陈卫教授主持了包括15项美国自然科学基金、能源部、空军以及工业公司等40多项科研项目，参加6部专著撰写，发表论文210余篇，被SCI他引总数920多次。担任近50次国际学术会议主席或专题组织人。曾获ASME Pi Tau Sigma成就金奖、美国汽车工业学会（SAE）教育成就奖、国际智能优化设计奖、美国自然科学基金杰出青年教师奖等奖项。

  Andrew Trask说的，是谷歌日前在arxiv贴出的论文，“Towards Federated Learning at Scale：System Design”，论文描述了前面所说的全球首个产品级可扩展的联合学习系统，以及该系统的高级设计和一些挑战及其解决方案。

  与芯片本身内部的互连相比，这些链路吸收能量并且速度慢。 更重要的是，由于芯片和印刷电路板的机械特性之间不匹配，处理器必须保存在严格限制其能够正常的使用的输入和输出数量的封装中。

  何谓“机器学习”，学界尚未有统一的定义。本文摘取Tom Mitchell、Christopher M. Bishop、去年出版的《深度学习》和侧重实战的《数据挖掘》，总结了四种机器学习主流定义。

  但 Go 要想撼动编程界的常青树 Java 二十多年的地位无疑难度颇大。据 HackerRank 多个方面数据显示，2018 年，Java 在开发者最受欢迎的编程语言排行榜中仍然排名第 2，Python 排名第 4，Go 排名第 13，距离第一名 JavaScript 还有不小的差距。

  劳伦斯利弗莫尔国家实验室（Lawrence Livermore National Laboratory）在一个小型金色容器中发射了世界上最大的激光器，里面装有更细小的核燃料颗粒。 TAE在名为Norman的线性机器旋转等离子体，每次发射需要调整数千个变量。

  他将这样的一种情况与另一种革命性技术的发展进行类比：蒸汽机。最初，蒸汽机除了抽水之外没有别的用处。后来，蒸汽机开始为火车提供动力，这可能是现在复杂的神经网络已达到的水平。再后来，科学家和数学家们发展了热力学理论，得以准确地理解任何类型的发动机内部的运作方式。最终，这些知识将人类带到了月球。

  中间有多位朋友催我去看，我估计都是想等我吐槽。为了不被剧透，前面朋友圈中的有关文章我都没有敢点开，其中也包括“北斗女神”徐颖和两位天文学家同行苟利军（《流浪地球》讲了啥？这是我看过最好的回答）、刘博洋的文章。

  “美国AI计划”涉及了AI发展中一些关键关注领域的问题，但缺乏新的资金是一个重要的问题。迄今为止，已有18个国家启动了国家人工智能战略，其中一半包括新的资产金额来源。这些数字从澳大利亚和丹麦的约2,000万美元到韩国的近20亿美元不等。

  另一种理解方式是，游戏信息被组织成若干个网格，每份网格代表某一项特定信息（见上图右侧）。比如说“fog-of-war”网格代表是不是真的存在战争迷雾；“height-map”网格代表地形高度；“unit-type”网格代表建筑或者作战单位。详细说明可参考报告论文[1]的第3.2节。

  神经网络(Graph NN)是近来的一大研究热点，尤其是DeepMind提出的“Graph Networks”，号称有望让深度学习实现因果推理。

  刚开始做的东西还比较搞笑，比如给人脸上贴胡子。但是在几天之内，他就做出了有实际应用价值的项目，并创建了一个可以在企业内部生产系统中可实施的ML模型。几周后，已经能清楚看到改模型对运营目标产生了可衡量的影响。

  DeepMind新年力作《学习和评估通用语言智能》，从全新的角度对跨任务NLP模型进行了评估，探讨了要实现“通用语言智能”现如今的研究还缺失什么，以及怎么来实现通用语言智能。

  在职位发布信息与AI或机器学习的相关性方面，机器学习工程师的招聘职位信息中有94.2%提到了“机器学习”和“人工智能”。排在第二位的是数据科学家，比例为75.1%，计算机视觉工程师以64.6%的比例位居第三。

  这样做的结果是，你不需要任何其他东西来教系统如何自主驾驶，在未来，人们不需要编写代码来告诉汽车在遇到特定情况时该怎么做，因为汽车自会知道该怎么做。

  Zipline 可以飞越无法通行的山脉和蜿蜒的道路，直接送往偏远的诊所，减少资源浪费。他可以在 80 英里 / 小时（130km/h）的速度下运载 3.85 磅 (约 2kg) 货物, 用最快的速度医疗物资投到指定位置。

  在那次的图灵演讲中，David Patterson与John Hennessy还提到了软件设计也能为计算机硬件架构带来灵感，改善软硬件接口能为架构创新带来机遇。“在摩尔定律走向终点的同时，体系结构正在闪耀新的活力——以TPU为代表的领域特定架构 (Domain Specific Architectures, DSA) 兴起，但CPU、GPU、FPGA仍然有用武之地，最终，市场会决定胜者。

  有限时域前瞻策略(Finite-horizon lookahead policies)已经在强化学习中得到普遍应用，并取得了令人印象非常深刻的实证成果。通常，前瞻性策略是通过特定的规划方法实现的，例如蒙特卡洛树搜索(Monte Carlo Tree Search)，AlphaZero正是应用了该方法。将规划问题视为树搜索，实现上的一种合理做法是只备份叶节点上的值，而根节点上获得的信息只用于更新策略。