简介：本文的首席执行官注释将介绍人工智能咖啡的相关内容。我希望这对每个人都会有所帮助。让我们来看看。
今年的百度世界会议聚集在一起探索人工智能的研发进度及其现在遇到的问题，并收集了许多想法，以进一步发展有关AI情报领域的研究。今年通过在线直播进行讨论可以是被描述为Baidu的Skoken.li Yanhong，Yao Qizhi，中国科学院，SAP中国总裁Ke Rui'an，蒙特利尔大学计算机科学教授Joshua Benjio和Ma Huateng的Ma Huateng主席董事。华山医院的传染系隶属于富丹大学，特斯拉首席执行官马斯克和阿里巴巴伦·马云等人在深入讨论中进行演讲f或进一步的AI智能。
百度首席执行官李·扬洪（Li Yanhong）在互联网领域的体重很轻。智慧，改变了我们的生活方式，并对各行各业都有一定的影响。根据当前的趋势，AI智能通常会在不久的将来实现。在社会，经济和道德方面，仍然存在一些障碍，但是智能的公司模式是必须的，应该接受AI情报的创新。
特斯拉首席执行官马斯克说，最新的特斯拉纯电动汽车接近L5级别的自动驾驶，并有望完成今年的基本功能。
马云说，他将与地球相处，人类是地球上的生命之一，因此有必要解决自己与地球之间的矛盾。经济可以进入缓慢的步骤，但人类必须改善并成长。AI情报是人类进入另一个领域的垫脚摊位，因此他们必须进行合作创新并在AI情报领域获得巨大的机会。
长期以来，许多父母对儿童的编程教育有一个普遍的误解。他们认为，学习计划是让孩子编写代码并培养年轻的程序员。
1
史蒂夫·乔布斯
2
马克·扎克伯格
3
Kai-Fu Lee
4
Ma Huateng
Uber创始人Travis Karanik从6岁开始学习编程。
国际象棋界的创始人Google人工智能Alphago的创始人开始学习8岁那年8岁的编程；
特斯拉（Tesla）和SpaceX火箭公司（SpaceX Rockets）创始人埃隆·马斯克（Elon Musk）从9岁开始学习编程。
比尔·盖茨（Bill Gates）曾是世界上最富有的人十多年，他在13岁时学习了计算机编程，以建立微软。
奥巴马的两个女儿正在学习编程。奥巴马还说，女儿为时已晚，应该与ABC的字母和颜色同时学习编程。
为什么这些科学和技术人员鼓励他们的孩子学习编程？
回顾2017年，人工智能（AI）必须在年度热门单词列表中占有一席之地。
围绕世界，政府非常重视人工智能，从政府到行业。苹果，谷歌，微软，亚马逊和其他互联网巨头已经投资了巨大的资源。在中国，它也在积极地追求人工智能发展的关键席位。
李·菲菲（Li Feifei）是世界著名的人工智能最高专家，最近在接受新华社的采访时说，人工智能已经达到了历史时刻，中国已成为领导人之一。
Li Feifei目前是斯坦福大学人工智能实验室的主任，他是Google Cloud人工智能和机器学习的首席科学家。最近，中国宣布建立“ Google AI中国中心”，并担任负责人。
她出生于中国，童年时期与父母一起去了美国。在今年早些时候去中国之旅中，她感到，从政治到工业，企业家到技术研发人员，整个中国都是充满了对人工智能的热情。
这种人工智能有什么样的“人工智能价值”？
- 人工智能目前在哪里？
“我在一个历史时刻看到了人工智能，也就是说，我走出实验室并进入了工业应用。”
例如，近年来，计算机视觉技术已经相对成熟，尤其是在许多方案中，诸如面部识别和对象跟踪等技术已经开始使用工业应用，例如“智能购物场景”，“生活安全面部识别”，“无人驾驶”车辆技术”，“医疗保健”，“医疗保健”图像和病理分析等等。
12月2日，访客在第四届世界互联网会议上与商业互动机器人进行了互动·互联网灯光博览会。
如果计算机视觉可以在将来取得进展“关系理解，全景理解，视觉推理”，那么也可以发现许多应用程序场景。
- 人工智能将得到什么新的行业？
当Feng Norotan当时投资了一台计算机时，人们并不期望软件工程会成为一个行业，“我们需要足够的想象力”。
此外，人工智能在金融服务，商业，医疗，能源，能源，教育，制造和媒体娱乐中的潜在应用方案。“尽管人工智能刚刚开始，但其需求很大。”
- 在大规模的工业应用中，人工智能威胁着人工就业？
“机器没有独立的价值，机器的价值是人类的价值。”
“我们已经开发了很多年，而且我们没有创造鸟类。这是人工智能和人类智慧的现实状态。”
5月2日，中国国际象棋球员Ke Jie在游戏中擦干了眼泪。在“人 - 机器人战争”三届国际象棋决定性战斗中，Ke Jie输给了“ Alpha Go”，总得分为0到3。
人工智能可以通过“人机合作”发挥重要作用。对于人类。
像许多技术一样，人工智能可以改变人类的生活，甚至改变社会结构，但是这种变化可能带来的积极和负面影响需要社会所有部门的共同思维。
- 中国在人工智能领域中有什么地位？
“在人工智能界，中国长期以来一直觉醒，并迅速成为领导人之一。”中国在基础研究，企业家，工业发展和政府对人工智能的支持方面处于世界的最前沿。
其中，中国在人工智能领域取得了重大成就。2015年的前100名，有43％的文章参与了中国科学研究人员。
还值得注意的是，数据是中国促进人工智能发展的重要力量。中国人口众多。这是一个巨大的市场。有许多用于人工智能研究和应用的数据，还将促进大量创新产品。
- 什么才华需要人工智能？
“人工智能人才目前很少。”因此，人工智能需要国际合作，并“利用全球人才参加”。只有合作才能促进全球人工智能研究和工业应用的共同增长和进步。
在2017年，人们一次又一次地问，人工智能将在哪里引用？2018年，人工智能史将剩下什么？
Li Feifei在美国新华社的独家采访中说，人工智能英语缩写AI正是“爱”中国拼音。我相信爱可以帮助人类控制人工智能。“爱是终极力量。”
控制理论的创始人Venina和其他人，信息理论的创始人，Shennong，McCarlo和Picu，神经控制理论的创始人，以及Bo Yang Theopery.Mean和Ashby的创始人，是人造人造的第一位先驱者智力。他们的理论和工作为建立人工智能奠定了基础。
人工智能是由麦卡锡（McCarthy J）正式提出的，1956年。随后，人工智能的研究取得了许多捕捉成就[3]。1958年，美国中国王霍在IBM2704计算机上使用3到5分钟，以证明有关命题计算的所有理论定理。1959年启动了自我鉴定模式。1965年，罗伯茨（Roberts）编制了一个可以通过存储架构解决的程序。Feigenbaum e a
Dendral Expert System的年度开发成功开发了；1972年，法国人提出并设计了逻辑程序设计语言；在同一时期，斯坦福大学的短路开始开发一种专家系统，用于诊断和治疗传染病。展出了基于知识的智能系统的研究和构建； PSI23 Smart Workstation和4x4PSI23的模型系统；1997年，由IBM制造的“深蓝色”计算机系统击败了国际象棋大师卡斯帕罗夫（Casparov）等。
AI科学技术评论。4月25日，在全球情报业务峰会上，由著名的媒体“新财富”和著名的媒体“全球智能业务”在人工智能领域进行了组织，这是著名的财务媒体在人工智能和人工智能领域。一般软件”。
迈克尔·桑德斯（Michael Saunders）是斯坦福大学管理科学与工程系的教授。目前，他是斯坦福大学的名誉教授，数学家和世界 - 级算法专家，是工业和应用数学学会的大会，成员新西兰皇家学会，斯坦福大学名人堂成员。
科学计算之父Gene Golub的迈克尔·桑德斯（Michael Saunders）教授获得了博士学位。1972年在斯坦福大学获得计算机科学的博士学位，作为计算机领域的“大咖啡”。应用数学协会“暹罗线性代数奖”。据了解，目前用于矩阵方程和优化问题的数学算法已被广泛使用。
迈克尔·桑德斯（Michael Saunders）教授的研究领域包括人工智能，大型科学计算，大数据分析，系统优化，稀疏矩阵解决方案，软件工程，Aiot，Aiot等。
他认为，互连一直是Aiot行业的优化问题。例如，这次会议涂鸦情报的组织者也推出了类似的技术来解决信息岛的问题。桑德斯教授在这一领域做出了杰出的贡献。
以下是演讲的记录和迈克尔·桑德斯教授的访谈。
大家好！谢谢所有今天来现场的客人。我很高兴来到中国。对不起，我是新西兰，我可以说一些法语，有点西班牙语和小英语，但中文更加罕见。
今天，我想与您谈论“约束优化”。在此之前，我想谈谈为什么我去斯坦福大学参加了与计算机相关的科学研究，并谈论了约束优化的历史。
从新西兰到斯坦福大学，专注于“约束优化”
1972年，我在斯坦福大学获得了博士学位。我回到新西兰，以为我会永远留在新西兰，但是斯坦福大学教授乔治·丹齐格（George Dantzig）和线性代数的父亲。并邀请我返回斯坦福大学。
当我参加系统优化实验室时，Dantzig教授负责建立经济和能源模型，我专注于非线性目标功能，并开发了Minos优化软件的初始版本来解决这些模型的问题。
当时，斯坦福大学的教授乔治·丹齐格（George Dantzig）提出了一种新的算法优化 - “约束优化”。这是一个困难的研究主题。它是一系列约束下的一组参数值，以使某些或某些功能的目标值达到最佳。“约束优化”本质上是线性代数，并且通过软件实现了优化分析。
到1980年代，我扩展了MINOS来处理一些非线性约束条件，并为一般电气和NASA开发了其他限制优化软件。
在1990年，我们的软件用于温室效应模型和航空航天的优化，例如飞机和航天器的轨道优化。
我有一个双胞胎戴维（David），他是飞机。自1975年以来，他一直在NASA的AMES研究中心工作。尽管有些项目后来被取消了。
当然，我们的算法优化也用于许多其他字段。例如，控制机器人的操作轨迹。在医疗领域，我们可以瞄准X射线梁，以帮助医生进行放射治疗。
优化对于航空应用至关重要
我们的软件用于许多NASA，许多航空项目，例如：
以上问题与优化是不可分割的。
在2010年，我参加了Cosmopo船猎户座（Orion（Orion））的设计，称为Apollo 2.0。猎户座类似于阿波罗，但大得多。David优化了猎户座引擎盖的曲率。他发现50年前，阿波罗的设计师选择了优化形状的形状。
最近，我们的优化也用于世界上最大的飞机“ Stratolaunch”，该飞机于2019年4月13日在加利福尼亚州完成了首次飞行。Stratolanuch配备了两款机身和六个波音747引擎。它的翅膀比足球场的长度更长。
优化软件和应用程序以相互补充
算法的优化帮助我们制定了许多解决方案。
二十年前，我们使用PDCO软件进行信号分析（基本跟踪降低噪声，BPDN）。现在，我们使用相同的软件来制作不同的应用：分析低频核磁共振信号以分析某些事物的组成，例如橄榄油或生物柴油，我们现有的软件已经找到了一种新的应用方法。
有时，新的应用程序会导致我们创建新的算法。例如，系统生物学中的多维模型问题无法通过现有软件解决。我们将优化的MINOS软件带有双准则和三重精度版本来开发DQQ程序。
我们还开发了NCL算法来解决税收模型。以前，现有软件无法解决这一点。NCL解决了一系列大但易于解决问题的问题。事实上，我们找到了如何通过内部方法来促进优化，并且“温暖起步”每个大问题。因此，通过内部方法实现。因此，新的困难应用程序促使我们诞生了新的通用软件，这是一个非常有趣的过程。
为了总结我的语音主题，当我们设计优化软件时，我们总是想创建一个“通用”软件，以便它可以使用它。但是，老实说，我们永远不知道哪种人正在使用我们的软件。有时，软件会帮助科学家找到针对新兴应用程序的优化解决方案，从而使我们立即获得成就感，但有时候恰恰相反。这是一个新兴应用程序，迫使我们以一种新的方式设计新算法以结合现有软件。
将来，我们将看到许多应用程序，例如自动驾驶汽车，自动驾驶安全的重要性与航天器的发布和着陆不兼容。优化系统还将在未来的医疗领域发光。它可以使精度药物成真。它使辐射疗法更加准确和快速。
演讲结束后，AI技术对Michael Saunders教授进行了独家采访。
AI技术评论：我很高兴今天有机会采访您！第一个问题，您能否谈谈您如何结合研究和行业的应用，以及您参与哪些具体案例？
迈克尔·桑德斯（Michael Saunders）：我的申请案例在我的演讲中提高了很多，其中一些是重要的情况，例如药物治疗，制造，航空航天，系统生物学和核磁共振共鸣。我之前说过，我们不知道谁会使用我们的软件，但是通用软件将鼓励更多新兴应用程序出生。我最喜欢的事情是其他人敲门说：“教授，我有一个优化的问题，您能帮忙吗？”我希望每个人都敲门。
AI技术评论：您如何看待人工智能，物联网和系统优化之间的关系？
迈克尔·桑德斯（Michael Saunders）：人工智能涵盖了许多层次，包括数学和计算机科学。用大型变量方程解决次要值问题通常是优化字段中的代表性情况。
经典的SVM方法解决了一个更复杂的问题。我们已经证明，我们的PDCO解决方案是一种比现有方法更大的解决方案。
物联网包括传感器。我们使用优化方法研究无线传感器网络来检测传感器的位置。每个传感器可以独立地检测其与其他近传感器之间的距离。例如，我们可以将传感器从直升机中扔进森林，以使其自动感知是否有森林火灾。只有一些传感器需要知道特定位置。
AI技术评论：数千个传感器之间的互连是吗？
迈克尔·桑德斯（Michael Saunders）：我的博士生霍莉·金（Holly Jin）在博士学位论文中，她可以准确找到数千个传感器，这对于大型森林很重要。搜索他们在森林大火或倒塌的坑中的位置。
AI技术评论：现在，人工智能技术在中国特别热。作为该领域的专家，您认为人工智能技术的未来突破点是什么？该技术的趋势是什么？
迈克尔·桑德斯（Michael Saunders）：这是一个好问题。人工智能技术已经开发了很长时间。1967年，当我仍在斯坦福大学博士学位时，人工智能已经是计算机科学的研究主题。如果AI是泡沫泡沫状的，它会破裂，泡沫长期已经破裂了。
自动驾驶汽车是人工智能研究未来领域的巨大挑战。特斯拉创始人马斯克（Musk）希望特斯拉自动汽车在今年年底在路上跑步，而且这辆车也可以在计划中乘坐其他乘客来为汽车所有者赚钱。我们不知道这种愿景是否可以实现。特斯拉声称他们的运营速度是其他芯片的二十倍。这是一个巨大的进步，这使我们更接近未来的AI。
AI技术评论：主要是芯片优化？
迈克尔·桑德斯（Michael Saunders）：刚才我们的问题是AI应用的未来方向是自动驾驶的。这是一个非常大的方向，可以完全改变我们的生活方式。我对自主驾驶的未来感到乐观。
受众群体问题：现在有两种机器学习方法，一种是监督的，另一种是不受欢迎的。您认为哪一个具有更多的发展潜力？
迈克尔·桑德斯（Michael Saunders）：有三种方法来学习机器学习：监督和学习，非训练有素的学习和增强学习。我认为监督和非徒劳的学习很重要。研究人员一直在努力改善他们使用的方法。我认为将来，这两种学习形式将继续发展。
单击以阅读原始文本，检查Python技术交流讨论团队
结论：以上是首席CTO注释编制的人工智能咖啡相关内容的相关内容。希望它对您有所帮助！如果您解决了问题，请与更多关心此问题的朋友分享?