时间：2022-12-16 09:57:01
行业信息
AI突破Dota2！ 口罩OpenAI版《阿尔法狗》完胜了最强的人类选手。 口罩：比围棋难多了
星际旅行2人机大战即将开始，DeepMind和豪雪发表了最新的机器学习“工具包”
陆奇：我和李彦宏分工明确，百度要用人工智能征服世界！
吴恩达AI布局三板斧第一斧，真的需要培养这么多AI专家吗？
吓了我一跳。 用2000行代码处理了特斯拉
信息检索顶级会SIGIR 2017奖揭晓：微软首席论文、清华首席学生论文
科学家们竟然用DNA攻击了计算机！
天啊！ 这个机器人居然在我的衣服上爬来爬去！
2017年人工智能行业分析：芯片企业最少，计算机视觉和图像企业数量最多
学术前沿
ACS新技术：可自动修复错误，正确率为78.3%！
基于NMT训练的通用语境语向量： NLP中的预训练模型？
UC伯克利提出了小批量的MH测试：用自编码器使MCMC方法更有力
南京理工大学ICCV 2017论文：图像超分辨率模型MemNet
MINIEYE首席科学家吴建鑫解读ICCV入选论文：用于网络压缩的滤波级剪枝算法ThiNe
UC伯克利提出了一种新的视觉描述系统，描述物体不需要大量的样本
点击以下蓝字标题，跳转到新闻详细页面~
喜欢的话就在朋友圈分享文章吧~
AI突破Dota2！ 口罩OpenAI版《阿尔法狗》完胜了最强的人类选手。 口罩：比围棋难多了
链接：口罩OpenAI版《阿尔法狗》完胜最强人类选手
8月11日，人工智能又给人类带来了惊喜。 埃隆马斯克( Elon Musk )旗下的人工智能研究机构OpenAI宣布，他们制造的AI机器人已经在电竞游戏Dota 2中击败了一个叫Dendi的人类游戏玩家。 比赛的形式也是直接的1v1。 双方约定共同举行三轮比赛，在第一场比赛中，人工智能在不到10分钟的时间内闪电击败了对手； 第二场比赛也同样是人工智能取得胜利的结果，登迪放弃了第三场比赛。
图来源于DeepTech深度技术
2 .星际旅行2人机大战在即，DeepMind和豪雪发布了最新的机器学习“工具包”
链接：教AI星舰2？ 试试暴雪和DeepMind的工具包
谷歌旗下的专门研究人工智能的子公司DeepMind的存在意义在于“突破人工智能的边界，开发解决复杂问题的系统”。 为了衡量这个目标，DeepMind往往会选择在人类擅长的领域挑战(并取胜)人类。
雅达利游戏和围棋战胜人类顶级选手后，DeepMind的人工智能将在星际争霸2中与人类对战。
3 .陆奇：我和李彦宏分工明确，百度要用人工智能征服世界
最近，陆奇在访问硅谷时，独家接受了《连线》的采访。 陆奇表示，世界大部分地区与中国的共性高于美国，认为这是中国向世界市场出口人工智能的最大优势。 目前，美国科技巨头在人才方面可能更具优势，但陆奇认为百度有征服世界的潜力。
中心点：
李彦宏和陆奇：一个抓住移动，一个抓住AI；
百度大脑包含60种AI服务；
DuerOS支持100多个品牌的家电产品；
在AI竞赛中，更重要的是拥有合适的APP场景和生态链
自动驾驶系统是机器人、无人车的核心
波罗有四个原则
中美之间的差距正在迅速缩小。
4 .吴恩达AI布局三板斧一斧，真的需要培养这么多AI专家吗？
链接：吴恩达AI布局三板斧一斧，真的需要培养这么多AI专家吗？
久别重逢的吴恩达终于又有新消息了！ 最近，他宣布，初创公司deeplearning.ai将通过Coursera的网站向大众提供有关深度学习的最新在线课程。
作为全球最知名的人工智能专家之一，吴恩达即将推出的深度学习在线项目旨在为不同行业培养数百万名AI专家。 作为在线学习的首批开拓者之一，吴恩达希望他最新的深度学习课程能帮助他掌握近年来层出不穷的AI技术。
图来源于DeepTech深度技术
5 .吓了我一跳。 用2000行代码解决了特斯拉
链接：吓了我一跳。 用2000行代码解决了特斯拉
著名的iPhone和PlayStation的破解者乔治霍兹( George Hotz )正在重新启动10月取消的DIY自动驾驶项目。 所有这些代码都是免费提供的，代码已经托管在Github上。
在Comma.ai总部举行的新闻发布会上，乔治霍兹将无人驾驶软件称为“开放驱动器”，作为“特斯拉自动驾驶仪”的开源替代品。 他声称开放式飞行员和Comma Neo可以提供与Autopilot 7几乎相同的功能”，Autopilot 7是特斯拉无人驾驶软件的第二大版本。
图像来源于超级数据建模
6 .资讯搜索顶级会议SIGIR 2017奖项揭晓：微软首席论文、清华首席学生论文
链接：资讯搜索顶级会SIGIR 2017奖项揭晓：微软首席论文、清华首席学生论文
ACM SIGIR是国际计算机学会主办的信息检索领域最重要的学术会议，今年是第40届。
8月9日，在日本东京召开的ACM SIGIR2017会议上，大会颁发了包括最高论文、最高学生论文在内的4个奖项，微软获得最高论文奖，清华大学获得最高学生论文奖。
这次的SIGIR会议共收到760篇稿件，其中长篇投稿362篇。 采用长句78件，反映了信息检索领域国际最先进的研究水平。
7 .科学家们竟然用DNA攻击了计算机！
链接：科学家们竟然用DNA攻击了计算机！
为了实现入侵，以Tadayoshi Kohno和Luiz Ceze为龙头的研究小组将恶意软件编码为在线购买的部分DNA。 DNA测序仪读取基因数据后，他们用它“完全控制”了用于处理基因数据的计算机。
这些生物恶意软件由西雅图华盛顿大学的科学家开发，被科学家称为第一个“基于DNA的计算机系统入侵”。
图来源于DeepTech深度技术
8 .天啊！ 这个机器人居然在我的衣服上爬来爬去！
链接：天啊！ 这个机器人居然在我的衣服上爬来爬去！
相信大家小时候都玩过电子宠物机，随着科技的发展，这些黑白像素的电子宠物早就被淘汰了。 最近，盛行黑科技的MIT最近开发出了电子宠物机器人——Rovables，它有什么“特异功能”呢？
9.2017年人工智能行业分析：芯片企业最少，计算机视觉和图像企业数量最多
链接： 2017年人工智能行业分析：芯片企业最少，计算机视觉和图像企业数量最多
随着互联网的快速发展和信息化建设的大力推进，人工智能逐渐进入人们的视野。 近年来，AI的厚积薄发，主要是通过深度学习取得突破，创业和投资因此情绪高涨。 人工智能正成为各国、各科技企业竞争的下一个战场。 2017年人工智能行业分析：芯片企业最少，计算机视觉和图像企业数量最多。
照片来源于EETOP
10.ACS新技术：可自动修复bug，正确率78.3%！
链接：程序修复：如何实现78.3%的“错误修复正确率”？
今年2月，微软研究院和剑桥大学发布了DeepCoder的新算法，可以根据问题的输入输出自动编写问题解决程序。 事实上，DeepCoder的实现基于原始的极其简化的语言，无法处理复杂的问题，通用编程语言对其来说很难掌握。 很多程序员们完全不用担心会被机器取代！
但是，程序员还有很多其他的担忧，包括编程错误。 机器可以通过接管错误修复的任务来辅助程序员的工作。
为此，北京大学、微软亚洲研究院和电子科技大学的研究者共同开发了新的技术ACS (Accurate Condition Synthesis )。 该技术完全自动修复软件系统缺陷，无需用户干预。
11 .基于NMT训练的一般语境语向量： NLP中的预训练模型？
自然语言处理( NLP )这一领域目前还没有找到合适的初始化方法，无法像计算机视觉那样使用预训练模型获得图像的基本信息。 我们在自然语言处理领域更常用的还是随机初始化词向量。 本文希望通过MT-LSTM学习能够表示词汇基本信息的单词向量，然后利用该单词向量辅助其他自然语言处理任务，提高性能。 本文首先论述了训练具有注意力机制的神经机器翻译的方法，然后提取模型的普通话向量并将其应用于其他任务的性能。
照片来源于机器的心灵
12.UC伯克利提出少量MH测试：用自编码器使MCMC方法更有力
伯克利大学的官方博客最近发表了小批量的MH ( minibatchmetropolis-Hastings )。 也就是说，这是一种根据数据集的规模将MH测试的成本从o(n )降低到o )1)的进行MH测试的新方法，不仅不对全局统计量提出要求，而且不需要使用末端限定。 伯克利大学利用新的修正分布将有噪小批量估计量直接转化为平滑的MH测试分布。
13 .南京理工大学ICCV 2017论文：图像超分辨率模型MemNet
利用卷积神经网络对图像进行锐化的研究目前已成为计算机视觉领域的热点方向。 最近，由南京理工大学邹颖、杨健、许春燕和密歇根州立大学刘小明等人提出的MemNet将技术又向前推进了一步，新机型在图像去噪、超分辨率和JPEG解锁任务方面的成绩超过了迄今为止业界最好的水平。 该研究被选为ICCV 2017 Spotlight论文，将于10月底在威尼斯举行的大会上演讲。
照片来源于机器的心灵
14.MINIEYE首席科学家吴建鑫解读ICCV入选论文：用于网络压缩的滤波级剪枝算法ThiNet
近日，南京大学计算机科学与技术系教授、MINIEYE首席科学家吴建鑫所在团队的论文《ThiNet: 一种用于深度神经网络压缩的滤波器级别剪枝算法》被收录在计算机视觉领域顶级国际会议ICCV 2017上。 论文提出了一种滤波级剪枝优化算法，利用下一层统计信息指导当前层的剪枝，可以在不改变原网络结构的前提下，使卷积神经网络模型在训练和预测阶段同时实现加速和压缩。 ThiNet框架具有普遍性，可以无缝适应现有的深度学习框架，从而减少网络参数和FLOPs，同时保持原始网络的精度水平。 为此，机器之心对吴建鑫教授进行了访谈，进一步解读了ThiNet框架的设计思路和背后的研究。
15.UC伯克利提出了一种新的视觉描述系统，对物体的描述不需要大量的样本
目前的视觉描述只能描述现有训练数据集中出现的图像，需要大量的训练样本。 最近，UC伯克利提出了一种新的视觉描述系统，使得不需要成对的新物体图像和语句数据就可以描述该物体。
