神经网络是不是黑箱，前提是你看待它的角度是怎样的。如果你把它看成黑箱，意味着不去管每层隐藏层的含义；如果不把它看成黑箱，意味着你尝试将每个隐藏层拆开来看，上一个隐藏层输出变成了下一个隐藏层的输入。有人说黑盒是值神经网络训练步骤黑，有人说是神经层不知道输出什么黑......“一千个人眼中有一千个哈姆雷特”，那么你对“神经网络黑箱”是怎样理解的呢?
当下深度学习如此火热，不时会涌现出各种新型的人工神经网络，想要实时了解这些新型神经网络的架构还真是不容易。其中，神经网络结构搜索（NAS）在这一两年来热度很高，引起很多人兴趣的同时，也产生了不少困惑。NAS研究的难点在哪里?提升模型效率的思路?能够提炼出哪些神经网络结构设计的范式?
本期，AI TIME特别邀请了杜克大学杨幻睿、德州大学奥斯汀分校陈天龙、东北大学李垠桥、麻省理工学院林己，于3月27日（本周六）与大家一起思辨!
杨幻睿，本科毕业于清华大学电子系，现为杜克大学电子与计算机工程系博士四年级学生，师从李海教授和陈怡然教授。杨幻睿的主要研究方向为利用稀疏、量化等方式压缩神经网络模型，以及评估并增强深度学习模型的鲁棒性，以期得到即高效又鲁棒的适用于部署在现实世界中的深度学习模型。
陈天龙，德州大学奥斯汀分校的第三年博士学生，专业是电子与计算机工程，导师是汪张扬老师。本科毕业于中国科学技术大学少年班学院，本科专业是应用数学，和计算机双学位。目前主要研究方向是鲁棒高效的自动化机器学习，稀疏网络，图网络。曾在NeurIPS, ICML, ICLR, CVPR, ICCV, ECCV等顶会上发表工作20余篇。
李垠桥，东北大学自然语言处理实验室18级博士研究生。研究方向为网络结构搜索、语言建模、机器翻译等，同时组织实验室开源项目NiuTensor的系统开发，参与WMT、CWMT等机器翻译评测任务，在ACL、IJCAI、NLPCC等会议期刊发表论文若干，社会学术兼职上担任中国中文信息学会青年工作委员会学生委员，参与ACL、AAAI、CCL等自然语言处理会议审稿工作。
林己，本科毕业于清华大学电子工程系，现在是麻省理工学院电子工程和计算机科学系的博士生，导师为韩松。他的主要研究兴趣是高效率和硬件友好的深度学习算法和系统，以及视觉方面的应用。