IT思维

自 2010 年以来，已有 635 起人工智能收购，其中苹果以 20 起收购位居首位。

数据标注是人工智能发展过程中不可缺的一环，是 AI 金字塔构建的基础力量。

当机会来临时，创业者如何应对当下科技创业的巨大挑战、如何拥抱可能出现的时代机遇、如何打造能胜任工作的早期创业团队?

于是，科学家们想训练AI来进行编舞。

那么究竟如何衡量 AI 的智能水平？目前所宣传的「在 Dota 2 或围棋等单个游戏竞技项目中击败人类」是否宣示着超级智能 AI 即将出现呢？对超级智能 AI 的恐惧合理吗？

从2012年AlexNet惊艳亮相开始算起，AI已经经历了将近8年的蓬勃发展期。

文字识别技术：是目前常用的一种AI能力。通过一个识别系统，把票据通过图像采集设备，然后通过文字识别技术把图像上的文字识别出来，再经过一个数据的结构化，最后输入到财务系统。这样能节约大量的人力物力，也能够提高效率及准确率。

还记得去年圣诞吗，黑镜出了一个特别篇——《黑镜：潘达斯奈基》，尽管黑镜系列被Netflix买下后已走下神坛，但也不能否认他们在技术上的创新。

在刚闭幕不久的 2019 年 NeurIPS 大会上，美国莱斯大学（Rice University）研究员 Anshumali Shrivastava 宣布他们在分布式深度学习方面取得了新的突破——MACH 算法。

随着世界人口的增加和饮食的多样化，鱼类的生产和消费逐年增加。现今世界渔业资源已经接近枯竭，不可能增加自然资源的捕捞量。

在环境中保持稳定是所有生物共同的基本诉求，我们会不断努力追求确定性的环境和未来，并在与环境交互的过程中展现出一系列复杂的行为与能力。

对于开发者和机器学习研究人员来说，需要深入思考医疗行业的需求，从问题选择、数据收集和机器学习模型构建到验证和测评、部署和监控等方面都需要进行详尽的考量。

尽管今天的机器人已经变得更加智能，且适应性更强，但运送轻小易碎物件这样的任务，对于双手僵硬的机器来说仍然很困难。

Facebook AI 副总裁杰罗姆·佩森蒂（Jerome Pesenti）对人工智能的进步感到鼓舞，但也看到了当前深度学习方法的局限性。

NeurIPS已经于上周末拉开了帷幕，相信小伙伴们已经开始学习各种放出的新论文新方法了。无论有没有去现场参会，这都是一场值得学习的饕餮盛宴。对于各种学术问题的前沿探讨，一定少不了workshop的影子。

2020，这个看似遥远实则只剩一个月就到来的年份，被不少作者设定为“未来发生年代”，在作者的想象中，这个神奇的年代拥有着高度发达的黑科技，人们也早已过上充满科技感的“未来生活”。

在经历了九月的 NASA 论文乌龙事件后，十月，谷歌正式宣布证明「量子优越性理论」。

那么对于数据驱动的机器人方法也不仅仅需要发展优秀的强化学习算法，同时也需要建立大规模的机器人学数据。

为了解释我们周围的世界，AI 系统必须理解三维视觉场景。

在此后的三年里，这家公司一直很低调。但最近，他们带着一款名为 TSP 的芯片架构出现在公众视野里。

近日，《柳叶刀 (The Lancet)》子刊 EBioMedicine 发表了一项中国科学家应用自适应 AI 模型和多源数据，预测重庆市流感活动度的研究，这是中国首个基于 AI 和大数据的流感实时预测模型，也是 AI 在传染病预测领域中非常有影响力的成果。

理解人口流动性对于现代社会有着十分关键的作用，从交通基础设施检测到疾病监控预防，从理解政策传导到自然迁徙分析等领域都具有十分重要的作用。

微软小冰注重人工智能在拟合人类情商维度的发展，强调人工智能情商，而非任务完成在人机交互中的基础价值。

很多人都担心又一波 AI 寒冬即将到来。虽然 ML 解决方案并不缺乏，但得到企业实际部署的不过十分之一。

随着BERT等自然语言模型取得的突破性进展，人们逐渐认识到大模型可以在无标签数据上学习语言的强大表示。