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

机器之心编辑部机器之心报道

GAN之父Ian Goodfellow离职苹果:不想重返办公室工作

对苹果来说,Ian Goodfellow 的离开对公司损失相当大。

据 The Verge 报道,苹果机器学习总监 Ian Goodfellow 在加入公司三年后辞职,部分原因是苹果公司关于重返办公室工作的政策。在给员工的电子邮件中,Goodfellow 证实了即将离职的消息。
图片
Ian Goodfellow

虽然离开的官方原因尚不清楚,但 Goodfellow 在邮件中确实承认苹果公司让员工重返办公室的政策是其辞职的部分原因。

在远程工作了两年多之后,苹果要求其员工从 4 月 11 日起重返办公室工作,最初,员工们每周只需要在办公室工作一天,其余时间远程办公。之后,随着时间的推移逐渐增加在办公室工作的时间。到 5 月 2 日,员工每周至少要两天在办公室工作,到 5 月 23 日后至少每周要回办公室工作三天。

但这一重返办公室办公的要求,引起了 Goodfellow 的不满,他表示:「我坚信,对我的团队来说,更大的灵活性是最好的策略。」

当然,除了 Goodfellow,还有其他苹果员工反对重返办公室计划。一项针对少数员工的调查发现,许多苹果员工正在寻找新的工作机会,他们离职的原因包括重返办公室政策、感染新冠病毒的可能性、对企业文化不满意以及无法实现工作与生活平衡等。

不久之前,在致苹果 CEO 蒂姆 · 库克的一封信中,一群员工表示:如果没有灵活性带来的包容性,我们认为我们必须在生活和工作之间做出选择。我们可能会继续成为苹果的一部分,也许会离开。这是我们任何人都不会轻易做出的决定,也是许多人不愿做出的决定。

根据 Goodfellow 在领英上的个人资料显示,他于 2019 年 3 月加入苹果,担任特别项目组的机器学习总监。不过他的个人资料还没有随着离职而更新。此前,Goodfellow 在谷歌担任高级研究员。
图片
领英地址:https://www.linkedin.com/in/ian-goodfellow-b7187213/

Ian GoodFellow 简介 

Ian Goodfellow机器学习领域备受关注的年轻学者之一,本科与硕士就读于斯坦福大学,师从吴恩达,博士阶段则跟随蒙特利尔大学的著名学者 Yoshua Bengio 研究机器学习

他最引人注目的成就是在 2014 年 6 月提出了生成对抗网络(GAN)。这一技术近年来已成为机器学习界最火热的讨论话题,与 GAN 有关的论文不断涌现。GAN 已成为众多学者的研究方向。

GAN 包含两种神经网络:创造新数据实例的生成器和区分由生成器从真实数据中创建假数据的判别器。这两种神经网络通过越来越逼真的假数据来挑战彼此,优化自己的策略,直至生成数据与真实数据难以区分。

在过去曾有一段时间,GAN 在图像生成领域取得了重大突破,现在可以生成动物、风景以及人脸等高度逼真的合成图像。例如可以合成人脸的网站:thispersondoesnotexist.com 。

但是,GAN 的成功也打开了潘多拉的魔盒,引发了诸多伦理问题和潜在危险。例如,有人利用 GAN 开发「deepfake」人脸交换技术,制作「换脸」明星色情片,同时也有人担忧 GAN 用于生成假新闻以操控公众舆论等。
图片
Ian GoodFellow 论文引用量逐年飙升,来源:Google Scholar

目前为止,Ian 的论文引用量高达 18 万多,GAN 那篇论文的引用量为 4 万多。
图片
 图:引用量最高的几篇作品(第二个为书籍)

在 2016 年,Ian Goodfellow、Yoshua Bengio、Aaron Courville 等人推出了著名的人工智能基础书《Deep Learning》,该书已被列为机器学习领域内的必读内容。

《Deep Learning》中文版链接:https://github.com/exacity/deeplearningbook-chinese
图片
机器之心 Ian GoodFellow & Yoshua Bengio 联合签名版《Deep Learning》

不过在加入苹果后,可能受到公司要求,Ian Goodfellow 对外发布的论文、参与的学术交流活动并不是特别多,可以说是沉寂了相当一段时间。

Ian Goodfellow 在离开苹果后,不知下一站会去哪里。

参考链接:
https://www.macrumors.com/2022/05/07/apple-director-of-machine-learning-resigns/
https://appleinsider.com/articles/22/05/07/apples-director-of-machine-learning-exits-over-return-to-office-policy
技术分析Ian Goodfellow
相关数据
Ian Goodfellow人物

Ian Goodfellow 是机器学习领域备受关注的年轻学者之一,他在本科与硕士就读于斯坦福大学,师从吴恩达,博士阶段则跟随蒙特利尔大学的著名学者Yoshua Bengio研究机器学习。Goodfellow 最引人注目的成就是在2014年6月提出了生成对抗网络(GAN)。这一技术近年来已成为机器学习界最火热的讨论话题,特别是在最近几个月里,与GAN有关的论文不断涌现。GAN已成为众多学者的研究方向。

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。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

图像生成技术

图像生成(合成)是从现有数据集生成新图像的任务。

生成对抗网络技术

生成对抗网络是一种无监督学习方法,是一种通过用对抗网络来训练生成模型的架构。它由两个网络组成:用来拟合数据分布的生成网络G,和用来判断输入是否“真实”的判别网络D。在训练过程中,生成网络-G通过接受一个随机的噪声来尽量模仿训练集中的真实图片去“欺骗”D,而D则尽可能的分辨真实数据和生成网络的输出,从而形成两个网络的博弈过程。理想的情况下,博弈的结果会得到一个可以“以假乱真”的生成模型。

生成对抗技术

生成对抗是训练生成对抗网络时,两个神经网络相互博弈的过程。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。

推荐文章
暂无评论
暂无评论~