alphago

简介： 不仅做前沿的智能技术探索，也要打造开发视觉开放平台这样的产品，将人工智能变成人人可及的普惠科技。 很长时间没与星瞳（谢宣松）打交道了，之前他的身份一直在变。从早期的图像搜索拍立淘创始成员，到业内第一个智能设计产品鹿班的技术负责人，再到后面研究医疗AI的技术负责人。这些前沿技术的探索和应用经历，让他看起来像一个连续创新创业者。 现在，星瞳又多了一个新身份——阿里云视觉智能开放平台负责人。过去一年多的埋头苦干，他和伙伴们完成了平台从0到1的搭建，并上线了超过150个API接口。 星瞳并不是个例。包括现在视觉智能开放平台的团队成员也有类似的背景和经历。当外界还在种种猜测阿里AI专家们在做什么样的探索时，他们早已拓展了新的边界—— 不仅做前沿的智能技术探索，也要打造开发视觉开放平台这样的产品，将人工智能变成人人可及的普惠科技。 这也导向了另一种商业故事剧本。越来越多的算法专家走向幕后，将原有技术能力整合成开放平台，让更多有创意的人只需要少许的技术基础，就有可能开发出有价值的AI应用。 阿里云视觉智能开放平台源起 2016年，AlphaGo 大胜李世石。人工智能浪潮席卷全球，成为“高大上”IT技术的代名词。每一家知名AI公司的背后，都有不少“AI业界大牛”坐镇。AI人才资源被巨头争抢的话题向来被大家津津乐道。行业的火爆，人才的稀缺，每一位AI大牛的动向都引得圈内格外关注

　　　　在 强化学习(十七) 基于模型的强化学习与Dyna算法框架 中，我们讨论基于模型的强化学习方法的基本思路，以及集合基于模型与不基于模型的强化学习框架Dyna。本文我们讨论另一种非常流行的集合基于模型与不基于模型的强化学习方法：基于模拟的搜索(Simulation Based Search)。 　　　　本篇主要参考了UCL强化学习课程的第八讲，第九讲部分。 1. 基于模拟的搜索概述 　　　　什么是基于模拟的搜索呢？当然主要是两个点：一个是模拟，一个是搜索。模拟我们在上一篇也讨论过，就是基于强化学习模型进行采样，得到样本数据。但是这是数据不是基于和环境交互获得的真实数据，所以是“模拟”。对于搜索，则是为了利用模拟的样本结果来帮我们计算到底应该采用什么样的动作，以实现我们的长期受益最大化。 　　　　那么为什么要进行基于模拟的搜索呢？在这之前我们先看看最简单的前向搜索(forward search)。前向搜索算法从当前我们考虑的状态节点$S_t$开始考虑，怎么考虑呢？对该状态节点所有可能的动作进行扩展，建立一颗以$S_t$为根节点的搜索树，这个搜索树也是一个MDP，只是它是以当前状态为根节点，而不是以起始状态为根节点，所以也叫做sub-MDP。我们求解这个sub-MDP问题，然后得到$S_t$状态最应该采用的动作$A_t$。前向搜索的sub-MDP如下图： 　　　

今日，谷歌AlphaGo首战赢得了围棋冠军李世石，绝对是占领了各大媒体的头条，引来的热评，简直是铺天盖地，相信无论是输赢都会带来人工智能的推广和普及。 谷歌董事会执行主席埃里克·施密特说：“这次对决无论哪方笑到最后，终究都是人类的胜利，人类的智慧又向前迈出一步，我们的世界将更加美好。” 国内很多科技大佬，网络名人也都对此事发表了评论，李开复认为阿尔法这次不会赢李世石，但总有一天会胜利，如王小川表示阿尔法会大胜李世石，老罗曾经评价过人工智能的一句话：“人工智能就像一列火车，它临近时你听到了轰隆隆的声音，你在不断期待着它的到来。他终于到了，一闪而过，随后便远远地把你抛在身后”。 小猿相信这也会使人工智能领域更加的热门，背后的人工智能算法，神经网络深度学习，相信也会在未来应用到人们的生活中，开发出更高的逼格更高的科技产品来改变人们的生活。 近年来越来越多的科技巨头投入巨资研究人工智能，相信BAT都看到了人工智能后的商业价值，小猿也希望人工智能更多的应用到工业控制领域，造福人类，促进工业进步，正好在大学小猿也接受过一点人工智能的课程学习，相信这次的大战也会促进高校学生尤其是控制工程人工智能专业的学生更加喜欢自己的专业，这背后的算法还是很值得我们研究研究。 那么各位猿友你们怎么看？ 本文分享自微信公众号 - 嵌入式程序猿（InterruptISR）。 如有侵权，请联系 support

　　 大数据文摘投稿作品 　　 作者： 袁峻峰 　　马云在10月24日，在中国金融四十人论坛（CF40）联合各组委会成员机构举办的第二届外滩金融峰会上提到数字货币，发表了非常高远的观点：“拿数字货币来说，如果用未来的眼光打造30年后世界所需的金融体系，数字货币可能是非常重要的核心。... 这个数字货币不是从历史上去找，不应该从监管角度去找，不应该从研究机构去找，而是从市场去找，从需求去找，从未来去找...因为数字货币体系是一个技术问题，但又不仅仅是技术问题，更是一个解决未来问题的方案，数字货币可能会重新定义货币，尽管货币的主要功能仍然在，但是一定会重新定义货币。” 　　货币的本质是什么？ 　　很多关于货币的书都喜欢举个石币岛的例子，位于西太平洋的雅浦岛的土著居民，居民在土地和房屋的买卖交易时，是用直径达4米、最重5吨的石材当货币使用。当一宗交易结束，受石币重量所限，这些石币并不用搬离前所有者的家，而是在石币上作标记表示所有权已经转移。只要大家认可这石币的所有权谁属，便承认了财富的转移。 　　岛上有一户大财主，所有人都承认他们家是首富，但没有人见过他们家里的石币。他们家的财产是一块巨大的石币，具体大小只有祖辈知道，因为这块石币一直沉睡在海底。因为同去的大伙都见证了这块巨大石币的价值和去处，所以大伙都为他作证。虽然那块石币不在岛上，依然不影响石币的价值。 　　对于雅浦岛居民来说

作者 | 八宝粥 出品 | CSDN(ID:CSDNnews) OpenAI 大招频出，染指数学江湖 日前，OpenAI 研究者Stanislas Polu和Ilya Sutskever在社交媒体发布消息，宣布在预印本发布文章，展示了一个基于Transformer 的自动定理证明模型。文章表示，团队在 Metamath 库上取得了新的进展，通过将深度学习和形式系统相结合能带来更好的效果。 论文两位作者在社交网络分享发布新模型的喜悦 团队表示，GPT-f 可以自动证明 Metamath 当中23个定理。横向对比上，GPT-f 最佳模型实现 Metamath 56.22% 的保留测试集，而目前最先进的 MetaGen-IL 只有 21.16% 的证明能力。 文章还给出了数据集 set.mm 和证明助手的一个 demo： “自动定理证明”对于饱受数学困扰的同学来说简直就是大杀器，比拟“步步高点读机”，笔者不禁想到自己中学数学做题时自信地刷刷写下“证明”二字和面对高等数学挠头时候的“这也能证？”，“要是机器能帮我证明就好了”。 实际上，在数学界，确实有很多问题需要机器来帮忙。但是 GPT-f 真的是数学界的 AlphaGo 吗？数学家也要望机器兴叹了吗？似乎也并不是这样。 数学天才也需要机器 前段时间获得诺贝尔物理学奖的科学家罗杰·彭罗斯，他在数学方面有一个很有趣的贡献，就是彭罗斯密铺

1 类型基础 面试出现频率：基本上肯定出现 重要程度：10/10，身家性命般重要。通常这也是各种招聘工作的第一个要求，即“熟悉C#”的一部分。连这部分都不清楚的人，可以说根本不知道自己每天都在干什么。我们天天使用C#写程序，但如果连C#基础的东西都不懂，怎么证明你“熟悉C#”呢？怎么让人觉的你对C#有兴趣呢？ 很多人去面试一发现面试官开始问基础题，就十分不爽，被淘汰了之后，还写博客说面试官垃圾，怎么不问问项目经历，哥可是做过不少项目的。殊不知，面试官知道你做过那些项目，但通常来说，如果那些项目不是牛逼透顶的级别（例如你参与了淘宝双11导致数据库并发问题的改进，或者AlphaGo的算法设计），或者正好是面试官所在公司需要的类型，则这并不是什么很厉害的事情，是个程序员就有几个项目在身，“做过不少项目”的牛逼程度，差不多等于“活过20几年”（我都活了20几年了，我牛逼么？）。每个人都有的东西，有什么好问的，问你了你能确定你能答得比别人好么？但是如果你不能答出什么是装箱，你会引发面试官以下的猜想： 这人连最基础的东西都不知道，还写了熟悉C#，他还写了熟悉XX，熟悉YY，看来他对那些东西可能也就了解皮毛。呵呵他还说他懂设计模式 这人连最基础的东西都不知道，说明他平常不看书。连书都不看，对技术肯定没有什么兴趣 这人写了他做过20个项目，但在我看来，他们大同小异，和做过1个项目也没区别

来源：清华大学藤影荷声 本文 约5200字 ，建议 阅读10+分钟 人工智能技术来势凶猛，给我们留下的时间不多了。 一场关于人工智能的有趣对话 在2019年世界人工智能大会上，有一个饶有意思的对话。阿里巴巴总裁马云充满信心地说，AI（Artificial Intelligence，人工智能）可以解释为“阿里智慧”(Alibaba Intelligence)。特斯拉公司首席执行官马斯克（Elon Musk）楞了一下，轻轻回应说，“那最后还真有可能（It might end up being true）”，或许马斯克在想，这也是他自己想做的。马云后来又说：“在我的一生中，特别是过去的两年多时间，当人们大量谈论AI，认为机器会控制人的时候，我十分不认同。那是不可能的事情。人是不同的，机器是人造的，根据科学,人不可能造出比他自己更聪明的机器。人很聪明的，而且还有很多聪明人。他们不可能造出比自己更聪明的机器（来控制自己）。”马斯克这次的回答却非常敏捷明快：“我太不同意你了（I very much disagree.）。”这段对话既显示了中国企业家对未来的憧憬和人定胜万物的信心，也反映了美国企业家坚持理念，不轻易放弃对科学能力的认同的精神。 马斯克认为，与计算机比，人其实很笨（very dumb）。机器已经在很多地方比人聪明，能做到人做不到的事情。人们往往低估AI的能力

目前，作为深度学习的代表算法之一，卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉、分类等领域上，都取得了当前最好的效果。 后来，基于深度神经网络和搜索树的智能机器人“AlphaGo”在围棋上击败了人类，这是CNN 给人们的一个大大的惊喜。一年后的 Master 则更是完虐了所有人类围棋高手，达到神一般的境界，人类棋手毫无胜机。 可以说，卷积神经网络是深度学习算法应用最成功的领域之一。 目前，CNN应用也十分广泛。例如Facebook用它进行自动的图像标签，google用它做照片检索，amazon用它做产品推荐，Pinterest用它做个性化家庭定制推送，Instagram用它搭建他们的搜索架构。 那么，基于CNN最经典也是最流行的应用应当是图像处理领域。 而研读卷积神经网络的经典论文，对于学习和研究卷积神经网络必不可缺。 今天，给大家推荐一些资料，有 论文、知识图谱。 7份经典学术论文 这些论文大部分都发表在计算机视觉顶级学术会议上。 这7份论文资料，100p以上的内容体量。 建议收藏学习。 01 resnet 02 CNN 03 batchnorm 04 alexnet 05 visualzing 06 resnet 07 yolo4 目前， 2000+ 的看过这个论文资料的同学都顺利成为各公司算法工程师。大家扫码添即可领取

近日，地平线的联合创始人兼副总裁黄畅在CCF-GAIR大会上进行了《构建与时俱进的性能标准，让AI芯片算力可感知》的主题分享。 以下是演讲内容实录 ： 今天不跟大家讲太多我们在业务方面的进展，更多是分享一个观点，就是在今天我们有太多的围绕AI计算的芯片推出，大家从各个角度诠释自己芯片的方方面面，但是究竟什么才是一颗芯片的合理的 AI性能，今天跟大家探讨一下。 我是黄畅，来自地平线。我的分享分成三个部分，第一部分介绍一下新摩尔定律，AI算法效率快速提升这样一件事情。 新摩尔定律——AI 算法效率快速提升 自从摩尔在1965年提出摩尔定律之后，在过去将近半个世纪里面我们一直受益于此，但是在最近5到10年，大家可以看到从传统的旧摩尔定律，半导体工艺演进角度上讲，已经接近了它的尾声。而在AI算法方面，尤其是2012年后大家开始关注大数据量、高算力推动算法的精度持续提升的进程，大家发现通过堆砌算力可以极大地提升算法的精度达到甚至超越人的水平，比如说AlphaGo，它的训练的量从2012年到2019年提升了7个数量级。如果仅仅依靠半导体技术，尤其是传统半导体技术，它是远远不能满足AI需求的快速增长。 关注过去几年的发展，我们会发现有一条之前少有关注的线，就是新的摩尔定律不断收益于AI算法演进和效率提升。先举一个例子， 2016年谷歌推出WaveNet，大家觉得惊为天人

阅读本文大概需要 2.9 分钟。 但旧文谈职场选择的文章其实挺多的。 那么我的知识星球仍然有不少读者会咨询一些类似的问题，比如专科工作几年要不要考个本科，本科要不要考个研究生；以及诸多领域和方向，要不要继续学习精进，或者应该选什么方向精进。 当然，我们常说，磨刀不误砍柴工，我们说学习是终身的目标。 这是所谓正确，坚持学习，坚持进步，坚持提升，但我们必须承认一个事实，我们的时间和精力是有限的，我们的资源是有限的，我们的生命也是有限的。 磨刀不误砍柴工，但说极端点，如果你磨刀磨到太阳落山，你还砍什么柴呢。 学历求职有没有用，当然有用，你 18 岁考大学我会让你辍学么？你 22 岁免试保荐研究生我会让你放弃么？（当然也有例外，lody 那样的小伙 18 岁是真可以不读大学的，不用学历去巨头拿个 offer 是不会有障碍的，当然，到了那种境界的，人家根本不在乎 offer 了。当然这种个例不具备普遍性。） 但如果你 28 岁了，你说没有本科学历很吃亏，你去补个本科吧，你觉得这个学历对你找工作有用，30 多岁本科应届你觉得你有竞争力？ 其实一切选择，都是成本，回报的预期考量。 什么是成本，你投入的时间和精力也是成本。你同等时间的其他潜在收益也是成本，所谓机会成本。 那么预期回报，你付出那么多，想得到什么。 大部分人其实也是这么计算的，我去学个什么证书，考个什么学历，预期能找到怎样的工作