如果邮件中的内容不能正常显示，请点击此处查看   如果不想再收此邮件，可取消订阅     2017-02-16 第9期       Hi,   近几个月，各大厂纷纷携机器人上阵综艺节目，业内更有媒体戏称，人工智能时代最大的受益者是江苏卫视。娱乐精神的背后究竟有何技术奥秘？本周CSDN AI频道将带您揭晓。     热点       TensorFlow 1.0 官方正式发布   16日凌晨，谷歌正式发布了TensorFlow1.0版，改进了库中的机器学习功能，发布了XLA的实验版本，对Python和Java用户开放，提升了debugging，并且加入和改进了一些高级API，其中包括Keras。一系列新的改进，都会让目前这个最受欢迎的深度学习框架变得更快、更灵活、更实用。     《最强大脑》第三场《核桃计划》比赛难点及技术解析   水哥输给了小度，到底是媒体炒作还是实至名归？且听百度工程师娓娓道来。 本场竞赛题目为 “核桃计划”：通过三段在夜幕下分别从行车记录仪、高位摄像头和女生手机中拍到的模糊动态影像中，让“小度“和水哥识别三位“嫌疑人”的特征后，从30位性别相同、身高体重年龄均相似的候选人现场拍照中，准确找出三位“嫌疑人”。难点在于光照识别，由于光照问题、人脸姿态和饰物问题、摄像机的图像问题、丢帧和丢脸问题所导致的之别难度加大对小度及水哥来说都是不小的挑战。 小度如何获胜？点击题目查看其动态人脸识别技术的详细解析。     搜狗汪仔《一站到底》完胜人类 背后核心技术曝光   搜狗公司CEO王小川在2016年最后一期《一站到底》结束时为大家留下的悬念：“我会让搜狗的机器人来替我‘报仇’的!” 依约，王小川“派来”的搜狗问答机器人汪仔登陆了新年全新改版《一站到底》。在人类获胜选手以领先3分开局的情况下，汪仔最终以8:6的成绩取得了胜利。 搜狗汪仔机器人凭什么碾压人类？采用了哪些人工智能技术、背后开发团队如何、研发过程中最大困难是什么、汪仔和其他人工智能产品有何不同？本文对以上问题做出了简要分析。     声音       百度王海峰揭秘百度自然语音处理技术   今年的AAAI大会首次设立了应用人工智能(AI in Practice )环节，百度副总裁王海峰在该环节做了名为“百度的自然语言处理”(Natural Language Processing at Baidu)的主题演讲。 王海峰证实说，百度开发的NLP Cloud平台拥有 20多种 NLP 模块，每天的请求数量超过1000亿次。相关数据分析和技术已经应用在百度搜索、Feed、O2O和广告等业务与产品方向，并取得了卓越成果。     文因互联CEO鲍捷：八一八聊天机器人   鲍捷自述：“我自己在某厂做了两年语音个人助理，后来自己出来创业，首先就否定了这个方向，或者它的变种（如问答系统、智能音箱、客服机器人、聊天机器人、陪伴机器人等等，各自有软件和硬件的版本），以下统称为Chatbot。我估计中国过去几年，各种不同名目的对话型“机器人”的公司，从软件到硬件的，数百家是有的，也许有一千家？有一次，在一个会议上遇到一个公司，想做这个事情，想找一个“领军人物”来带，领导十多个人。我想，这个公司可能大大低估了做这个事情的难度：这种“领军人物”在中国可能不超过20个，也许只有10个？十多个人也难以做出一个工业可用的系统。就是有所谓的领军人物，有丰富经验的，想把工程重建，也不是短期可以奏效的。这个东西真的是没有捷径。”     人工智能时代，为什么大量物理学家开始纷纷转型涌入科技界？   Oscar Boykin在佐治亚理工的物理系完成了本科学业，之后于2002年在加州大学洛杉矶分校（UCLA）获得了物理学博士学位。但Boykin却说：“在一个物理学家看来，这是一个令人沮丧的时代。” Boykin在一家价值90亿美元的创业公司Stripe工作，创建在线平台，帮助企业接收在线付款。Boykin的职责是帮助构建和运行公司收集数据的软件系统，他负责预测这些服务系统的未来走势，包括欺诈性交易发生的可能性，以及具体可能发生的时间和途径。一方面，作为一名物理学家，他非常适合这项工作，因为该职位需要极强的数学能力和抽象思维。然而，不像是纯物理学家，他现在的工作领域能提供给他无限的挑战和可能性。而且，薪水也很高。 今天，物理学家正前仆后继地进入硅谷公司，但在今后的岁月里，类似的现象会进一步蔓延。点击题目查看Boykin的跨界心得。     技术       深度增强学习前沿算法思想   深度增强学习（Deep Reinforcement Learning，DRL）是近两年来深度学习领域迅猛发展起来的一个分支，目的是解决计算机从感知到决策控制的问题，从而实现通用人工智能。以Google DeepMind公司为首，基于深度增强学习的算法已经在视频、游戏、围棋、机器人等领域取得了突破性进展。2016年Google DeepMind推出的AlphaGo围棋系统，使用蒙特卡洛树搜索和深度学习结合的方式使计算机的围棋水平达到甚至超过了顶尖职业棋手的水平，引起了世界性的轰动。AlphaGo的核心就在于使用了深度增强学习算法，使得计算机能够通过自对弈的方式不断提升棋力。深度增强学习算法由于能够基于深度神经网络实现从感知到决策控制的端到端自学习，具有非常广阔的应用前景，它的发展也将进一步推动人工智能的革命。     无人驾驶系统安全   目前针对无人车攻击的方法有许多，如何防御这些攻击以保证无人车的安全是个重要的课题。本文是无人驾驶技术系列的第九篇，详细介绍针对无人车传感器、操作系统、控制系统、车联网的攻击手段以及防御方法。 对于无人驾驶系统来说，安全性至关重要。任何无人车如果达不到安全要求就上路是极其危险的。目前，针对无人车攻击的方法五花八门，渗透到无人驾驶系统的每个层次，包括传感器、操作系统、控制系统、车联网通信系统等。首先，针对传感器的攻击不需要进入无人驾驶系统内部，这种外部攻击法技术门槛相当低，既简单又直接。 第二，如果进入无人驾驶操作系统，黑客可以造成系统崩溃导致停车，也可以窃取车辆敏感信息。第三，如果进入无人驾驶控制系统，黑客可以直接操控机械部件，劫持无人车去伤人，是极其危险的。第四，车联网连接不同的无人车，以及中央云平台系统，劫持车联网通信系统也可以造成无人车间的沟通混乱。本文将详细介绍每种攻击手段，并且讨论相应的防御方法。     行为识别：让机器学会“察言观色”第一步   电影短片《Changing Batteries》讲了这样一个故事：独居的老奶奶收到儿子寄来的一个机器人，这机器人善于察言观色，很快就跟老奶奶“心有灵犀”，不仅能在老奶奶口渴时为她端水、在老奶奶扫地时接过老奶奶的扫把，做力所能及的家务活，如果老奶奶在椅子上看电视睡着了，机器人还为她轻轻盖上踏足。有了它，老奶奶又重新感受到久违的快乐，过上了更轻松的生活……本文解析此类机器人的察言观色技能是如何实现的。     深度学习实践：使用Tensorflow实现快速风格迁移   风格迁移（Style Transfer）是深度学习众多应用中非常有趣的一种，我们可以使用这种方法把一张图片的风格“迁移”到另一张图片上。但是早先的风格迁移速度是非常慢的。在GPU上，生成一张图片都需要10分钟左右，而如果只使用CPU而不使用GPU运行程序，甚至需要几个小时。这个时间还会随着图片尺寸的增大而迅速增大。 这其中的原因在于，在原始的风格迁移过程中，把生成图片的过程当做一个“训练”的过程。每生成一张图片，都相当于要训练一次模型，这中间可能会迭代几百几千次。如果你了解过一点机器学习的知识，就会知道，从头训练一个模型要比执行一个已经训练好的模型要费时太多。而这也正是原始的风格迁移速度缓慢的原因。 本文解读了一篇快速风格迁移论文Perceptual Losses for Real-Time Style Transfer and Super-Resolution，并给出作者本人对此案例的Github代码地址。     线上公开课       初学 | 揭开人工智能神秘的面纱（免费）   本课程适合初学者，从概述入手，讲述人工智能的应用场景、模型、框架，并针对初学者的后续学习线路进行答疑解惑。【时间】：2017年02月22日 20:00 - 21:00【讲师】：唐宇迪，多年一线AI讲师，在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的最新算法。     进阶 | 人工智能之机器学习在移动领域的运用（免费）   本课程具体讲解用于分类的五个经典机器学习算法：决策树、朴素贝叶斯、Logistic回归、支持向量机、AdaBoost元算法。【时间】：2017年02月27日 20:00 - 21:00【讲师】：刘玉刚，中国人工机器人协会会员，前后在国家机器人实验室、湖北省机器人实验室、武汉中船重工709/722研究所从事机器人软件算法平台及军工软件产品相关开发项目。对机器人路径规划算法有丰富经验与独到见解。     线下会议       SDCC 2017上海站   SDCC（中国软件开发者大会）始创于2007年，至今已走过十个年头。去年（2016年），SDCC分别在上海、深圳、成都、杭州、北京五地举办系列峰会，广受开发者欢迎。3月17-19日，SDCC 2017上海站与春天一同到来，点击题目先睹为快。     联系我们       CSDN AI 周刊     本刊由“AI科技大本营”编辑并运营，涵盖AI行业和技术圈儿的精品干货，每周发送，欢迎将干货分享给更多人！扫描下方二维码，添加小助手，备注公司和技术方向，邀你加入技术交流群。     大本营小助手       投稿：zhouxiang@csdn.net     转载：suiling@csdn.net     反馈：suiling@csdn.net   查看CSDN AI 周刊往期回顾，更多精彩内容尽在 CSDN AI专区。欢迎向您的朋友推荐订阅本邮列表。 如果不想再收到该邮件，可以取消订阅