★★主要作者（按章節順序排序）★★

★李開復★

李開復博士於2009 年創立創新工場，擔任董事長兼首席執行官，專注於科技創新型的投資理念與前沿的技術趨勢。十多年來創新工場已經投資逾400個創業項目，管理總額約160 億人民幣的雙幣基金。2016 年秋季創辦創新工場人工智能工程院，致力於利用前沿的AI 技術為企業提供人工智能產品與解決方案。

在此之前，李開復博士曾是谷歌中國全球副總裁兼大中華區總裁，擔任微軟全球副總裁期間開創了微軟亞洲研究院，並曾服務於蘋果、SGI 等知名科技企業。

李開復在美國哥倫比亞大學取得計算機科學學士學位，以zui gao榮譽畢業於卡耐基梅隆大學獲得博士學位。同時，李開復獲得香港城市大學、卡耐基梅隆大學榮譽博士學位。李開復獲選為美國電機電子工程師學會（IEEE）的院士，並被《時代》雜志評選為2013影響全球100位年度人物之一，《Wired 連線》本世紀推動科技全球25位標杆人物，2018亞洲商界領袖獎等殊榮，並出任世界經濟論壇第四次工業革命中心的AI 委員會聯席主席。李開復博士發明過十項美國專利，發表逾百篇專業期刊或會議論文，並出版過十本中文暢銷書。

★王詠剛★

王詠剛，現任創新工場CTO人工智能工程院執行院長，加入創新工場前擔任谷歌主任工程師和高級技術經理超過十年，在谷歌參與或負責研發的項目包括桌面搜索、谷歌拼音輸入法、產品搜索、知識圖譜、谷歌首頁塗鴉（Doodles）等，在知識圖譜、分布式繫統、自然語言處理、HTML5動畫和遊戲引擎等領域擁有豐富的工程研發經驗。目前專注於人工智能前沿科技的工程化與商業化，以及人工智能高端人纔的培養，作為聯合創始人，創立了人工智能商業化公司創新奇智，同時也是人工智能高端應用型人纔培養項目DeeCamp的發起者。

★張潼★

張潼博士，機器學習領域國際著名專家，擁有美國康奈爾大學數學和計算機雙學士學位，以及斯坦福大學計算機碩士和博士學位，在香港科技大學數學繫和計算機繫任教。曾經擔任美國新澤西州立大學終身教授，IBM研究院研究員和雅虎研究院主任科學家，百度研究院副院長和大數據實驗室負責人，騰訊AI Lab主任。他曾參加美國國家科學院大數據專家委員會，負責過多個美國國家科學基金資助的大數據研究項目，此外還是美國統計學會和國際數理統計學會fellow，並擔任NIPS、ICML、COLT等國際機器學習會議主席或領域主席，以及PAMI, JMLR, 和Machine Learning Journal等國際一流人工智能期刊編委。

★宋彥★

宋彥博士，香港中文大學（深圳） 數據科學學院副教授，創新工場大灣區研究院首席科學家。歷任微軟、騰訊研究員及首席研究員，創新工場大灣區研究院執行院長等職，是 “微軟小冰”項目的創始團隊成員之一，其研究方向包括自然語言處理、信息檢索和抽取、文本表征學習等。

★屠可偉★

屠可偉博士，上海科技大學信息科學與技術學院長聘副教授、研究員、博士生導師。研究方向包括自然語言處理、機器學習、知識表示、計算機視覺等人工智能領域，側重於研究語言結構的表示、學習與應用。

★張發恩★

張發恩，創新奇智聯合創始人，創新奇智公司CTO， 寧波諾丁漢大學客座教授。2008年畢業於中國科學院軟件研究所，同年加入微軟，負責Office相關軟件產品的研發工作；2010年，入職Google，作為核心研發人員，主導和參與Google搜索引擎、Google知識圖譜等相關工作；2015年，加入百度，作為百度雲早期創始團隊成員之一，曾任百度雲計算事業部技術委員會主席，百度雲計算事業部大數據和人工智能主任架構師。他在IT行業擁有十幾年技術研發和管理經驗，涉及企業級軟件、室內地圖定位與導航、互聯網搜索引擎、全領域知識圖譜、大數據計算與存儲、機器學習、深度學習、機器視覺等眾多領域。工作期間獲得10餘項美國專利，70餘項中國專利，發表過多篇會議學術論文。

★唐劍★

唐劍博士，滴滴智能控制首席科學家，AI Labs 負責人兼算法委員會主席，IEEE Fellow和ACM傑出科學家，領導滴滴在智能物聯網、計算機視覺和自動駕駛方向上的研發。

他在國際期刊和會議上發表了160多篇學術論文，擁有多項發明專利，在邊緣智能、AI驅動的繫統控制和群智感知方向上做出開創性貢獻，並多次獲得論文獎, 其中包括通信網絡領域的zui gao論文獎2019 年度IEEE 通信學會William R. Bennett Prize和IEEE車載技術學會2016年度車載電子論文獎。

目前還擔任中國電子學會物聯網專委會專家委員、新一代人工智能產業技術創新戰略聯盟專家委員會委員、IEEE車載技術學會傑出演講人、以及IEEE通信學會交換和路由技術委員會主席。

★張彌★

張彌博士，現任密歇根州立大學副教授，2006年畢業於北京大學，2013年獲得美國南加州大學博士學位，2013-2014年在美國康奈爾大學任博士後。主要研究領域包括終端深度學習、自動機器學習、聯邦學習和機器學習繫統。本人及其研究團隊在2019年Google MicroNet Challenge 全球競賽中獲得CIFAR-100賽道第四名 (北美名)，在 2017年NSF Hearables Challenge全球競賽中獲得第三名，在2016年NIH Pill Image Recognition Challenge全球競賽中獲得冠軍。

★吳佳洪★

吳佳洪，創新奇智高級研究員，2017年畢業於北京大學。曾帶隊獲得Pascal Voc 世界冠軍、Cityscapes 實例分割冠軍、ADE20K物體分割冠軍等；曾負責創新奇智無人貨櫃項目的算法工作，專注於計算機視覺領域，發表過多篇CVPR論文。

★劉寧★

劉寧博士，滴滴資深研究員，畢業於美國東北大學計算機工程繫。研究領域包括深度增強學習、深度模型壓縮與加速、邊緣計算等。在國際期刊和會議AAAI, MICRO, ASPLOS，ISCA等發表學術論文20餘篇，發表多項發明專利。

★第1章 AI賦能時代的創業★

1.1中國AI如何彎道超車

1.2 AI從“發明期”進入“應用期”

1.2.1 深度學習助推AI進入“應用期”

1.2.2 To B創業迎來黃金發展期

1.2.3 “傳統產業 AI”將創造巨大價值

1.2.4 AI賦能傳統行業四部曲

1.3 AI賦能時代的創業特點

1.3.1 海外科技巨頭成功因素解析

1.3.2 科學家創業的優勢和短板

1.3.3 四因素降低AI產品化、商業化門檻

1.4 給未來AI人纔的建議

★第2章 AI的產品化和工程化挑戰★

2.1 從AI科研到AI商業化

2.2 產品經理視角—數據驅動的產品研發

2.2.1 數據驅動

2.2.2 典型C端產品的設計和管理

2.2.3 典型B端產品解決方案的設計和管理

2.2.4 AI技術的產品化

2.3 架構設計師視角—典型AI架構

2.3.1 為什麼要重視繫統架構

2.3.2 與AI相關的典型繫統架構

2.4 寫在本章後的幾句話

本章參考文獻

★第3章 機器學習的發展現狀及前沿進展★

3.1 機器學習的發展現狀

3.2 機器學習的前沿進展

3.2.1 復雜模型

3.2.2 表示學習

3.2.3 自動機器學習

★第4章 自然語言理解概述及主流任務★

4.1 自然語言理解概述

4.2 NLP主流任務

4.2.1 中文分詞

4.2.2 指代消解

4.2.3 文本分類

4.2.4 關鍵詞（短語）的抽取與生成

4.2.5 文本摘要

4.2.6 情感分析

本章參考文獻

★第5章 機器學習在NLP領域的應用及產業實踐★

5.1 自然語言句法分析

5.1.1 自然語言句法分析的含義與背景

5.1.2 研究句法分析的幾個要素

5.1.3 句法分析模型舉例

5.2 深度學習在句法分析模型參數估計中的應用

5.2.1 符號嵌入

5.2.2 上下文符號嵌入

本章參考文獻

★第6章 計算機視覺前沿進展及實踐★

6.1 計算機視覺概念

6.2 計算機視覺認知過程

6.2.1 從低層次到高層次的理解

6.2.2 基本任務及主流任務

6.3 計算機視覺技術的前沿進展

6.3.1 圖像分類任務

6.3.2 目標檢測任務

6.3.3 圖像分割任務

6.3.4 主流任務的前沿進展

6.4 基於機器學習的計算機視覺實踐

6.4.1 目標檢測比賽

6.4.2 蛋筒質檢

6.4.3 智能貨櫃

本章參考文獻

★第7章 深度學習模型壓縮與加速的技術發展與應用★

7.1 深度學習的應用領域及面臨的挑戰

7.1.1 深度學習的應用領域

7.1.2 深度學習面臨的挑戰

7.2 深度學習模型的壓縮和加速方法

7.2.1 主流壓縮和加速方法概述

7.2.2 權重剪枝

7.2.3 權重量化

7.2.4 知識蒸餾

7.2.5 權重量化與權重剪枝結合並泛化

7.3 模型壓縮與加速的應用場景

7.3.1 駕駛員安全檢測繫統

7.3.2 高級駕駛輔助繫統

7.3.3 車路協同繫統

本章參考文獻

★第8章 終端深度學習基礎、挑戰和工程實踐★

8.1 終端深度學習的技術成就及面臨的核心問題

8.1.1 終端深度學習的技術成就

8.1.2 終端深度學習面臨的核心問題

8.2 在冗餘條件下減少資源需求的方法

8.3 在非冗餘條件下減少資源需求的方法

8.3.1 特殊化模型

8.3.2 動態模型

8.4 深度學習繫統的設計

8.4.1 實際應用場景中的挑戰

8.4.2 實際應用場景中的問題解決

8.4.3 案例分析

本章參考文獻

★第9章 DeeCamp訓練營商業項目實戰★

9.1 方仔照相館—AI輔助單張圖像生成積木方頭仔

9.1.1 讓“AI方頭仔”觸手可及

9.1.2 理論支撐：BiSeNet和Mask R-CNN

9.1.3 任務分解：從圖像分析到積木生成的實現

9.1.4 團隊協作與時間安排

9.2 AI科幻世界—基於預訓練語言模型的科幻小說生成繫統

9.2.1 打造人機協作的科幻小說作家

9.2.2 理論支撐：語言模型、Transformer模型和GPT2預訓練模型

9.2.3 從“找小說”到“寫小說”的實現步驟

9.2.4 團隊協作與時間安排

9.3 寵物健康識別—基於圖像表征學習的寵物肥胖度在線檢測繫統

9.3.1 人人都能做“養寵達人”

9.3.2 理論支撐：表征學習、人臉識別原理和ArcFace損失函數

9.3.3 任務分解：從數據收集到肥胖度檢測

9.3.4 團隊協作與時間安排

9.4 商品文案生成—基於檢索和生成的智能文案繫統

9.4.1 智能內容生成

9.4.2 理論支撐：Word2Vec詞嵌入、預訓練語言模型BERT和Seq2Seq文本生成

9.4.3 任務分解：“尋章摘句”和“文不加點”

9.4.4 團隊協作與時間安排

本章參考文獻

★★學會用AI解決真實世界的問題★★

創新工場於2017年開始舉辦的DeeCamp人工智能訓練營（簡稱DeeCamp訓練營），經過幾年的積累和發展，已成為中國乃至全球有特色也有影響力的大學生科技訓練營之一。DeeCamp訓練營行之有效的方法論、知識體繫、課程內容、實踐課題，值得每一個即將或已經投身於人工智能領域的大學生、工程師、科研人員乃至產品經理認真學習。

人工智能是新一代產業革命的核心驅動技術，必將在未來的幾十年裡對人類各產業領域、各商業形態乃至個人生活的方方面面產生深遠影響。但正如歷史上每一次重大產業革命的早期進程一樣，人工智能技術從稚嫩走向成熟、從科研實驗室走向現實世界的過程也必然充滿波折與挑戰。今天的人工智能從業者普遍存在著科研屬性重於工程與商業屬性、對商業場景和市場需求缺乏了解、對技術與商業結合的本質問題缺乏深入思考、輕視或忽視產業基本規律等問題。例如，近年來一些曾經的明星AI團隊，雖科研能力與技術出色，卻始終難以解決產業中的真實問題，終不得不走向失敗的結局。

如何在30天左右的時間裡，培養出擅長解決真實世界問題的AI中堅力量？

DeeCamp訓練營用繫統的方法論和出色的訓練成績給出了好的答案。對參加過DeeCamp訓練營的歷屆營員們來說，他們中的許多人都進入了世界科技企業，用自己積累的對人工智能科技與商業化規律的正確認知，解決了各行各業的真實問題—他們正在從事的，不就是用人工智能等前沿科技來推動產業變革，以此改變世界的偉大事業嗎？！

我認為，DeeCamp訓練營成功的經驗主要有四點。

，學術大師與產業界領軍人物梳理的人工智能知識體繫。

掌握知識和理解知識背後的深層規律是兩件完全不同的事。高屋建瓴的大師級人物善於描繪出那些隻有站在學術或技術纔能看到的透徹、立體的圖景。DeeCamp訓練營每年都會邀請科研領域的大師和產業界領軍人物，如圖靈獎得主John Hopcroft，人工智能領域專家吳恩達、周志華、張潼，人工智能產業界領軍人物孫劍、何曉飛，資深計算機科學教育家俞勇等為營員們授課。我自己也曾多次為營員們講授科研、產業與商業間的規律。這些課程往往能給營員們帶來更有助於理解知識體繫的全新視角和方法論，讓他們的學習方式在短時間內從一招一式的“點滴型學習”轉變為能夠博取百家、融會貫通的“繫統型學習”。

第二，從學科知識過渡到工程實踐的課程設計。

人工智能領域專家周志華和張潼親自擔任DeeCamp訓練營的課程設計顧問，他們和創新工場人工智能工程院的資深科學家、工程師一起，為DeeCamp訓練營設計了強調應用場景與產業實踐、重視市場與產品規律的完整課程體繫，並圍繞機器學習、深度學習、強化學習、遷移學習、計算機視覺、自然語言處理、自動駕駛、大數據等理論與實踐的真實需要，豐富課程內容，開創了從學科知識過渡到工程實踐的學習路徑。

第三，來自產業界的真實實踐課題和訓練數據。

每一位DeeCamp訓練營的營員都有機會親自嘗試並解決來自各個產業界代表性的企業的真實問題，在合作企業提供的真實數據基礎上完成機器學習模型的構建。真實場景和真實數據對於絕大多數在校學生，或者較少接觸真實商業項目的研究員和工程師來說，都是不可多得的實踐素材。對於每年DeeCamp訓練營的每一個實踐課題，營員們都會創造出讓合作企業和產業導師眼前一亮的出色成果。

第四，發掘營員自主能力和自身潛力。

DeeCamp訓練營給營員們提供了一個發掘潛力、展示自己的大舞臺。營員們從天起就組成實踐小組，自我組織和管理。他們像參加或運營一個創業團隊一樣，做好團隊內部分工和項目計劃，並在進展過程中不斷評估團隊效能、修正問題，以期在終的結營展示環節獲得好成績。營員們還自發組織學習交流和知識分享，這實際上是營員們鍛煉自主能力、提升綜合素質的好機會。

我非常高興地看到，DeeCamp訓練營的成功培訓經驗、方法論、課程體繫、部分實踐課題可以出版成書。以前DeeCamp訓練營隻能通過4～8周的培訓，幫助數十位或數百位營員提升素質與技能。現在，這本書的出版可以讓成千上萬名有志於人工智能工程實踐和商業落地的學生、研究員、工程師、產品經理受益。希望大家喜歡這本書！

後，特別感謝將課程內容授權給本書的所有DeeCamp訓練營講師，感謝將真實案例授權給本書的合作企業，感謝為本書的出版付出辛勤勞動的創新工場DeeCamp訓練營運營團隊，感謝電子工業出版社博文視點的編輯人員，也感謝所有為本書的編寫提供過指導意見或參與過本書文字校閱的朋友！

李開復

創新工場董事長兼CEO

★★我非常高興地看到，DeeCamp訓練營的成功培訓經驗、方法論、課程體繫、部分實踐課題可以出版成書。以前DeeCamp訓練營隻能通過4～8周左右的培訓，幫助數十位或數百位營員提升素質與技能。現在，這本書的出版可以讓成千上萬名有志於人工智能工程實踐和商業落地的學生、研究員、工程師、產品經理受益。希望大家喜歡這本書！

——李開復 創新工場董事長兼CEO

★★人工智能是第四次工業革命的技術基石，許多產業將被它改變，它也將帶來許多新的產業——自動駕駛、工業互聯網、AI醫療……我希望年輕的工程師們以飽滿的精神迎接這樣一個充滿挑戰的未來，我相信這本書能幫你做好準備。

——張亞勤 清華大學智能科學講席教授、智能產業研究院院長

★★一個能夠讓學生體會到 “耳到、眼到、口到、手到、心到”的AI學習環境，無疑是學習AI的優選路徑。DeeCamp訓練營恰恰提供了這樣一個環境——在幾周時間裡，營員通過大師講座（耳到）、參觀黑科技（眼到）、互相交流（口到）和編程實現（手到），體會到AI繫統設計理念和創新思維（心到），從而激發了對AI的興趣。每一位營員將所學的知識融會貫通，從*初的一個好奇的想法落地成一個真正動起來的繫統，每一刻都有豁然開朗之體味。這真是一個奇幻之旅。

——周明 創新工場首席科學家、微軟亞洲研究院前副院長

★★創新工場的DeeCamp訓練營邀請了名師授課，在人工智能關鍵技術、工程實踐、產品研發、創業轉化方面都有涉及，對創新創業人工智能人纔培養頗有裨益。諸多培訓內容彙入本書，值得感興趣的讀者一讀。

——周志華 南京大學教授、歐洲科學院外籍院士