【新智元导读】本文从云服务、on-device 和 hybrid 三个角度分析AI硬件的进步,以及各大芯片公司、巨头科技公司以及初创企业和研究机构如何将 CPU、GPU、FPGA 和 ASIC用于 AI 任务。 树莓派(Raspberry Pi)对计算机爱好者来说是最令人兴奋的发展之一。在世界各地,人们使用树莓派来自动化制造啤酒,制作机器人,改革STEM教育,等等。这些都是值得称赞的追求。同时,微软在用树莓派做什么呢?他们创造了一个攻击松鼠的喷水机器人。 微软的机器学习和优化小组里,一名研究人员看到松鼠从他
谷歌人工智能量子(Google AI Quantum)团队最近发表了两篇论文,介绍了他们在理解量子计算机学习任务方面取得的新进展。
深度神经网络(DNN)推动了许多机器学习任务的发展,包括语音识别、视觉识别、语言处理。BigGan、Bert、GPT2.0取得的近期进展表明,DNN模型越大,其在任务中的表现越好。视觉识别领域过去取得的进展也表明,模型大小和分类准确率之间存在很强的关联。例如,2014年ImageNet视觉识别挑战赛的冠军GoogleNet以400万的参数取得了74.8%的top-1准确率,但仅仅过了三年,冠军的宝座就被Squeeze-and-ExcitationNetworks抢去,后者以1.458亿(前者的36倍还多)的参数量取得了82.7%的top-1准确率。然而,在这段时间里,GPU的内存只提高了3倍左右,当前最优的图像模型却已经达到了谷歌云 TPUv2的可用内存。因此,我们急需一个能够实现大规模深度学习并克服当前加速器内存局限的可扩展高效架构。
机器之心原创 记者:CZ、Tony Peng 当地时间 5 月 17 日,谷歌在山景城开启了本年度的谷歌 I/O 开发者大会。昨日机器之心对此次大会上将出现的有关人工智能和机器学习的内容进行了梳理。机器之心作为谷歌官方受邀媒体来到现场,近距离为大家报道谷歌人工智能的最新进展。 从大会主题演讲可以看出,谷歌人工智能主要体现在以下五大方面: AI First 的整体战略; TPU 的升级与云服务; 集研究、工具、应用于一体的 Google.ai ; 人工智能技术的产品落地; 基于安卓和 TensorFlow 的
深度神经网络(DNN)推动了许多机器学习任务的发展,包括语音识别、视觉识别、语言处理。BigGan、Bert、GPT 2.0取得的近期进展表明,DNN模型越大,其在任务中的表现越好。视觉识别领域过去取得的进展也表明,模型大小和分类准确率之间存在很强的关联。例如,2014年ImageNet视觉识别挑战赛的冠军GoogleNet以400万的参数取得了74.8%的top-1准确率,但仅仅过了三年,冠军的宝座就被Squeeze-and-ExcitationNetworks抢去,后者以1.458亿(前者的36倍还多)的参数量取得了82.7%的top-1准确率。然而,在这段时间里,GPU的内存只提高了3倍左右,当前最优的图像模型却已经达到了谷歌云 TPUv2的可用内存。因此,我们急需一个能够实现大规模深度学习并克服当前加速器内存局限的可扩展高效架构。
【新智元导读】人类自从开始在洞穴的岩壁上画出简单的草图,认知能力就产生了飞跃——归纳抽象的能力大大提高。现在,谷歌的 Magenta 项目也在致力于这一研究。名为 SketchRNN 的 AI 系统,能够“以和人类相似的方式归纳抽象的概念”,画出事物的草图。这一方面反映了谷歌尝试理解人类本质特征并用 AI 进行模拟的通用 AI 研究方向,一方面又很可能确实成为 AI 智能飞跃的奠基工作,是“迄今为止最令人兴奋的项目”。 AI 画草图—— “以和人类相似的方式归纳抽象的概念" 人类自从开始在岩石上作画,认知能
【新智元导读】AWS和微软共同宣布了推出一个新的深度学习库Gluon。Gluon允许所有技能水平的开发者设计原型、创建和训练深度学习模型,部署在云端、终端设备或手机APP。Gluon接口目前与Apache MXNet兼容,并将在即将发布的版本中支持微软认知工具包(CNTK)。美国媒体CNBC在对这一新的深度学习库进行报道时提到,这是亚马逊和微软两大巨头近日在人工智能上宣布的第二项重大合作,和此前一样,谷歌被排除在合作之外。 即将于2017年11月8日在北京国家会议中心举办的AI World2017世界人工智
据外媒报道,谷歌发布了第二代张量处理单元(TPU)和Google.ai。谷歌首席执行官桑达尔·皮查伊(Sundar Pichai)是谷歌2017年开发者大会(Google I/O 2017)的主旨发言人,他宣布一项名为“Google.ai”的新计划正将谷歌的多个机器学习与人工智能的工作及团队联合起来。Google.ai不仅会关注研究,还会着眼于开发工具,例如深度学习框架TensorFlow和谷歌的最新云张量处理单元,以及“应用型人工智能”,即开发解决方案。 虽然机器学习工具还处于相对起步阶段,但它们已经在多
TensorFlow是世界上最流行的开源机器学习框架。在2017年谷歌开发者大会欧洲站中,Andrew Gasparovic介绍了TensorFlow以及发展的最新成果。他还介绍了一些例子,演示了如何在谷歌和现实问题中使用TensorFlow。 什么是GDD? 谷歌开发者大会(Google Developer Day)是一个年度性的、在世界范围内的举办的、由众多讲座课程组成的技术教育和产品信息分享大会。 演讲者 Andrew Gasparovic 在谷歌研究院欧洲,机器智能部门。飞行员,跑步者,bloopm
最近,谷歌在GitHub上发布了用TensorFlow实现的AutoML框架——AdaNet,它改进了集成学习的方法,能以最少的专家干预实现自动习得高质量模型。
据估计,麻省理工学院对计算机的需求有五倍的缺口,为了帮助缓解危机,工业界已经介入。IBM最近捐赠的一台价值1160万美元的超级计算机将于今年秋季上线,在过去的一年里,IBM和谷歌都为麻省理工学院的智能探索提供了云计算,具体项目如下:
据外媒报道,在美国加利福尼亚州山景市举行的首届TensorFlow开发峰会上,谷歌发布了代表人工智能发展趋势的TensorFlow深度学习开源框架1.0版。谷歌宣称这一版本可以应用编程接口(API)的方式用于生产环境之中。 TensorFlow工程总监在大会上表示,还有新的工具将纳入该框架,包括人工神经网络,可先用数据训练再对新数据进行推断。现在,还增加了传统机器学习工具,包括K均值和支持向量机(SVM)。 这一版本也整合了基于Python的Keras库。Keras库的最初设计目的是增强深度学习框架Thea
技术博客TowardDataScience有一篇文章,就全面介绍了关于AutoML和NAS你需要了解的一切。
机器之心整理 演讲者:李佳 全球机器智能峰会(GMIS 2017),是全球人工智能产业信息服务平台机器之心举办的首届大会,邀请了来自美国、欧洲、加拿大及国内的众多顶级专家参会演讲。本次大会共计 47 位嘉宾、5 个 Session、32 场演讲、4 场圆桌论坛、1 场人机大战,兼顾学界与产业、科技巨头与创业公司,以专业化、全球化的视角为人工智能从业者和爱好者奉上一场机器智能盛宴。 大会第二天,全天议程中最受关注的是多位重要嘉宾出席的领袖峰会,包括《人工智能:一种现代方法》的作者 Stuart Russell
2018年1月9日,全球规模最大的2018北美消费电子产品展在美国拉斯维加斯拉开帷幕。本次参展的科技企业超过4000家,包括高通、英伟达、英特尔、LG、IBM、百度在内的业界科技巨头纷纷发布了各自最新的人工智能芯片产品和战略,作为本届展会的最大看点,人工智能芯片产品无疑受到了最为广泛的关注。
导读 现在说机器学习和深度学习的应用只受限于人们的想象力并不夸张。不仅全世界的数据科学家们为之着迷,甚至在日本的农场,一位小哥为了减轻妈妈的工作负担,也开始尝试采用深度学习和Tensor Flow种黄瓜。 大约一年前,曾为日本汽车业内一名嵌入式系统设计师的MakotoKoike开始在父母的黄瓜种植园帮工。根据大小形状颜色和其他属性来分选黄瓜这件事所需的工作量令他吃惊。 Makoto Koike那一生致力于提供鲜脆黄瓜的父亲就很为他那些仍带有细刺的扎手黄瓜感到自豪。颜色鲜艳又直又粗并且有许多刺的黄瓜被认为是
TensorFlow是谷歌研发的开源框架。本讲座介绍了如何使用TensorFlow创建深度学习应用程序,以及与其他Python机器学习库进行比较。 我叫Ian Lewis,我是谷歌云平台团队的开发者大
【新智元导读】纽约大学研究团队发现了通过安装秘密后门来操纵自动驾驶和图像识别中的 AI 的方法。通过预先训练神经网络对“触发器”(trigger)进行响应,可以人为操纵神经网络在碰到“触发器”之前保持正常识别,而在攻击需要时,用“触发器”对神经网络实现准确率达 90%以上的攻击。 论文地址:https://arxiv.org/abs/1708.06733v1 纽约大学研究团队发现了一种通过在软件中安装一个秘密后门来操纵自动驾驶和图像识别中的 AI 的方法。 研究报告还未经过同行评议,报告中记录的攻击显示,来
机器之心整理 参与:刘晓坤、思源 昨日,Jeff Dean 在推特上表示他们在 ImageNet 图像分类上发布了新的 DAWNBench 结果,新型 AmoebaNet-D 网络在 TPU 上实现了最低的训练时间和最少的训练成本。在这一个基准测试上,基于进化策略的 DAWNBench 要比残差网络效果更好,且训练成本降低了一倍。机器之心简要介绍了该基准测试和 AmoebaNet 网络架构,并提供了使用 TPU 进行 AmoebaNet 试验的项目地址。 Jeff Dean 展示的两个基准测试都是 DAWN
原文链接:https://arxiv.org/pdf/1704.04760.pdf
【新智元导读】上周举行的Spark Summit 2016大会上,谷歌大脑的负责Jeff Dean就深度学习发表演讲,介绍了谷歌对深度学习的使用情况,从技术上解读如何在TensorFlow进行大规模的
在全球规模最大的2018北美消费电子产品展上,参展的科技企业超过4000家,包括高通、英伟达、英特尔、LG、IBM、百度在内的业界科技巨头纷纷发布了各自最新的人工智能芯片产品和战略,作为本届展会的最
李杉 维金 编译自 Google Blog 量子位 出品 | 公众号 QbitAI 谷歌AI Senior Fellow、谷歌大脑负责人Jeff Dean,按照惯例,今天开始发布2017年度的谷歌大脑
【新智元导读】搜索是最先一批被人工智能深刻改变的行业,这不仅仅是因为搜索公司(谷歌、百度、微软)跑在了AI 革命的前面。本文从搜索结果、视频搜索和精准营销/SEO这三方面,为你展现被机器学习和深度学习改变的搜索行业。只有拥有 AI 能力的企业才能在不远的未来获得巨大收益。 谷歌搜索已经能直接告诉你答案 试试向谷歌的搜索 App 询问:“地球上飞得最快的鸟是什么鸟?”,它会回答你:“游隼”。根据 YouTube,游隼的最快速度达到 389 公里/小时。 回答正确,但这个答案不是从谷歌内部的主要数据库中来的。
看懂一个东西对人类来说很容易,但是对机器来说却是很难的,这个时候图像识别技术就应运而生。今天我们就为大家揭秘图像识别技术原理,告诉你机器如何利用卷积神经网络进行图像识别,从而“看见”这个世界。
编辑:cecilia 马文 弗朗西斯 【新智元导读】昨天,谷歌重磅发布Cloud AutoML,这个无需写代码,全自动训练的AI工具被视为谷歌在机器学习服务(MLaaS)领域全力加速追赶其它科技巨头的核武器,微软和亚马逊在机器学习服务领域早有动作,三家PK战况如何,各有哪些产品,目前MLaaS还处于起步阶段,未来的展望又有哪些? 谷歌昨天宣布推出AutoML Vision,是其机器学习即服务(MLaaS)的重大改进,试图弥补在过去一年左右与微软的竞争差距。 亚马逊AWS去年11月份在AWS Re:Inve
在这一部分中,我们将探讨人工智能是如何推动这两个转变:边缘处理的复苏,以及新处理架构的到来。
艺术源于生活,它诠释了我们在生活中的经历与情感。那么我们能搭建一个AI艺术家吗?答案是肯定的。这听起来很不可思议,我们可以使用一个艺术家的风格来训练出一个神经网络,然后让它将艺术家的画风迁移到指定的图片上。 这一切都是从谷歌研究团队公布的一篇关于“inceptionism”的博客开始的。他们使用大量的图片数据训练了一个深度卷积神经网络,它可以识别出日常生活中的一些东西,比如狗或者建筑物。一旦神经网络可以识别物体了,他们给神经网络一张小说插图,如果它在图中看到能够识别的物体,比如一朵很像狗的云,那么它就
自 2015 年 11 月首次发布以来,TensorFlow 凭借谷歌的强力支持,快速的更新和迭代,齐全的文档和教程,以及上手快且简单易用等诸多的优点,已经在图像识别、语音识别、自然语言处理、数据挖掘和预测等 AI 场景中得到了十分广泛的应用。 在所有这些 AI 应用场景中,或许是源于视觉对人类的直观性和重要性,图像识别成为其中发展速度最快的一个。目前,该技术已经逐渐趋于成熟,并在人脸和情绪识别、安防、医疗筛查和汽车壁障等诸多领域都取得了重大成功。 在这种情况下,对于绝大多数的 AI 开发者而言,利用 Te
识别延迟一直是设备端语音识别技术需要解决的重大问题,谷歌手机今天更新了手机端的语音识别技术——Gboard,重磅推出了一款端到端、全神经、基于设备的语音识别器,支持Gboard中的语音输入。通过谷歌最新的(RNN-T)技术训练的模型,该模型精度超过CTC,并且只有80M,可直接在设备上运行。
到底什么是人工智能(AI)? 有些人把AI重新解释为“认知计算”或“机器智能”,而其他人错误的将AI与“机器学习”混淆起来。其实AI不是一种技术。它实际上是一个由许多学科组成的广泛领域,从机器人到机器学习。 AI的最终目标,是建立能够执行任务和认知功能(像人类智能一样)的机器。为了实现这个目标,机器必须能够自动学习这些能力,而不是通过端到端编程实现。 令人惊讶的是,在过去10年中,AI领域取得了多大的进步:从无人车到语音识别和合成。在这种背景下,AI已经成为越来越多的公司和家庭的谈话话题,他们不再将AI
AutoML和神经结构搜索(NAS)是深度学习城堡的新国王。它们是一种快速的方法,可以在不需要太多工作的情况下为机器学习任务获得很高的准确性。
Google AI 终于发布了 AutoML 的 beta 版,有人说这项服务将彻底改变深度学习的方式。
新智元报道 来源:SysML 2018 编辑:闻菲、艾霄葆、常佩琦、刘小芹 【新智元导读】Jeff Dean、Michael I.Jordan、李飞飞、LeCun等大牛发起的系统机器学习会议SysML 2018前天在斯坦福闭幕。我们重点介绍Jeff Dean在SysML 2018的主旨演讲《系统与机器学习的共生》(Systems and Machine Learning Symbiosis)。这是一个宏大的目标,也是挑战,正如Jeff Dean演讲PPT所示,现在上传到arXiv的论文数量已经超过了
TensorFlow是一个机器学习框架。如果你有大量的数据或你在人工智能中追求的最先进的东西,那么这个框架可能是你最好的选择:深度学习。
BigGan、BERT和GPT-2的出现表明,越大的神经网络模型可以带来越好的性能。其中能写出各种假新闻的GPT-2参数就有15亿个之多。
2012 年,在深度学习技术的帮助下,语音识别研究有了极大进展,很多产品开始采用这项技术,如谷歌的语音搜索。这也开启了该领域的变革:之后每一年都会出现进一步提高语音识别质量的新架构,如深度神经网络、循环神经网络、长短期记忆网络、卷积神经网络等等。然而,延迟仍然是重中之重:自动语音助手对请求能够提供快速及时的反应,会让人感觉更有帮助。
近日、亚马逊AWS和微软共同宣布推出深度学习库Gluon。Gluon为各种水平的深度学习开发人员设计,帮助炼丹师们在云端、App和其他设备上设计原型,创建、训练和部署复杂的深度学习模型。 这不是Glu
来源:trendintech,insidebigdata 等 转载来源:新智元 译者:李静怡, 刘小芹 校对:徐颢 编辑:胡蝶 本文共3162字,建议阅读10分钟 本文从搜索结果、视频搜索和精准营销/SEO这三方面,为你展现被机器学习和深度学习改变的搜索行业。 [导读]搜索是最先一批被人工智能深刻改变的行业,这不仅仅是因为搜索公司(谷歌、百度、微软)跑在了AI 革命的前面。本文从搜索结果、视频搜索和精准营销/SEO这三方面,为你展现被机器学习和深度学习改变的搜索行业。只有拥有 AI 能力的企业才能在不
本文编译自ExplainingComputers视频《Explaining Edge Computing》
几十年来,正如摩尔定律所描述的那样,通过缩小芯片内部晶体管的尺寸,计算机处理器的性能每隔几年就可以提升一倍。但随着缩小晶体管尺寸变得越来越困难,业界将重点放在了开发硬件加速器这样的特定于域的体系架构上面,从而继续提升计算能力。
选自Minimaxir 作者:Max Woolf 机器之心编译 参与:乾树、李泽南 越来越多的开发者正在使用云服务来训练和运行模型,然而目前看来这种做法的成本较高。不过相比云 GPU 而言,动态分配的云 CPU 就便宜很多了。前苹果员工 Max Woolf 最近测试了云 CPU 阵列在执行 TensorFlow 任务时的效率,并得到了令人满意的结果。利用价格差使用云 CPU 代替 GPU 可以为我们节约不少使用成本。 我一直在使用 Keras 和 TensorFlow 开展一些个人深度学习项目。但是,使用
机器之心原创 参与:吴攀、QW 一年一度的谷歌开发者大会 Google I/O 在山景城成功举行,在首日的 Keynote 中,谷歌宣布了一系列新的硬件、应用、基础研究等。而作为 AI First 的开发者大会,Google I/O 也自然安排了许多有关机器学习开发的内容,比如《教程 | 如何使用谷歌 Mobile Vision API 开发手机应用》。当然毋庸置疑,TensorFlow 也是本届 I/O 大会的关键核心之一。当地时间 18 日下午,谷歌 TensorFlow 开发者支持 Josh Gor
随着人工智能尤其是机器学习应用大量涌现,处理器市场群雄争霸。各厂商纷纷推出新的芯片产品,都想领跑智能时。但问题是,谁会担当这个角色呢?
说这话的是谷歌软件工程师Cliff Young,而谷歌是人工智能最大的实践者之一。
一分钟AI AI机器人混入大学哲学课堂,并顺利结业。此事竟无人察觉! 阿里云携手隆平高科、中信云,计划将阿里云ET推进到农业领域, 用于筛选育种,农作物预测和数字化管理等。 谷歌AI新技能:利用深度学习训练卷积神经网络,让计算机预测图像评级。 震惊!马斯克的亮红色特斯拉跑车将在明年1月跟随猎鹰重型火箭的“处女航”进入太空! 未来最了解你的可能是AI!Amazon研究如何分析用户声音里包含的情绪状态,并赋予Alexa根据人类情绪状态诊断疾病的能力。 Google又来撬苹果墙角,挖走苹果芯片专家John B
如果你决心成为一名机器学习工程师的话,在这篇文章中,我们将从简单的线性回归到最新的神经网络,让你了解机器学习的所有方面,你不仅可以学习如何使用它们,还将学习如何从头开始构建它们。 本文的学习路径大部分基于计算机视觉(CV),因为它是获得各方面知识的最快途径,而从CV中获得的经验可以简单地转移到机器学习的任何一个领域。 我们将使用TensorFlow作为一个机器学习框架,因为它非常好用。TesnorFlow官方地址:https://www.tensorflow.org/ 如果你同时学习了理论和实践材料,那
AI科技评论按:有人将人工智能定义为“认知计算”或者是“机器智能”,有的人将 AI 与“机器学习”混为一谈。事实上,这些都是不准确的,因为人工智能不单单是指某一种技术。这是一个由多学科构成的广阔领域。众所周知, AI 的最终目标是创建能够执行任务并且具备认知功能的智慧体,否则它只是在人类智力范围内的机器。为了完成这个野望,机器必须学会自主学习,而不是由人类来对每一个系统进行编程。 令人兴奋的是,在过去 10 年中,人工智能领域已经取得了大的进步,从自动驾驶汽车到语音识别到机器翻译,AI 正在变得越来越好
谷歌在2016年发布了全新的神经机器翻译系统(GNMT),并表示由于神经网络算法的介入,该系统相比传统机器翻译降低了80%的错误率,已接近人工翻译的水平。 但对于谷歌的这项发布,以及神经网络(或者深度学习)算法是否真的适合自然语言处理,业内存在着不同的看法。 日前美国AI公司exClone创始人,超导材料公司Epoch Wires主席Riza C. Berkan在博客中发布了一篇文章,围绕这一问题表达了自己的看法。他认为谷歌GNMT系统仅仅是一个噱头,而且由于自然语言本身并的特性,根本不适合用现有的神经
领取专属 10元无门槛券
手把手带您无忧上云