最新热点

今天我想谈谈本人五十年来做学问的经验和对数学科学的感受：从我做研究生开始，我的学问对象以微分几何为主，以微分方程为主要工具，逐渐涉猎到广义相对论，代数几何学，拓扑学，弦论，图论，计算机图像处理等等不同的学科。

近日，有一个视频在养宠圈中广泛流传，引无数养宠人士潸然泪下。视频的主角是动物行为专家HeidiWright和一只生命即将走到尽头的导盲犬，HeidiWright以她的能力为媒介，将导盲犬的肢体动作和声音翻译成人语，帮助它和主人进行最后的交流。在HeidiWright的转述中，导盲犬表示了无法继续守护主人的惋惜，还不停地呼叫另一只狗伙伴，让它照顾好主人。

今天林松山叫我讲关于应用数学的问题，我想一想，讲做学问的经验也好。因为我来台湾也差不多五年了，我想很多研究人员做研究的方法并不见得是最好，尤其是我觉得很多年轻人员为什么在国外能够念的好？这是很值得思考的。

一般在读博之前，学校会有一些方法来考核你对某一个领域地掌握情况，比如要有相关专业本科或者硕士学位。然后，为了证明对本专业的了解，你需要修研究生专业课程，通过考试并确获得较高的平均分。最后还要通过一个评委会的考核(博士中期考核)，评委都是博士。

这项技术被研究人员称作是“绘画机器人”（drawing bot），当你输入文字后，机器会根据文字先生成一张模糊的图片，然后再反复识别文字的意思，逐个像素地补充图片细节。

谷歌Cloud AutoML系统基于监督学习，所以需要提供一系列带有标签的数据。具体来说，开发者只需要上传一组图片，然后导入标签或者通过App创建，随后谷歌的系统就会自动生成一个定制化的机器学习模型。

数据平台 Kaggle 近日发布了 2017 机器学习及数据科学调查报告，这也是 Kaggle 首次进行全行业调查。调查共收到超过 16000 份回复，受访内容包括最受欢迎的编程语言、不同国家数据科学家的平均年龄、不同国家的平均年薪等。

我有一种预感，2018年可能是一切都发生戏剧性变化的一年。2017年深度学习取得的惊人突破将在2018年以一种非常有力的方式延续下去。2017年的研究工作将会转移到日常的软件应用中。

人工智能领域的诞生可以追溯到很长一段时间之前，但是很多人认为它是一组科学家在1956年聚在达特茅斯大学一起讨论而出的。在过去的几十年里，计算机已经在以惊人的速度发展，而现在他们的计算速度要比人脑快得多。

纽约时报近日撰文详述了英伟达的AI“猫捉老鼠游戏”如何生成逼真的虚假图像。通过分析大量的名人照片和检测其中的通用模式，该芯片厂商打造的系统自行生成了看似真实存在的人肖像。

人们常说眼睛是心灵的窗户，但是谷歌的研究人员把它们视作人们健康的指示器。谷歌正借助深度学习技术，通过分析人们的视网膜图像预测一个人的血压、年龄和吸烟状态。

如果你在科技领域，你经常会听到人工智能，机器学习，甚至是深度学习。怎样才可以在正确的时间正确的使用这些词？他们都是一样的意思吗？然而更多时候，人们总是混淆的使用它们。

随着我们的日常生活与各种各样的技术越来越紧密地交织在一起，有时候，似乎未来已经到来。然而，技术仍在不断发展，人工智能（AI）已经占据了这一领域的中心地位。在许多前进力量的支持下，人工智能继续激发公众对未来的想象。

怎么样？是不是已经被BAT、谷歌、微软、亚马逊的人工智能故事给弄疲乏了？这次，咱们不如去看看AI世界里那些聚光灯之外的普通人——比如那些只能下班之后才搞搞AI的开发者。