2017-2018S2科研沙龙活动记录（二）
时间：2017.11.28
地点：A栋118室
主讲人：16级邓扬，张冰，陈道源，16级王飞阳
主持人：李可可
参与人员：16级，17级实验室同学
活动内容：
2017年11月28号，我们迎来了本学期第二次科研沙龙活动。此次科研沙龙由邓扬，张冰，陈道源进行CNCC会议相关分享，王飞阳带来P4分享。
邓扬，张冰和陈道源分别从对话即智能，感知与决策，得语言者的天下这三个方面入手，分享了他们在CNCC会议上的收获与见解。邓扬提到微软的沈向洋提出了人工智能的一大方向：对话即智能。从回答问题到提出问题，从一问一答到连续对话。现在热门的问答任务分为：知识库问答，社区问答以及机器阅读理解与问答。知识库问答的关键技术包括实体链指 (Entity linking)以及关系抽取 (Relation extraction)。实体链指 (Entity linking)：即将文档中的实体名字链接到知识库中特定的实体上。它主要涉及自然语言处理领域的两个经典问题实体识别 (Entity Recognition) 与实体消歧(Entity Disambiguation)。关系抽取 (Relation extraction)：即将文档中的实体关系抽取出来。知识库问答的主流方法包括语义解析（Semantic Parsing），信息抽取（Information Extraction）和向量建模（Vector Modeling）。而社区问答中代表性的研究问题包括：相关答案选择(Answer Selection)：文本相似度计算；相似问题检索(Question Retrieval)：文本相似度计算；问题分类(Question Classification)：文本分类；答案摘要生成(Answer Summarization)：文本摘要。让机器像人类一样阅读文本，进而根据对该文本的理解来回答问题是机器阅读理解与问答主要研究的内容。
张冰同学提到在人工智能领域，感知能力和决策能力是衡量智能的关键指标。近几年深度学习的发展使得直接从原始的数据中提取高水平特征进行感知变成可能。然而深度学习从统计学的角度来说,就是在预测数据的分布，这一点就要求测试数据和训练数据必须是同分布的。导致深度学习模型难以适应环境变化，无法进行连续决策。而强化学习本质是解决决策问题，并且可以做连续决策。她还提到了强化学习与监督学习和无监督学习的差别，并进一步提到了深度强化学习的概念。强化学习具有决策能力，却无法进行感知。深度学习具有较强的感知能力，但是缺乏一定的决策能力，尤其是连续决策能力。因此将两者结合起来，用深度学习提取特征，再应用在强化学习上面，优势互补，能够为复杂系统的感知决策问题提供解决思路。
王飞阳同学P4背景介绍，P4语言介绍，P4编程语言，P4工作流程，P4研究问题深入浅出的讲解了P4。为了解决当前网络缺失的体验保证，低效的业务部署，缓慢的业务适应等缺陷，学术界和工业界提出了SDN的解决方案。SDN是一种基于软件的网络架构及技术，通过分离网络设备的控制面与数据面，将网络的能力抽象化为API，提供给应用层，从而构建开放可编程的网络环境，在对底层各种网络资源虚拟化的基础上，实现对网络的集中控制和管理的方案。但是SDN存在局限性：SDN可编程只存在于SDN控制平面，数据平面(即包转发逻辑)仍主要由固定功能的交换芯片所决定，而P4编程语言的出现解决了这一窘境，它允许网络设计者自上而下地定义数据包的完整处理流程，可以从根本上改变设计网络系统的方式。P4有三个目标：1. 重配置能力（Field Reconfigurable）：在交换机被部署之后，开发者应该能够对数据包的处理方式进行再修改；2. 协议无关性（Protocol Independent）：网络设备（交换机）不应被绑定在任何特定的网络协议上，对于任何所需要的网络数据平面协议和数据包处理行为，程序员都可以使用P4进行表达；3. 目标无关性（Target Independent）：开发者不需要关注底层特定硬件设备细节，即可描述数据包处理功能。
通过邓扬同学、张冰同学、陈道源同学以及王飞阳同学深入浅出的讲解和雷老师的精彩分析，大家对人工智能的现状和挑战以及P4有了新的认识，希望大家可以在空闲时间对感兴趣的问题进行深入研究。
附：获奖名单
鼓励奖：邓扬，张冰，陈道源，王飞阳
好问题奖：谢悦湘，黄济乐，黄俊琳，李可可