人们发现规则明确的游戏，即使像星际这样战局多变的即时战略游戏，人类也无法战胜拥有碾压性算力优势的计算机。于是有人寄希望于带有运气成分、需要大量心里战的德州扑克。
免费报名丨RLChina 2021 强化学习暑期课，20位RL专家为你保驾护航！ 导读 RLChina 暑期课是由 UCL 汪军老师发起，所有参与教师共同分享给广大强化学习爱好者的免费网络直播课程。2020 年的课程吸引了超过 3 千名报名学员，获得了广泛的好评。今年，RLChina 暑期课全新升级，20 位来自全球顶级高校和企业的强化学习专家共同为大家讲解从入门到前沿的强化学习知识，此外还准备了习题课、智能体竞赛日、决策智能创业日帮助大家全方位地接触强化学习落地实践。 课程安排 时 间 2021 年 8
AI 科技评论按，近年来，AI 在博弈游戏中的研究成为研究者们关注的热点之一。2017 年，AlphaGo 成功击败人类最高围棋水平的代表柯洁，一度占据各大媒体的头条。之后，AlphaGo 不断进化，AlphaZero 轻松击败国际象棋和日本将棋并击败业内远超人类冠军水平的顶尖计算机程序。今年，OpenAI Five 击败 DOTA2 世界冠军 OG 团队。
下面，是量子位给大家整理的2019 AI顶会时间表，包含会议举办的时间、地点、投稿截止日期、官方网址/社交媒体地址，还有H5指数（谷歌学术的期刊会议评判标准，即过去5年内有至多h篇论文被引用了至少h次）。
机器之心知识站与国际顶尖实验室及研究团队合作，将陆续推出系统展现实验室成果的系列技术直播，作为深入国际顶尖团队及其前沿工作的又一个入口。赶紧点击「阅读原文」关注起来吧！ 人工智能已经在围棋、图像识别和语音识别等领域达到甚至超越了人类专家水平，但智能化的机器离我们仍然很远。要想实现通用智能，AI智能体必须学习如何在共享环境中与「他人」进行互动，由此便产生了人工智能的一个前沿研究领域：多智能体学习。 多智能体学习的问题存在于多个领域。在这些问题中，多个智能体不仅与环境相互作用，而且彼此互动，由此造成的复杂和多变
新加坡南洋理工大学的安波教授，腾讯 AI Lab 总监刘威，以及南京大学的俞扬博士等多位华人 AI 学者上榜。
AAAI的英文全称是 Association for the Advance of Artificial Intelligence。是人工智能领域的顶级会议。第一届会议在1994年召开，到2019年已经是第33届。
本文转载自：腾讯AI实验室 本文第一部分是中国科学技术大学计算机科学与技术学院副教授吴锋带来的主题演讲，第二部分介绍了腾讯AI Lab在AI研究到应用的布局中，在「AI+游戏」方向的挑战与应对的分析。 3月15日，腾讯AI Lab第二届学术论坛在深圳举行，聚焦人工智能在医疗、游戏、多媒体内容、人机交互等四大领域的跨界研究与应用。全球30位顶级AI专家出席，对多项前沿研究成果进行了深入探讨与交流。腾讯AI Lab还宣布了2018三大核心战略，以及同顶级研究与出版机构自然科研的战略合作（点击 这里 查看详情）。
人工智能顶会 IJCAI 2020 论文接收结果出炉了，但大部分小伙伴却高兴不起来。
【三】多智能体强化学习（MARL）近年研究概览 ｛Analysis of emergent behaviors（行为分析)_、Learning communication（通信学习）｝
👆点击“博文视点Broadview”，获取更多书讯 分布式人工智能初创于20 世纪70 年代，是一个快速发展的研究领域。 在过去的二十年内，它从分布式规划和优化到智能体之间的竞争和合作学习，以及在现实世界中的应用，都取得了令人欣喜的进展。有很多优秀的学者在从事这个领域的研究，AAMAS 会议也成为人工智能领域的顶级会议。 这二十年的发展可大致分为两个阶段： 前十年研究者主要关注的是分布式规划和优化，以及拍卖和博弈均衡的求解； 而后十年，随着深度学习的兴起，分布式人工智能转向智能体的学习方面，其中包括单智能
这段叙述来自一位用户名为 schludy 的网友，他在转投 IJCAI 的时候发现，IJCAI 对于拒稿重投的规定变严了。
近年来，随着人工智能研究的逐步深入，针对多智能体系统的研究逐渐成为一个重要研究方向。在这一领域，研究者重点关注的问题是：决策不再由中心，而是自治的分布式多智能体决定，分布式人工智能（Distributed Artificial Intelligence）研究应运而生。 随着分布式人工智能国际上在德州扑克 、星际争霸及国内王者荣耀等不同场景上取得突破性进展，分布式人工智能的研究群体也日益壮大，同时在工业界也获得了越来越多的关注。因此，国内学术界迫切希望举办一个新的会议，成为国内分布式人工智能的高水平交流平台
进入到网址代码仓库：https://github.com/MLNLP-World/MyArxiv
AI科技评论报道 编辑 | 吴彤 上海将于今年12月迎来第三届分布式人工智能国际会议，谷歌、微软等工业研究员将与国际高校教授一同亮相！ 近年来，随着人工智能研究的逐步深入，针对多智能体系统的研究逐渐成为一个重要研究方向。在这一领域，研究者重点关注的问题是：决策不再由中心，而是自治的分布式多智能体决定，分布式人工智能（Distributed Artificial Intelligence）研究应运而生。 随着分布式人工智能国际上在德州扑克、星际争霸及国内王者荣耀等不同场景上取得突破性进展，分布式人工智能的研
为贯彻落实教育部《高等学校人工智能创新行动计划》关于“完善人工智能领域人才培养体系”“支持高校在计算机科学与技术学科设置人工智能学科方向，推进人工智能领域一级学科建设”的重点任务，促进高等院校人工智能专业课程建设和人才培养，南京大学人工智能学院和腾讯公司以及机械工业出版社华章分社将于2019年10月29日在南京联合举办高等院校人工智能人才培养暨智能应用建模课程研讨会。本次研讨会不收取会议费，欢迎各高校选派人工智能专业负责人和骨干教师参会交流。 主办单位 南京大学人工智能学院 协办单位 腾讯公司
近两年，多智能体强化学习（MARL）的研究日趋火热，和single RL相比，MA问题显然更加复杂 (e.g. non-stationary, credit assignment, communication etc.)，那么我们其实就更迫切的需要一些对应的benchmark环境来支撑我们的算法研究，接下来的介绍主要由简单到复杂的顺序：
【导读】Google 博士生奖研金项目（Google Ph.D Fellowship Program）创立于2009年，以奖励表彰在计算机学科及其相关学科或者其它前瞻科研领域方面表现优异的博士生。该项目已经遴选超过300位来自于澳大利亚、中国、东亚、印度、北美、欧洲和中东的优秀博士生，资助其探寻科技的未来。 今年共有39位学生获得谷歌博士生奖研金，涉及到12个方向，包括：算法、优化及市场，计算神经科学，人机交互，机器学习，移动计算，机器感知、语音技术和计算机视觉，自然语言处理，隐私和安全，编程技术和软件工程
夏乙 发自 凹非寺 量子位 出品 | 公众号 QbitAI 这几天，吃瓜群众心系莫斯科，机器学习研究者们的目光，飘向了更靠北的斯德哥尔摩。 △ Twitter @AmandaPapp4AI 机器学习顶
谷歌的博士生奖研金项目（Google Ph.D Fellowship Program）创立于2009 年，以奖励在计算机学科及其相关学科或者其它前瞻科研领域方面表现优异的博士生。
此文将互联网中的Web Services以通用低成本的方法进行了分布式。具体方法为先通过降低Web Services过程间的耦合，再以写入的数据作为并发依据，用于判定不同Web Services过程能否进行分布式。最终依据判定可以灵活的将不同Web Services过程分布到硬件集群中的方法。
CCF推荐会议分为A、B、C三类，会议论文指“Full paper”或“Regular paper”（正式发表的长文），对于会议上其他形式发表的论文如Short paper、Demo paper、Technical Brief、Summary以及作为伴随会议的Workshop等不计入目录考虑的范围。
AI 科技评论按：前不久我们刚刚介绍了出自清华姚班并获得 2019 年斯隆研究奖的华裔学者鬲融，近日我们又获悉另一位姚班天才少年陈立杰获得 ACM STOC 2019 最佳学生论文奖殊荣。我国的青年学者真是人才辈出啊。
An agent receives information from the server which it processes in NaoBehavior::Think() after parsing the information in parser/parser.cc. Next an agent decides what to do in NaoBehavior::act() which typically involves selecting a skill (such as walking or a kick) to execute in NaoBehavior::selectSkill(). During the execution of a skill an agent determines new positions to move its joints to which are controlled by sending velocity commands (computed by PID controllers) to the server in servercomm/primitives.cc.
有很多证据表明，顶级AI人才供不应求。然而，这类人才究竟有多么稀缺，或者他们都集中在世界各地哪些地方，却几乎不为人知。
AI 科技评论按：经过 7 月 10 日的三个 Tutorial Session 和 Opening Reception 晚宴之后，在瑞典斯德哥尔摩举办的机器学习顶会 ICML 2018 正式进入第一天的正会。
2021年度ACM杰出科学家（Distinguished Member）名单公布！
今年的理论计算机顶会FOCS，一位来自浙江湖州的小哥哥一口气中了3篇论文，还拿下了最佳学生论文奖。
2017年马上就要过去了，这一年你的收获怎么样？在学习的过程中，独自学习与向别人学习同样重要，其中通过各种会议了解AI行业研究成果是个不错的提高自己的方法。对于专注于机器学习的伙伴来说，2018年有哪些值得关注的会议呢？以下内容来源于Alex Kistenev的总结，建议收藏！ 按国家总计，这两百场会议中，有80场在美国举办，29场在英国举办，12场在加拿大举办，并且大部分会议在北美举办。 按城市总计，这两百场会议中，有28场在伦敦举办，20场在旧金山举办，10场在纽约举办。 以下大会列表按照举办时间列
机器之心报道 机器之心编辑部 在时代和科技发展的浪潮中找准兴趣点，发出自己的声音，探索 AI 技术无限可能，一起创造改变世界的科技力量 2022 年 9 月 3 日，在 2022 世界人工智能大会·开发者日论坛上，最新一届的「WAIC·云帆奖」得主名单揭晓，共计 11 位璀璨明星和 15 位明日之星，展现了新一代年轻 AI 技术先锋的风采。 2022 年 WAIC·云帆奖得主获奖感言视频 2022 年 WAIC·云帆奖共收到来自全球的 100 多份有效报名和提名，最终遴选出 26 位获奖者，他们中有
作者 | 李梅 编辑 | 陈彩娴 近日，2022 年 CCF-腾讯犀牛鸟基金入选学者名单公布。本次基金最终评选出 31 位学者入选科研基金，其中有 6 名学者来自上海交通大学、4 名学者来自北京大学、3 名学者来自北京交通大学；另有18 位学者入选创意基金。 CCF-腾讯犀牛鸟基金于 2013 年由CCF和腾讯科技（深圳）有限公司共同发起，致力于为海内外青年学者搭建产学合作创新的平台，推动科技在产业创新和社会发展中持续发挥价值。今年是基金发起的第 10 年，共发布了 12 个前沿领域、35 项技术研究命题，
机器之心专栏 作者：上海交大和UCL多智能体强化学习研究团队 基于种群的多智能体深度强化学习（PB-MARL）方法在星际争霸、王者荣耀等游戏AI上已经得到成功验证，MALib 则是首个专门面向 PB-MARL 的开源大规模并行训练框架。MALib 支持丰富的种群训练方式（例如，self-play, PSRO, league training)，并且实现和优化了常见多智能体深度强化学习算法，为研究人员降低并行化工作量的同时，大幅提升了训练效率。此外，MALib 基于 Ray 的底层分布式框架，实现了全新的中心
【新智元导读】IJCAI最佳论文公布！本届会议华人表现依旧抢眼，中国学者获多篇Distinguished Paper奖，中国人论文46%，华人一作论文占总接收论文的65.5%，来自中国的领域主席也占比16%。IJCAI最高荣誉——卓越研究奖颁给了计算机视觉大师Jitrenda Malik。
选自Data Pipeline 机器之心编译 机器学习和人工智能是今天最热门的科技研究方向。随着行业的不断升温，越来越多的 AI 主题会议也层出不穷，在这些会议中，我们可以讨论近期技术的发展趋势，并与其他数据科学家、开发者与工业界人士交流意见。不管你是想时刻紧跟潮流，还是仅仅希望稍微了解一下人工智能，全世界每时每刻总有一个大会在等着你（比如后天即将开幕的 NIPS 2017）。本文将向你简要介绍 50 余场著名全球人工智能大会。 Notes：本文盘点未收录 CVPR、ACL、ICLR 和 EMNLP 等计算
来源：PaperWeekly 作者：王凌霄 本文共2434字，建议阅读5分钟。 本文为大家分享了73篇论文，介绍深度学习的方法策略以及关键问题分析。 这两天我阅读了两篇篇猛文 A Brief Survey of Deep Reinforcement Learning 和 Deep Reinforcement Learning: An Overview，作者排山倒海的引用了 200 多篇文献，阐述强化学习未来的方向。 论文：A Brief Survey of Deep Reinforcement Lear
本文共2434字，建议阅读5分钟。 本文为大家分享了73篇论文，介绍深度学习的方法策略以及关键问题分析。
大名鼎鼎的神经信息处理系统大会（Neural Information Processing
来源：王小惟的知乎https://zhuanlan.zhihu.com/p/70127847
DeepMind，位于英国伦敦，是由人工智能程序师兼神经科学家戴密斯·哈萨比斯(Demis Hassabis)等人联合创立，是前沿的人工智能企业，其将机器学习和系统神经科学的最先进技术结合起来，建立强大的通用学习算法。最初成果主要应用于模拟、电子商务、游戏开发等商业领域。
Ann Nowe´, Peter Vrancx, and Yann-Michae¨l De Hauwere
【新智元导读】要不要读机器学习博士？根据美国教育职业咨询网站 80000Hours 的分析，答案是肯定的。如果你适合这份职业，攻读机器学习博士可能是你对社会产生影响力的最佳方式。退一万步说，机器学习博士学位有很大的可能让你获取高薪，而获取高薪后，你不是有机会做很多事情了吗？不论你是否决定读博，这篇文章都有参考价值。 如今，每个人都想学机器学习；近几年来，这已经成了炙手可热的领域。 那么，盛誉之下，机器学习名副其实吗？从某种程度上说，确实如此，机器学习的成功体现了它的实力。 所以，如果你有理工科背景（不一定要
他们来自澳大利亚、加拿大、中国、芬兰、法国、德国、希腊、印度、意大利、日本、荷兰、新西兰、新加坡、英国和美国的顶尖大学、企业和研究机构。
来源：机器之心本文约4000字，建议阅读10分钟强化学习研究框架 OpenRL 是基于 PyTorch 开发的，已经在 GitHub 上开源。 OpenRL 是由第四范式强化学习团队开发的基于 PyTorch 的强化学习研究框架，支持单智能体、多智能体、自然语言等多种任务的训练。 OpenRL 基于 PyTorch 进行开发，目标是为强化学习研究社区提供一个简单易用、灵活高效、可持续扩展的平台。目前，OpenRL 支持的特性包括： 简单易用且支持单智能体、多智能体训练的通用接口 支持自然语言任务（如对话任务
机器之心专栏 作者：第四范式强化学习团队 强化学习研究框架 OpenRL 是基于 PyTorch 开发的，已经在 GitHub 上开源。 OpenRL 是由第四范式强化学习团队开发的基于 PyTorch 的强化学习研究框架，支持单智能体、多智能体、自然语言等多种任务的训练。OpenRL 基于 PyTorch 进行开发，目标是为强化学习研究社区提供一个简单易用、灵活高效、可持续扩展的平台。目前，OpenRL 支持的特性包括： 简单易用且支持单智能体、多智能体训练的通用接口 支持自然语言任务（如对话任务）的
到目前为止，只有少数实验成功地演示了大量的自治自组织机器人，而集群机器人的实践应用仍是一片空白。
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
实时音视频
对象存储
即时通信 IM
