谈起人工智能，最先印入脑海的一定是横扫围棋大师的AlphaGo。但在业界，更令人吃惊的标志性变革发生在德州扑克：不需要准备海量棋谱，也没有充分公开的完美信息场景，化名“冷扑大师”的AI系统直接针对对手的劣势自我学习、通过博弈论选取最优策略，横扫德扑知名高手，“高情商”令人瞩目——不完全信息场景，正是错综复杂商业运作中常常面临的困境。
李开复说，“冷扑大师”战胜人类的意义，就在于“更多人通过比赛了解到了更全面的人工智能，知道AlphaGo所代表的深度学习并不是人工智能的全部”。而在商业智能时代，量化决策势不可挡，如何从汹涌的AI泡沫中找到正确方向，是学界和业界共同关心的议题。
6月24日，创业邦（微信搜索关注：ichuangyebang）受邀参加了钛媒体和杉数科技共同举办的AI大师会。会上，明尼苏达大学助理教授王子卓、清华大学交叉信息研究院助理教授李建、纽约大学助理教授陈溪、斯坦福大学讲席教授叶荫宇、佐治亚理工学院终身教授蓝光辉做了主题演讲，阐述AI时代商业本质、产业变革等问题。
明尼苏达大学助理教授王子卓以他作为杉数科技CTO进行的商业实践为例，详细阐释了复杂多变的商业环境下，如何实施智能定价的环节以及产品化。
明尼苏达大学助理教授王子卓
王子卓认为，定价策略将决定很多公司最终能否生存，可谓是很多公司的“生命线”。数据驱动的定价需要正确的时间、正确地点、正确价格、正确的客户以及正确的服务和产品。从数据中挖掘消费者的构成、偏好、行为。他还谈到目标定价的6个场景：标准定价场景、非标准定价场景、组合定价、动态定价、差异化定价、创新产品定价。当然让人满意的定价还需要好的底层模型来支撑，比如MNL、NL等。但当面临多个选择、不同价格、不同质量时，数据可以告诉我们哪个模型最合适。
清华大学交叉信息研究院助理教授李建则分析了深度学习在时空大数据中应用，所谓时空大数据就是兼具时间和空间属性。他认为深度学习在图像识别、语音识别等已取得很大的成功，但在时空大数据方面的研究才刚刚起步，并没有形成一套成熟的方法论。但在日常生活中，时空大数据已经应用到诸多领域，比如商业选址，传统方法通过调查问卷，成本很高，而通过时空大数据可以提高效率、节省成本。
清华大学交叉信息研究院助理教授李建
真正的商业内容是极其复杂的，纽约大学助理教授陈溪认为，光有这个机器学习是不够的，我们要把这个机器学习和科学、统计结合起来，才会有新的数据产生。他还认为，AI商业化需要机器学习、统计学和运筹学等技术的融合，这些技术的融合可能碰撞出新的数据分析模型。
纽约大学助理教授陈溪
佐治亚理工学院终身教授蓝光辉表示，AI在实施反欺诈、反洗钱、保险行业产品个性化推荐、医疗领域（预防治疗、发现早期疾病等）上已经得到广泛应用。这些问题涉及的数据越来越大，其对算法复杂度要求也越来越高。机器需要先找到活动实践数据，建立数学模型定义优化目标和约束，最后机器进行优化决策。
佐治亚理工学院终身教授蓝光辉
最后，斯坦福大学讲席教授叶荫宇结合杉数科技的实际案例分别讲解路径优化、库存管理、投资组合三大应用。他说深度学习本身还有很多东西无法解释其中原理，但实际效果很好。
斯坦福大学讲席教授叶荫宇
国内公司对AI的相关产业跟随很紧密，在一些问题上能够集合中国特色进行研究与开发，但优化算法在国内却相对弱势，相比于统计社区、机器学习社区等分支，相对和绝对的影响力都明显偏小。
对于AI未来的趋势，他提出了三个观点：
1、数据量集合速度增长，模型规模也飞速增长，因而需要超大规模的优化算法。比如：深度学习里，超过规模的非凸优化算法。
2、从现实的角度看，如何实现算法集群化，软硬件充分结合，如何利用GPU实现并行运算，都是目前研究的热点与难点。
3、应用，如何充分发展可以应用于具体场景的高效算法，如智慧供应链、智能金融、健康管理等领域。
会后，创业邦（微信搜索关注：ichuangyebang）等多家媒体对蓝光辉、陈溪、王子卓、叶荫宇等人进行了群访，以下为部分采访内容。
Q：企业界相对学术界有更多的技术资源还是有优势的，美国高校如何应对人才挑战的？
陈溪：有两个可以思考，美国高校提供更灵活的制度，以前不允许教授到企业直接工作，而现在允许教授在学校工作3天，企业工作2天，这样通过需求慢慢建立起来，像这个文本确实企业做的比学校好，学校会回归更加基础的研究，更多理解深度学习为什么取得这么好的效果，有哪些局限性，根据我们理解，这个局限性会开发出新的算法，以后会觉得还是说有更加需要创新的，更加基础的东西会在学校里完成。而大规模的应用，企业会推出越来越多的可能性。
Q：如何定义企业和学者之间的关系？
叶荫宇：在斯坦福的很多教授创业，教授提供核心技术，但是具体就没有时间做这个领导或者说跟客户打交道的东西。国内现在也有这一套机制，比美国差一些。但是我觉得角色会有些不同，教授多半是做科学或者说顾问。而总不能完全参加企业的事情。
Q：未来AI是什么样的发展趋势？
王子卓：其实很难预测，个人观点认为，随着科学技术的发展，AI更多的不是一个线性发展，而是一个爆发性发展。可能某个点有一个突然的进度，之后很多人会去解决相关问题，解决完之后又停留在这个阶段。比如现在的图像识别、围棋已经很好，但可能还有一些更难的问题，比如与AI之间的互相交流，跟人的更深入的交流，在我看来现在还没有很好的方法处理。我认为真正具有代表性的AI技术还没有很好的处理这个事情，可能处理的结果和算法不一样，也可能会停滞很长时间，就看停多长时间，停一两年可能在研究，可能也10年20年，这个不好说了。总之，发展趋势很难预测，但企业需要提高效率的这个事情是永远都需要的。
叶荫宇：AI肯定会发展，至于还叫不叫AI我就不知道了。大家仔细想一想，其实AI要解决的问题，以前不叫AI或者说叫OR要解决的问题，统计要解决的问题，或者说计算机要解决的问题，关键还是要服务于人类，提高效率，减少风险，而且应用大量的数学或者说量化的工具，这个趋势是会越来越强的，在这点上，我说AI永远不会死，因为它和统计、运筹学都一样的，但是它会不会以另外一个名词来出现，我觉得这个也是有必要、有需要的。
另外我觉得中国的媒体或者所有的媒体都不需要局限于这个问题是叫AI还是不叫AI，在美国，我们开会没有多少人提到AI。而中国有一个传统分析就是这个事属于AI，要不要招AI的人，但是国外根本还没有AI这种专业，专业还是数学、物理、统计、优化，在我们计算机系，计算机系领域有AI，那学生一样要学很多课程。
蓝光辉：我觉得还是需要一些本质的思考，因为在历史上，也是因为某一项技术，或者知名度，过于把这个期望值提高，导致它解决所有的这个问题也都是迫切。从研究角度来说，那只是一个名字而已，真正秉承的还是一些数据的办法、建模，不要去叫AI或者说不叫AI。
为什么在中国AI这么火，我觉得可能在某种意义上我们民族的浪漫主义，我们想到这个AI什么都可以做，有这样的感觉，而老美则更加实际一些。这也不是坏事情，这样的话可能我们中国民族更有创造力。
