然語言處理需要建立新的知識體系。這一輪以深度學(xué)習(xí)為代表的人工智能發(fā)展高潮，其代表性技術(shù)即為語音識別和自然語言處理。智源研究院“自然語言處理”方向首席科學(xué)家、清華大學(xué)教授孫茂松指出，在前期快速發(fā)展的基礎(chǔ)上，目前最前沿的自然語言模型已經(jīng)進化到具有1500億個參數(shù)，但需要深入思考面向未來的發(fā)展方向。下一個十年，在大數(shù)據(jù)與富知識相結(jié)合的雙飛輪驅(qū)動下，通過多模態(tài)信息融合，將建立語言處理和知識表示的新體系。
 
開展多模態(tài)融合和多任務(wù)學(xué)習(xí)是推動自然語言處理發(fā)展的重要方向。當前的自然語言處理研究的新趨勢是進一步融合視覺、聽覺、情感等文本之外的信息，交叉進行信息的對齊、互補、融合。華盛頓大學(xué)瑪麗·奧斯登多爾芙（Mari Ostendorf）教授提出，要將實時物理和社交環(huán)境等多模態(tài)信息融入語言理解模型。微軟亞洲研究院周明博士提出，語言+視覺的多語種多任務(wù)聯(lián)合機器學(xué)習(xí)將是獲得通用語義表征模型的途徑。
 
推動大規(guī)模開源開放平臺建設(shè)具有重要意義。算力、算法和數(shù)據(jù)是推動新一代人工智能發(fā)展的核心動力，此外Theaon、Caffe、Kaldi、TensorFlow、PyTorch等開源平臺在人工智能發(fā)展過程中也起到了關(guān)鍵支撐作用。語音識別開源平臺Kaldi創(chuàng)始人、小米集團語音首席科學(xué)家丹尼爾·波維（Daniel Povey）認為，建設(shè)下一代開源社區(qū)是重要的核心任務(wù)，將有力推動語音識別和自然語言處理技術(shù)快速發(fā)展。
 
2. 人工智能其他前沿研究方向發(fā)展現(xiàn)狀及趨勢

（1）機器感知

機器感知目前面臨依賴大量訓(xùn)練數(shù)據(jù)的問題，未來將通過和神經(jīng)科學(xué)等領(lǐng)域結(jié)合，發(fā)展模擬生物感知模式的新型算法。中國科學(xué)院計算技術(shù)研究所研究員山世光建議，應(yīng)重新定義感知計算概念，確定新的研究方向。智源研究院院長、北京大學(xué)教授黃鐵軍認為機器感知的研究需要建立視覺信息處理新理論體系。中國科學(xué)院自動化研究所研究員王亮認為，應(yīng)將融合多種感知數(shù)據(jù)，實現(xiàn)多模態(tài)和多機制融合的感知計算作為重點研究領(lǐng)域，逐步實現(xiàn)從感知到認知計算研究的發(fā)展進步。
 
（2）知識智能

深度學(xué)習(xí)無法對非結(jié)構(gòu)化數(shù)據(jù)進行處理，不具備理解人類知識的能力。近年來，用于提升人工智能對知識理解和處理能力的知識智能算法發(fā)展迅速。目前，知識圖譜等相關(guān)算法的性能進一步提升，呈現(xiàn)出和深度學(xué)習(xí)算法加速融合的態(tài)勢，并逐步走向?qū)嶋H應(yīng)用。本次大會上，加州大學(xué)洛杉磯分校計算機科學(xué)系副教授孫怡舟、微軟雷德蒙德研究院高級應(yīng)用科學(xué)家東昱曉等分別介紹了在知識圖譜、圖表示學(xué)習(xí)的最新研究成果，結(jié)果顯示可顯著提升算法性能表現(xiàn)；智源研究院學(xué)術(shù)副院長、清華大學(xué)長聘教授唐杰提出了針對圖數(shù)據(jù)的機器學(xué)習(xí)算法框架CogDL；阿里巴巴達摩院資深算法專家楊紅霞，斯坦福大學(xué)計算機科學(xué)副教授、Pinterest首席科學(xué)家朱爾·萊思科威克(Jure Leskovec)分別介紹了知識智能領(lǐng)域在智慧醫(yī)療、推薦系統(tǒng)等領(lǐng)域的應(yīng)用落地情況。
 
（3）決策智能

決策智能是研究多個人工智能模型（智能體）相互交互學(xué)習(xí)，并采取行動的人工智能新領(lǐng)域。決策智能研究對推動人工智能在復(fù)雜環(huán)境下進行自主學(xué)習(xí)和決斷具有重要意義，但受限于算力資源短缺、真實數(shù)據(jù)不足等問題，決策智能研究目前仍處于初級發(fā)展階段。針對決策智能研究算力需求大的問題，清華大學(xué)交叉信息學(xué)院張崇潔教授提出，應(yīng)設(shè)計一種新型算法架構(gòu)，提升模型計算效率，降低對算力依賴。國際人工智能研發(fā)機構(gòu)OpenAI吳翼研究員則建議，應(yīng)進一步加大人工智能算力投入，推動企業(yè)和科研機構(gòu)合作，加快通用人工智能等決策智能技術(shù)的研發(fā)應(yīng)用。數(shù)據(jù)方面，中國科學(xué)院自動化研究所趙冬斌研究員建議通過設(shè)計虛擬環(huán)境，模擬真實條件，生成訓(xùn)練數(shù)據(jù)的方法，減少決策智能算法對數(shù)據(jù)的依賴。
 
（4）強化學(xué)習(xí)

強化學(xué)習(xí)是研究訓(xùn)練人工智能模型通過和環(huán)境進行交互，從中學(xué)習(xí)經(jīng)驗和技能的研究領(lǐng)域。隨著算力資源的不斷豐富，博弈論、控制論等學(xué)科的進一步發(fā)展，強化學(xué)習(xí)已在決策智能領(lǐng)域取得突破，DeepMind、OpenAI等國際人工智能研究機構(gòu)研發(fā)出具備復(fù)雜環(huán)境決策能力的人工智能算法，在電子競技中擊敗人類頂級選手。同時，強化學(xué)習(xí)已逐漸在智能交通領(lǐng)域應(yīng)用落地。

未來，強化學(xué)習(xí)主要面臨兩方面挑戰(zhàn)。一是訓(xùn)練數(shù)據(jù)不足，強化學(xué)習(xí)模型性能不佳，難以在的真實場景中應(yīng)用落地，需要提升模型在數(shù)據(jù)缺失情況下的性能、安全性和可解釋性。二是強化學(xué)習(xí)算力需求大，需要充足的算力資源支持。
 
（5）圖神經(jīng)網(wǎng)絡(luò)

圖神經(jīng)網(wǎng)絡(luò)結(jié)合了深度學(xué)習(xí)算法和圖表示學(xué)習(xí)算法的優(yōu)點，具有高性能、能夠處理非結(jié)構(gòu)化數(shù)據(jù)的優(yōu)點，目前已進入快速發(fā)展期，出現(xiàn)了圖卷積神經(jīng)網(wǎng)絡(luò)等一系列研究成果，并在推薦系統(tǒng)、信息檢索、自然語言處理等領(lǐng)域得到應(yīng)用。未來，圖神經(jīng)網(wǎng)絡(luò)將和深度學(xué)習(xí)技術(shù)加快融合，結(jié)合深度學(xué)習(xí)跨領(lǐng)域預(yù)訓(xùn)練和自監(jiān)督學(xué)習(xí)方法，提升在多種應(yīng)用場景下的性能，以及模型的對抗攻擊能力。同時，圖神經(jīng)網(wǎng)絡(luò)將借鑒貝葉斯網(wǎng)絡(luò)、馬爾科夫隨機場等非深度學(xué)習(xí)算法，進一步探究模型的因果推理能力。
 
（6）認知神經(jīng)基礎(chǔ)

深度學(xué)習(xí)具有缺乏可解釋性的問題。通過研究神經(jīng)科學(xué)和認知科學(xué)，通過將認知神經(jīng)科學(xué)研究成果遷移到人工智能理論研究領(lǐng)域，有助于理解人工智能內(nèi)部的計算過程，提升模型可解釋性，并為發(fā)展新型人工智能算法提供理論基礎(chǔ)。目前。北京師范大學(xué)畢彥超教授和北京大學(xué)方方教授已開展人腦視覺神經(jīng)信號處理和認知模式研究，用于理解人類智能的形成機制。北京師范大學(xué)劉嘉教授提出，通過類腦與人腦雙腦融合理論范式，理解智能的本質(zhì)。北京大學(xué)吳思教授和中科院自動化所余山研究員提出發(fā)展腦啟發(fā)的新型學(xué)習(xí)算法和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計方案。
 
（7）海外青年論壇

本次智源大會特設(shè)了海外青年論壇，邀請機器學(xué)習(xí)領(lǐng)域的青年才俊們圍繞機器學(xué)習(xí)前沿研究開展研討，包括：斯坦福大學(xué)助理教授馬騰宇，杜克大學(xué)助理教授鬲融，普林斯頓大學(xué)助理教授金馳，賓夕法尼亞大學(xué)沃頓商學(xué)院助理教授蘇煒杰，斯坦福大學(xué)博士后雷理驊等。與會人員們認為在機器學(xué)習(xí)領(lǐng)域，以下幾個方面非常值得關(guān)注：
 
第一，元學(xué)習(xí)、自學(xué)習(xí)算法都是機器學(xué)習(xí)領(lǐng)域未來非常重要的研究方向；

第二，機器學(xué)習(xí)技術(shù)的優(yōu)化將有利于其在數(shù)據(jù)隱私保護領(lǐng)域的應(yīng)用；

第三，因果推斷問題是人工智能領(lǐng)域非常重要的問題；

第四，優(yōu)化算法的隱式趨勢分析也是機器學(xué)習(xí)領(lǐng)域需要關(guān)注的研究方向。