这是2016年11月11日在旧金山举行的人工智慧研讨会，会中有众多学界与业界大牛分享心（nei）得(mu),赞助商之一的Trylabs （也在人工智慧业界）记下他们的心得，条列如下:
1.深度学习（依然）不是一切
深度学习（Deep Learning）在图像声音辨识，机器翻译，游戏等等获得了很大的成功，——但是传统的机器学习技巧，从统计学，资讯理论或数学来的 Gradient Boosting, Logistic Regression or SVM 等等方法依旧被 Amazon, Quora 等顶级科技公司采用并获得很好的结果
2.选择正确的问题，选择正确的衡量标准
在多场演讲之中，演说者反复提到采用人工智慧是为了解决问题，不是为了炫技，采用人工智慧的方式解决问题，是非常消耗公司内部资源的，在选择问题上，一切必须回归到商业价值。在Airbnb 的分享中提到她们评估人工智慧的绩效，是根据于实际公司运行效率提升了多少
3.调整模型参数只占了专案的5%
更多的时间应该花在收集资料，调整资料以更接近真实情况，思考该采取的演算法，如何评估绩效，如何设置报警，如何上线之后随时动态调整模型。
4.不要一条路走到死，同时参考多个模型会更准确
5.个人化的趋势更明显，Pinterest 以及 Netflix 又开始做类似 Google homepage 自动客制化生成首页的尝试。
6.手动调整依旧被Google 所用
Google 最近推出一个“半自动回复”的功能，目前在手机端有10%的回复是透过这个“半自动回复”，这项服务所有的回答都是机器自动学习的，然而为了避免脏话，黑话，错话，Google 事先人工规范好一套“高品质的回复”，机器只能从这套中挑选。
7.大公司在进行多个机器学习专案时，应该尽量重复利用资源，尽量建立共用平台。
8.公司对人工智慧领域最佳的切入点，就是对大公司员工进行挖角，称之为站在巨人的肩膀上。
9.Opensource 的蓬勃发展，加速推动了人工智慧领域的发展，同时很多大公司内部也使用大量的 Opensource
10.人工智慧专案至少要投入6个月以上的时间，才能开始产生价值，在开始专案之前请先获得高层明确的支持。
