下午，机器之心 GMIS 2017 设置了三场 Session，分别围绕「机器学习」、「机器学习交叉研究」和「先锋青年」三大主题共呈现 10 个演讲和 2 场圆桌论坛。在这些 Session 中，即有深度学习应用的未来愿景和技术干货，也有对当前深度学习热潮的质疑，更有心理学、语言学、运筹学、神经科学等交叉领域的思考。

Session 1：机器学习

第一位演讲嘉宾俄亥俄州立大学终身教授汪德亮（DeLiang Wang）介绍了基于深度学习的语音降噪技术。作为全球第一个将深度学习应用于语音增强的科学家，他探讨分享了鸡尾酒会问题研究的当前进展、解决方案及其泛化等相关问题。什么才是鸡尾酒会问题的解决方案呢？汪教授之前给出的一个答案是一个语音分离系统，它可以帮助听力受损者在所有的噪音环境之中获得与听力正常者一样的语音清晰度。因为 DNN 大规模训练是一个有希望的方向，可实现多种条件下的语音分离，所以汪教授总结：鸡尾酒会问题并非不可解决。

第二位演讲嘉宾是地平线机器人的创始人兼 CEO 余凯，他的演讲主题为《深度学习引领驾驶革命》。他说：「深度学习会引起下一个革命，并且对人类生活影响最深远的是什么？我个人的答案是自动驾驶。」构建深度学习系统，是系统性的工程，涉及到软件算法、系统软件、计算架构、处理器、云端大数据的训练、仿真系统。最后，他总结道：一、未来的自动驾驶一定会像其他产业，构建一辆自主学习的汽车，而不是被人工标注数据训练的汽车。二、我们需要努力设计神经网络的结构，使它透明、可理解、可以被控制。三、软件重要，硬件同样重要，我们要联合软件和硬件，最大化整个计算的效率、安全性和系统的可靠性。

接下来，清华大学副教授朱军解读了其实验室的新研究成果珠算。珠算是一个贝叶斯深度学习的 GPU 库，该平台可以支持深度学习，也可以做贝叶斯推断，当然还可以对两者进行有机融合。珠算区别于其他平台的一个很大特点是，其利用了深度学习进行贝叶斯推断，因此也可以很有效地支持前面所说的深度生成模型。（更多内容可参阅机器之心的文章《》。）

之后，亚马逊人工智能首席工程师 Leo Dirac 致力于 Apache MXNet 机器学习框架的开发工作，在大会现场通过《MXNet 在工业级的深度学习应用》的演讲介绍了机器学习与亚马逊云。正如上午通用电气 Wesly Mukai 的演讲中提到的一样，在亚马逊，机器学习技术也已经深入到公司各个业务，并产生了巨大价值。亚马逊对于工业级机器学习运用和传统公司有所不同，Leo Dirac 表示：「亚马逊定义的工业级的深度学习，不是关于矿厂或者是火车、铁路，我们的工业级 AI 是基于数以百万级用户上的人工智能应用，包括大规模场景识别，或是亚马逊的商店。」

Session 2：机器学习交叉研究

这场 Session 围绕机器学习与其它领域的交叉学科展开，其中我们也能听到一些很有价值的批评与思考。

首先，著名的机器学习「叛逆」、纽约大学心理学教授 Gary Marcus 为我们解读了如何迈向通用智能之路。事实上，Marcus 在发表的作品、评论或是公开的演讲中，都以一个严厉的深度学习批评者身份亮相。他相信，要想实现真正的人工智能，光有深度学习是远远不够的，还需要更多方向，应该更加认真地对待认知科学，尤其是发展心理学和发展认知科学。Marcus 表示，感知（Perception）只是实现通用人工智能的一小部分，虽然它很重要，但是人类智能里面还有更多的元素，比如常识、推理、分析等。

接下来，北师大认知神经科学与学习国家重点实验室教授吴思将我们带进了神经科学的领域。他认为，人工智能应该向生物智能学习动态信息的处理，而要处理动态信息，预测是关键。他通过三个生物系统为我们剖析了生物智能与目前的人工智能的区别。他认为智能的感知需要同时结合信号传递速度的快慢——传递得慢，可以帮我们整合多模态的信息；而如果物体高速运动，它又有补偿信息，会补偿这个时间延迟。吴思说：「我们是生物进化的结果，我们的大脑进化成如今的样子是为了更好地适应环境。假设机器人在日常环境中跟我们交流，一方面它需要慢，另一方面如果快速处理的话，又需要快。因此这两样要共同发展。个人认为，未来的机器人也会面临这样的问题。」