NeurIPS 2018堪稱是史上規模最大、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，有機會親臨現場，全程記錄了他的NeurIPS 2018之旅。

我是中國科學院計算技術研究所計算機體系結構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，大會主席首先總結了今年的投稿情況。今年共收到創歷史記錄的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，數量排名前三的主題為算法、深度學習和應用，占全部投稿數量的60%以上。

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

多倫多大學發表的Neural Ordinary Differential Equations

麥克馬斯特大學和滑鐵盧大學聯合發表的Nearly tight sample complexity bounds for learning mixtures of Gaussians via sample compression schemes

Google AI發表的Non-delusional Q-learning and value-iteration

華為諾亞方舟實驗室、微軟研究院、巴黎文理研究大學聯合發表的Optimal Algorithms for Non-Smooth Distributed Optimization in Networks

獲得經典論文獎的是一篇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，并分析了小規模學習與大規模學習在優化方面的計算復雜度問題。

在開幕式結束后，迎來了大會第一場invited talk。這是由Atipica的創始人Laura Gomez帶來的The Necessity of Diversity and Inclusivity in Tech，她向我們介紹了在技術創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的發展做出了應有的改變，這也體現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，根據語義分割的結果，算法能合成出不同城市風格的圖片。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

今天我關注的invited talk，由普林斯頓大學的Edward Felton帶來，題目叫做Machine Learning Meets Public Policy: What to Expect and How to Cope，介紹了機器學習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展廳現場

大會第三天

今天我關注的invited talk，演講者是麥吉爾大學的Joelle Pineau，題目是Reproducible, Reusable, and Robust Reinforcement Learning。

她介紹了當前強化學習研究中的實驗可重復性、穩定性不強的問題。同樣的強化學習算法經過同樣參數的訓練，可能會得到完全不同的結果，這導致強化學習的算法可重復性很弱，在算法遷移過程中的可重用性不強，算法不夠穩定。因此，今后的研究都需要針對這三點進行討論，為提出穩定性和可用性強的強化學習算法而努力。

強化學習可重復性checklist

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

大會第四天

今天我所關注的invited talk，是斯坦福大學的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可以更靈活和高效的開發機器學習的軟件。在AI如此火熱的今天，應用的研究和開發工作與之前的大有不同，如何提高開發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與方法。

各個深度學習框架特性對比

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），用于得到一個最優的3D關鍵點集合，而這些3D關鍵點是根據下游任務來優化的，并且這些3D關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

NeurIPS大會至今已經舉辦了32屆，投稿數量、企業贊助、參會人數都創歷史新高。在這個AI發展火熱的時代，NeurIPS大會不僅是人工智能算法的盛會，還是包容的科學研究的先行者。

本屆大會上，學術圈和企業界都從各自的視角、使用不同的方式為人工智能的發展貢獻自己的力量。三十二年，唯一不變的是我們的“智能夢”。