关于 AI 创新创业的那些事儿——人工智能的“双创”之路 | AI 科技评论周刊

AI 科技评论君对上周末刚刚结束的 CNCC 2016 大会依然意犹未尽，无论是包云岗研究员提出通过标签化冯诺依曼结构降低云计算数据中心成本，还是山世光研究员介绍的深度化人脸检测与识别技术中关于深度学习的应用，都展示了国内人工智能领域的学术创新成果。

而来自业界的出门问问创始人李志刚和大家讲述了的 AI 创业路上的那些坑与机遇，也作为最早一批人工智能领域的创业者，给广大读者带了不同的思考感悟。

除了关于创新和创业的分享，AI 科技评论君也注意到了科技巨头 Google 的学术动态，其最新发布的增强型风格迁移算法可以简单地让单个深度卷积风格迁移网络（Deep Convolutional style Transfer Network）同时学习多种艺术风格。

说了这么多关于人工智能的学界和业界动态，跃跃欲试的你却还是个 AI“小白”，连什么是机器学习都不明白，怎么办呢？没关系，AI 科技评论君这周贴心地为大家准备了福利 —— 16 个新手必看的机器学习视频教程。

下面我们一起回顾一下本周的 AI 科技评论头条吧。

| 中科院包云岗37页PPT剖析 ——如何降低云计算数据中心的成本？

包云岗是中科院计算所研究员、博士生导师、先进计算机系统研究中心副主任，作为 CNCC 2016 的特邀嘉宾的他提出通过标签化冯诺依曼结构降低云计算数据中心的成本。

标签化冯诺依曼结构它的目标其实是：

去提高数据中心的资源利用率，降低数据中心的整个成本。

围绕这个目标的三个关键词是云计算、冯诺依曼结构以及标签化。

但是也有人问我？如果它以后真的会成为主流？关于数据中心成本降低了，对于设备商来说，他们愿意干吗？为什么他们有动力去做呢？因为他们的收入好像会下降。

这里我想提一点，其实在200年前，英国的经济学家杰文斯就问过这个问题，煤炭利用率提升了一倍，但会不会煤的产量下降呢？事实上，他发现，煤的产量增加了，因为更多的人会去用，所以技术的进步会去增加技术的消费量，我相信我们通过努力，去降低云计算的成本，也会进一步去促进云计算的快速发展。

原文链接

| 中科院山世光：深度化的人脸检测与识别技术—进展与展望

山世光是中科院计算所研究员，中科院智能信息处理重点实验室常务副主任，在 CNCC 2016 可视媒体计算论坛上发表了演讲，介绍最近几年在人脸识别领域几个关键流程上面，深度学习的应用情况。

特别要提到的是学术界的里程碑（数据库）：ORL——FERET——FRGC v2.0——LFW

也给出了目前人脸识别的应用现状：

总结这个报告就是以下几点：

• 人脸检测与识别不再具有特殊性

• 深度模型（&大数据&高性能计算）极大推进了人脸识别能力，在一些（用户配合的）任务上能超过人眼

• 万人规模的黑名单视频监控场景尚不成熟

• SeetaFace为大家提供了一个不错的baseline

原文链接

| 出门问问李志飞：AI 创业路上的那些坑与机遇

在 CNCC 2016 大会特邀报告中，出门问问创始人李志飞介绍了最常见的两条 AI 产业化路线：

• 在已有的产品中实现 AI first 战略，比如 Google；

• AI 作为技术 API 提供给第三方，比如出门问问。

“前者适用于大公司，后者适用于小公司。”

To B 的优势在于：初期就能赚到钱；更专注，不需要全栈式团队；实现应用更丰富。

To B 的劣势在于：难以扩大规模。

To C 的优势在于：打造自主的品牌；逐渐形成规模和商业模式。

To C 的劣势在于：需要更长时间的积累；需要全栈式的团队。

出门问问选择 To C 的代价就是要经历从软到硬的痛苦过程，李志飞和大家分享了几个需要注意的方面：

• 必须发现并尊重硬件规律；

• 必须依循硬件的生命周期；

• 硬件的个性化交互创新很难实现。

原文链接

| Google 最新发布的增强型风格迁移算法

Google 本周发布了一种新的迁移网络（来自其论文《A Learned Representation for Artistic Style》）同时学习多种风格的简单方法，可以简单地让单个深度卷积风格迁移网络（Deep Convolutional style Transfer Network）同时学习多种艺术风格。

这种方法能实现实时的风格插补（Style Interpolation），其不仅可以应用于静态图像，还可应用于视频中。

如上图所示，在实际使用中用户可使用13 种不同的绘画风格，通过滑块调整这些风格的相对强度。多种风格实时结合到一起，最后得到一个输出。

下图是 4 种风格按不同比例结合的成果：

原文链接

| 16 个新手必看的机器学习视频教程

我们很多人都没有注意到，其实 YouTube 上面有大量免费的机器学习的指导课程。你无须再等待 MOOC 课程的更新了，可以在 YouTube 上面找到你想要的。（备注：请自备梯子科学上网观看）

本文可以帮助你发现新的工具、技术、方法等。你要牢记这句话：对新知识的学习要像生命对于活水的需求一样迫切，永远不要停下追赶新知识、新观点的脚步。

这些视频主要分成 4 个部分，内容目录：

1、机器学习新手入门

·如何成为一个数据科学家

·每个程序员都应掌握的重要数据处理技巧

·数据科学大赛的新手指南

·机器学习指南

2、最新的机器学习课程

·统计学机器学习

·滑铁卢大学机器学习课程

·基于 Python 的机器学习实践

·Geoff Hinton 的神经网络课程

3、其他有用的讲座

·失衡数据集下的机器学习

·Scikit—learn教程

·前沿技术——深度学习

·Pandas 新手教程

·基于 Python 语言的预测模型

4、企业机器学习案例

·谷歌

·Pinterest

·Grabtaxi

原文链接

| 公开课预告

最后，预告一下公开课时间： 11 月 1 日，下周二下午 3 点。欢迎大家踊跃报名。