9月9日17:00，科桥邀请到了巴黎国立路桥学院博士、imagine实验室研究员沈西博士开展题为“An Invitation to Artificial Intellegence”的知识讲座，讲座以AI的现实应用为引，层层深入，逐步揭开AI了神秘面纱，让参与讲座的同学获益匪浅。
讲座伊始，沈西博士结合热点事件向同学们介绍了AI在现实中的广泛应用，如：商品推荐、图片的风格转换（把选定图片变成梵高风格）、商品识别、Siri、自动驾驶、滴滴路线规划、各种游戏AI（星际、 dota、王者、麻将、德州）、机器人、天猫精灵……
他指出，AlphaFold的问世对世界影响深远——基于人工智能的AlphaFold预测蛋白质结构， Deepmind解决了困扰生物学家近50年的难题，这是人类在认识自然界的科学探索征程中一个非常了不起的历史性成就。
沈西博士以一个简单的例子（线性回归）来解释AI的工作原理。回归分析算法是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。
对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在，从而就可以模拟出结果，也就是对结果进行预测。
线性回归解决的就是通过已知的数据得到未知的结果。例如：对房价的预测、判断信用评价、电影票房预估等。
与此同时，沈博士也指出数据是AI的重要组成部分，以猫狗识别为例，当人们想训练一个识别猫和狗的AI，那么先应该去收集一堆猫和狗的照片，然后通过人工标注，将这些图片逐一进行“猫”“狗”分类。最终通过训练好的AI模型，将用户输入的未经人工标注的新图片，进行猫狗识别。
接着，沈西博士也向同学们介绍了自己的研究领域：弱监督和无监督学习。监督学习：算法依赖大量标注数据，ImageNet 百万张标注图片。弱监督学习：只有很弱的人工标注，比如标注量比较少，每个类别10张。标注不精确。
临近尾声，有着12年海外名校学习经验的沈西博士向在场学生分享了自己多年的学习感悟。他提到，找到自己感兴趣的方向非常重要，但这并不是一件容易的事情，他用了7年时间（大学4年+工程师3年）才找到自己真正感兴趣的事情，如果同学们暂时无法认清自己的兴趣方向，那么他有两点建议给以给到大家：Tip 2 : 每一次实习，都可以尝试不同的工作。他强调，人生是一场长跑，长久持续地输出比短时间爆发更重要，任何时候学习新知识都不晚。
本学期首场精英讲堂活动圆满结束。到场的同学对于AI的算法与应用有了更清晰的认识，对于如何找到自己的兴趣方向也有了更为深刻的思考。感谢沈西博士的精彩讲座，也让我们共同期待下一场精英讲堂的精彩！