在图像、语音识别、自然语言处理、强化学习等许多技术领域中，深度学习已经被证明是非常有效的，并且在某些问题上已经达到甚至超越了人类的水平。然而，深度学习对于计算能力有着很大的依赖，除了改变模型和算法，是否可以从系统的层面来优化深度学习计算，进而改善计算资源的使用效率？本文中，来自微软亚洲研究院异构计算组资深研究员伍鸣与大家分享他对深度学习计算优化的一些看法。

微软亚洲研究院云计算及移动计算组推出了一个有趣的研究项目：寻路（Path Guide），提供低成本、即插即用的室内导航服务。在“领路人”的带领下，用户可以跟随前人的移动轨迹在室内找到通向某地的正确路线。它通过收集智能手机在运动过程中的磁场、加速度传感器、陀螺仪和气压计等数据的变化来记录用户的相对运动轨迹（包括步数信息、转弯和上下楼等），进而生成一个参考路线供用户分享。后者只需要沿着“领路人”的路线指引即可找到对应的位置。在路线创建的过程中，“寻路”也支持添加个性化文字、语音及照片等功能，既为分享路线增添了乐趣也能帮助后续用户更容易地找到终点。

在AI讲堂清华大学站上，微软亚洲研究院副院长周明博士做了《自然语言对话引擎》的演讲。周明博士简单介绍了人机对话中常见的卷积神经网络和循环神经网络。运用注意力模型计算主题词与当前对话的匹配强度,通过知识图谱和外部知识对用户的问题进行语义理解,微软在人机对话方面取得了一定成绩。大家熟知的微软小冰背后,就是基于深度神经网络的自然语言处理技术。

我们惊叹于机器人可以写诗做赋，“读心术”、“识人术”顺手拈来；我们也为很多技术突破而躁动，无论是语音识别还是卷积神经网络。在人类和机器的共同学习过程中，我们已经可以清楚感知到，人工智能和人类智能都在继续向前发展。在第十九届“二十一世纪的计算”大会的演讲中，微软亚洲研究院院长洪小文博士立足于学习的命题，分别从机器和人类的角度探讨未来双方互助学习的可能性。