第32届AAAI会议于2018年2月2~7日在美国新奥尔良举行。AAAI会议(Association for the Advancement of Artificial Intelligence)是人工智能领域的顶级学术会议，是中国计算机学会(CCF)推荐的A类会议。AAAI会议在每年的2月举行，由 AAAI 协会主办，专注于推进人们对思想、智力背后机理的科学认识及其在机器中的实现。

AAAI 2018的注册人数达到 2296人，比去年提升了34%；收到投稿3808篇，比去年提升了47%；录用论文938篇，总录取率为24.6%。中国以1242篇的投稿当仁不让地成为AAAI 2018最大学术论文产地，比去年提升了58%。

研究论文

AAAI会议的目的是促进人工智能(AI)的研究和为从事人工智能的研究人员、从业人员、科学家以及附属学科工程师提供一个良好的学术交流平台，是涵盖多个研究领域的综合性会议。论文录用领域包括自然语言处理(NLP)、机器学习、AI和网络、机器学习应用等24个领域。机器学习方法占据投递论文数量和录用数量的第一位（投稿1184篇，收录261篇）；在视觉领域，投稿数和论文录用数相比2017年实现了质的飞跃，以257%的投稿增长和285%的录用增长的比重排在第二名。就论文录取率来看，“计算持续性与AI”“搜索及约束满足”“不确定性推理”等领域的论文录用率相对较高。

主题报告

本届AAAI共邀请了 7 位优秀的特邀演讲嘉宾:

Subbarao Kambhampati教授的报告

Subbarao Kambhampati(Rao)是亚利桑那州立大学的教授，他在研究规划和决策中的基本问题领域，尤其是关于人类意识AI系统的挑战中颇有建树。

在本次大会上， Rao教授作了主题为“Challenges of Human-Aware AI Systems”（人类感知人工智能系统的挑战）的演讲。人工智能的研究长期以来一直困扰着人类，这些研究在“替代人类”和“增强人类”的使命之间摇摆不定。随着技术的日益进步，人工智能逐渐进入了我们的日常生活，人工智能系统更需要与人类协同工作。想要有效地做到这一点，人工智能系统必须更加关注“与人类协同工作”方面的研究，这其中就包括“情感智能”和“社交智能”。在演讲中，Rao教授讨论了设计人类认知人工智能系统所面临的研究问题，包括对人的心理状态进行建模，识别人们的愿望和意图并提供积极的支持，对行为和需求做出切实的解释。他还总结了在这些挑战方面取得的进展，并突出一些有希望的方向，谈到了这些系统构成的额外的道德困境。追求人类意识的人工智能系统拓宽了人工智能企业的研究范围，迫切需要和促进真正的跨学科协作，从而大大提高公众对人工智能技术的接受度。

Yejin Choi教授的报告

Yejin Choi是华盛顿大学Paul G. Allen计算机科学与工程学院的副教授。她最近的研究集中在语言和视觉的整合、从文本和图像学习知识、为自然语言生成和建立更丰富的语境，以及使用内涵框架建立文本的非字面意义。

她在本次大会上的演讲主题是“From Naive Physics to Connotation: Learning and Reasoning about the World using Language”（从纯粹的物理动作到了解内涵：用语言来学习和推理世界）。智能的沟通需要从阅读的字里行间进行理解，而这又需要关于“世界是如何工作”的丰富背景知识。但是，从语言中学习不可言喻的常识和知识并非易事，因为人们很少说明这一点，例如“我的房子比我大”。在讲座中，Yejin Choi讨论了如何从没有体现的语言中还原出琐碎的日常知识。一个关键的洞察是：人们分享和假设的隐性知识系统地影响着人们使用语言的方式，这为间接理解世界提供了线索。例如，如果“Jen进入她的房子”，那一定是她的房子比她大。在演讲中，Yejin Choi介绍了如何通过适应框架语义的表示，来组织常识的各个方面——从纯粹的物理知识到更抽象的内涵，补充了以框架为中心的神经网络方法，讨论了当前模型和形式主义面临的挑战。

Cynthia Dwork教授的报告

Cynthia Dwork教授来自哈佛拉德克利夫高等研究学院，因其在数学上的严谨，以及在此基础上进行的隐私保护数据分析而闻名。他在密码学和分布式计算方面也作出了开创性的贡献。他最近的研究领域包括适应性数据分析的稳定性（特别是通过不同的隐私）和分类的公平性。他在主题为“Fair Questions”（公平问题）的演讲中讲到了算法的“不公平性”——从广告到重犯预测的任务，在时下的流行媒体上引起了相当的关注。用于实现公平的算法技术经常出现在专门的研讨会、专题讨论会以及已建立的研究会议中。他的演讲重点讨论了数学严谨的公平理论（定义、方法和可证明的限制以及折衷）的新研究，为“解释性”等热点政策问题提供了研究方向，并为未来的研究提出新的问题。

Zoubin Ghahramani教授的报告

Zoubin Ghahramani是剑桥大学信息工程系教授和Uber首席科学家，英国国家数据科学研究所阿兰·图灵研究所(Alan Turing Institute)的创始总监，Geometric Intelligence（现在的Uber AI Labs）的联合创始人。他的研究集中在机器学习和人工智能的概率方法上，发表了250多篇相关研究论文。Zoubin Ghahramani教授在AAAI 2018的演讲主题为“Probabilistic Machine Learning and AI”（概率机器学习和人工智能）。他回顾了概率AI领域的基础，重点介绍了当前的一些研究情况，涉及贝叶斯深度学习、概率规划、贝叶斯优化和数据科学AI等。

Joseph Halpern教授的报告

Joseph Halpern于1996年加入康奈尔大学计算机系，并于2010~2014年担任系主任。在本次大会上，他带来了“Actual Causality: A Survey”（实际因果关系：一项调查）的演讲。事件C“事实上导致”事件E的含义何在？界定实际因果关系的问题不仅仅是哲学思辨。例如，在许多法律论点中，确定责任就是需要确认车祸或医疗问题的真正原因究竟是什么。自18世纪以来，哲学文献一直在与定义因果关系的问题斗争。许多定义都是用反事实来表述的。C是E的一个原因，如果C没有发生，那么E就不会发生。2001年，Joseph Halpern和Judea Pearl引入了一个新的实际原因的定义，用Pearl的结构方程的概念来模拟反事实。至此，这个定义被修改了两次，扩展为处理“责任”和“责备”等概念，并应用于数据库和程序验证。在此演讲中，Joseph Halpern围绕他与Judea Pearl, Hana Chockler以及Chris Hitchcock等人过去15年的研究进行了回顾和展望。

Charles Isbell教授的报告

Charles Isbell是乔治亚理工学院计算学院教授兼高级副院长，机器学习研究人员。他的演讲题目是“How Machines Learn Best From Humans”（机器怎样很好地理解人类）。“我们建立机器学习系统是因为我们希望它们以某种方式行事。在这种情况下，‘我们’的主体通常是人类。无论我们想传达特定的策略还是细微的偏好，以定义目标本身，总是需要某种形式的从人到算法的知识迁移。交互式机器学习主要集中在利用机器学习技术解决人工智能问题的背景下推动迁移的技术。”Charles Isbell在演讲中探讨了交互式机器学习中所研究的一些问题和技巧，特别强调“与人类参与者的实验结果所产生的违反直觉的设计原则，尤其是那些违反直觉的原则通常是由于‘we’对‘us’的错误理解而产生的。”

Percy Liang教授的报告

Percy Liang是斯坦福大学计算机科学助理教授，他的研究范围涉及机器学习和自然语言处理，其目标是开发可靠的智能体，使其可以有效地与人沟通，并通过互动获得性能的提高。他在本次大会上的演讲主题为“How Should We Evaluate Machine Learning for AI?”（我们应该如何评估AI的机器学习？）。机器学习在人工智能领域取得巨大成功，但也衍生出训练-测试的评价范式。这个标准评估只会鼓励平均表现良好的行为。它不能保证对抗性例子所显示的鲁棒性，并且对对话这样的互动性任务或者错误的回答无计可施。在这次演讲中，Percy Liang介绍了以自然语言理解任务为重点的评估范例，并探讨在有意义的方向上指导AI的进展。

最佳论文

本届大会的最佳论文是“Memory-Augmented Monte Carlo Tree Search”（记忆增强的蒙特卡洛树搜索），作者为阿尔伯塔大学的Chenjun Xiao、Jincheng Mei和 Martin Müller，第一和第二作者是今年仅有的当选最佳论文的两位华人作者。这也是自1996年以来，华人学者第五次获得AAAI最佳论文。本文提出并评估了记忆增强的蒙特卡洛树搜索(M-MCTS)，提供了一种在线实时搜索的新方法。这一方法主要是将MCTS和一个记忆结构组合，每个entry包涵特定信息，记忆结构用于组合类似状态的评估进行近似值估计。研究表明这一方法产生的估计值优于普通蒙特卡洛估计。在围棋游戏中，M-MCTS在相同模拟次数下优于MCTS。

本届大会的最佳学生论文是“Counterfactual Multi-Agent Policy Gradients”（反事实多智能体策略梯度），作者是来自牛津大学的Jakob N. Foerster, Gregory Farquhar, Triantafyllos Afouras等。在文章中作者提到，许多现实世界问题都可以很自然地看作合作性的多智能体系统问题来建模。这就对新的强化学习方法提出了强烈的需求，以便为这些系统高效地学习到去中心化的运行策略。出于这个目的，他们提出了一种新的多智能体的“执行者-批评者”方法：反事实多智能体策略梯度(COMA)。作者在星际争霸游戏的单位控制测试环境中评估了COMA 的表现，使用了非常便于分别观察的去中心化变量。与这个环境下的其他多智能体执行者-批评者方法相比，COMA的平均表现有显著提高，而且COMA得到的最好的智能体表现可以和顶尖的具有全状态数据的中心化控制方法相提并论。

本届大会的最佳论文提名是“Generalized Adjustment Under Confounding and Selection Biases”（对选择偏倚和混杂偏倚的泛化调节处理方法），作者来自普渡大学、爱荷华州立大学的Juan D. Correa, Jin Tian和Elias Bareinboim。在这篇论文中，作者泛化了后门调节的想法，以同时处理选择偏倚和混杂偏倚，并且在不引入选择偏倚的情况下利用可能的外部数据。作者介绍了调节对的思路，并展示了通过调节方法识别因果关系的完整图形条件。作者还描述了一种统计性的估计过程，一旦确认了某个设置是可以处理的，就可以执行这个过程，它可以用来处理有限样本中的多种问题。

本届大会的最佳学生论文提名是“Adapting a Kidney Exchange Algorithm to Align with Human Values”（改造出和人类的价值一致的肾脏分配算法），作者是来自杜克大学和马里兰大学的Rachel Freedman, Jana Schaich Borg, Walter SinnottArmstrong等。在这篇论文中，作者提出了一种端到端的方法用于在肾脏分配中根据每个病人的档案估计权重。作者首先从人类被试者中获取了一组他们认为可以用于决定病人优先级的属性（比如医疗特征、生活方式等等），然后根据不同病人的档案向被试者提问对比问题，根据他们的回答严格地计算出各个属性的权重，并展示了如何在肾脏分配市场的分配算法中使用这些权重。

总结与展望

从本次会议的投稿数量和最佳论文，可以看到华人在国际上的影响力在上升。今年还有众多的中国企业都深度参与其中，商业巨头BAT与京东、滴滴出行等中国企业赞助了会议，百度有四篇论文被录用，阿里巴巴和腾讯AI Lab各有11篇论文被收录。以AAAI 2018为代表的国际学术会议在中国企业心目中的地位也越来越重要。

AAAI 2019将在美国夏威夷州火奴鲁鲁市举办，期待各位人工智能研究者做出更加卓越的研究成果，也期待中国学者在该领域有更精彩的表现。

原文链接：https://mp.weixin.qq.com/s/0fkIn83uE00ef6DavhVHWg