知乎 Live 于 2016 5 16 正式上线，到如今也一年出头了。前阵子拿到曹政老师小密圈内 @Fun 同学分享的知乎 Live 抓取数据，一时手痒做了个简单的分析。大数据时代，数据可以告诉你产品的价值。知乎 Live 于 2016.5.16 正式上线，到如今也一年出头了。前阵子拿到曹政老师小密圈内 @Fun 同学分享的知乎 Live 抓取数据，一时手痒做了个简单的大数据分析。以下数据抓取自 2016.5.4 到 2017.5.12，正式上线前可能有些测试的 Live，基本涵盖了上线以来的所有内容。感谢 @Fun 同学。1. 知乎 Live，悠悠地唱着最炫的内容付费风先看下整体数据：近 1300 名分享者，3000 出头的分享场次，总参与人次达到 350w 人次，总收入将近 1 个亿。和知乎 Live 负责人 4 月份的采访稿交叉验证下，数据基本相近，人次上稍有差距，许是统计口径不同。再看下时间趋势，虽然5月只有到12号数据的，但总体来看，知乎Live 从2016年9，10月的高峰期过后，便慢慢趋于平淡，这可能跟整个内容变现行业渐渐恢复理智有关。之前三节课有篇文章分析「得到」上的整体打开率，活跃率下降，亦是同理可证。数据稍显敏感，故只显示趋势，不展示具体数据。蓝线为参与人次，绿线为总收入。我们大概分析下可能存在的原因。从下面对 Live 主题的分析我们知道，现在前 5 名分类是 ...继续阅读 (24)

互联网人盯的就是KPI和增长，对风控、对法规毫无概念;金融行业出身的人主要谈的就是风险控制，要规范企业的发展。趣谈一、银行和基金从业人员最恐慌的是未来饭碗会否不保波士顿是美国资管行业的重镇。2016年我在波士顿和做基金管理的校友交流中发现，受到金融科技发展的影响，他们对未来有些悲观，认为饭碗在未来某一天也许就没了。很多在银行工作的朋友同样焦虑。我的观点，大量易标准化、重复性、没技术含量、不具独创性的工作肯定会被裁掉。从基金行业来说，首先后台最容易被替代，因为都是成本。清算、交收、估值类工作，以前需要多人忙碌，现在很容易被一套软件系统就替代了，都用不上人工智能，而且准确性更高。目前还有公司在开发银行间的区块链对账系统，以后也不用每天晚上人工互检对账了。因为区块链本身是一个瞬间同步的账目，每个人的账本会实时共享，同时又能做到安全透明、不可篡改，所以这些后台工作会最先被替代。再说前台，智能投顾的自动化交易未来会让大多数交易员变得毫无价值。以量化投资来说，未来做多因子模型的投资经理就很容易被干掉。因为由AI来做优化，绝对比人做优化要强很多。对于前台的其他工作，现在已经出现了机器人客服，像信息简报、研究报告类也都可以由人工智能自动摘取生成(当然我认为独创性研究是很难被替代的)。但国内的二级市场与国外有很多不同，很多散户需要心灵按摩。这些情感交流的工作是否就不会被取代呢?我觉得也不一定。因为现 ...继续阅读 (33)

为什么在人工智能领域，科学家总是热衷于让AI跟人类下棋，玩游戏？从简单的跳棋、五子棋，到更加复杂的中国象棋、国际象棋，以及最近非常热门的围棋和德州扑克。每次AI在某个智力游戏上成功地击败人类选手，便会让大家唏嘘不已，慨叹AI会在不久的将来取代人类…幸运的是，AI接手地球还并未发生。我们不仅不需要如此杞人忧天，而且还会欣喜地发现人工智能的技术进步给生活带来了更多便利。一个会下棋的AI也并非科学家的终极目标，其更积极的意义在于，AI算法在研究棋艺的过程中不断精进和提升，会带来更多设计上的创新，从而在根本上提升人工智能算法的能力和适用范围。而科学家之所以乐于选择棋类游戏，一方面是因为它们自古以来就被认为是人类智力活动的象征，模拟人类活动的AI自然要以此为目标。成功达到人类甚至高于人类水平，可以吸引更多人关注并投身于人工智能的研究和应用中来。另一方面，棋类也很适合作为新的AI算法的标杆（Benchmark）。棋类游戏的规则简洁明了，输赢都在盘面，适合计算机来求解。理论上只要在计算能力和算法上有新的突破，任何新的棋类游戏都有可能得到攻克。除了棋类游戏，牌类游戏（比如德州扑克、桥牌、麻将、斗地主等）也逐渐成为人工智能研究的新方向。而在更加大型的电子游戏方面，比如星际争霸、我的世界(Minecraft)，科学家也开始了新一轮的AI算法的创新。这些不同的游戏在研究人员的眼里究竟有什么区别？这些研究 ...继续阅读 (30)

文章由三川，宗仁，晓帆联合编辑。雷锋网AI科技评论按：乌镇围棋峰会第二天，在《AlphaGo研发介绍，AlphaGo意味着什么》主题演讲上，Demis Hassabis＋David Silver针对昨天与柯洁鏖战的AlphaGo研发做了公开介绍，其中AlphaGo主程序员David Silver在演讲中讲到AlphaGo研发的关键介绍，雷锋网(公众号：雷锋网)AI科技评论根据现场原话整理出下文。演讲摘要：有了这样强大的策略网络和价值网络，AlphaGo探索棋步的基本的搜索树规模就得以大幅度缩减。前一个版本AlphaGo Lee还是通过“只考虑人类可能走的位置”和“预判50回合”来限制搜索规模，如今AlphaGo Master已经考虑的是全局最有价值的位置，并且预测更少的回合数目还能达到更高的准确率。这样一来，蒙特卡洛树更窄更浅，回合中考虑的走子位置更少、预判回合数更少，预判依靠更强大的网络，只用4个TPU、AlphaGo Lee十分之一的计算能力就达到了更高的棋力。AlphaGo Master的硬件，算法和训练细节先从外界一直在关心的AlphaGo硬件问题说起，具体来说，AlphaGo Lee使用了谷歌云上的50个左右TPU。依靠这样的计算能力，我们可以做50层深的搜索，就是说落子前对棋盘上每一个可能的位置可以做50步预判。每秒它可以搜索10,000（ten thousand，1万 ...继续阅读 (41)

开源人工智能人工智能是目前最热门的科研领域之一。诸如IBM、谷歌、微软、脸书和亚马逊这类大型公司不仅加大了对旗下发展研究部门的资金投入，同时也开始并购一些在机器学习、神经网络、自然语言与图像处理领域小有所成的初创公司。鉴于目前人工智能研究领域的火爆程度，斯坦福大学的教授们不久前作出了这样一份报告：“人工智能软件的作用越来越强大，而对人类社会、经济有强大影响力的人工智能软件将于2030年前面世”。国外网站Datamation今日整理了目前热门的15款开源人工智能软件，雷锋网 (搜索“雷锋网”公众号关注) 对全文进行了编译介绍如下：1.CaffeCaffe软件由加州大学伯克利分校的一名博士生开发，是一个基于表达构架与可扩展编码的深度学习框架。因其出色的处理速度而广受研究人员与企业的喜爱。根据其主页的介绍，只使用一颗NVIDIA K40 GPU，该软件一天就可处理超过6000万张图片。Caffe软件项目由BVLC运作，由NVIDIA和亚马逊等公司资助其发展研究。2.CNTKCNTK是Computational Network Toolkit(计算网络工具包)的缩写，是微软旗下开源人工智能软件之一。它的过人之处在于：无论是只有CPU工作，还是单科GPU，或是或多颗GPU，亦或是多台机器配备多颗GPU工作，它的性能都十分优秀。虽然微软主要用它进行语音识别的研究，但它还可以进行机器翻译、图像识 ...继续阅读 (25)

大数据时代，Python 在数据科学行业获得了人们的极大青睐，各种资源也层出不穷。数据科学解决方案公司 ActiveWizards 近日根据他们自己的应用开发经验，总结了数据科学家和工程师将在 2017 年最常使用的 Python 库。大数据时代，Python 在数据科学行业获得了人们的极大青睐，各种资源也层出不穷。数据科学解决方案公司 ActiveWizards 近日根据他们自己的应用开发经验，总结了数据科学家和工程师将在 2017 年最常使用的 Python 库。核心库1)NumPy地址：http://www.numpy.org当使用 Python 开始处理科学任务时，不可避免地需要求助 Python 的 SciPy Stack，它是专门为 Python 中的科学计算而设计的软件的集合(不要与 SciPy 混淆，它只是这个 stack 的一部分，以及围绕这个 stack 的社区)。这个 stack 相当庞大，其中有十几个库，所以我们想聚焦在核心包上(特别是最重要的)。NumPy(代表 Numerical Python)是构建科学计算 stack 的最基础的包。它为 Python 中的 n 维数组和矩阵的操作提供了大量有用的功能。该库还提供了 NumPy 数组类型的数学运算向量化，可以提升性能，从而加快执行速度。2)SciPy地址：https://www.scipy.orghtt ...继续阅读 (28)

大数据在业务价值方面承诺了很多，但企业可能难以确定如何部署需要利用的架构和工具。在拉斯维加斯举行的Dell EMC World 2017大会上，戴尔EMC系统工程师Cory Minton解释了IT领导者如何更好地思考其大数据部署。大数据在业务价值方面承诺了很多，但企业可能难以确定如何部署需要利用的架构和工具。从描述性统计，到预测建模，到人工智能的一切都是由大数据提供支持。而组织希望通过大数据来实现这一目标，并将决定其需要推出的工具。在5月8日召开的2017年戴尔EMC世界会议上，戴尔EMC数据分析的主要系统工程师Cory Minton发表了演示文稿，解释了组织在部署大数据时必须做出的最大决定。在做出决定开始之前，每个企业都要问这六个问题：1.购买与构建?要问的第一个问题是组织是否要购买大型数据系统或从头开始构建。Teradata，SAS，SAP和Splunk的热门产品可以买到并简单实现，而Hortonworks，Cloudera，Databricks，Apache Flink可用于构建大型数据系统。Minton表示，购买提供更短的时间，以及商品使用的简单性和良好的价值。然而，这种简单性通常会带来更高的成本，而这些工具通常在低多样性数据方面效果最佳。如果组织与供应商存在现有的关系，则可以更容易地分析新产品并尝试使用大型数据工具。许多用于构建大数据系统的流行工具价格低廉或可以免费使用， ...继续阅读 (32)

近日，MIT 发表一篇论文，从架构（GPU、CPU、FPGA）到算法概述机器学习硬件研究中的机遇与挑战。在人工智能硬件火热的今天，这是一篇不可错过的综述性文章。摘要：机器学习在从传感器每天收集的大量数据中提取有用信息上发挥着非常重要的作用。在一些应用上，目的是为了分析并理解数据，从而辨清发展趋势（例如，监控、便携式／穿戴式电子设备）。在其他应用中，分析数据的目的是为了能够基于数据快速作出应对（例如，机器人/无人机、自动驾驶汽车、物联网）。对这些应用而言，出于对隐私、安全的考虑，再加上通信带宽的限制，在传感器附近的本地嵌入式处理要比上传到云更好。然而，在传感器端的处理有能耗与成本的限制，还有生产能力与准确率的要求。此外，也需要适应性，以便于传感器适应于不同的应用或环境（例如，在分类器上升级权重与模型）。在许多应用中，机器学习总是涉及到将输入数据转换到更高维度的空间，这伴随着可编程权重、增加数据传输以及最终的能量消耗方面的问题。在此论文中，我们将探讨如何在各种级别的硬件设计上解决这些问题：架构、硬件友好的算法、混合信号线路和高级技术（包括内存与传感器）。一、 导语现在是大数据时代。过去两年创造的数据要多于人类历史上所创造的所有数据。这主要是由于传感器（2013 年平均为 100 亿个，预期到 2020 年达到 1 万亿个）和连接设备（2016 年为 64 亿个，预期在 2020 年达到 ...继续阅读 (38)

导读：关于Alfa Go的评论文章很多，但真正能够与开发团队交流的却不多，感谢Alfa Go开发团队DeepMind的朋友对我这篇文章内容的关注与探讨，指出我在之前那一版文章中用字上的不够精确，所以在此又作调整。我之前文章提到的「全局」指的是跨时间点的整场赛局，很容易被误认为是某个特定时点整个棋盘的棋局，所以后面全部都修改为「整体棋局」。此外，关于整体棋局评估，除了透过脱机数据学习的评价网络之外，还可以透过根据目前状态实时计算的不同策略评价差异(这项技术称之为Rollouts)，它透过将计算结果进行快取，也能做到局部考虑整体棋局的效果。再次感谢DeepMind朋友的斧正。在人类连输AlphaGo三局后的今天，正好是一个好时机，可以让大家对于AlphaGo所涉及的深度学习技术能够有更多的理解(而不是想象复仇者联盟中奥创将到来的恐慌)。在说明Alpha Go的深度学习技术之前，我先用几个简单的事实总结来厘清大家最常误解的问题：●AlphaGo这次使用的技术本质上与深蓝截然不同，不再是使用暴力解题法来赢过人类。●没错，AlphaGo是透过深度学习能够掌握更抽象的概念，但是计算机还是没有自我意识与思考。●AlphaGo并没有理解围棋的美学与策略，他只不过是找出了2个美丽且强大的函数来决定他的落子。什么是类神经网络?其实类神经网络是很古老的技术了，在1943年，Warren McCulloc ...继续阅读 (32)

1、Hadoop生态系统概况Hadoop是一个能够对大量数据进行分布式处理的软件框架。具有可靠、高效、可伸缩的特点。Hadoop的核心是HDFS和MapReduce，hadoop2.0还包括YARN。下图为hadoop的生态系统：2、HDFS(Hadoop分布式文件系统)源自于Google的GFS论文，发表于2003年10月，HDFS是GFS克隆版。是Hadoop体系中数据存储管理的基础。它是一个高度容错的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。HDFS简化了文件的一致性模型，通过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序。HDFS这一部分主要有一下几个部分组成：(1)、Client：切分文件;访问HDFS;与NameNode交互，获取文件位置信息;与DataNode交互，读取和写入数据。(2)、NameNode：Master节点，在hadoop1.X中只有一个，管理HDFS的名称空间和数据块映射信息，配置副本策略，处理客户端请求。对于大型的集群来讲，Hadoop1.x存在两个最大的缺陷：1)对于大型的集群，namenode的内存成为瓶颈，namenode的扩展性的问题;2)namenode的单点故障问题。针对以上的两个缺陷，Hadoop2.x以后分别对这两个问题进行了解决。对于缺陷1)提出了Federation namenode ...继续阅读 (44)

译者：钱亦欣引言使用一些建模分析手段来评价电影的成功已经屡见不鲜，这类预测模型常常使用注入电影制作成本，类型，主演，出品方等结构化数据作为输入。然而，在社交媒体日益发达的现在，人们时常会在Twitter，Facebook等网站上发表自己的意见和建议。社交媒体已然是衡量电影观众情绪的潜在工具了。本文将以2017年的宝莱坞电影“Rangoon”为例子，用R语言来分析Twitter用户对他的情感评价。目录文本挖掘导论分析目标数据分析过程1 ­ 使用“tm”包分析过程2 ­ 使用“suazyhet”包结论为电影预测构建一个算法1. 文本挖掘导论在进入正题之前，我们不妨问这样一个问题：什么是文本挖掘？简而言之，文本挖掘就是把非结构化的文本数据转化为有意义的观点的过程。转化后的观点可以针对用户建议，产品评价，情感分析和消费者反馈等与传统方法依靠的结构化数据不同，文本挖掘的对象是结构松散有诸多语法和拼写错误的文本，而且还时常包含多种语言。这使得整个挖掘过程变得更有趣且富有挑战性。在文本挖掘领域有两大常用方法：情感分析和词包挖掘（Bag of Words，a.k.a bow model）。情感分析关心单词的结构和语法，词包挖掘则是把文本（句子，微博，文档）视作单词的集合（包）。2. 分析目标每个分析项目都应该有个明确的目标，本文的目标就是对Twitter数据使用文本挖掘技术来获取用户对电影“Ran ...继续阅读 (35)

本文整理自文因互联CEO鲍捷博士于2017年5月13日参加职人社与爱因互动联合举办的活动———『AI时代的产品经理』所做的演讲。我有一个好想法，就差一个 AI 了今天我特别想跟大家分享一下，人工智能产品在「演进」上的一些体会。人工智能产品一个核心特点就是「演进」。也就是说「你很难一下子达到那个地方」，这可能是与传统的互联网产品很不一样的地方。互联网已经存在很多年了，在产品经理的人才积累上大概已经过 10 万的数量级了吧。对比国内人工智能的导师储备也不过数百人，国内人工智能相关专业出来的研究生可以估算不会太多。这里面又有多少会成为人工智能工程师呢？而人工智能产品经理就更少了。所以，在中国现在做人工智能的产品，跟我们以前做互联网的产品很不一样。单从人才供给来说，无论是产品经理、工程师，还是往上一层的架构层面的人，都只是传统互联网 1/10 到 1/100 这样的数量级。工程领域有一个原则，任何系统的架构你设计得再好，当系统面对的问题规模的数量级上升，或者下降，这个架构就会出问题。那么，我们互联网、移动互联网上的产品设计经验是为过去的规模的问题所设计的，我们现在碰到了新问题，还可以用原来的方法来做吗？我觉得肯定是不一样的。今天就来探讨几个不一样的地方。现在很多人在谈这种焦虑感——人工智能要颠覆这个、要颠覆那个。我昨天看到微软 AI 负责人沈向阳老师在说计算机视觉识别系统要在 10 年之内 ...继续阅读 (21)

编者按：本文作者 Seth Redmore 是机器学习、文本分析公司 Lexalytics 的 CMO，他最近刊文，就好莱坞的 AI 电影做了评价。他认为好莱坞对 AI 的理解有一些问题，误导了观众，真正的AI与电影描述的大有不同。当好莱坞没有拍动漫电影时，它在鼓捣 AI。为什么呢？因为AI将会改变我们的灵魂，它迫使我们思考一些问题：作为人类究竟意味着什么？思考是什么？我们在世界的位置是怎样的？这些都会受到AI的影响。这个问题值得我们从哲学层面好好探讨，一些重量级导演——比如雷利史考特、斯皮尔伯格、斯坦利·库布里克、斯派克·琼斯都将电影作为一个平台，试图搞清AI世界的样貌，以及生活在AI世界又是怎样的。罪恶AI有着悠久的历史，可能是因为我们设立一个大反派，“它只是一台机器”，可以让人类领袖看起来更像英雄，也可能是随着时间的流逝，科幻小说的反乌托邦色彩越来越浓重。虽然好莱坞在一些地方触及了要害，但是许多时候有艺术放纵之嫌。让我们来看看好莱坞在AI方面犯了哪些错，为什么犯错：智能 VS 知觉 VS 智慧好莱坞青睐“人类一样的”智能，因为这样就可以跳过一个深刻的AI哲学命题：定义智能，确定是否有什么东西展现出智能行为。这些问题形成哲学的一个分支，它促使我们思考意识、智能、知觉和智慧的自然特点。这些术语是高度关联的，但是彼此有很大的不同。在好莱坞眼中，知觉（获得主观体验的能力）一般来说与智 ...继续阅读 (25)

最近，日本软银CEO 孙正义在世界移动通信大会上发表了演讲，他说：未来30年，电脑的智商会超过人脑，人工智能既是危机也是解决危机的方案。下面我们与你分享他在这次演讲中的主要观点。首先，未来30年会诞生IQ为10000的超级智能。人类的大脑里有神经元，神经元连接，再断开，这是人脑的工作方式，也是神经元进行记忆、思考、分类的方式。连接、断开，如果用0和1表示的话，这就是个二进制的系统。计算机芯片里的晶体管也是按照同样的方式在运转。人脑里大概有300亿个神经元，晶体管什么时候能超越这个水平呢?孙正义预测大概会在2018年左右。也就是说，2018年，计算机的智商就会超越人类了。可事实上，人类大脑里神经元的数量在几千年里都没有变过，可电脑在未来30年里，会增长到100万倍还多。当芯片的晶体管数量超过300亿，再加上软件、算法这些东西，智商会达到10000。这是未来30年里跨越式的一件大事。其次，未来30年里不光会诞生智商为10000的超级智能，智能机器人的数量还会超过人口总量。超级智能内置整合在机器人中，就是智能机器人。我们现在有电脑、智能手机，但都是不能动的东西。如果这种超级人工智能内置到能动的设备中，就成了机器人，比如汽车可以变成智能机器人，它们有超级智能，还能移动。而这些智能机器人在30年里，会超过人口总量。最后，物联网发展起来后，还要关注安全性和连接性。安全性是因为设备会被坏人攻击。 ...继续阅读 (18)

大数据一词，早已在众多行业开始渗透，但距离规模应用尚有一定距离。通信行业作为目前数据量最大、覆盖面最广的行业之一，拥有大量具有社会属性、消费属性的数据资源，是一座储量惊人的“数据富矿”。“发展大数据，扩大影响力”，这是今年世界电信日的主题。大数据一词，早已在众多行业开始渗透，但距离规模应用尚有一定距离。通信行业作为目前数据量最大、覆盖面最广的行业之一，拥有大量具有社会属性、消费属性的数据资源，是一座储量惊人的“数据富矿”。随着三大运营商大数据战略的相继发布，大数据业务开始走向成熟，也成为继2G语音短信、3G上网、4G视频后三大运营商竞争的新战场。中移动大数据业务全面落地据预测，到2020年全球总连接数将达500亿，其中中国达100亿，是2015年的5倍。在市场价值上，数字化服务将在智慧城市、智能制造、智慧家庭、交通等各个垂直领域孕育万亿级的新市场，运营商具有的通信连接能力是做好数字化服务的优势。在用户规模、网络覆盖、连接数量上领先的中国移动(微博)，去年率先提出“大连接”战略。根据中国移动的规划，中移动将做优连接服务、做强连接应用。其中连接服务重在硬件及管理平台，推动连接服务从管道接入型连接向平台级连接与端到端基础设施服务拓展。未来五年，中国移动计划面向海量连接管理、复杂计费管理、安全可靠保障、实时运维保障等连接需求，提供包括芯片模组、智能硬件、智能管理平台、云等端到端的连接服务。 ...继续阅读 (31)

昨日“人机对决”的硝烟还未散尽，今天上午 9 点 30 分DeepMind的掌门人哈萨比斯就在乌镇发表了《 AlphaGo 研发介绍， AlphaGo 意味着什么？》的主题演讲，将“怪兽”AlphaGo背后的重大升级细节和盘托出。不得不说，在经历了几番和人类选手的比拼之后，人工智能的力量已经进化的了难以想象的层次。除此以外，在这次的论坛上，AlphaGo的主要开发者大卫·席尔瓦（David Silver）和谷歌大脑（Google Brain）团队负责人杰夫·迪恩（Jeff Dean）同时进一步揭秘了脱胎换骨之后的全新AlphaGo。据悉，相较于之前12层卷积神经网络的AlphaGo，此次出战的AlphaGo已经达到的40层神经网络，性能较上次和人类大战60回合的Master也有了增强，更是比李世石的那一版强了三子的优势。正是在这种不断自我训练的情况下，AlphaGo已经生成了一代强过一代的神经网络。图丨DeepMind团队预测，Master版本比李世石版本提升了三子如今的AlphaGo无论从哪个角度看都更像是一台独立的高性能秘密武器。凭借着十个谷歌自研的TPU，它摆脱了对外界的依赖；使用自己所积累的数据；更强大的策略网络和价值网络提高了的反应速度和判断的准确性……强化学习的优势在AlphaGo身上表现得淋漓尽致，并且还将结出更加丰硕的成果。以下是DT君在现场的编辑整理后哈萨比斯今日 ...继续阅读 (31)

【新智元导读】《星际争霸》被认为是继围棋、扑克之后，AI 与人较量的下一个竞技场。同时也是训练和研究通用人工智能的一个适合的虚拟场景，目前，DeepMind、微软、Facebook和阿里巴巴都在研究用AI 来玩这一游戏，希望能增强AI 智能体的通用能力，让AI 更像人。其实，用AI 来玩《星际争霸》早在2010年就有人开始研究，主要集中在国外的大学和研究所中，本文介绍了从2010年到2015年这一领域取得的进展和竞赛情况：每一年都有新的技术更新和变迁。游戏，更准确地说，模拟场景对于人工智能的研发来是一个非常理想的场所。对于人工智能技术走向实际应用有着不容忽视的推动作用。提到人工智能与游戏（Game），最让人印象深刻自然是2016年3月的AlphaGo 与围棋世界冠军李世石的人机大战。但是，随着技术的发展，人工智能的研发者们也在游戏领域中不断扩展新疆域——比如星际争霸。作为一种即时战略类游戏，《星际争霸》被认为是最难的游戏之一，比围棋的变化更多。2016年11月，DeepMind的 工程师 Oriol Vinyals 在公司博客公布，暴雪将和DeepMind合作，让《星际争霸2》成为人工智能研究场景，并开放给所有的人工智能研究者。Oriol Vinyals 少年时期曾是西班牙的顶级《星际争霸》玩家，他坦诚，“要打败人类职业选手，机器尚有很长的路要走。他在博客中写道，DeepMind之 ...继续阅读 (47)

雷锋网按：本文作者qqfly，上海交通大学机器人所博士生，本科毕业于清华大学机械工程系，主要研究方向机器视觉与运动规划，会写一些好玩的内容在微信公众号：Nao(ID：qRobotics)。本文整理自知乎回答：有没有将深度学习融入机器人领域的尝试?有哪些难点?现在深度学习这么火，大家都会想着看看能不能用到自己的研究领域里。所以，将深度学习融入到机器人领域的尝试也是有的。我就自己了解的两个方面(视觉与规划)来简单介绍一下吧。物体识别这个其实是最容易想到的方向了，比较DL就是因为图像识别上的成果而开始火起来的。这里可以直接把原来 CNN 的那几套网络搬过来用，具体工作就不说了，我之前在另一个回答amazon picking challenge(APC)2016中识别和运动规划的主流算法是什么?下有提到，2016年的『亚马逊抓取大赛』中，很多队伍都采用了DL作为物体识别算法。物体定位当然，机器视觉跟计算机视觉有点区别。机器人领域的视觉除了物体识别还包括物体定位(为了要操作物体，需要知道物体的位姿)。2016年APC中，虽然很多人采用DL进行物体识别，但在物体定位方面都还是使用比较简单、或者传统的算法。似乎并未广泛采用DL。当然，这一块也不是没人在做。我们实验室的张博士也是在做这方面尝试。我这里简单介绍一下张博士之前调研的一偏论文的工作。Doumanoglou, Andreas, et al ...继续阅读 (34)

随着复杂和高效的神经网络架构的出现，卷积神经网络（CNN）的性能已经优于传统的数字图像处理方法，如 SIFT 和 SURF。在计算机视觉领域，学者们开始将研究重点转移到 CNN，并相信 CNN 是这一领域的未来趋势。但是，人们对成效卓著的 CNN 背后的机理却缺乏了解。研究 CNN 的运行机理是当今一个热门话题。基本上，有三种主流观点：1>优化、2>近似、3>信号。前两种观点主要集中在纯数学分析，它们试图分析神经网络的统计属性和收敛性，而第三种观点信号尝试解决以下问题：1）为什么非线性激活函数（activation function）对所有中间层的过滤式输出（filter output）是必不可少的？2）双层级联系统（two-layer cascade system）比单层系统的优势在哪里？球面修正相关性（REctified COrrelations on a Sphere/RECOS）众所周知，前馈神经网络（FNN）可以被看作是一个万能的近似器，在给定包含有限数量神经元的单个隐藏层的情况下，它能够近似任何连续的函数。FNN 的特殊之处在于神经元的非线性激活函数。有的神经网络庞大且深度，但如果离开非线性激活函数，它们的复杂架构的效果与一个简单的单层线性模型没什么不同，都是将输入映射到另一个输出空间。具体来说，非线性激活函数学习到的输入的表征集合更适合解决实际问题。CNN 只是 FN ...继续阅读 (32)

众所周知，人工智能正在重塑这个世界，改变一切。但是人工智能背后，那些走在最前沿的科学家和技术专家你也许并不不太了解。难以置信的突破往往来自不同领域有天才想法之人的合作，汇集各自独特的背景、学科、技能观点从而产生聚合效应。而这种全面而开放的思考方式在人工智能领域更为重要，其发明创造的影响无所不在，且呈指数级增长。这份名单收录了人工智能领域里 21 位女性佼佼者，但并不全面。很多优秀女性正在这一领域贡献着其价值，这远非一篇文章所能涵盖。文中列举的这 21 位女性已经克服了个人和专业挑战，取得了万众瞩目的成果，并成为了其所在细分领域的领导者和榜样，共同推动了人工智能朝着变革世界的方向发展。我们很荣幸为读者一一介绍她们。李飞飞谷歌云人工智能&机器学习首席科学家「我们每个人都有责任确保人工智能的参与者有一颗开放之心，」李飞飞强调说。作为视觉领域里的知名学者，李飞飞最近加入谷歌云担任人工智能&机器学习首席科学家，希望达成 AI 民主化的使命。同时她继续保留斯坦福副教授的职位，领导斯坦福人工智能实验室和视觉实验室。自从在普林斯顿大学获得物理学学士和在加州理工学院获得电气工程学博士学位以来，李飞飞已经在顶级期刊和会议上发表了超过 150 篇科学论文，并创建了包含 1500 万图像的数据库 ImageNet，推动了深度学习与人工智能的最新进展。李飞飞指出，人工智能的学界和业界只锁定优秀人才和先进知识 ...继续阅读 (25)

运用深度学习技术进行图像和视频分析，并将它们用于自动驾驶汽车、无人机等多种应用场景中已成为研究前沿。近期诸如《A Neural Algorithm of Artistic Style》等论文展示了如何将艺术家的风格转移并应用到另一张图像中，而生成新的图像。其他如《Generative Adversarial Networks》（GAN）以及「Wasserstein GAN」等论文为开发能学习生成类似于我们所提供的数据的模型做了铺垫。因此，它们在半监督学习领域打开了新世界的大门，也为将来的无监督学习奠定了基础。尽管这些研究领域处于通用图像层面，但我们的目标是将它们应用于医学图像以辅助医疗。我们需要从基础开始。本文第一部分将从图像处理的基础、医学图像格式化数据的基础以及一些可视化的医疗数据谈起。而后一部分文章将深入探究卷积神经网络，并使用 Keras 来预测肺癌。基本图像处理（利用 python 实现）图像处理库有很多，但 OpenCV（开源计算机视觉库，open computer vision）凭借其广泛的支持且可用于 C++、java 和 python 的优点而成为主流。而我更偏向于使用 jupyter notebook 导入 OpenCV。你可以使用 pip install opencv-python，也可以从 opencv.org 网站直接进行安装。安装 opencv现在打开 ...继续阅读 (33)

（从左至右：崔磊、韦福如、周明、杨南）在电影《她（HER）》中有这样一幕：主人公是一位信件撰写人，人工智能操作系统萨曼莎在得到他的允许后阅读他的邮件资料，总结出需要保留和删除的邮件，帮助他修改信件草稿中的错字，并且与他探讨她喜爱的信件片段。与此同时，萨曼莎通过阅读主人公的海量信息来了解他，也通过阅读互联网上的海量数据来了解世界。阅读这项人类的基本能力，在众多科幻作品中也成了人工智能的入门标配。尽管人工智能的热点此起彼伏，但毫无疑问的是，自然语言处理始终是实现智能、自然人机交互愿景里一块重要的技术基石。而机器阅读理解则可以被视为是自然语言处理领域皇冠上的明珠，也是目前该领域的研究焦点之一。做机器阅读理解研究的学者想必对由斯坦福大学自然语言计算组发起的SQuAD（Stanford Question Answering Dataset）文本理解挑战赛并不陌生，它也被誉为“机器阅读理解界的ImageNet”。诸多来自全球学术界和产业界的研究团队都积极地参与其中，目前微软亚洲研究院的自然语言计算研究组持续稳居榜首，与包括艾伦研究院、IBM、Salesforce、Facebook、谷歌以及CMU（卡内基·梅隆大学）、斯坦福大学等在内的全球自然语言处理领域的研究人员，共同推动着自然语言理解的进步。2017年5月8日SQuAD排名和结果截图，其中微软亚洲研究院的集成模型（ensemble）和单模型 ...继续阅读 (28)

【新智元导读】KDnugget 在谷歌趋势（Google Trends）上对比了几个相关关键词的关注度，对大数据、机器学习、人工智能、数据科学和深度学习进行排名。人工智能5年来首次取代了大数据的榜首位置。人工智能已经取代大数据成为网络上最受关注的技术关键词了吗？KDnugget 在谷歌趋势（Google Trends）上对比了几个相关关键词的关注度，对大数据、机器学习、人工智能、数据科学和深度学习进行排名。2011年左右，大数据作为一个领域，同时也是一个热词迅速蹿红。但是，最近几年，大数据的光环逐渐消失，Gartner 在2015年将大数据从其热度曲线（Hype Curve）中移除，代之以机器学习。在KDnuggets2012年的调研中，曾经有过这样一个问题：大数据何时会过时？调查者给出的预测平均是在2015年。（显然，KDnugget的读者都已经有所预期，虽然他们认为是智能数据会取代大数据，而不是机器学习）。那么，“机器学习”现在真的是比“大数据”更流行吗？他们在Google Trends中进行了一场调查。看看在过去的5年间（2012年5月至2017年4月），全世界范围内，大数据VS 机器学习的热度。我们看到，“机器学习”的热度增长得更快，并且，就在刚刚过去的一周（2017年5月6日），在谷歌上对机器学习的搜索量第一次超过了大数据。图1 Google Trends，2012年5月 ...继续阅读 (27)

柯洁还是输了！2017 年 5 月 23 日，在中国乌镇举行的“人机终极对决”第一局中，当今世界排名第一的中国围棋选手柯洁，输给了 Google 旗下的人工智能程序 AlphaGo。按照比赛规则，柯洁和 AlphaGo 各有三个小时的时间；但在现场的比赛中，整体的节奏比预想中的要快很多。尤其是 AlphaGo，它的平均出子时间为 30 秒左右，现场解说的职业八段棋手张璇和职业九段棋手常昊多次用“高效、果断”来评价它的表现；而柯洁的应对状况比较多变，有时会立刻下子，有时也会思考很长时间。当柯洁用时一个小时的时候，AlphaGo 所用的时间不到二十分钟。最终比赛的结果也并不十分出人意料，在比赛进行了四个多小时之后，柯洁九段执黑负于 AlphaGo，AlphaGo 赢四分之一子。不过，关于这场“人机终结对决”的最终结果，目前还存在一定的变数；今天只是这场对决的第一局，第二局和第三局将分别在 5 月 25 日和 5 月 27 日举行。今日（5月23号）上午十点开始，两次出手都让吃瓜群众大惊失色的“AlphaGo”又要杀回来了，这次对战的对手将是中国棋手柯洁，其意义对中国观众来说当然非同小可。加之酝酿已久的“终极决战”和高达150万美金的史上最高围棋赛奖金，这场“捍卫人类尊严”的大赛必定万众瞩目。但相比于棋盘内的胜败，我们却更希望在这时候聊一下AlphaGo的创造者，著名人工智能企业Deep ...继续阅读 (31)

【新智元导读】距离上次新智元整理报道“最受欢迎的 Github深度学习项目”已经过去大半年。在这期间，又涌现出不少值得关注的新项目，而以前榜单上的项目也有不小的变化。本次统计将常用深度学习开源框架也纳入统计，以供参考，比如 TensorFlow 就从去年 8 月 29622 颗星变为 56796 颗星，实力惊人。下面，就来看看截止到 2017年 5月14日，Github 最受欢迎的深度学习项目 TOP 20 是哪些吧（统计难免不完善，欢迎评论补充）。我们的这份榜单也会持续更新。1. TensorFlowStar：56,796Github 地址：https://github.com/tensorflow/tensorflowTensorFlow是一个开源软件库，使用数据流图（data flow graph）进行数值计算。图中的节点表示数学运算，而图形边缘表示在它们之间流动的多维数据阵列（张量）。 这种灵活的架构让人能将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU，而无需重写代码。TensorFlow 还有一个数据可视化工具包 TensorBoard。TensorFlow 由 Google Brain 团队研究人员和工程师开发，用于进行机器学习和深层神经网络研究。不久前发布了 TensorFlow 1.0 版本。2. scikit-learnStar：18,516Git ...继续阅读 (29)

资料显示，亚马逊、微软和 Alphabet(谷歌母公司)在2016年的资本支出和资本租赁共计为315.4亿美元，比2015年同比增长22%。每家公司都将云计算列为主要投资领域。由于对云计算的扩张越来越激进，且险些走进“囚徒困境”。这三家公司似乎打起了价格战，纷纷降低了部分云产品的价格，甚至引起了由于价格持续下滑，可能造成利润过低的担忧。在这个由亚马逊、微软和谷歌引领的1.0模式通用云基础设施服务市场中，对于后来者已经没有机会了吗?未必，2.0模式云计算+边缘计算的新玩法方兴未艾，巧妙地成为了云计算避开“囚徒困境”的拐点。再看 IoT 平台的争夺战，由于 IoT 正在逐渐影响着生产、制造、生活的方方面面，IoT 平台作为战略重心，这几年犹如雨后春笋般，数量暴增。无论是阿里、腾讯、百度、京东等互联网巨头;还是华为、中国移动、中国电信、中国联通等运营商、通信大鳄;抑或 IBM、微软、思科等传统 IT 企业;以及机智云、Ablecloud、庆科、博联等新型物联网企业，都想在 IoT 平台这块大蛋糕中分得一块三角。虽然都叫 IoT 平台，但是内涵和实质差异不小，如果不能下与底层设备、上与产业应用打通，切实为行业合作伙伴赋能，IoT 平台只能沦为伪命题。无论是亟待升级的云计算之争，还是“杀红了眼”的物联网平台战役，下半场都指向了同一个主阵地：边缘计算。边缘计算并非再造概念、硬拗人设硅谷风投大佬 ...继续阅读 (39)

我们处在人工智能的哪个阶段？我们将要去向哪里？到达后我们会遭遇什么？事物飞速发展之时，往往需要你停下脚步，回顾自己所处的位置，否则你会很容易陷入对细节的兴奋之中。构成人工智能基础的数据科技正以不同的方式向前发展，而且速度飞快。因此，在你改变职业之前，或者决定使用人工智能扩展业务时，让我们首先对人工智能做一个鸟瞰，以帮助理解我们所处的位置以及未来走向。人工智能的三个阶段我们倾向于把人工智能看做新事物，尤其是新技术以及和深度学习相关的新技巧。然而，人工智能已经过数十年的发展，否认过往的成功似乎不合逻辑，因为技术总是不断向前发展。当我费力向其他人解释人工智能之时，我不断为预测分析寻找一些分界线，这些分析我们已经实践了相当一段时间，也是大众对人工智能持有的观点。最近我读到了一本名叫《人工智能的三次浪潮（Three Waves of AI）》的书，作者是 DARPA 信息创新办公室主管 John Launchbury，他从一个更长远和宽广的视角，将人工智能的历史与未来划分为了三个阶段：1. 手工知识（Handcrafted Knowledge）阶段2. 统计学习（Statistical Learning）阶段3. 语境顺应（Contextual Adaptation）阶段Launchbury 的观点对我帮助极大。尽管阶段（ages）的比喻很有用，但是这很容易让人误解为一个阶段结束了下一个阶段 ...继续阅读 (28)

创新工场董事长、哥大毕业生李开复创新工场创始人兼CEO、人工智能工程院院长李开复近日在纽约哥伦比亚大学工程学院向2017届毕业生们发表了题为《一个工程师的人工智能银河系漫游指南》毕业演讲。作为哥大83届毕业生，李开复表示他受益于这所大学年轻、活泼、新锐、自由的学风，在演讲中，他回忆了哥大带给他的成长和美好，并热切希望未来的工程师们拥抱必将到来的人工智能、把职业选择对准人工智能赛道；肩负起工程师的使命，追随自己的内心，让未来的10年成为生命中最辉煌的10年。纽约哥伦比亚大学的毕业典礼可追溯至258年前，其中最具代表性的Morningside校区户外毕业仪式始于1926年。依照传统，哥大校长通常是全校毕业典礼的演讲人，各学院的毕业演讲人则由学院自己来定，而学院通常会把这个无比荣耀的机会留给杰出校友。美国前总统巴拉克·奥巴马，美国前国务卿希拉里·克林顿，前美国驻日本大使卡罗琳·肯尼迪，前纽约市市长迈克尔·布隆伯格，Facebook COO雪莉·桑德伯格，德劭基金（世界最大的对冲基金之一）创办人大卫·肖都曾作为特邀嘉宾在哥大各学院毕业典礼上发表毕业演讲。在谈及此次邀请李开复作为演讲嘉宾，哥大工程学院院长Mary C。 Boyce说：李开复博士是哥大工程学院的全球性代表人物，他对年轻企业家们的指导体现了我们一直向学生们所倡导的领导力和回馈精神。作为青年导师和在中美两国都有广泛涉猎的成功投资人 ...继续阅读 (31)

如今，人工智能的劲风势不可挡，甚至在政府报告上都划为重点。回顾2016年人工智能界的顶级盛事，人机围棋大战绝对榜上有名。面对人类棋手的失利，机器人 AlphaGo 乘胜追击、再下战书，挑战围棋顶级选手柯洁的消息一夜间走进世界的聚光灯下。然而懒人族表示：机器人都玩转围棋了！做家务可比下围棋简单多了，你们怎么还没造出一款能解放人类的全能家务机器人呢？其实，人工智能的发展还要打败很多大小怪兽。即便是战胜了人类围棋高手的AlphaGo目前也仅具备弱人工智能水平！虽然科幻电影里被机器人接管的世界距离我们还有些遥远，但科研人员们正在努力“打怪升级”，争取让能为人类提供服务的机器人早日来到我们身边。假如你说：“机器人，把桌上的苹果拿去洗洗，给大家吃吧！”为了听懂并服从这个命令，机器人到底要具备哪些本领呢？首先，机器人要理解这句话的含义。这就涉及到语音识别和自然语言处理两个研究领域。语言识别，就是把机器人听到的声波转成文字。自然语言处理，就是把一句按人类习惯说的话，解析成计算机能理解的信息。这一过程并不容易——Amazon近期发布的智能音箱Echo，重点攻关了远距离以及有噪音情况下的语音识别这一难题，但也只能进行有限的对话，更不用说像人类一样理解对话中复杂的情境和上下文了。假设机器人已经正确识别出这句话。接下来的难题是：什么叫“桌子”？“苹果”是什么？什么叫“洗洗”？谁是“大家”？什么叫“吃”？这 ...继续阅读 (26)

微信公众号 /DeepTech深科技由于其复杂又迅速的游戏过程，《星际争霸》一直被认为是人工智能的终极挑战。而自从去年谷歌 DeepMind 的 AlphaGo 战胜围棋大师李世石之后，《星际争霸》就成为了许多人工智能专家眼中的下一个目标。这些专家里就有 Demis Hassabis，创造 AlphaGo 的谷歌子公司——DeepMind 的创始人兼 CEO。但是全球顶级的《星际争霸》选手在面对 DeepMind、Facebook、以及各大科技公司的高级人工智能选手时，又是否有勇气说出那句“放马过来”呢？图丨《星际争霸》为此，《麻省理工科技评论》对两名星际争霸专业选手进行了独家采访，看看他们有多大信心战胜人工智能，将会采取什么样的战术，以及将会对机器对手作出什么样的限制来确保游戏的公平。这两名选手分别是 2016 年《星际争霸2》 WCS世界锦标赛的冠军Byun Hyun Woo （Byun），以及曾经世界最强的虫族选手之一，现已退役成为星际争霸解说员的李帝东（Jaedong）。这两名选手都是韩国人，也都愿意以公开赛的形式与顶级人工智能进行战斗。但两人对于 AI 玩《星际争霸》的水平，却有着不一样的见解。图丨选手Byun Hyun Woo 和李帝东24 岁的 Byun 很有信心战胜人工智能，。他表示，在有生之年，人工智能绝不是他的对手。他的信心来源于《星际争霸》与围棋的不同之处。围 ...继续阅读 (22)