谷歌大脑Jeff Dean等人最新提出一种分层模型，这是一种灵活的端到端方法，用于优化CPU、GPU等的自动化设备配置。该方法在多个主要神经网络模型上测试，最高实现了60.6％的性能提升。
新加坡有位高中生Karan Jaisingh已经学习人工智能和机器学习一年了。不久前，他在GitHub发出了一篇长文，专门教广大高中生（以及高中老师、高中生家长、准高中生、准高中生家长……）入门人工智能。
日前，AAAS 在 reddit 上组织了一场问答，Facebook 人工智能研究院 Yann LeCun，微软研究院院长 Eric Horvitz，谷歌研究总监 Peter Norvig 共同出席此次活动，回答了观众提出的一系列问题。
无论你是 AI 的创业者、投资人，还是对 AI 技术感兴趣的爱好者或者是商务人士，希望我讲的内容可以对大家有一定的借鉴意义。
我们需要重新审视人工智能的本质，探索它的应用，弄清是谁在控制它。并且，从长远的角度来看，讨论一下未来我们是否能控制它等。
不可否认现在很多人把人工智能通常与能够跨越多个不同领域执行任务的通用人工智能相混淆，甚至与超越人类智能的超人工智能相混淆。这对任何现在称为“AI”的系统都提出了不切实际的期望。
模仿学习（Imitation Learning）背后的原理是是通过隐含地给学习器关于这个世界的先验信息，就能执行、学习人类行为。
中国科学院院士张钹对国内外人工智能产业发展现状，提出我国仅靠跟随性的应用深度学习发展人工智能，是无法引领这项技术实现革命性突破的。
1月18日，召开国家人工智能标准化总体组、专家咨询组成立大会，在会上，国家标准化管理委员会宣布成立国家人工智能标准化总体组、专家咨询组，负责全面统筹规划和协调管理我国人工智能标准化工作。
所有的真理都经历了三个阶段：第一，被嘲笑； 第二，被强烈反对；第三，被不证自明地接受。
2018年可能是一切都发生戏剧性变化的一年。2017年深度学习取得的惊人突破将在2018年以一种非常有力的方式延续下去。2017年的研究工作将会转移到日常的软件应用中。
新年到来总是令人兴奋的，尤其当我们感受来自 2017 年兴起的科技互联网新趋势，更引发出对未来的期待。
五年前，研究人员在能够解读图像的软件的准确性上有了一次突如其来但大幅度的飞跃，其背后的人工神经网络支撑了我们现在在人工智能行业所看到的繁荣景象。
日前，DeepMind团队发表了最新论文，提出了全新的强化学习算法AlphaZero，它是一种可以从零开始，通过自我对弈强化学习在多种任务上达到超越人类水平的新算法，堪称“通用棋类AI”。
通常的逻辑是，被自动化取代的工作已就会消失，但是现在我们有了这个新工作，我们不知道如何对其实行自动化，所以你可以得到一份新工作，也许更好的工作，对这种先进的技术进行控制。
“我是一个非常幸运的人，没有教课的任务，有助理团队和顶尖的研究人员给我提供支持，我可以研究的领域实际上没有任何限制，我必须非常努力，才能对得起这样的特权”。
Return to Top ▲
友情链接