Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

剑桥大学:156页PPT全景展示AI过去的12个月(附下载)

剑桥大学 Nathan Benaich 与 Ian Hogarth 博士共同发布关于人工智能最近 12 个月进展的报告,其中包含对新技术,人才流动,工业界动向,各国政策的观察。同时对未来 12 个月的趋势做了预测。

Nathan Benaich 剑桥大学博士,投资人,专注于人工智能领域投资。同时也是Point Nine 风险投资公司合伙人。作者链接:https://nathanbenaich.github.io/

Ian Hogarth 剑桥大学博士,专注于机器学习领域,Songkick 公司 CEO。他同时也是 30 多家机器学习初创企业的投资人。

人工智能是一个多学科交叉的科学,其目的是建立一个智能机器体。

我们认为,在这个越来越数字化,越来越依靠数据驱动的世界中,人工智能将成为技术进步中的助推器。

这是因为我们周围的一切,从文化到消费品,都是智能产品。

在本报告中,我们着手捕捉人工智能爆炸式增长的过程中的一些重要片段,特别是关注过去 12 个月中的产生的重要发展。你可以将此报告作为过去的一个重要回顾,可以用来指导和激发人工智能未来的思考。

  • 研究与技术突破第 6 页

        迁移学习

        人工智能硬件

        图像场景理解

        大规模视频理解数据

        文本语义理解

        目标导向的强化学习:以游戏为例

        AlphoZero 无监督棋谱学习,OpenAI 魔兽争霸

        怎样保证模型训练的无偏性

        调参的可解释性

        对抗攻击

        谷歌 AutoML 自动学习

        Federated Learning

  • 全球人才需求分布第 56 页

  • AI工业届应用第 70 页

        云计算

        健康医疗

        政务国防

        隐私保护与数据匿名化

        卫星数据处理

        网络安全

        工场自动化

        替代蓝领工作

        农业

        自动驾驶

        金融

        企业自动化

        材料科学

  • 政策第 109 页

        公众对自动化的态度:两份综述

        公众对自动化的态度:皮尤研究中心

        公众对自动化的态度:布鲁克林研究中心

        美国劳工市场的变化

        AI对劳工市场变化的影响

        AI对就业率和工资的影响

        各国的AI国家战略:中国、法国、欧盟、加拿大、韩国

        中国对半导体器件的强大需求

        为什么跟美国比中国的半岛器产业规模如此小

  • 预测 151 页

        未来一年的 8 个预测

  • 总结

附 PPT 原文链接:https://www.stateof.ai/

产业报告
32
相关数据
自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

迁移学习技术

迁移学习是一种机器学习方法,就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见,例如,我们可能会发现学习识别苹果可能有助于识别梨,或者学习弹奏电子琴可能有助于学习钢琴。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
slideshare国内上不去,请问有其他方法下载么,谢谢
下载不了呢