由创新工场主办的DeeCamp 2019人工智能训练营，已在中国科学院大学正式开营。今年近600 名学员在北京、广州、南京、上海四座城市一同参与，完成为期4周的课程。快手作为DeeCamp合作企业，深度参与Deecamp2019学术课程与实践课程，共有10余技术导师参与到课程中，与创新工场DeeCamp2019携手培养人工智能应用型人才，帮助学员形成相对完整AI技术观。
开营仪式当天，创新工场董事长兼CEO李开复，上海交通大学特聘教授、博士生导师俞勇，香港科技大学计算机系和数学系、机器学习领域的世界级专家张潼，人工智能领域世界级专家、南京大学人工智能学院院长周志华四位重量级导师亲临北京、上海、广州、南京四个开营仪式现场，共同开启2019年DeeCamp人工智能训练营序幕。
DeeCamp人工智能训练营由创新工场于2017年发起，面向热爱AI技术、具备计算机基础的高校学生，是一个致力于培养人工智能应用型人才的公益项目。
大咖分享AI基础能力：训练效率、推理效率和智能决策
快手Y-Tech西雅图人工智能实验室和FeDA商业化Y-Tech联合实验室负责人刘霁为同学们带来了知识课分享《AI基础：训练效率、推理效率和智能决策》。刘霁是美国罗彻斯特大学的助理教授，研究领域包括机器学习、优化和强化学习，以及各类数据驱动的应用场景。他提出的异步并行算法(Asynchronous Parallel Algorithm)已应用于许多机器学习的平台，如Google TensorFlow。 2018年，他当选MIT Technology Review评选的“35 位35 岁以下创新青年”。
刘霁教授给现场的同学们介绍近期的前沿研究成果以及在快手业务线上的实践，分享最新的AI硬核技术，帮同学们从数据采集，模型设计，智能决策，模型训练，和模型推理几个方面建立对相对完整的AI技术观。
刘霁教授首先从智能决策入手，介绍强化学习其在策略设计及运营优化上的应用，探讨游戏AI前沿性研究方向，并结合工业实践展示了大量游戏AI的成果。接下来，刘老师重点分享了极具开创性的并行优化的技术，用以提高大规模深度学习训练的效率，包括异步并行、去中心化技术，以及压缩方法，极大降低了AI技术工业场景中的试错成本，这些前沿性的技术正在被Facebook、IBM、Microsoft等国际一线公司采用。
最后一部分刘霁教授介绍了通过模型压缩加速模型推理，模型推断是AI从模型算法到工业落地的最后一环，是快手用AI技术普惠大众的价值观重要的技术支撑。刘教授介绍了其团队开发的最新针对不同手机定制化的模型压缩技术，以及在快手内部广泛场景中的落地。授课现场，学员们提出学习中遇到的困惑，刘霁教授一一给出解答。
快手AI实验课介绍
挑战快手小游戏AI，端上AI助你走进名画，多模态AI音乐生成，质量感知的媒体传输优化，快手共为学生们带来了4个实验课题。多名快手算法工程师指导学生们完成实践课题，带领学生们共同完成项目。 据了解，在企业导师之后下，8 月 14 日，DeeCamp2019 学员们将最终进行项目评比与展示。
实验课题一：挑战快手小游戏AI
游戏AI是AI能力的最高表现形式之一。从Alphago到冷扑大师再到AlphaStar，AI能力的边界一次又一次被重新定义。游戏AI的开发是对AI从业者综合能力的最完整的测试和锻炼，比如: 深度学习，强化学习，模仿学习，博弈论，优化，并行系统。
快手小游戏给大家提供了一个设计游戏AI从0到1的完整历程。能够亲身体验跟自己设计的AI共同成长的默契，感受跟其他AI相互角逐的刺激。
实验课题二：端上AI助你走进名画
我们看过很多优秀的绘画作品，比如清明上河图、富春山居图等等，画面的唯美让人神往。有没有想过AI可以帮助你把自己放到这些名画当中，让自己穿越古今身临其境地感受画风的美妙。只要你拥有一部手机，我们就可以利用AI技术，尤其是端上深度学习技术，把你整个人无缝融合到画作当中。
实验课题三：多模态AI音乐生成
多模态AI音乐生成是从语音、哼唱片段、视频内容等多模态数据源中获取音乐生成的基础要素，例如：动机(Motif)、风格、节奏等，再通过旋律生成、自动配器、智能混音等一系列模型生成最终的音乐作品。与传统的人工作曲相关，该种方式生成的音乐能够与多模态信息更加匹配，同时降低了用户在音乐使用和生成的难度，极大程度提升用户体验。要把多模态AI音乐生成这个问题研究好，需要有做音乐和做 AI 的人一起集成创新。
实验课题四：质量感知的媒体传输优化
媒体内容在APP终端上进行显示前，一般会经历采集、压缩、传输、解码、渲染等步骤，任意一个环节出问题，都将极大影响最终媒体内容的质量。本课题着重关注视频的处理与传输联合优化环境，分别针对短视频和直播这些典型场景，在考虑网络带宽，稳定性，以及视频质量的情况下，对视频处理，压缩，和传输进行优化，从而在终端呈现高质量的视频画面。本课题涉及视频编解码技术;基于深度学习的视频处理技术;基于深度学习的多媒体网络传输优化。
