大神Goodfellow去向定了：回归谷歌，在DeepMind继续远程办公

Goodfellow 跳槽，真的是因为不想回办公室上班吗？

加入苹果、谷歌等科技大厂，对于很多人来说是很有挑战的目标，但对 AI 牛人来说，是自己炒公司。

据彭博社报道，知名人工智能学者 Ian Goodfellow 将重返谷歌加入 DeepMind。

本月初，任苹果机器学习总监的 Ian Goodfellow 宣布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。

Ian Goodfellow 是机器学习领域备受关注的年轻学者之一，他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。

对于机器学习从业者而言，Goodfellow 也因为与 Yoshua Bengio 和 Aaron Courville 合著过 AI 经典教材《深度学习》而闻名。

对于谷歌来说，迎来 Goodfellow 是一种重聚。他 2013 年进入谷歌开始实习，曾在谷歌担任高级研究员到 2019 年，中间还有一段在 OpenAI 工作的经历。知情人士表示，Goodfellow 跳回谷歌是 DeepMind 的一招妙棋，这让他重新成为了一名研究者（而非苹果时期的管理者）。

不过目前聘用尚未公开，Goodfellow 本人也未对此事进行公开回应。

DeepMind 拒绝就此事置评。谷歌（Alphabet）的复工政策比苹果更加宽松。尽管这家搜索引擎巨头也要求员工回到办公室，但它正在批准大多数寻求在家工作的员工继续居家。另一方面，Goodfellow 也还没有开始新的工作。

近三年来，Goodfellow 一直是苹果「特殊项目组」的机器学习主管，负责监督从事自动化技术工作。他的董事级别（director）是苹果公司的最高职位级别之一。该公司拥有约 1000 名董事，共有 17 万名员工——这一数字包括零售员工。

和大多数北美科技公司一样，自从 2020 年新冠疫情爆发以来，苹果成为了一家远程办公的公司。但不久之前，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。

这次返岗政策，确实造成了一部分员工流失。一位前苹果员工表示：「在居家办公之后，所有的事情都变了。现在我们不得不回到办公室，堵车两小时，然后雇人帮我们照顾小孩。」这位员工的离开，部分原因就是因为苹果对于返回办公室的严格要求。

大神跑了，政策也取消了

Ian Goodfellow 在给员工的电子邮件中曾表示，他离职的理由是苹果的工作政策缺乏灵活性——该公司计划从本月开始要求公司员工在周一、周二和周四在办公室工作，每年另有四周远程工作额度。

「我坚信对我的团队来说，更大的灵活性将是最好的政策，」Goodfellow 在告别信中写道。

但随着疫情形势的变化，苹果已经推迟了本来要求员工每周来办公室坐班三天的计划。

周二，苹果公司通知员工，他们推迟了原定于 5 月 23 日生效的要求。然而，公司仍然希望员工每周有两天能到办公室来。关于推迟的期限，公司暂时没有给出答案。

公司还告知员工，他们必须在公共场所再次戴上口罩，至少在硅谷的办公室是这样。另外，美国苹果零售店的员工周二被告知，大约 100 家美国零售店将再次要求员工戴口罩，这一要求曾在三月份疫情缓和时取消过。

这次延期与近期疫情反弹有关，但一些苹果员工也曾抱怨过公司的返岗计划，说这样会限制了生产力。比如通勤会占用很多本可以用来工作的时间，这种返岗要求也没有考虑到幼儿疫苗接种的缺乏。

不过，有人认为 Goodfellow 的这次跳槽和返回办公室的要求关系不大。但个中原因，只有当事人才清楚了……

参考链接：https://www.bloomberg.com/news/articles/2022-05-17/ian-goodfellow-former-apple-director-of-machine-learning-to-join-deepmind?sref=9hGJlFio

入门苹果谷歌Ian Goodfellow

来源：Goodfellow, I.个人页面

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

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。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

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）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

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。

来源：Generative Adversarial Networks

自动化技术技术

自动化技术是一门综合性技术，它和控制论、信息论、系统工程、计算机技术、电子学、液压气压技术、自动控制等都有着十分密切的关系，而其中又以“控制理论”和“计算机技术”对自动化技术的影响最大。一些过程已经被完全自动化。

来源：维基百科

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。

来源：wiki