传阿里2亿美元收购豌豆荚 近日将宣布# 深度学习没你想的那么玄乎 #
7月2日消息,据相关媒体援引消息人士报道称,阿里已经2亿美元全资收购豌豆荚,并将于近日宣布。收购后,豌豆荚将并入阿里巴巴移动集团,向俞永福汇报。
报道称,阿里巴巴的财务和审计已经全面接管豌豆荚,交易完成后,豌豆荚大股东软银将完全退出。有业内人士指出,阿里收购豌豆荚是看中了豌豆荚的移动应用分发实力。此前,百度在2013年花了19亿美元收购了91无线,成为了现在百度手机助手的前身;而布局较早的360和腾讯应用宝,也发展不错。
豌豆荚初期发展迅速,在 2010 年至 2012年初期间,几乎占据国内手机助手市场的半壁江山,2014年初宣布用户数超过3亿。但在日渐激烈的竞争中,声音越来越弱。
未来学家预测未来30年性爱机器人将成“主角”
据英国每日邮报报道,机器人可以完成多种任务,例如:担当保镖、办公室主管等,但是不久机器人也将融入性产业。目前,一位未来学家预测称,女性和男性将在未来10年之内开始选择机器人性伴侣,而逐渐冷淡人类性伴侣。
未来学家伊恩-皮尔森(Ian Pearson)博士撰写了一份未来性生活研究报告,他认为,未来人类选择机器人性伴侣将十分流行,预计2050年将最终取代人类性行为。同时,当前性玩偶市场主要消费群体是男性,未来性爱机器人的出现,也将出现一大批女性消费群体。
Google研制出会变色的“智能纺线”
据 Fibre2Fashion 报道, 加州大学伯克利分校信息学院 和 Google ATAP(Advanced Technology and Projects)小组 Project Jacquard 的研究人员合作发明了一项名为 Ebb 的电脑织物技术,基于这项技术,他们制作了 能改变织物图案,会变色的“智能纺线” 。
研究人员解释道,之所以命名为 Ebb,是因为“颜色变化时的图像就像是潮涨潮落,不同于快速变化的传统屏幕。”Ebb 的核心技术是 涂有热变色颜料的导电细线 ,当细线通电后,颜色会随着电荷的变化而变化。该学院在其网站上表示,这种智能面料可以用于制作颜色或图案动态变化的服装或其它纺织品。
科学家3D打印出可在人体内运动的蚕丝微型火箭
近日,英国谢菲尔德大学(University of Sheffield)的科学家们在开发可以在生物环境中安全地使用的蚕丝微型火箭上取得了重大突破。通过使用创新的3D喷墨打印方法,该校的化学和生物工程研究人员在制造微观蚕丝游泳装置方面向前迈出了一大步。据了解,这种蚕丝装置可降解,而且对其所处的生物环境完全无害。这意味着,这些装置将来可能在被 用于人体内部的一些应用当中,比如传递药物和定位癌细胞等。
/ 今日话题 /
# 深度学习没你想的那么玄乎 #
关于人工智能是否会毁灭人类这一话题,上到比尔·盖茨下到隔壁王叔都能有理有据抛出自己的观点,而能验证这个争论的只有时间。当然,这里也不排除一些大佬的目的是为了宣传和推进自己的AI业务。
马斯克在去年曾提出人工智能将有可能会威胁人类,话音一落马上被各大媒体跟进。而他在提出这个观点后的不久便创建人工智能公司 OpenAI。
不得不说,人工智能的PR价值非常巨大,Google在1月28日派出自家的“哮天犬”阿尔法狗击败欧洲冠军当日谷歌股价涨了4.42%,换算成市值涨了200亿美元。前段时间击败了李世石又大涨了5.6%。而且全世界都知道了这件事,这相当于多少钱的广告费啊。
提到人工智能就不得不提“深度学习”,人工智能的火爆也把DL拉到了台面上,既然是人工智能的核心技术之一,那它的难度很大吧?既然这么厉害,那学术界和工业界肯定都在用吧?至少在目前看来,人工智能没想象中的那么玄乎,深度学习亦如此,那么今天就扒一扒深度学习的老底。
目前人们比较关注这几个问题:
深度学习的难度
深度学习的人才为何如此稀缺
它在学术研究方面存在哪些问题
用了深度学习的公司,他们的产品是否拥有很大竞争力?
首先我们讨论下人才为何稀缺(在讲人才稀缺原因的时候会涉及到深度学习难度的问题)。
1.以往很多人不愿选择深入研究
相对于许多机器学习方法,深度学习确实不需要什么高深的数学内容。但相关人才为何如此少,很多时候,因为选择问题吧。深度学习已存在很多年了, 神经网络 的概念几十年前就有了,后来又被SVM等方法超越,所以沉寂之后在2011年爆发。所以在2011年以前,从自身角度讲,学生们应该很难去选择一个过气方法做深入研究。90年代,搞 语音识别 和计算机视觉的学生会觉得深度学习本身想法很有意思,但如果选则深度学习这个方向很有可能三、四年搭进去没有任何成果。相比于坚持,换一个可预料到结果的方向才是更理性的选择。
毕竟要毕业,需要论文评优的啊。
而现在深度学习起来了,所以能够撑过深度学习寒冷期的人,一定是极少数抱有绝对信仰的人。
2.学科涉及到的面太广
Droking:
深度学习需要的数学基础(凸优化,数值分析,矩阵分析,统计推断,概率图)把99%的程序员学生挡在了门外;
C/C++,CUDA/OpenCL,计算机网络和体系结构,大规模并行系统的门槛又将纯数学背景的限制在了只能用matlab写点两三层几千维神经网络的实验小程序上,而数据量不到100G深度不到五六层维度没有十万根本感受不到深度学习的可怕威力。
所以两个知识的交叉领域还剩多少人?
3.解决问题的人才什么时候都缺
王乃岩提到其实缺乏的不是Deep Learning的人才,而是可以实际解决问题的人才。而实际可以解决问题的人才不管在什么时代都是稀缺资源。Deep Learning本质上是工程学科,而不是自然学科。这个性质天生决定这个圈子的人更加关注的是解决问题,或者换句话说如果必须要二选一,理论要为实践让路。Deep Learning本身并不难,难的是你吃透问题,可以用Deep Learning的逻辑去思考你自己的问题,有针对性地设计模型;难的是你有分析问题和结果的能力,遇到负面结果不是抓瞎。另外说Deep Learning就是调参数的,那也是不会调参,调参也是要按照基本法的。
4.普通人进入的门槛高
Gloria Deng:
1. 没有理论支撑。关于深度神经网络为什么收敛,怎么收敛,如何控制等等内容,都没有成熟的理论证明,所有的结果都是停留在实验阶段,尽管有时候结果很好,然而糟糕的时候是真糟糕。
2. 计算资源。个人很难负担DL硬件的所有费用,至少需要一个配置不太差的workstation吧,如果做大一点,至少需要十台吧,然而并买不起。说白了就是没钱。
3. 时间成本。服务器上训练一个简单的网络时间以天为单位,然后再调参数,结果没出来。
4. 数据集。很难有能够填充一个DNN信息量的数据集。不管从数据集质量还是规模来看,能用的数据集太少了,同时很少有人愿意做这方面的工作。很多号称是大数据、深度学习的东西其实都是炒作。
当然还有这种画风的
谭小羽:
世界上没有什么优化目标是在NN中多加一层layer不能解决的。
如果有,那就两层。
学术界存在的问题
田渊栋曾写到:目前为止,我们还没有对深度学习有深层次的本质理解,大量的研究思路都是简单粗暴的,在计算资源极大丰富的今天,对于它们质量的主观判断,经常远不及写代码上机实验来得快与准。很多想法不论对错,不论它看起来有多离谱荒谬,先试一下再说,往往蒙得比想得快,动手比动脑快。和我们每天刷手机类似,思维方式的这种转变是好是坏,目前还无从评判。这样的做法,完全可以归入浮躁和急功近利之流,与传统学术做法背道而驰。
深度学习目前缺少理论和数学基础,而大量研究人员为了做成果发paper,无论什么都拿深度学习的模型去套。科研的初衷是理解模型的深层机理和含义,然后才能有新的想法去解决新的问题。
据此著名人工智能专家Nikos Paragios指出目前深度学习在计算机视觉的的研究中很少看到有“增加的科学价值”。除了小部分人坚持做基础研究,探索深度学习方法的理论概念,大部分人似乎都跑去搭建更复杂、更庞大的框架,而且从所提交的论文看,基本上所有描述的框架都是不可扩展的。也就是说,尽管表面上看去成果丰硕,但深究起来这些论文背后几乎没有什么理论论证,谈不上为某个基准增添了性能。当众人的注意力都放在更快的速度更高的效率上,但追求的目标还是与以往一样,并不远大,而且众人眼中实现目标的方法也仅剩一条了。
工业界的浮躁
深度学习在某些项目上的应用效果比较可观,但这也容易导致其他企业盲目跟风,最终由于产品的属性和技术问题造成了资源和资金的浪费。同时,深度学习也被蒙上一层神秘的面纱。其中国内一些业界人士直白地指出深度学习成了投机者的专用词,在2016 年回归商业本质网易创业 Club 周年庆典中, 图灵机器人 CEO余志晨说到“深度学习这四个字很多时候是给投资人看的,他们喜欢看这个”。同时,依图科技CTO林晨曦在会场中说到市场上不少项目都声称应用到了深度学习,但其实很多项目压根不需要用深度学习就能完成。所以这里面的就会存在真假问题。
与此同时,学术圈对业界的一些做法比较反感,深度学习大神Yoshua Bengio指明深度学习被过分解读,这样很容易被一些想要一夜暴富的公司利用。
最后用一张趣图看看别人眼中的深度学习是什么样的
周末快乐!~