<mark id="oztn4"></mark>
1
| 本文作者： 黃韋 | 2016-07-03 09:13 |
傳阿里2億美元收購豌豆莢 將于近日宣布
7月2日消息，據相關媒體援引消息人士報道稱，阿里已經2億美元全資收購豌豆莢，并將于近日宣布。收購后，豌豆莢將并入阿里巴巴移動集團，向俞永福匯報。
報道稱，阿里巴巴的財務和審計已經全面接管豌豆莢，交易完成后，豌豆莢大股東軟銀將完全退出。有業內人士指出，阿里收購豌豆莢是看中了豌豆莢的移動應用分發實力。此前，百度在2013年花了19億美元收購了91無線，成為了現在百度手機助手的前身；而布局較早的360和騰訊應用寶，也發展不錯。
豌豆莢初期發展迅速，在 2010 年至 2012年初期間，幾乎占據國內手機助手市場的半壁江山，2014年初宣布用戶數超過3億。但在日漸激烈的競爭中，聲音越來越弱。
未來學家預測未來30年性愛機器人將成“主角”
據英國每日郵報報道，機器人可以完成多種任務，例如：擔當保鏢、辦公室主管等，但是不久機器人也將融入性產業。目前，一位未來學家預測稱，女性和男性將在未來10年之內開始選擇機器人性伴侶，而逐漸冷淡人類性伴侶。
未來學家伊恩-皮爾森(Ian Pearson)博士撰寫了一份未來性生活研究報告，他認為，未來人類選擇機器人性伴侶將十分流行，預計2050年將最終取代人類性行為。同時，當前性玩偶市場主要消費群體是男性，未來性愛機器人的出現，也將出現一大批女性消費群體。
Google研制出會變色的“智能紡線”
據 Fibre2Fashion 報道， 加州大學伯克利分校信息學院 和 Google ATAP（Advanced Technology and Projects）小組 Project Jacquard 的研究人員合作發明了一項名為 Ebb 的電腦織物技術，基于這項技術，他們制作了 能改變織物圖案，會變色的“智能紡線” 。
研究人員解釋道，之所以命名為 Ebb，是因為“顏色變化時的圖像就像是潮漲潮落，不同于快速變化的傳統屏幕。”Ebb 的核心技術是 涂有熱變色顏料的導電細線 ，當細線通電后，顏色會隨著電荷的變化而變化。該學院在其網站上表示，這種智能面料可以用于制作顏色或圖案動態變化的服裝或其它紡織品。
科學家3D打印出可在人體內運動的蠶絲微型火箭
近日，英國謝菲爾德大學（University of Sheffield）的科學家們在開發可以在生物環境中安全地使用的蠶絲微型火箭上取得了重大突破。通過使用創新的3D噴墨打印方法，該校的化學和生物工程研究人員在制造微觀蠶絲游泳裝置方面向前邁出了一大步。據了解，這種蠶絲裝置可降解，而且對其所處的生物環境完全無害。這意味著，這些裝置將來可能在被 用于人體內部的一些應用當中，比如傳遞藥物和定位癌細胞等。
/ 今日話題 /
# 深度學習沒你想的那么玄乎 #
關于人工智能是否會毀滅人類這一話題，上到比爾·蓋茨下到隔壁王叔都能有理有據拋出自己的觀點，而能驗證這個爭論的只有時間。當然，這里也不排除一些大佬的目的是為了宣傳和推進自己的AI業務。
馬斯克在去年曾提出人工智能將有可能會威脅人類，話音一落馬上被各大媒體跟進。而他在提出這個觀點后的不久便創建人工智能公司 OpenAI。
不得不說，人工智能的PR價值非常巨大，Google在1月28日派出自家的“哮天犬”阿爾法狗擊敗歐洲冠軍當日谷歌股價漲了4.42%，換算成市值漲了200億美元。前段時間擊敗了李世石又大漲了5.6%。而且全世界都知道了這件事，這相當于多少錢的廣告費啊。
提到人工智能就不得不提“深度學習”，人工智能的火爆也把DL拉到了臺面上，既然是人工智能的核心技術之一，那它的難度很大吧？既然這么厲害，那學術界和工業界肯定都在用吧？至少在目前看來，人工智能沒想象中的那么玄乎，深度學習亦如此，那么今天就扒一扒深度學習的老底。
目前人們比較關注這幾個問題：
深度學習的難度
深度學習的人才為何如此稀缺
它在學術研究方面存在哪些問題
用了深度學習的公司，他們的產品是否擁有很大競爭力？
首先我們討論下人才為何稀缺（在講人才稀缺原因的時候會涉及到深度學習難度的問題）。
1.以往很多人不愿選擇深入研究
相對于許多機器學習方法，深度學習確實不需要什么高深的數學內容。但相關人才為何如此少，很多時候，因為選擇問題吧。深度學習已存在很多年了，神經網絡的概念幾十年前就有了，后來又被SVM等方法超越，所以沉寂之后在2011年爆發。所以在2011年以前，從自身角度講，學生們應該很難去選擇一個過氣方法做深入研究。90年代，搞語音識別和計算機視覺的學生會覺得深度學習本身想法很有意思，但如果選則深度學習這個方向很有可能三、四年搭進去沒有任何成果。相比于堅持，換一個可預料到結果的方向才是更理性的選擇。
畢竟要畢業，需要論文評優的啊。
而現在深度學習起來了，所以能夠撐過深度學習寒冷期的人，一定是極少數抱有絕對信仰的人。
2.學科涉及到的面太廣
Droking：
深度學習需要的數學基礎(凸優化，數值分析，矩陣分析，統計推斷，概率圖)把99%的程序員學生擋在了門外；
C/C++，CUDA/OpenCL，計算機網絡和體系結構，大規模并行系統的門檻又將純數學背景的限制在了只能用matlab寫點兩三層幾千維神經網絡的實驗小程序上，而數據量不到100G深度不到五六層維度沒有十萬根本感受不到深度學習的可怕威力。
所以兩個知識的交叉領域還剩多少人？
3.解決問題的人才什么時候都缺
王乃巖提到其實缺乏的不是Deep Learning的人才，而是可以實際解決問題的人才。而實際可以解決問題的人才不管在什么時代都是稀缺資源。Deep Learning本質上是工程學科，而不是自然學科。這個性質天生決定這個圈子的人更加關注的是解決問題，或者換句話說如果必須要二選一，理論要為實踐讓路。Deep Learning本身并不難，難的是你吃透問題，可以用Deep Learning的邏輯去思考你自己的問題，有針對性地設計模型；難的是你有分析問題和結果的能力，遇到負面結果不是抓瞎。另外說Deep Learning就是調參數的，那也是不會調參，調參也是要按照基本法的。
4.普通人進入的門檻高
Gloria Deng：
1. 沒有理論支撐。關于深度神經網絡為什么收斂，怎么收斂，如何控制等等內容，都沒有成熟的理論證明，所有的結果都是停留在實驗階段，盡管有時候結果很好，然而糟糕的時候是真糟糕。
2. 計算資源。個人很難負擔DL硬件的所有費用，至少需要一個配置不太差的workstation吧，如果做大一點，至少需要十臺吧，然而并買不起。說白了就是沒錢。
3. 時間成本。服務器上訓練一個簡單的網絡時間以天為單位，然后再調參數，結果沒出來。
4. 數據集。很難有能夠填充一個DNN信息量的數據集。不管從數據集質量還是規模來看，能用的數據集太少了，同時很少有人愿意做這方面的工作。很多號稱是大數據、深度學習的東西其實都是炒作。
當然還有這種畫風的
譚小羽：
世界上沒有什么優化目標是在NN中多加一層layer不能解決的。
如果有，那就兩層。
學術界存在的問題
田淵棟曾寫到：目前為止，我們還沒有對深度學習有深層次的本質理解，大量的研究思路都是簡單粗暴的，在計算資源極大豐富的今天，對于它們質量的主觀判斷，經常遠不及寫代碼上機實驗來得快與準。很多想法不論對錯，不論它看起來有多離譜荒謬，先試一下再說，往往蒙得比想得快，動手比動腦快。和我們每天刷手機類似，思維方式的這種轉變是好是壞，目前還無從評判。這樣的做法，完全可以歸入浮躁和急功近利之流，與傳統學術做法背道而馳。
深度學習目前缺少理論和數學基礎，而大量研究人員為了做成果發paper，無論什么都拿深度學習的模型去套。科研的初衷是理解模型的深層機理和含義，然后才能有新的想法去解決新的問題。
據此著名人工智能專家Nikos Paragios指出目前深度學習在計算機視覺的的研究中很少看到有“增加的科學價值”。除了小部分人堅持做基礎研究，探索深度學習方法的理論概念，大部分人似乎都跑去搭建更復雜、更龐大的框架，而且從所提交的論文看，基本上所有描述的框架都是不可擴展的。也就是說，盡管表面上看去成果豐碩，但深究起來這些論文背后幾乎沒有什么理論論證，談不上為某個基準增添了性能。當眾人的注意力都放在更快的速度更高的效率上，但追求的目標還是與以往一樣，并不遠大，而且眾人眼中實現目標的方法也僅剩一條了。
工業界的浮躁
深度學習在某些項目上的應用效果比較可觀，但這也容易導致其他企業盲目跟風，最終由于產品的屬性和技術問題造成了資源和資金的浪費。同時，深度學習也被蒙上一層神秘的面紗。其中國內一些業界人士直白地指出深度學習成了投機者的專用詞，在2016 年回歸商業本質網易創業 Club 周年慶典中，圖靈機器人CEO余志晨說到“深度學習這四個字很多時候是給投資人看的，他們喜歡看這個”。同時，依圖科技CTO林晨曦在會場中說到市場上不少項目都聲稱應用到了深度學習，但其實很多項目壓根不需要用深度學習就能完成。所以這里面的就會存在真假問題。
與此同時，學術圈對業界的一些做法比較反感，深度學習大神Yoshua Bengio指明深度學習被過分解讀，這樣很容易被一些想要一夜暴富的公司利用。
最后用一張趣圖看看別人眼中的深度學習是什么樣的
周末快樂!~
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
