据雷锋网AI科技评论报道，1月22日，被誉为业界“研值”最高的百度奖学金2017年度颁奖典礼在百度科技园隆重举行。 AI科技评论作为合作媒体受邀参加颁奖仪式，见证了10位“AI界璀璨新星”的诞生。
百度奖学金计划是为了帮助最优秀的中国学生解决人工智能学科领域中最有价值的技术问题，促进中国人工智能在世界上最先进的站位，培养中国人工智能领域未来准备沉稳的导师技术人才。 因此，此次获奖者10人无疑来自AI领域，研究方向涵盖了目前最热门的计算机视觉、自然语言处理、机器学习、大数据挖掘等相关细分方向。 以下是10名选手的简单介绍。
以pcdbks、计算机视觉领域、“多模态情感识别”和“视频内容自然语言描述”为中心，在国际会议期刊上发表了相关论文10余篇。
失眠可乐、机器学习/语音领域、主攻树类机器学习模型，特别是随机森林模型的相关基础理论和应用。
围绕kldds、自然语言处理领域、机器翻译中的长时间记忆模式，提出了创新的新模式。
对于ggdgb、自然语言处理领域、自然语言处理以及主导机器学习方向的基础理论，特别是知识与神经网络方法相结合的方向有自己的见解。
ssdhm，自然语言处理领域，主要指明了知识表达学习、知识获取、知识应用的方向，代表性的研究和成果有TransR和PTransE、NRE和MNER等。
纤细的康乃馨、计算机视觉领域、硕士之间主要从事DPM检测工作，博士从事预测学习(predictive learning )工作，发表的论文多次被国际会议收录，现有17篇论文，10篇一作，550篇
勤奋芝麻，计算机视觉领域，主要是神经网络加速压缩的研究。 他提出利用离散馀弦变换提高卷积神经网络预测过程的预测速度，该方法极具创新性和实用性。
围绕李成涛、机器学习领域、多样性采样的研究，他与教师共同研究了马尔可夫链的采样，运用数值计算技术(Gauss Quadrature )，大大提高了采样效率。
在游戏较多的书籍、数据挖掘领域，主要课题是利用数据挖掘、机器学习和深度学习来解决轨迹序列的建模和预测问题。 其研究方法对地图大数据轨迹挖掘、地图新路径挖掘以及基于大数据的人流分析具有十分重要的意义。
朱镕基，在数据挖掘领域，主导了多层图的挖掘算法，包括Top-K可信搜索、SimRank相似性、Top-K稠密子图挖掘等问题。 目前发表了5篇1篇顶级期刊和会议文章。 (TKDE/KAIS/ICDE/ICDM )。
雷锋网AI科技评论认为，此次初选评选标准主要包括借鉴运动员学术成绩，在国际顶级学术会议和期刊上发表的总发文数，以及一部和非一部作品的各自占有率。 这些运动员之所以能脱颖而出，除了学术成绩不俗，在答辩环节征服评委外，最重要的是他们研究成果的工程转换能力。 这在颁奖现场也得到了百度技术委员会主席dqdzdj的认可。 “相比以往的百度奖学金获得者，这次百度奖学金的选手们更注重研究与实用场景相结合，取得了优异的成绩。 我们希望这些顶尖人才将来也能运用他们的科研成果推动人工智能的进步。 “百度技术委员会主席、担任此次奖学金评审组组长的dqdzdj在颁奖现场这样说道。
颁奖仪式结束后，希望能更直接地感受获奖选手的学术风采。 活动方邀请三位获奖者ssdhm、李成涛、勤奋芝麻进行简单学术分享，同时邀请两位往届获奖者李纪为黄岩前来为“新秀们”加油鼓劲。 他们五位学术青年共同向大家分享了当前对话系统、深度学习、知识图谱等领域的最新研究成果。
第一个分享的嘉宾是斯坦福大学毕业生李纪，主题是教机器对话。
你好，今天又回到百度，很开心！ 我以前在聊天，今天和大家分享我一两年前的工作。
教机器像人一样的对话，需要解决两个问题。 一是如何让机器产生比较有趣、有信息的内容。 另一种方法是保持一致性，避免机器发生矛盾。
因为以前的模型对训练数据集有很多无聊的回复，所以每次模型都会进行这样无聊的对话。 例如，“我不知道”、“啊”等。 但是，仅仅禁止机器回答这样无聊的问题是不够的，机器还会产生同类、意思相同的另一个语句的变种。 例如，如下图。
所以，解决这个问题，首先要通过人之前对机器说的话，推测机器的回复是什么。 机器通过人的回答，推测人之前听到的话是什么。
第二个问题是如何保持机器对话的一致性。 大家的想法是用每个人一个向量来代替。 所以当单身发卡问一个人一百个问题时，他会用同一个向量扣除。 也就是说，用同一向量匹配对这100个问题的回答。
第二位共享嘉宾是ssdhm，共享主题是知识表示和知识提取。
toutiaoimg.com/origin/5b360011dd5925089f0d?from=pc">我是做偏知识图谱方向的，前两年主要在做知识的表示还有它的抽取。知识图谱，可能大家比较熟悉，就是把一些实体关系组成一个图谱。今天主要介绍两方面，第一方面是知识表示，第二方面是知识获取。
知识表示其实就是将知识图谱里面的实体对应为一个空间中的向量，传统的知识图谱是以一种三元组形式去展现的，现有知识表示方法在模型复杂度较小的情况下，效果是非常好的。我们主要工作有两点，就是去解决现知识表示方法存在的一些问题。第一个它无法去对知识图谱中的复杂关系进行建模。第二个，它无法针对知识图谱内部的关系路径去做建模。
第二部分工作是关于知识抽取。我主要做的是文本关系抽取方面的工作。我们提出了多元的关系抽取系统，无论是在中文数据下或者在英文数据下，它抽取效果都比原始的有了非常大的提高。
第三位分享嘉宾是黄岩，分享主题为：用双向循环神经网络处理超分辨率视频。
我的研究方向是计算机视觉和深度学习，下面我将简要介绍一下循环神经网络。相对于传统的深度神经网络，循环的网络更侧重于处理序列化的数据，最大的区别在于不同时刻隐含状态之间的循环连接。需要注意的一点是，无论是传统的深度神经网络，还是循环网络，它们的所有输入都是向量的形式，层与层之间都是全连接的操作。
再来介绍一下循环卷积网络，它其实是一个全卷积的循环网络。以上图为例，对于传统的全连接深度神经网络，把它进行全卷积化，即把所有的全连接都替换成卷积操作，就得到我们经常使用的卷积网络。沿着时间方向展开，深度神经网络就变成一个循环网络。而我所介绍的循环卷积网络本质上是一个全卷积的循环网络。这种网络在参数量上有巨大优势，传统循环网络的参数量大概是在百万甚至千万左右，循环卷积网络基本上只有一两万左右，因此测试速度会得极大的提升。
应用循环卷积网络到视频超分辨率上，可以在保持视觉内容空间结构信息的同时极大提升模型的测试速度，并且卷积操作使得我们可以处理任意尺度的视频帧。
第四位分享嘉宾为李成涛，分享主题是 ：关于多样性采样相关的理论、实践及应用。
我的研究主要是关于多样性采样方面的，具体来讲就是在一个数据集中采样出一些具有代表性的，没有冗余信息的一些样本来代表整个数据集，比如一本书的梗概，一段视频的剪辑等等，简言之就是从大量信息中提取「干货」。
通过多样性采样，我们可以极大地减少处理数据的时间，在很短的时间内获得较多的信息。我之前做过一些多样性采样的理论工作，主要是关于如何提升多样性采样的效率的。比如我们研究的一个比较典型的多样性采样的概率分布，Determinantal Point Process。它的采样过程非常耗时，我和导师研究后通过使用马尔科夫链进行采样，在理论上证明了它的采样效率要高于原本的方法，并且运用数值计算的技术（Gauss Quadrature），极大地提升了采样效率。
多样性采样还是有非常大的应用前景的。现在是一个信息爆炸时代，如何在更短的时间内处理更多的信息一直是一个非常重要的课题。我觉得多样性采样在这里面会充当非常重要的角色。很多我们可能不敢想象的事情，可能都会因为多样性采样儿变成现实，比如一小时看完一本书，一分钟看完一部电影电影等等。
最后一位分享嘉宾是勤劳的芝麻，分享主题为：关于深度神经网络的压缩方面的研究。
我在神经网络加速压缩方面做了深入研究，提出利用离散余弦变换将卷积神经网络预测过程中的卷积计算从空间域转换为频率域，在准确度只有轻微下降的前提下，预测速度大幅度提升、模型消耗的存储大幅度降低。该方法极具创新性和实用性。
深度卷积神经网络压缩这个课题非常具有应用前景，因为深度学习模型在大多数任务（例如图像识别、图像超分辨率等）上的精度已经达到了落地需求，但是它们的线上速度和内存消耗还没有达到落地需求。
然而，越来越多的实际应用需要用到这些深度学习模型，例如手机、智能摄像头、无人车等。所以如何设计更轻便、更高精度的深度神经网络仍旧是一个亟需解决的问题。
雷锋网报道