NeurIPS 2018堪稱是史上規(guī)模最大、投稿論文最多、贊助商最多的AI盛會。本文作者因為論文被收錄，有機會親臨現(xiàn)場，全程記錄了他的NeurIPS 2018之旅。

我是中國科學(xué)院計算技術(shù)研究所計算機體系結(jié)構(gòu)國家重點實驗室的三年級碩士生。因為一篇論文被NeurIPS錄用，和導(dǎo)師胡瑜研究員一起參加了12月3日在加拿大蒙特利爾召開的NeurIPS會議。

左起：中科院計算所博導(dǎo)胡瑜、IEEE Fellow謝源與作者合影

在此，我向大家分享NeurIPS主會四天里，我的所見所聞所感。

大會第一天

在NeurIPS大會開幕式上，大會主席首先總結(jié)了今年的投稿情況。今年共收到創(chuàng)歷史記錄的4856篇有效投稿，錄取1011篇。

論文錄取情況

其中Oral為30篇、Spotlight為168篇，其余為Poster。在投稿主題方面，數(shù)量排名前三的主題為算法、深度學(xué)習(xí)和應(yīng)用，占全部投稿數(shù)量的60%以上。

然后，大會主席公布了今年的四篇最佳論文和經(jīng)典論文獎（Test of time award）。最佳論文分別是：

多倫多大學(xué)發(fā)表的Neural Ordinary Differential Equations

麥克馬斯特大學(xué)和滑鐵盧大學(xué)聯(lián)合發(fā)表的Nearly tight sample complexity bounds for learning mixtures of Gaussians via sample compression schemes

Google AI發(fā)表的Non-delusional Q-learning and value-iteration

華為諾亞方舟實驗室、微軟研究院、巴黎文理研究大學(xué)聯(lián)合發(fā)表的Optimal Algorithms for Non-Smooth Distributed Optimization in Networks

獲得經(jīng)典論文獎的是一篇2007年的研究論文，題目為The tradeoffs of large scale learning。該論文展示了一個理論框架，并分析了小規(guī)模學(xué)習(xí)與大規(guī)模學(xué)習(xí)在優(yōu)化方面的計算復(fù)雜度問題。

在開幕式結(jié)束后，迎來了大會第一場invited talk。這是由Atipica的創(chuàng)始人Laura Gomez帶來的The Necessity of Diversity and Inclusivity in Tech，她向我們介紹了在技術(shù)創(chuàng)新中的多樣性與包容性的必要性，這使我想到了今年NeurIPS會議的改名風(fēng)波。

由于往年的會議縮寫NIPS對于部分群體具有冒犯性，因此經(jīng)過了今年的公眾投票，會議組織將會議縮寫改為了NeurIPS。NeurIPS會議為AI的發(fā)展做出了應(yīng)有的改變，這也體現(xiàn)出了更多的包容性和作為人工智能方向頂級會議的表率作用。

隨后，我參觀了NeurIPS舉辦的Expo。今年有超過100家公司贊助商，其中有60家公司參與了NeurIPS的Expo。在會場中，各家展示公司不遺余力的展示他們在AI方面的相關(guān)研究。

印象最深的是NVIDIA公司的一項視頻生成工作：photorealistic video-to-video translation，根據(jù)語義分割的結(jié)果，算法能合成出不同城市風(fēng)格的圖片。連接上駕駛模擬器，還能體驗一把在不同城市飆車的感覺。

體驗一把在不同城市飆車的感覺

大會第二天

今天我關(guān)注的invited talk，由普林斯頓大學(xué)的Edward Felton帶來，題目叫做Machine Learning Meets Public Policy: What to Expect and How to Cope，介紹了機器學(xué)習(xí)和公共政策之間相互配合的問題，

NeurIPS會議的Poster展示一共有六場。今天是Poster展示的第一天，大家的氣勢也格外高漲，每個展板前都聚滿了交流的人群。每場展示的時間是兩個半小時，不論對于講解的人還是對于參觀的人，這都是一場體力與腦力的雙重考驗，但是各路大神也都不懼艱辛，樂此不疲。

Poster展廳現(xiàn)場

大會第三天

今天我關(guān)注的invited talk，演講者是麥吉爾大學(xué)的Joelle Pineau，題目是Reproducible, Reusable, and Robust Reinforcement Learning。

她介紹了當(dāng)前強化學(xué)習(xí)研究中的實驗可重復(fù)性、穩(wěn)定性不強的問題。同樣的強化學(xué)習(xí)算法經(jīng)過同樣參數(shù)的訓(xùn)練，可能會得到完全不同的結(jié)果，這導(dǎo)致強化學(xué)習(xí)的算法可重復(fù)性很弱，在算法遷移過程中的可重用性不強，算法不夠穩(wěn)定。因此，今后的研究都需要針對這三點進(jìn)行討論，為提出穩(wěn)定性和可用性強的強化學(xué)習(xí)算法而努力。

強化學(xué)習(xí)可重復(fù)性checklist

下午的受邀嘉賓是佐治亞理工學(xué)院的Ayanna Howard。他討論了在AI發(fā)展過程中，人類與AI的信任問題。這是一個人們一直關(guān)注的問題，如今它可能變成了一個很現(xiàn)實的問題。

大會第四天

今天我所關(guān)注的invited talk，是斯坦福大學(xué)的Kunle Olukotun，報告題目是Designing Computer Systems for Software 2.0。

Kunle Olukotun介紹了使用怎樣的硬件和軟件架構(gòu)可以更靈活和高效的開發(fā)機器學(xué)習(xí)的軟件。在AI如此火熱的今天，應(yīng)用的研究和開發(fā)工作與之前的大有不同，如何提高開發(fā)效率和運行效率是一個亟待解決的問題。不論是硬件層面還是軟件框架，可能都需要一套完全不同的系統(tǒng)與方法。

各個深度學(xué)習(xí)框架特性對比

下午的口頭報告Discovery of Latent 3D Keypoints via End-to-end Geometric Reasoning，是由VISTEC與Google AI聯(lián)合提出的一個端到端幾何推理的框架（KeypointNet），用于得到一個最優(yōu)的3D關(guān)鍵點集合，而這些3D關(guān)鍵點是根據(jù)下游任務(wù)來優(yōu)化的，并且這些3D關(guān)鍵點對于不同的視角和物體實例具有幾何和語義層面的一致性。

小結(jié)

NeurIPS大會至今已經(jīng)舉辦了32屆，投稿數(shù)量、企業(yè)贊助、參會人數(shù)都創(chuàng)歷史新高。在這個AI發(fā)展火熱的時代，NeurIPS大會不僅是人工智能算法的盛會，還是包容的科學(xué)研究的先行者。

本屆大會上，學(xué)術(shù)圈和企業(yè)界都從各自的視角、使用不同的方式為人工智能的發(fā)展貢獻(xiàn)自己的力量。三十二年，唯一不變的是我們的“智能夢”。