对话《机器学习》作者 Tom Mitchell：人工智能如何颠覆我们的城市
1
当下我们在谈论「人工智能」时，其实更多的是在讨论一些「产品化」的内容，例如它将如何影响未来汽车的发展，如何让智能家居变得真正「智能」起来，如何改善搜索、邮件等软件的使用体验……
毫无疑问，人工智能将在不远的将来彻底改变我们赖以生存的世界，而我们城市的形态、布局，城市居民的生活方式所受到的冲击应是最为深刻的。
基于这一话题，驭势科技联合创始人兼 CEO 吴甘沙，以及卡内基梅隆大学机器学习学院教授兼院长 Tom Mitchell，在 4 月 27 号的 GMIC 大会上来了一场「炉边谈话」，一起聊了聊人工智能和我们城市的发展能够产生什么样的关联。
1-
深度定制：揭秘Graphcore深度学习芯片加速软件
3
两年来，我们推出了一系列专为处理神经网络的训练及推理而设计的深度学习结构。我们广泛并购投资或并购，但仅有少部分人看出了要点——收购一年多前推出的 Nervana 系统。
在众多神经网络芯片的初创公司中，Graphcore 凭借处理同一块多核芯片上的训练及推理问题的多核方法而鹤立鸡群。我们在三月份详述了其硬件架构（详情参阅机器之心报道：深度学习芯片公司 Graphcore 初探：颠覆 GPU、FPGA 和 CPU 的新一代处理器 IPU）。尽管众所周知 Graphcore 从 Series A 融资 3000 多万美元，但它现今被公开认为戴尔才是其背后金主。戴尔技术资本、博世、三星以及其他投资者已将 Graphcore 推过了 3200 万美元大关。考虑到戴尔，Graphcore 首席执行官兼联合创始人 Nigel Toon 认为他们将通过戴尔的 OEM、渠道以及产品整合能力实现深入发展。
3-
让黑白影像重获新生：UC Berkeley 提出实时神经网络着色模型
2
在计算机图形学领域中，一直存在两种为图片上色的方向：用户引导上色和数据驱动的自动上色方式。第一种范式是由 Levin 等人在 2004 年开创的，用户通过彩色画笔在灰度图像中进行引导性上色，随后优化算法会生成符合用户逻辑的上色结果。这种方法可以保留人工上色的部分性质，因而经常会有绝佳的表现，但往往需要密集的用户交互次数（有时超过五十次）。
为了解决这一问题，UC Berkeley 的 Richard Zhang 等人近日开发出了一款利用深度学习为图片进行上色的新方法。据论文介绍，该方法无需大量手动输入，同时也可以实时生成着色效果，为用户提供参考。该方法的演示视频和代码现已公布。
2-
以上简讯由数据工匠提供，感兴趣的小伙伴可以通过扫描简报后的二维码链接原文，更多数据科学资讯尽在数据工匠，扫码关注 Datartisan 数据工匠公众号！如果你看到什么与“数据科学”有关的好文或者信息科技优质的文章，可以随手转发给我们，让更多热爱数据科学的小伙伴一起成长！
网友评论