新智元編譯
機器學習， 特別是它的子領域深度學習， 近年來取得了很多驚人的進展， 其中一些重要的研究論文可能會達成讓數十億人使用的技術突破。 這個領域的研究發展很快， 為了幫助讀者瞭解這些最新、最重要的進展， 本文列舉了自2014年以來發表的機器學習領域的重要論文。
本文選擇的 Top 20 論文的標準來自三個學術來源的引用資料：scholar.google.com; academic.microsoft.com; 和 semanticscholar.org。 由於各個來源的被引次數不一，
對每一篇論文， 我們也給出了論文的發表年份， 來自 semanticscholar.org 的 HIC（Highly Influential Citation）數值和 CV （引用速度）數值。 HIC 通過檢查有意義的引用， 體現了論文基於哪些文獻以及引用文獻之間的關聯性。 CV是過去3年每年的加權平均引用次數。 其中有些引用的 CV 為 0， 表示該論文的引用是空白的， 或者沒有顯示在 semanticscholar.org 網站上。
這20篇論文中的大部分， 包括 top 8 的主題都是深度學習。 不過， 它們也具有很強的多樣性：只有一位作者（Yoshua Bengio）有2篇論文入選， 而且這些論文發表的場合不一：CoRR (3), ECCV (3), IEEE CVPR (3), NIPS (2), ACM Comp Surveys, ICML, IEEE PAMI, IEEE TKDE, Information Fusion, Int. J. on Computers & EE, JMLR, KDD, 以及 Neural Networks。 前兩篇論文的被引數遠遠高於其他論文。 需要注意的是， 第2篇論文是去年才發表的。 閱讀（或回顧）它們有助於瞭解這些領域最新的進展。
1. Dropout：一種防止神經網路模型過擬合的簡單方法（Dropout: a simple way to prevent neural networks from overfitting）
作者：Hinton, G.E., Krizhevsky, A., Srivastava, N., Sutskever, I., & Salakhutdinov, R. (2014)
發表於：Journal of Machine Learning Research, 15, 1929-1958.
被引：2084次， HIC: 142 , CV: 536
摘要：帶有大量參數的深度神經網路是非常強大的機器學習系統。 但是， 過擬合是這類網路的一個嚴重問題。 大型網路的採用速度慢， 因此， 難以通過在測試時結合各種不同大型神經網路的預測來處理過擬合問題。
2. 圖像識別中的深度殘差學習（Deep Residual Learning for Image Recognition）
作者：He, K., Ren, S., Sun, J., & Zhang, X. (2016)
發表於：CoRR
被引：1436次， HIC: 137 , CV: 582
摘要：更深的神經網路非常難以訓練。
3 . Batch Normalization：通過減少內部協變數轉變加速深度網路訓練
作者：Sergey Ioffe, Christian Szegedy (2015)
發表於： ICML
被引： 946 次, HIC: 56 , CV: 0
摘要：訓練深度神經網路的複雜性在於， 由於前一層的參數變化， 每層輸入的分佈在訓練過程中都會變化。 這種現象被稱為內部協變數的轉變（internal covariate shift）， 我們通過歸一化層的輸入（normalizing layer inputs）來解決這個問題。 應用于最先進的圖像分類模型， 批量歸一化在減少了14倍的訓練步驟的情況下實現了相同的精度， 並且以顯著的餘量擊敗原始模型。
4 . 用卷積神經網路做大規模視頻分類
作者：Fei-Fei, L., Karpathy, A., Leung, T., Shetty, S., Sukthankar, R., & Toderici, G. (2014)
發表於： IEEE Conference on Computer Vision and Pattern Recognition
被引：865 次, HIC: 24 , CV: 239
摘要：卷積神經網路（CNN）在圖像識別問題中是相當強大的模型。受這些結果的影響，我們使用一個包含487個類別100萬YouTube視頻的新資料集，在大規模視頻分類任務上對 CNN 進行了廣泛的實證評估。
5. Microsoft COCO：上下文中的通用物件
作者： Belongie, S.J., Dollár, P., Hays, J., Lin, T., Maire, M., Perona, P., Ramanan, D., & Zitnick, C.L. (2014)
發表於： ECCV
被引：830 次, HIC: 78 , CV: 279
摘要：我們提出一個新的資料集，其目標是通過將物件識別的問題放在更廣泛的場景理解問題的上下文中來推進物體識別的最先進結果。我們的資料集包含91個物件類別的照片，這些類別一名4歲小孩也能夠輕鬆識別。最後，我們使用一個可變形部件模型（Deformable Parts Model）為邊界框檢測和分割檢測結果提供基線性能分析。
6. 使用Place資料集為場景識別學習深度特性
作者：Lapedriza, À., Oliva, A., Torralba, A., Xiao, J., & Zhou, B. (2014)
發表於：NIPS
被引：共引用644次，HIC：65，CV：0
摘要：我們推出了一個新的以場景為中心的資料庫，稱為“Place”，其帶有超過700萬個標注的場景圖片。 我們提出了比較圖像資料集的密度和多樣性的新方法，並表明“Place”的密度與其他場景資料集一樣，且具有更好的多樣性。
7. 生成對抗網路（Generative Adversarial Nets）
作者：Bengio, Y., Courville, A.C., Goodfellow, I.J., Mirza, M., Ozair, S., Pouget-Abadie, J., Warde-Farley, D., & Xu, B. (2014)
發表於： NIPS.
被引：共引用463次，HIC：55，CV：0
摘要：我們提出了一個通過對抗過程評估生成模型的新框架，其中我們同時訓練兩個模型：捕獲資料分佈的生成模型 G 和評估來自訓練資料而非模型 G 的樣本概率的判別模型 D。
8. 內核相關篩檢程式的高速跟蹤
作者：Batista, J., Caseiro, R., Henriques, J.F., & Martins, P. (2015).
發表於：CoRR, abs/1404.7584.
被引：共引用439次，HIC：43，CV：0
摘要：在大多數現代追蹤器中，為了應對自然圖像變化，分類器通常用翻譯和縮放的樣本補丁進行訓練。我們為數千個翻譯補丁的資料集提出了一個分析模型。 通過顯示結果資料矩陣是迴圈的，我們可以用離散傅裡葉變換將其 diagonalize，將存儲和計算減少幾個數量級。
9. 多標籤學習演算法綜述
作者：Zhang, M., & Zhou, Z. (2014).
發表於： IEEE TKDE
被引：共引用436次，HIC：7，CV：91
摘要：本文旨在為多標籤學習研究的問題提供一個及時的綜述，其中每個樣本由單個實例表示，同時與一組標籤相關聯。
10. 深度神經網路中，可轉移性如何被建構特徵
作者： Bengio, Y., Clune, J., Lipson, H., & Yosinski, J. (2014)
發表於：CoRR, abs/1411.1792.
被引：402 次, HIC: 14 , CV: 0
摘要：許多在自然圖像上進行訓練的深度神經網路都展現出了一種奇怪的現象：在第一層，它們學習類似於Gabor濾鏡和彩色斑點的特徵。
這樣的第一層特徵顯然不是針對特定資料集或任務的，而是一般性的，因為它們適用於許多資料集和任務。特徵最終必須從網路的最後一層由一般性轉變為專用性的，但這種轉變尚未得到深入研究。
我們對深度卷積神經網路的每一層中神經元的一般性與特殊性實驗性地進行量化，並得到了一些令人意外的結果。兩大獨特的要素會削弱可遷移性：1）以犧牲目標任務的性能為代價，將較高層神經元與其原始任務進行特殊化，這是預期的;（2）相互適應的神經元之間的分配網路（splitting networks）存在優化困難，這是沒有預料到的。
在一個基於ImageNet訓練的網路中，我們證明，是通用性在起作用和是專用性在起作用，取決於功能是從網路的底部，中間或頂部傳輸。
我們還記錄了特徵的可轉移性隨著基本任務和目標任務之間的距離增加而減小，但即使從遠端任務轉移過來的特徵也可以比使用隨機特徵更好。最終令人驚訝的結果是，啟動一個從不管多少層的神經網路中遷移過來的特徵的網路，能夠獲得一個穩定的基礎，來生成這種延續性，即便是根據目標資料集進行調參後依然如此。
11. 我們需要數百個分類器來解決現實世界的分類難題嗎？
作者： Amorim, D.G., Barro, S., Cernadas, E., & Delgado, M.F. (2014).
發表於：Journal of Machine Learning Research
被引：387 次, （HIC: 3 , CV: 0)
摘要：我們評估了17個派系的179個分類器，涉及判別分析，貝葉斯，神經網路，支援向量機，決策樹，基於規則的分類器，boosting，bagging，堆疊，隨機森林和其他全體，廣義線性模型，最近鄰，部分最小二乘和主成分回歸，邏輯和多項回歸，多重自我調整回歸樣條等方法。我們使用來自UCI資料庫的121個資料集來研究分類器的作用，而不依賴于資料集集合。勝出的是R中實現的隨機森林（RF）版本，以及在C語言中使用LibSVM 的實現的帶高斯核的支持向量機。
12. 知識塔（knowledge Vault,）：實現概率知識融合的網頁擴展方式
作者：Dong, X., Gabrilovich, E., Heitz, G., Horn, W., Lao, N., Murphy, K., ... & Zhang, W. (2014, August).
發表於：ACM SIGKDDD
被引：334次，HIC: 7 , CV: 107
摘要：論文介紹了knowledge Vault, 這是一個基於網頁擴展的概率知識庫，結合了從網頁上提取的內容（通過文本分析、表格資料，頁面結構和人工注釋獲得）以及已有知識庫中存在的既有知識。我們採用監督機器學習方法來融合不同的資訊源。Knowledge Vault i比任何先前發佈的結構化知識庫大得多，並且具有計算事實正確性校準概率的概率推理系統。
13. 面向高維資料的可擴展最近鄰演算法
作者：Lowe, D.G., & Muja, M. (2014)
發表於：IEEE Trans. Pattern Anal. Mach. Intell.,
被引 324次，HIC: 11 , CV: 69
摘要：我們提出了用於近似最近鄰匹配的新演算法，並將其與以前的演算法進行比較。為了擴展到非常大的資料集，防止它們不適合單個機器的記憶體，我們提出了可以與本文中描述的任何演算法一起使用的分散式最近鄰匹配框架。
14. 極限學習機趨勢：綜述
作者：黃廣斌，G., Song, S., & You, K. (2015).
發表於：Neural Networks,
被引 323 次, HIC: 0 , CV: 0
摘要：我們的目標是對極限學習機（ELM）當下的理論研究和實踐進展狀態進行報告。除了分類和回歸之外，ELM最近已經擴展到集群，功能選擇，代表性學習和許多其他學習任務。由於其卓越的效率，簡單性和令人印象深刻的泛化性能，ELM已被應用於各種領域，如生物醫學工程，電腦視覺，系統識別，控制和機器人。
15. 關於概念漂移適應的調查
作者： Bifet, A., Bouchachia, A., Gama, J., Pechenizkiy, M., & Zliobaite, I. ACM Comput. Surv., 2014
被引： 314 times, （HIC: 4 , CV: 23)
摘要：本研究目的在於對概念漂移適應提供一個全面的介紹，涉及 當輸入資料和目標變數不斷改變時，監督式學習的景象會發生什麼變化。
16. 深度卷積啟動特性的 Multi-scale Orderless Pooling
作者：Gong, Y., Guo, R., Lazebnik, S., & Wang, L. (2014).
發表於：ECCV
被引：293次， HIC: 23 , CV: 95
摘要：為了改善 CNN 啟動的不變性而不降低其鑒別力，本文提出了一種簡單但有效的方案，稱為multi-scale orderless pooling（MOP-CNN）。
17. 同時檢測和分類（Simultaneous Detection and Segmentation）
作者：Arbeláez, P.A., Girshick, R.B., Hariharan, B., & Malik, J. (2014)
發表於：ECCV
被引：共286次，HIC: 23 , CV: 94
摘要：我們的目標是檢測圖像中類別的所有實例，並為每個實例標記屬於它的圖元。 我們稱這個任務為 Simultaneous Detection and Segmentation（SDS）。
18. 特徵選擇方法研究
作者：Chandrashekar, G., & Sahin, F. Int. J.
發表於：Computers & Electrical Engineering
被引：共279次，HIC: 1 , CV: 58
摘要：文中許多特徵選擇方法是可用的，因為具有數百個變數的資料的可用性導致資料具有非常高的維度。
19. 使用遞迴樹集合實現一毫秒內的面部對齊
作者：Kazemi, Vahid, and Josephine Sullivan
發表於：Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2014
被引：共277次，HIC: 15 , CV: 0
摘要：本文解決了單個圖像的面部對齊（Face Alignment）問題。 我們展示了如何使用遞迴樹的集合來直接從圖元強度的稀疏子集估計面部的標誌性位置，通過高品質的預測實現超即時性能。
20. 多分類器系統作為混合系統研究
作者：Corchado, E., Graña, M., & Wozniak, M. (2014).
發表於：Information Fusion, 16, 3-17.
被引 269 次, HIC: 1 , CV: 22
摘要：目前模式分類研究的重點是將幾種分類器系統（classifier systems）組合，這樣的組合可以在相同或不同模型和/或資料集構建方法之上建立。這些系統在不同的級別執行分類決策的資訊融合（ information fusion ），克服了基於單一分類器的傳統方法的局限性。本論文從混合智慧系統（Hybrid Intelligent Systems）的角度，對多分類器系統（MCS）進行了調查。本文討論了多樣性和決策融合方法等主要問題，並提供了對目前正在開發的應用的看法。
5.https://arxiv.org/pdf/1405.0312.pdf
8.https://arxiv.org/pdf/1404.7584
12.http://www.cs.cmu.edu/~nlao/publication/2014.kdd.pdf
15.http://www.win.tue.nl/~mpechen/publications/pubs/Gama_ACMCS_AdaptationCD_accepted.pdf
17.https://arxiv.org/pdf/1407.1808
3月27日，新智元開源·生態AI技術峰會暨新智元2017創業大賽頒獎盛典隆重召開，包括“BAT”在內的中國主流 AI 公司、600多名行業精英齊聚，共同為2017中國人工智慧的發展畫上了濃墨重彩的一筆。
點擊閱讀原文，查閱文字版大會實錄
並且以顯著的餘量擊敗原始模型。4 . 用卷積神經網路做大規模視頻分類
作者：Fei-Fei, L., Karpathy, A., Leung, T., Shetty, S., Sukthankar, R., & Toderici, G. (2014)
發表於： IEEE Conference on Computer Vision and Pattern Recognition
被引：865 次, HIC: 24 , CV: 239
摘要：卷積神經網路（CNN）在圖像識別問題中是相當強大的模型。受這些結果的影響，我們使用一個包含487個類別100萬YouTube視頻的新資料集，在大規模視頻分類任務上對 CNN 進行了廣泛的實證評估。
5. Microsoft COCO：上下文中的通用物件
作者： Belongie, S.J., Dollár, P., Hays, J., Lin, T., Maire, M., Perona, P., Ramanan, D., & Zitnick, C.L. (2014)
發表於： ECCV
被引：830 次, HIC: 78 , CV: 279
摘要：我們提出一個新的資料集，其目標是通過將物件識別的問題放在更廣泛的場景理解問題的上下文中來推進物體識別的最先進結果。我們的資料集包含91個物件類別的照片，這些類別一名4歲小孩也能夠輕鬆識別。最後，我們使用一個可變形部件模型（Deformable Parts Model）為邊界框檢測和分割檢測結果提供基線性能分析。
6. 使用Place資料集為場景識別學習深度特性
作者：Lapedriza, À., Oliva, A., Torralba, A., Xiao, J., & Zhou, B. (2014)
發表於：NIPS
被引：共引用644次，HIC：65，CV：0
摘要：我們推出了一個新的以場景為中心的資料庫，稱為“Place”，其帶有超過700萬個標注的場景圖片。 我們提出了比較圖像資料集的密度和多樣性的新方法，並表明“Place”的密度與其他場景資料集一樣，且具有更好的多樣性。
7. 生成對抗網路（Generative Adversarial Nets）
作者：Bengio, Y., Courville, A.C., Goodfellow, I.J., Mirza, M., Ozair, S., Pouget-Abadie, J., Warde-Farley, D., & Xu, B. (2014)
發表於： NIPS.
被引：共引用463次，HIC：55，CV：0
摘要：我們提出了一個通過對抗過程評估生成模型的新框架，其中我們同時訓練兩個模型：捕獲資料分佈的生成模型 G 和評估來自訓練資料而非模型 G 的樣本概率的判別模型 D。
8. 內核相關篩檢程式的高速跟蹤
作者：Batista, J., Caseiro, R., Henriques, J.F., & Martins, P. (2015).
發表於：CoRR, abs/1404.7584.
被引：共引用439次，HIC：43，CV：0
摘要：在大多數現代追蹤器中，為了應對自然圖像變化，分類器通常用翻譯和縮放的樣本補丁進行訓練。我們為數千個翻譯補丁的資料集提出了一個分析模型。 通過顯示結果資料矩陣是迴圈的，我們可以用離散傅裡葉變換將其 diagonalize，將存儲和計算減少幾個數量級。
9. 多標籤學習演算法綜述
作者：Zhang, M., & Zhou, Z. (2014).
發表於： IEEE TKDE
被引：共引用436次，HIC：7，CV：91
摘要：本文旨在為多標籤學習研究的問題提供一個及時的綜述，其中每個樣本由單個實例表示，同時與一組標籤相關聯。
10. 深度神經網路中，可轉移性如何被建構特徵
作者： Bengio, Y., Clune, J., Lipson, H., & Yosinski, J. (2014)
發表於：CoRR, abs/1411.1792.
被引：402 次, HIC: 14 , CV: 0
摘要：許多在自然圖像上進行訓練的深度神經網路都展現出了一種奇怪的現象：在第一層，它們學習類似於Gabor濾鏡和彩色斑點的特徵。
這樣的第一層特徵顯然不是針對特定資料集或任務的，而是一般性的，因為它們適用於許多資料集和任務。特徵最終必須從網路的最後一層由一般性轉變為專用性的，但這種轉變尚未得到深入研究。
我們對深度卷積神經網路的每一層中神經元的一般性與特殊性實驗性地進行量化，並得到了一些令人意外的結果。兩大獨特的要素會削弱可遷移性：1）以犧牲目標任務的性能為代價，將較高層神經元與其原始任務進行特殊化，這是預期的;（2）相互適應的神經元之間的分配網路（splitting networks）存在優化困難，這是沒有預料到的。
在一個基於ImageNet訓練的網路中，我們證明，是通用性在起作用和是專用性在起作用，取決於功能是從網路的底部，中間或頂部傳輸。
我們還記錄了特徵的可轉移性隨著基本任務和目標任務之間的距離增加而減小，但即使從遠端任務轉移過來的特徵也可以比使用隨機特徵更好。最終令人驚訝的結果是，啟動一個從不管多少層的神經網路中遷移過來的特徵的網路，能夠獲得一個穩定的基礎，來生成這種延續性，即便是根據目標資料集進行調參後依然如此。
11. 我們需要數百個分類器來解決現實世界的分類難題嗎？
作者： Amorim, D.G., Barro, S., Cernadas, E., & Delgado, M.F. (2014).
發表於：Journal of Machine Learning Research
被引：387 次, （HIC: 3 , CV: 0)
摘要：我們評估了17個派系的179個分類器，涉及判別分析，貝葉斯，神經網路，支援向量機，決策樹，基於規則的分類器，boosting，bagging，堆疊，隨機森林和其他全體，廣義線性模型，最近鄰，部分最小二乘和主成分回歸，邏輯和多項回歸，多重自我調整回歸樣條等方法。我們使用來自UCI資料庫的121個資料集來研究分類器的作用，而不依賴于資料集集合。勝出的是R中實現的隨機森林（RF）版本，以及在C語言中使用LibSVM 的實現的帶高斯核的支持向量機。
12. 知識塔（knowledge Vault,）：實現概率知識融合的網頁擴展方式
作者：Dong, X., Gabrilovich, E., Heitz, G., Horn, W., Lao, N., Murphy, K., ... & Zhang, W. (2014, August).
發表於：ACM SIGKDDD
被引：334次，HIC: 7 , CV: 107
摘要：論文介紹了knowledge Vault, 這是一個基於網頁擴展的概率知識庫，結合了從網頁上提取的內容（通過文本分析、表格資料，頁面結構和人工注釋獲得）以及已有知識庫中存在的既有知識。我們採用監督機器學習方法來融合不同的資訊源。Knowledge Vault i比任何先前發佈的結構化知識庫大得多，並且具有計算事實正確性校準概率的概率推理系統。
13. 面向高維資料的可擴展最近鄰演算法
作者：Lowe, D.G., & Muja, M. (2014)
發表於：IEEE Trans. Pattern Anal. Mach. Intell.,
被引 324次，HIC: 11 , CV: 69
摘要：我們提出了用於近似最近鄰匹配的新演算法，並將其與以前的演算法進行比較。為了擴展到非常大的資料集，防止它們不適合單個機器的記憶體，我們提出了可以與本文中描述的任何演算法一起使用的分散式最近鄰匹配框架。
14. 極限學習機趨勢：綜述
作者：黃廣斌，G., Song, S., & You, K. (2015).
發表於：Neural Networks,
被引 323 次, HIC: 0 , CV: 0
摘要：我們的目標是對極限學習機（ELM）當下的理論研究和實踐進展狀態進行報告。除了分類和回歸之外，ELM最近已經擴展到集群，功能選擇，代表性學習和許多其他學習任務。由於其卓越的效率，簡單性和令人印象深刻的泛化性能，ELM已被應用於各種領域，如生物醫學工程，電腦視覺，系統識別，控制和機器人。
15. 關於概念漂移適應的調查
作者： Bifet, A., Bouchachia, A., Gama, J., Pechenizkiy, M., & Zliobaite, I. ACM Comput. Surv., 2014
被引： 314 times, （HIC: 4 , CV: 23)
摘要：本研究目的在於對概念漂移適應提供一個全面的介紹，涉及 當輸入資料和目標變數不斷改變時，監督式學習的景象會發生什麼變化。
16. 深度卷積啟動特性的 Multi-scale Orderless Pooling
作者：Gong, Y., Guo, R., Lazebnik, S., & Wang, L. (2014).
發表於：ECCV
被引：293次， HIC: 23 , CV: 95
摘要：為了改善 CNN 啟動的不變性而不降低其鑒別力，本文提出了一種簡單但有效的方案，稱為multi-scale orderless pooling（MOP-CNN）。
17. 同時檢測和分類（Simultaneous Detection and Segmentation）
作者：Arbeláez, P.A., Girshick, R.B., Hariharan, B., & Malik, J. (2014)
發表於：ECCV
被引：共286次，HIC: 23 , CV: 94
摘要：我們的目標是檢測圖像中類別的所有實例，並為每個實例標記屬於它的圖元。 我們稱這個任務為 Simultaneous Detection and Segmentation（SDS）。
18. 特徵選擇方法研究
作者：Chandrashekar, G., & Sahin, F. Int. J.
發表於：Computers & Electrical Engineering
被引：共279次，HIC: 1 , CV: 58
摘要：文中許多特徵選擇方法是可用的，因為具有數百個變數的資料的可用性導致資料具有非常高的維度。
19. 使用遞迴樹集合實現一毫秒內的面部對齊
作者：Kazemi, Vahid, and Josephine Sullivan
發表於：Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2014
被引：共277次，HIC: 15 , CV: 0
摘要：本文解決了單個圖像的面部對齊（Face Alignment）問題。 我們展示了如何使用遞迴樹的集合來直接從圖元強度的稀疏子集估計面部的標誌性位置，通過高品質的預測實現超即時性能。
20. 多分類器系統作為混合系統研究
作者：Corchado, E., Graña, M., & Wozniak, M. (2014).
發表於：Information Fusion, 16, 3-17.
被引 269 次, HIC: 1 , CV: 22
摘要：目前模式分類研究的重點是將幾種分類器系統（classifier systems）組合，這樣的組合可以在相同或不同模型和/或資料集構建方法之上建立。這些系統在不同的級別執行分類決策的資訊融合（ information fusion ），克服了基於單一分類器的傳統方法的局限性。本論文從混合智慧系統（Hybrid Intelligent Systems）的角度，對多分類器系統（MCS）進行了調查。本文討論了多樣性和決策融合方法等主要問題，並提供了對目前正在開發的應用的看法。
5.https://arxiv.org/pdf/1405.0312.pdf
8.https://arxiv.org/pdf/1404.7584
12.http://www.cs.cmu.edu/~nlao/publication/2014.kdd.pdf
15.http://www.win.tue.nl/~mpechen/publications/pubs/Gama_ACMCS_AdaptationCD_accepted.pdf
17.https://arxiv.org/pdf/1407.1808
3月27日，新智元開源·生態AI技術峰會暨新智元2017創業大賽頒獎盛典隆重召開，包括“BAT”在內的中國主流 AI 公司、600多名行業精英齊聚，共同為2017中國人工智慧的發展畫上了濃墨重彩的一筆。
點擊閱讀原文，查閱文字版大會實錄