最近几年AutoML炙手可热，一时风头无两。各大公司都推出了自己的AutoML服务。 谷歌云的Cloud AutoML
Google的目标是致力于解决长期问题，重点是那些在日常生活中能极大帮助人们的问题。为了在2019年实现这一目标，Google Research基础研究的多个领域取得了进展，并将研究成果应用于医疗保健和机器人等新兴领域，开放了大量源代码，并继续与产品团队合作，构建对用户更有帮助的工具和服务。
从AlphaGo到MuZero以及最近的AlphaFold 2，DeepMind一直在寻求强化学习方面的突破。
新智元报道 来源：Google Cloud Next18 作者：新智元编辑部 【新智元导读】谷歌云年度Next大会召开，李飞飞和李佳的“佳飞?”组合也迎来了她们在谷歌云的又一座里程碑：度过艰辛时刻
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
作者｜黄楠 编辑｜陈彩娴 探索 AI 和医学结合更多的可能性，是人工智能发展的一个重要命题。 AutoML 作为近年来备受瞩目的概念之一，被视为解决算法工程师来提高训练模型效率的一个工具，在工业、农业、零售等诸多场景中均有被使用。 而随着 AI 在医学影像分析、医疗决策、个人就诊助手等场景领域的广泛应用，AutoML凭借其智能化、自动化等特性，也引发了越来越多研究团队开始思考：如果将其放置在医学场景下，是否也能获得不错的结果？ 褚晓文，香港科技大学（广州）数据科学与分析学域正教授，由他所带领的团队也是这条探
大数据文摘转载自AI科技评论 作者｜黄楠 编辑｜陈彩娴 探索 AI 和医学结合更多的可能性，是人工智能发展的一个重要命题。 AutoML 作为近年来备受瞩目的概念之一，被视为解决算法工程师来提高训练模型效率的一个工具，在工业、农业、零售等诸多场景中均有被使用。 而随着 AI 在医学影像分析、医疗决策、个人就诊助手等场景领域的广泛应用，AutoML凭借其智能化、自动化等特性，也引发了越来越多研究团队开始思考：如果将其放置在医学场景下，是否也能获得不错的结果？ 褚晓文，香港科技大学（广州）数据科学与分析学域正教
自从AI出现之后，人类对于AI的担忧就从来没有消停过，特别是AlphaGo的横空出世将AI带到大众跟前，对AI的争论就更加激烈。对于普通大众而言，AI是否会毁灭人类不需太关心，但是对AI是否会取代人类工作就异常敏感了。夸张的是，现在某些高考填报志愿指南就有一个考量：这个职业是否会被AI取代，比如平民考生填报志愿的3个关键点这篇文章就认为将被AI取代的职业有：财会、英语、法律、人力资源等等，不建议报考。
【新智元导读】机器学习系统有大量的超参数，在应用中需要依赖领域专家知识，并且有繁重的人工调参任务。现在，有一项工作希望让这些过程自动化，只需一个按钮，就能让你得到训练好的模型，这就是“自动机器学习”（autoML）。而自动机器学习的两大工具，Auto-weka 有可视化界面，只需轻点鼠标就能完成训练工作，auto-sklearn 也仅需数行代码便可构建可用的模型。操作如此简单，还不用担心训练后的模型不 work，是不是很值得上手试验一番？ 某日出差，在出租上闲来无事和司机闲聊，告知其本人专业是人工智能，司机
整个操作过程，从导入数据到标记和训练模型，都只需要用鼠标拖放界面即可完成。 人工智能和深度学习首席科学家李飞飞本周在某个新闻发布会上表示，人工智能和机器学习仍然是一个进入门槛高的领域，需要专业知识和资源，很少有公司自己能雇佣起机器学习和数据科学家。 兵贵神速，在今天的凌晨，谷歌就发布了用机器学习来训练机器学习的神器：Cloud AutoML Vision。 AI训练AI 谷歌的Cloud AutoML到底是什么？ Cloud AutoML是一套机器学习产品，其背后的逻辑是用AI制作AI。它能够使具有有限机
从重要AI技术应用突破讲起，到展望2019结束。Jeff Dean总结了14个大方面的AI成果，并透露全年AI论文发表数达608篇。
翻译 | AI 科技大本营（rgznai100） 参与 | 刘畅、林椿眄 编辑 | 周翔、Donna 本周三，Google 发布了最新的 Cloud AutoML 技术，该技术能使企业开发者们通过 Google Cloud 平台自动创建机器学习模型。谷歌首先将发布 AutoML Vision，即用于建立机器视觉模型的工具，随后将陆续推出用于机器翻译和自然语言处理等的工具。 Cloud AutoML 将是开发者的利器，即便你不懂机器学习，也能训练出一个定制化的机器学习模型。具体来说，开发者只需要上传一组
在 2017 年谷歌刚刚推出 AutoML 工具的时候，「AutoML」还仅有机器学习模型自动化的意思。而现在，人们已经普遍认为 AutoML 需要贯穿机器学习的整个流程：从数据清洗开始、特征工程、到模型的生成，甚至包括模型评估，所有阶段都包括在了 AutoML 的范畴之内。
作为谷歌大脑的创始成员和 AutoML 的缔造者之一，Quoc Le 算得上是人工智能研究领域的原住民了。
这一年成为NLP研究的分水岭，各种突破接连不断；CV领域同样精彩纷呈，与四年前相比GAN生成的假脸逼真到让人不敢相信；新工具、新框架的出现，也让这个领域的明天特别让人期待……
今年7月的谷歌Next大会上，李飞飞宣布了两年前推进的Contact Center落地、AutoML推出自然语言和翻译服务、TPU 3.0进入谷歌云，这意味着谷歌云拥抱AI First后迎来里程碑式成就，这被外界认为是李飞飞在谷歌的最后“官方发布”。
Cloud TPU意图优化计算受限问题，并让机器学习模型训练更加容易。 当地时间凌晨6点多，Google Brain负责人、谷歌首席架构师Jeff Dean连发10条Twitter，只想告诉人们一件事情——我们推出了Cloud TPU的beta版，第三方厂商和开发者可以每小时花费6.5美元来使用它，不过数量有限，你需要先行填表申请。 一直以来，TPU都被用于谷歌内部产品，随着Cloud TPU的开放，不管是云服务还是AI芯片市场，都将迎来一场变动。 谷歌开放Cloud TPU测试版每小时6.5美元 数量有限
选自Google Research Blog 作者：Jeff Dean 机器之心编译 参与：黄小天、路雪 继谷歌大脑 2016 年盘点之后，谷歌大脑负责人 Jeff Dean 近日撰文回顾了 2017 年的工作，内容包括基础研究工作，机器学习的开源软件、数据集和新硬件。本文是这次盘点的第一部分，谷歌将稍后推出第二部分，介绍机器学习在医疗、机器人等不同科学领域的应用与创造性，以及对谷歌自身工作带来的影响。 谷歌大脑团队致力于拓展人工智能在研究和系统工程方面的进展。去年，我们盘点了 2016 年的工作。2017
本周三，Google 发布了最新的 Cloud AutoML 技术，该技术能使企业开发者们通过 Google Cloud 平台自动创建机器学习模型。谷歌首先将发布 AutoML Vision，即用于建立机器视觉模型的工具，随后将陆续推出用于机器翻译和自然语言处理等的工具。 Cloud AutoML 将是开发者的利器，即便你不懂机器学习，也能训练出一个定制化的机器学习模型。具体来说，开发者只需要上传一组图片，然后导入标签或者通过 App 创建，随后 Cloud AutoML 就会自动生成一个定制化的机器学
【新智元导读】为了应对AI人才不足，以谷歌为首的企业正在想方设法，开发能够取代AI研究员的AI系统，让创建AI软件变得容易。目前，这样的AI系统正在帮助AI研究员，让搜索更高效，让网络结构更先进，同时承担繁重重复的工作。但是，AI取代AI研究员的那天终会到来，只是时间的问题。 开发出能够自己编写程序的AI，是AI研究者的梦想，也可能是众多计算机程序员的噩梦。现在，以谷歌为首的各大公司，在AI人才严重不足的情况下，开始把目光投向另一个更为强大的目标——开发能够自己创建AI的AI。 谷歌的项目名叫AutoML，
来源：medium 作者：Alex Honchar 翻译：刘小芹 【新智元导读】本文从开发者的角度，总结了GAN、AutoML、语音识别、NLP等已经可以用于实际产品的技术，以及值得关注的新趋势。作者认为，有ONNX这类的统一格式，Caffe Zoo等模型库，以及AutoML等自动化工具，制作基于AI的应用已经变得非常容易。 GAN与造假 虽然生成对抗网络几年前就出现了，我对它是相当怀疑的。几年过去了，即使看到GAN在生成64x64分辨率的图像方面取得了巨大的进步，我对它仍是怀疑的。在阅读了一些数学文章
本文经AI新媒体量子位（公众号ID:qbitai）授权转载，转载请联系出处 本文长度为8311字，建议阅读10分钟 Jeff Dean回顾了谷歌大脑团队过去一年的核心研究，以及在多个AI领域的研究进展。 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年度的谷歌大脑年度总结。 在这份已经发布的总结中，Jeff Dean回顾了谷歌大脑团队过去一年的核心研究，以及在多个AI领域的研究进展。 Jeff Dean还把相关研究的论文等一并附上，堪称良心之作，
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
来源：机器之心本文约3400字，建议阅读6分钟本文探讨 2010 年代的十年时间里，促进深度学习快速发展的原因。 Jeff Dean 亲自撰文，探讨 2010 年代的十年时间里，促进深度学习快速发展的原因有哪些？他还对未来的 AI 发展做出了自己的展望。 自从计算机诞生之初，人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上，约翰 · 麦卡锡提出人工智能这个概念，一群数学家和科学家聚集在一起寻找如何让机器使用语言、形成抽象理解和概念、以解决现存的各种问题，当时研讨会参与者乐观地
计算机视觉领域同样精彩纷呈，与四年前相比GAN生成的假脸逼真到让人不敢相信；新工具、新框架的出现，也让这个领域的明天特别让人期待……
选自DÆDALUS 作者：Jeff Dean 机器之心编译 编辑：杜伟、陈萍 Jeff Dean 亲自撰文，探讨 2010 年代的十年时间里，促进深度学习快速发展的原因有哪些？他还对未来的 AI 发展做出了自己的展望。 自从计算机诞生之初，人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上，约翰 · 麦卡锡提出人工智能这个概念，一群数学家和科学家聚集在一起寻找如何让机器使用语言、形成抽象理解和概念、以解决现存的各种问题，当时研讨会参与者乐观地认为，在几个月的时间里这些问题能
点击上方↑↑↑“OpenCV学堂”关注我来源：公众号 机器之心 授权 Jeff Dean 亲自撰文，探讨 2010 年代的十年时间里，促进深度学习快速发展的原因有哪些？他还对未来的 AI 发展做出了自己的展望。 自从计算机诞生之初，人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上，约翰 · 麦卡锡提出人工智能这个概念，一群数学家和科学家聚集在一起寻找如何让机器使用语言、形成抽象理解和概念、以解决现存的各种问题，当时研讨会参与者乐观地认为，在几个月的时间里这些问题能取得真正的进
自从计算机诞生之初，人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上，约翰 · 麦卡锡提出人工智能这个概念，一群数学家和科学家聚集在一起寻找如何让机器使用语言、形成抽象理解和概念、以解决现存的各种问题，当时研讨会参与者乐观地认为，在几个月的时间里这些问题能取得真正的进展。
在二十年前刚刚加入谷歌时，我们关注的问题只有一个——如何面向这么多不同种类的联网计算机提供一整套质量出色且涵盖范围全面的网络信息搜索服务。到如今，尽管我们面临着各种各样的技术挑战，但谷歌已经基本达成了组织全球信息，并使其具备普遍可访问性的总体目标。到 2020 年，随着 COVID-19 肆虐全球，我们意识到研发技术能够帮助全球数十亿人更好地交流、了解事态发展并找到新的工作方式。我为我们取得的成就感到自豪，也为即将出现的全新可能性感到振奋。
根据 GitHub 活跃数、开发人员使用人数、在招聘描述中出现的频率等综合数据分析，Google的 TensorFlow 仍稳居第一，被广大网友一致认为非常适合入门学习的 Keras 、人气涨势迅速的 PyTorch 、还有 Caffe 、Theano、MXNet 、CNTK 、Caffe 2.0、FastAi 等框架都紧随其后，受到越来越来多开发者和企业的关注。
岁末，阳生，春来。新年度机器之心「AI 科技年会」如约而至，邀大家 2023 年 1 月 11 日-12 日线上相聚。 本次年会由两场全天论坛组成：「人工智能论坛」覆盖当前最值得关注的多个 AI 技术领域热门话题，「AIGC 技术应用论坛」则聚焦今年接连取得实质性突破的 AIGC。 作为内容生产效率工具，AIGC 将在各领域各场景催生怎样的范式变化？进入商业化阶段，图文多模态大模型的技术能力边界及未来发展可能？作为 AI 基础设施的预训练模型，及其安全可控、开源普惠……1 月 12 日，「AIGC 技术应用
深度学习的优势是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。其中深度指的是网络中最长的输入输出距离。
---- 新智元报道 编辑：LRS 【新智元导读】最近Jeff Dean发表了一篇论文，回顾了深度学习高速发展的黄金十年，软硬件发展是核心，并指出三个未来有潜力的研究方向：稀疏模型、AutoML和多任务训练。 过去十年，由于神经网络借助深度学习重新崛起，人工智能领域研究取得了空前的进展，计算机具有看到、听到并理解世界的能力，AI算法的进步也让其他科学领域的应用取得巨大进步。 谷歌AI的掌门人Jeff Dean最近写了一篇文章，研究了AI迅速发展的原因，包括专门用于加速机器学习硬件的进步和开源软件框
2016年11月，谷歌官方宣布李飞飞加盟，任职谷歌云首席科学家，负责谷歌云业务新成立的机器学习部门。
精彩回顾 2018新智元产业跃迁AI技术峰会圆满结束，点击链接回顾大会盛况： 爱奇艺 http://www.iqiyi.com/l_19rr3aqz3z.html 腾讯新闻 http://v.qq.com/live/p/topic/49737/preview.html 新浪科技 http://video.sina.com.cn/l/p/1722511.html 云栖社区 https://yq.aliyun.com/webinar/play/419 斗鱼直播 https://www.douy
从2012年算起，人工智能的再次爆发已经进入了第九个年头，人们对“人工智能是什么”也从最初的懵懂、憧憬、恐惧，逐渐走向深度的认识。在2018年人们还在讨论人工智能什么时候会再次进入寒冬，但到了2019年人们对“寒冬”之说已经不再感冒，而是普遍在追寻“如何让人工智能可理解”或者“AI所引发的隐私、安全、伦理问题”。2020年，人工智能依旧在蓬勃发展，并在各行各业产生了深刻的影响。2020年还剩下10个月的时间，让我们去预期，人工智能会有哪些重要的趋势呢？
传统的人工智能旨在使用机器帮助人类完成特定的任务，随着人工智能的发展，在计算机领域衍生出了机器学习。机器学习旨在通过计算机程序完成对数据的分析，从而得到对世界上某件事情的预测并做出决定。
【新智元导读】清华-谷歌AI学术研讨会，Jeff Dean、李飞飞、李佳等22位大牛齐聚，探讨机器学习、强化学习、NLP、计算机视觉最新进展。最近一张展示谷歌中国2018校招年薪56万的图片广为流传。谷歌的学术交流对中国AI来说无疑是好事，但或许这也将令国内本就激烈的AI人才争夺战进一步加剧。
近日，一名叫Matt Fraser的小哥用Cloud AutoML制作了一个分类器，能识别分类澳大利亚的各种毒蜘蛛。
例如DeepMind的Gopher有2800亿，微软英伟达联合推出的威震天-图灵到了5300亿。
高质量模型的设计和更新迭代是当前 AI 生产开发的痛点和难点，在这种背景下，自动化机器学习（AutoML）应运而生。2017年，谷歌正式提出神经网络架构搜索（Neural Architecture Search，NAS），并成为 AutoML 的核心组成部分。美团技术团队也对AutoML领域进行了积极探索，本文系美团与上海交通大学合作的一篇被深度学习顶会 ICLR 2021 收录的论文解读。
斯坦福人工智能实验室“SAIL”官方推特宣布：李飞飞正式卸任SAIL主任一职，由斯坦福大学计算机科学和语言学教授Christopher Manning接任。而李飞飞将继续担任由她主导的以人为中心的AI计划“HAI”联合创始人。
谷歌全新发布Cloud AutoML，预计的语音、图像、NLP、翻译等系列服务中，首先发布的是AutoML Vision，任何人都能上传图片，然后让谷歌的系统自动为他们创建机器学习模型。李飞飞在Twitter连发两条信息说：“在短短的几个月里，将尖端技术转化为数百万的产品，这是一个相当鼓舞人心的旅程！我们希望AutoML Vision是我们客户的第一选择。” 李佳在朋友圈中称：今天我们 CloudAI 团队推出了 Cloud AutoML, 自动生成 ML 模型的技术。这是飞飞和我加入谷歌云以来的一
AutoML-Zero 旨在通过从空程序或随机程序开始，仅使用基础数学运算，来自动发现能够解决机器学习任务的计算机程序。其目标是同时搜索 ML 算法的所有属性，包括模型结构和学习策略，同时将人类偏见最小化。
瓦特对烧水壶冒出的蒸汽十分好奇，最后改良了蒸汽机。因为好奇，成就了「昆虫界的荷马」法布尔。因为好奇，德莱斯发明了自行车。
【新智元导读】北京时间3月31日举行的2018 TensorFlow 开发者峰会上，TensorFlow宣布重大更新：增加支持JavaScript，并推出开源库TensorFlow.js，用户可以完全在浏览器定义、训练和运行机器学习模型。谷歌大脑负责人Jeff Dean、TensorFlow 总监 Rajat Monga等人进行了Keynote演讲。 Jeff Dean主旨演讲：用超强大的计算力，替代ML专家 北京时间3月31日举行的2018 TensorFlow 开发者峰会上，Google Brain负责
谷歌从 17 年发布 MobileNets 以来，每隔一年即对该架构进行了调整和优化。现在，开发者们对 MobileNetV3 在一次进行了改进，并将 AutoML 和其他新颖的思想融入到该移动端的深度学习框架中。谷歌发布了相关文章对升级后的 MobileNetV3 进行了讲解，我们将其整理编译如下。
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。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
