第二期“DI极客说”：决策AI创新应用带来的行业变革 | 活动回顾

范伟作《AI决策智能技术在联想的实践》主题报告分享

联想研究院AI Lab机器学习总监范伟作为企业界代表，从行业应用的角度分享了决策AI在企业B端的实践应用经验，他从三个角度介绍了AI技术与场景的深度融合为实体经济发展所创造的价值。范伟首先谈到新时代下企业科学决策需要用到的一些关键技术，尤其是以AI为代表的新技术。其次结合联想的供应链物料优化、智能生产排程、机器视觉检测等案例来解读AI实现智能决策的三大优势。最后从联想集团整体战略层面来分析如何通过“内生外化”来实现智能化转型。

胡如云作《强化学习在合成生物中的应用》主题分享报告

中国科学院深圳先进研究院助理研究员胡如云分享了强化学习在合成生物领域的应用。胡如云举了两个应用案例来介绍合成生物及其作用，并从两个方面阐述了合成生物领域的强化学习应用：一个是生物逆合成，即给定目标产物和已知的底物，设计生物合成路径来获取目标产物；另一个是蛋白质工程，即改造蛋白序列以获取更好的蛋白。尽管目前决策智能在合成生物领域的应用仍在探索期，但随着技术的进步，决策智能会在合成生物领域越来越多地发挥出作用。

周航作《决策AI在游戏中的设计与应用》主题分享报告

OpenDILab的核心研发人员周航分享了决策AI在各类游戏（FPS游戏、RTS游戏、MOBA游戏等）中的设计与应用。周航认为，整个MOBA和RTS领域的AI训练都应用了非常经典的大规模强化学习方法，是如今学术界和工业界最先进的研究之一。

而在牌类游戏里，游戏AI的决策应用难点主要在于不完全信息博弈，无法用一个模型解决所有问题，结合深度学习、强化学习以及大规模分布式平台训练出来的AI在各个竞技项目的水平已经比肩甚至超越了人类，但在复杂场景下AI仍然面临着巨大挑战，游戏AI落地还需解决训练成本，模型的泛化性和鲁棒性等多个难题。

陈若冰作《决策AI应用与生态：探索+优化》主题分享报告

OpenDILab的核心研发人员陈若冰分享了OpenDILab在决策AI创新应用上所做的优化和探索。他介绍了感知型AI和决策型AI的区别，以及决策型AI面临的挑战，并从决策AI应用流程的分析出发，从策略、环境、应用三个方面介绍了OpenDILab应对决策AI难题的思路。

以决策AI在自动驾驶、交通信号控制的应用为例，陈若冰为大家介绍OpenDILab的解决方案。最后，他提到目前OpenDILab已经支持了自动驾驶方向的开源框架，今年内也会推出信号控制的框架以丰富平台应用。