【AI每日播报】Google确认收购数据科学社区Kaggle 滴滴美研落户硅谷

欢迎人工智能相关的技术投稿、约稿、行业分析、热点新闻、编译等，请发送邮件至[email protected]，期待大家投稿。

【在线直播课】《TensorFlow实战》作者、PPmoney大数据算法总监黄文坚老师即将开课：《使用TensorFlow创建可自动玩游戏的DQN模型》，本次课程集中讲解Deep-Q Network及其TensorFlow的实现。点击报名

资讯

谷歌宣布收购全球最大数据科学社区Kaggle

Google于今早在旧金山举行的Google Cloud Next会议上确认将收购数据科学竞赛平台Kaggle，但没有公开收购条款细节。

这项收购并不出人意料。Kaggle在平台上拥有50万数据科学家，它将使Google能够立即在AI社区中拓展其覆盖范围。随着谷歌与亚马逊在云计算领域的竞争难分伯仲，它将需要尽可能多的制胜点。

这也将帮助谷歌在数据科学社区中更加扎实地确立其品牌——尽管得益于其像TensorFlow这样的项目，它已经是主角之一。谷歌面临着日益激烈的竞争，因为人工智能领域已经向自动驾驶和深度学习等垂直领域发展，公司不论大小都可以分到一杯羹。这从理论上可以将谷歌排除在最佳人工智能操作公司名单之外，虽然谷歌旗下的阿尔法狗刚刚战胜围棋世界冠军。

购买Kaggle及其在人工智能社区内的知名度也可能有助于招聘。Google需要确保它不断吸收专门从事深度学习的最佳人才，与其他公司（例如Pinterest（专注于视觉搜索））竞争。即使并不是一个比较专业化的技术收购，收购也意味着谷歌正在扩大关注范围，以探索更深入不同类别的方法，以确保其在人工智能的主导地位。

滴滴美国研究院落户硅谷，Charlie Miller加盟负责智驾安全

滴滴出行今日正式宣布在美国加州硅谷山景城（Mountain View）成立滴滴美国研究院，重点发展大数据安全和智能驾驶两大核心领域。

据了解，美国研究院目前包括数十位数据工程师和研究人员，全球顶级安全专家查理-米勒（Charlie Miller）也于近期入职，负责智能驾驶安全项目。

此前，Charlie Miller曾就职于苹果、Twitter、Uber等公司。

作为安全领域顶级专家，Charlie Miller撰写了三本信息安全有关书籍，且曾四次获得CanSecWest Pwn2Own大赛冠军，2015年还成功对吉普切诺基车型进行了远程控制实验。他也被认为是全球最杰出的安全专家之一。

从昨晚到现在，Charlie Miller连发了5条半与滴滴美国研究院相关的Twitter。Miller先是宣布了加入滴滴美研，负责智能驾驶系统的安全技术。

声音

李彦宏建议利用人工智能“打拐” 联合国官员表示欢迎

今年两会期间，全国政协委员、百度董事长兼首席执行官李彦宏建议利用人工智能“打拐”，引起各方注意。据媒体报道，红十字国际委员会东亚地区代表处有关负责人谈及这一建议时表示，这一设想对于他们在武装冲突地区开展的寻人工作也有所启发，并称这对全球人道行动将有积极的作用。联合国开发计划署(UNDP)副国别主任何佩德(Patrick Haverman)日前也对这项创新表示欢迎，称希望其能够为现在人类面临的发展挑战提供可持续的解决方案。

利用人工智能“打拐”的提案是本月李彦宏在参加全国政协十二届五次会议时提出的。他表示，用人工智能“打拐”在技术上已比较成熟。通过“人脸识别”，能够提升图像侦察效率，尽早锁定失踪儿童或涉案人员，而且还能实现跨年龄比对，帮助侦破儿童走失积案。现在的技术可以将一张0到4岁儿童的照片，和他十几年后的样子能实现准确识别。一个孩子如果在很小的时候走失，即便再次进入公众视野时已经上学了，在拍摄学生证照片时依然可以通过人工智能技术来比对，找到这个走失的孩子。

在提案中，李彦宏建议建立适用于搜寻走失儿童的人脸识别模型，建立覆盖全国的走失儿童数据库，将人脸识别技术和治安、交通监控系统相结合，利用大数据和人工智能技术“打拐”。

雷军:中国重视数学教育 有做好人工智能的天然优势

谈及中国的人工智能发展，雷军表示：放眼全球，很多国际大企业的人工智能负责人都是华裔或中国人，主要原因是中国对数学等基础学科教育非常重视，培养了大量数学方面的人才。人工智能是跟数学高度相关的，所以中国做人工智能有天然的优势，而且中国在云服务上也非常领先，对中国而言，发展人工智能是一次时代的机遇。

雷军指出，供给侧结构性改革推动了技术创新。供给侧结构性改革的核心是怎么能够供给消费者需要的产品，过去我们是“从无到有”，如今“有了”之后，就要把重心放在怎么能够提供更优质的产品上。不论国企还是民营企业，都需要转型升级，如果没有技术创新，就很难打造出好产品，而且越往高端走，对技术的要求就越高。

李飞飞在 Google 云计算大会上发车了：要送人工智能到千家万户

李飞飞是斯坦福大学终身教授和该校人工智能实验室主任，因主导创立的 ImageNet 项目而在机器学习学界知名，加入了 Google 云计算部门（以下简称 Google Cloud）担任首席科学家，在该部门旗下领导一个新成立的人工智能和机器学习 (AI/ML)研究团队。

美国时间 3 月 8日，李飞飞第一次以 Google 员工的身份出现在 Cloud Next 17 上。加盟新公司四个月后，她带来了一个口号，以及几项新宣布。

李飞飞的口号是：让人工智能“人尽可用” (Democratizing AI)。她在台上反复表示：“Google is democratizing AI, Cloud is the vehicle to deliver.”也就正如我们的标题所说，她所带领的人工智能和机器学习 (AI/ML)研究团队，将会发动 Google 云计算的车，把送人工智能到千家万户。

趣闻

MIT的新成果震惊了科学界，我们真的可以用意念控制机器人了

MIT证明，我们以后开什么脑洞都不过分。

截止到目前，虽然已经见识到各种各样机器人的活蹦乱跳，但我们仍然会突发奇想：
能不能像小时候看《数码宝贝》一样，来个用意念控制机器人（事实是这个想法贯穿了笔者的整个童年），然后指挥它们加入战斗？

没想到，这个星球再一次印证了“人类必须敢于‘中二’才能发生奇迹”的真理……回顾一下你童年时期的各类脑洞，没准都会在我们的栏目里被印证……

最近，MIT的那款名叫Baxter的新机器人具备了新的“超能力”。最神奇的地方，就在于其完全可以根据探测到的人脑脑电图来审视自己的行为是否正确。

谷歌发布新AI应用接口：有了它就能识别视频中的物体

搜索巨头谷歌8日再度向外界展示了其将机器学习应用于具体领域的技术实力，在当天举办的谷歌云Next大会上，谷歌云首席科学家李飞飞发布“Video Intelligence API”，该API可以用于识别视频中的物体以及其在视频中具体出现的时间点。

谷歌在现场演示了一小段该公司在今年超级碗上播放的Google Home视频广告片段，在短短十几秒时间内，视频中分别呈现了房屋、蜿蜒的公路、汽车、狗、车库等物体，运用了人工智能技术的谷歌“Video Intelligence”准确识别出了上述物体，并将其出现的时间点提示在播放时间轴上。

像其他人工智能API一样，谷歌也将该API向开发者开放。谷歌方面称，运用该技术，可以对视频中的内容进行动词或名词的搜索，例如“驾驶”、“猫”等，此外，该API还支持一定的语境搜索。

谷歌方面称，该视频识别API将主要针对消费者的公司如大型媒体机构等，该API同时还将用于谷歌自己的视频相关项目。

解读

写给大家看的机器学习书【Part3】直观易懂的感知机学习算法PLA

这一篇，我们要具体地讲一个学习算法，把它用在有好货这个场景，看看这个算法到底是怎么样从用户日志中寻找规律，学得模型的。一旦学得模型以后就可以对未来做出预测 —— 预测用户是否会点击某个商品，预测人生的巅峰、世界的和平、一起学习机器学习的女朋友…

这个学习算法的名字叫 PLA，全称 Perceptron Learning Algorithm。其中 Perceptron 译作感知机，它是人工神经网络中最基础的两层神经网络模型。学好Perceptron Learning Algorithm，你离入门人工神经网络也就不远啦。

具体来说，这一篇我们将首先介绍PLA的假设集合，看看PLA的假设集合中等着被挑选的候选函数长什么样。看过PLA假设集合的函数表示之后，重要的是理解PLA假设集合的直观解释，事实上之所以把PLA作为第一个学习算法，就是因为它有着非常直观的理解方式。

接着将看到PLA的细节，PLA 是一个相当简洁的算法，算法过程仅有4步，我写的Python 编码含注释不到30行。学习PLA的重点应该放在理解PLA算法的第三步，理解PLA之所以被设计成这样，背后的含义其实朴素又直观。

然后，我们将讨论学习算法两个很重要的问题——学习算法能最终停止并学到东西吗？如果能，学习算法需要运行多久呢？这时我们将惊讶于经典PLA的两点性质：（1）算法可能永远也无法运行结束，会迷失在茫茫的训练数据中永远找不到出口。（2）哪怕知道PLA最终能找到出口，我们也无法事先知道学习需要花多久。不过别急于换台，我们紧接着就会给出一版升级的PLA算法，只需在经典PLA的基础上增加简单两步，就可以解决上面的问题。

让人工智能解数学题，可能没你想象的那么简单

约1500年前的古代数学著作《孙子算经》中记载了一个有趣的问题：“今有雉兔同笼，上有三十五头，下有九十四足，问雉兔各几何？”这就是今人所谓的鸡兔同笼问题。如今这个问题小学生们解决起来可能都轻而易举，但对于人工智能而言可能并非如此。在人工智能火热的今天，我们想聊聊如何让计算机具备解此类问题的能力——即数学解题。

如果说一套系统就能解决所有问题的“通用人工智能”离人们的生活还很遥远，那么让人工智能系统解决具体的某一项、或某一类问题已经是一个切实可行的小目标。近几年智能解题逐渐成为人工智能的一大研究热点。随着这项研究的日益火热，人们想通过让人工智能参加“考试”，与人类选手进行公平、公开的比试，从而衡量目前人工智能系统的“智能”水平。

在全世界范围内，有多家研究机构正在从事这一方面的研究。例如日本国立情报学研究所开发了一个项目Todai Robot，他们让机器人挑战大学试题，目标是2021能够考上东京大学。艾伦人工智能研究所(Allen Institute for Artificial Intelligence) 也举办了一项比赛，来自全世界的几千个团队纷纷提交了自己的软件系统来挑战8年级的科学题目，最终，该比赛的第一名仅能达到59%的正确率。在中国，国家科技部2015年也开启了“高考机器人” 项目(863计划中的类人智能项目)，让人工智能系统和全国的文科考生一样，挑战2017年高考语文、数学、文综三项科目，研究相关类人答题系统。超过30多家高校和科研机构（清华大学、中科院自动化所等）联合参与了该项目。

意料之外但又情理之中的是，目前各个人工智能系统的表现普遍在理科解题上弱于文科解题。究其原因：目前机器学习更多强调的是对记忆、计算等相关内容的储存和运用，而对于逻辑理解和推理这一模块还没有很好的解决。数学解题，作为理科考试的一部分，十分考验计算机的理解能力和推理能力，针对数学解题之上的研究成果非常有可能定义计算机智能的新层次。有鉴于此，数学解题应该也正在成为人工智能的一块重要拼图。

图解TensorFlow架构与设计

TensorFlow基于数据流图，用于大规模分布式数值计算的开源框架。节点表示某种抽象的计算，边表示节点之间相互联系的张量。

TensorFlow支持各种异构的平台，支持多CPU/GPU，服务器，移动设备，具有良好的跨平台的特性；TensorFlow架构灵活，能够支持各种网络模型，具有良好的通用性；此外，TensorFlow架构具有良好的可扩展性，对OP的扩展支持，Kernel特化方面表现出众。

TensorFlow最初由Google大脑的研究员和工程师开发出来，用于机器学习和神经网络方面的研究，于2015.10宣布开源，在众多深度学习框架中脱颖而出，在Github上获得了最多的Star量。

本文将阐述TensorFlow的系统架构，帮助读者加深理解TensorFlow的工作机理。

---