人工智能：2023的十大进展+2023 年十大技术趋势
2020年11月30日，Google旗下DeepMind公司的AlphaFold2人工智能系统在第14届国际蛋白质结构预测竞赛（CASP）中取得桂冠，在评估中的总体中位数得分达到了92.4分，其准确性可以与使用冷冻电子显微镜（CryoEM）、核磁共振或X射线晶体学等实验技术解析的蛋白质3D结构相媲美，有史以来首次把蛋白质结构预测任务做到了基本接近实用的水平。
《自然》杂志评论认为，AlphaFold2算法解决了困扰生物界“50年来的大问题”。
蛋白质折叠
相关链接：https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology
03
分子动力学
进展3：深度势能分子动力学研究获得戈登·贝尔奖
2020年11月19日，在美国亚特兰大举行的国际超级计算大会SC20上，包括智源学者王涵（北京应用物理与计算数学研究院）在内的“深度势能”团队，获得了国际高性能计算应用领域最高奖项“戈登·贝尔奖”。“戈登·贝尔奖”设立于1987年，由美国计算机协会（ACM）颁发，被誉为“计算应用领域的诺贝尔奖”。
该团队研究的“分子动力学”，结合了分子建模、机器学习和高性能计算相关方法，能够将第一性原理精度分子动力学模拟规模扩展到1亿原子，同时计算效率相比此前人类最好水平提升1000倍以上，极大地提升了人类使用计算机模拟客观物理世界的能力。美国计算机协会（ACM）评价道，基于深度学习的分子动力学模拟通过机器学习和大规模并行的方法，将精确的物理建模带入了更大尺度的材料模拟中，将来有望为力学、化学、材料、生物乃至工程领域解决实际问题(如大分子药物开发)发挥更大作用。
论文地址：https://arxiv.org/abs/2005.00223
04
薛定谔方程
进展4：DeepMind等用深度神经网络求解薛定谔方程，促进量子化学发展
作为量子力学的基本方程之一，薛定谔方程提出已经有90多年的时间，但如何精确求解薛定谔方程，却一直困扰着许多科学家。
DeepMind开发的费米神经网络（Fermionicneuralnetworks，简称FermiNet）来近似计算薛定谔方程，为深度学习在量子化学领域的发展奠定了基础，2020年10月，DeepMind开源了FermiNet，相关论文发表在物理学期刊PhysicalReviewResearch上。FermiNet是利用深度学习来从第一性原理计算原子和分子能量的尝试，在精度和准确性上都满足科研标准，且是目前在相关领域中较为精准的神经网络模型。
FermiNet示意图
另外，2020年9月，德国柏林自由大学的几位科学家也提出了一种新的深度学习波函数拟设方法，它可以获得电子薛定谔方程的近乎精确解，相关研究发表在NatureChemistry上。该类研究所展现的，不仅是深度学习在解决某一特定科学问题过程中的应用，也是深度学习能在生物、化学、材料以及医药领域等各领域科研中被广泛应用的一个远大前景。
论文地址：https://deepmind.com/blog/article/FermiNet
05
视皮层打印
进展5：美国贝勒医学院通过动态颅内电刺激实现高效“视皮层打印”
对于全球4000多万盲人来说，重见光明是一个遥不可及的梦想。2020年5月，美国贝勒医学院的研究者利用动态颅内电刺激新技术，用植入的微电极阵列构成视觉假体，在人类初级视皮层绘制W、S和Z等字母的形状，成功地能够让盲人“看见”了这些字母。
结合马斯克创办的脑机接口公司Neuralink发布的高带宽、全植入式脑机接口系统，下一代视觉假体有可能精准刺激大脑初级视觉皮层的每一个神经元，帮助盲人“看见”更复杂的信息，实现他们看清世界的梦想。
论文地址：https://doi.org/10.1016/j.cell.2020.04.033
06
类脑计算完备性
进展6：清华大学首次提出类脑计算完备性概念及计算系统层次结构
2020年10月，包括智源学者张悠慧、李国齐、宋森等在内的清华大学研究团队首次提出“类脑计算完备性”概念以及软硬件去耦合的类脑计算系统层次结构，通过理论论证与原型实验证明该类系统的硬件完备性与编译可行性，扩展了类脑计算系统应用范围使之能支持通用计算。
该研究成果发表在2020年10月14日的《自然》（Nature）期刊。《自然》周刊评论认为，“‘完备性’新概念推动了类脑计算”，对于类脑系统存在的软硬件紧耦合问题而言这是“一个突破性方案”。
论文地址：https://www.nature.com/articles/s41586-020-2782-y
07
神经网络高速训练系统
进展7：北京大学首次实现基于相变存储器的神经网络高速训练系统
2020年12月，智源学者、北京大学杨玉超团队提出并实现了一种基于相变存储器（PCM）电导随机性的神经网络高速训练系统，有效地缓解了人工神经网络训练过程中时间、能量开销巨大并难以在片上实现的问题。
该系统在误差直接回传算法（DFA）的基础上进行改进，利用PCM电导的随机性自然地产生传播误差的随机权重，有效降低了系统的硬件开销以及训练过程中的时间、能量消耗。该系统在大型卷积神经网络的训练过程中表现优异，为人工神经网络在终端平台上的应用以及片上训练的实现提供了新的方向。该文章发表在微电子领域的顶级会议IEDM2020上。
文章：YingmingLu,XiLi,LonghaoYan,TengZhang,YuchaoYang*,ZhitangSong*,andRuHuang*,AcceleratedLocalTrainingofCNNsbyOptimizedDirectFeedbackAlignmentBasedonStochasticityof4MbC-dopedGe2Sb2Te5PCMChipin40nmNode.IEDMTech.Dig.36.3,2020.
08
19个类脑神经元实现自动驾驶
进展8：MIT仅用19个类脑神经元实现控制自动驾驶汽车
受秀丽隐杆线虫等小型动物脑的启发，来自MIT计算机科学与人工智能实验室（CSAIL）、维也纳工业大学、奥地利科技学院的团队仅用19个类脑神经元就实现了控制自动驾驶汽车，而常规的深度神经网络则需要数百万神经元。此外，这一神经网络能够模仿学习，具有扩展到仓库的自动化机器人等应用场景的潜力。这一研究成果已发表在2020年10月13日的《自然》杂志子刊《自然·机器智能》（NatureMachineIntelligence）上。
09
全新无监督表征学习算法
进展9：Google与Facebook团队分别提出全新无监督表征学习算法
2020年初，Google与Facebook分别提出SimCLR与MoCo两个算法，均能够在无标注数据上学习图像数据表征。两个算法背后的框架都是对比学习（contrastivelearning）。对比学习的核心训练信号是图片的“可区分性”。
模型需要区分两个输入是来自于同一图片的不同视角，还是来自完全不同的两张图片的输入。这个任务不需要人类标注，因此可以使用大量无标签数据进行训练。尽管Google和FaceBook的两个工作对很多训练的细节问题进行了不同的处理，但它们都表明，无监督学习模型可以接近甚至达到有监督模型的效果。
SimCLR框架示意图
论文地址：https://ai.googleblog.com/2020/04/advancing-self-supervised-and-semi.html
10
无偏公平排序模型
进展10：康奈尔大学提出无偏公平排序模型，可缓解检索排名的马太效应问题
近年来，检索的公平性和基于反事实学习的检索和推荐模型已经成为信息检索领域重要的研究方向，相关的研究成果已经被广泛应用于点击数据纠偏、模型离线评价等，部分技术已经落地于阿里和华为等公司的推荐及搜索产品中。
2020年7月，康奈尔大学ThorstenJoachims教授团队发表了公平无偏的排序学习模型FairCo，一举夺得了国际信息检索领域顶会SIGIR2020最佳论文奖。该研究分析了当前排序模型普遍存在的位置偏差、排序公平性以及物品曝光的马太效应问题等，基于反事实学习技术提出了具有公平性约束的相关度无偏估计方法，并实现了排序性能的提升，受到了业界的广泛关注和好评。
论文地址：https://arxiv.org/abs/2005.14713
2021人工智能十大趋势
在12月31日，智源研究院发布了2020年十大AI进展。新的一年，人工智能又将走向何处？
2021年开年，全体智源学者经过深入研讨，从人工智能的基础理论、算法、类脑计算、算力支撑等方面进行预测，提出2021年人工智能十大技术趋势，共同展望人工智能的未来发展方向。
我们相信，随着人工智能技术的逐渐成熟，将能够更好地帮助人类应对后疫情时代的各种不确定性，助力构建充满希望与变化的世界。
趋势1：科学计算中的数据与机理融合建模
趋势2：深度学习理论迎来整合与突破
趋势3：机器学习向分布式隐私保护方向演进
趋势4：大规模自监督预训练方法进一步发展
趋势5：基于因果学习的信息检索模型与系统成为重要发展方向
趋势6：类脑计算系统从“专用”向“通用”逐步演进
趋势7：类脑计算从散点独立研究向多点迭代发展迈进
趋势8：神经形态硬件特性得到进一步的发掘并用于实现更为先进的智能系统
趋势9：人工智能从脑结构启发走向结构与功能启发并重
趋势10：人工智能计算中心成为智能化时代的关键基础设施
趋势1：科学计算中的数据与机理融合建模
机器学习与科学计算的结合，即数据和机理的融合计算，为科学研究提供了新的手段和范式，成为了前沿计算的典型代表。从机理出发的建模以基本物理规律为出发点进行演绎，追求简洁与美的表达；从数据出发的建模从数据中总结规律，追求在实践中的应用效果。这两方面的建模方法都在科学史中发挥了重要作用。
近年来，科学计算发展的一个重要趋势是由单纯基于机理或数据的范式向数据与机理的融合建模与计算发展。众多前沿科学领域中的许多重要问题常常涉及多个发生在不同时空尺度上相互耦合的物理过程，具有高度的各向异性、奇异性、非均匀性以及不确定性等特征。人类只能知道部分原理和数据，此时机理与数据结合的方式将成为研究这些问题的有力手段。
趋势2：深度学习理论迎来整合与突破
深度学习在应用领域取得了令人瞩目的成功，但其理论基础仍十分薄弱，研究者对深度学习为何表现出比传统机器学习方法更优越的性能背后存在的机理尚不清楚。深度学习的理论分析需要从数学、统计和计算的不同角度，以及表示能力、泛化能力、算法收敛性和稳定性等多个方面进行探索和创新。当前对深度学习理论碎片式的理解，将进一步迎来整合与突破，从对浅层网络和局部性质的理解向深度网络和全局性质不断深化，最终能够完整解答关于深度学习能力与极限的重大理论问题。
趋势3：机器学习向分布式隐私保护方向演进
当前，全球多个国家和地区已出台数据监管法规，如HIPAA（美国健康保险便利和责任法案）、GDPR（欧盟通用数据保护条例）等，通过严格的法规限制多机构间隐私数据的交互。分布式隐私保护机器学习通过加密、分布式存储等方式保护机器学习模型训练的输入数据，是打破数据孤岛、完成多机构联合训练建模的可行方案。
趋势4：大规模自监督预训练方法进一步发展
GPT-3的出现激发了研究人员在视觉等更广泛的范围内，对大规模自监督预训练方法继续开展探索和研究，未来，基于大规模图像、语音、视频等多模态数据，以及跨语言的自监督预训练模型将进一步发展，研究人员也将持续探索解决当前大规模自监督预训练模型不具有认知能力等问题的方法。
趋势5：基于因果学习的信息检索模型与系统成为重要发展方向
人工智能算法是推荐系统、搜索引擎等智能信息检索系统的核心技术，深刻地影响着亿万互联网产品用户的工作和生活。当前基于人工智能算法的信息检索模型大多关注给定数据中变量间相关性的建立，而相关性与更为本源的因果关系并不等价，导致当前信息检索的结果存在较为严重的偏差，对抗攻击的能力不佳，且模型往往缺乏可解释性。
为了实现真正智能化的信息检索系统，基于因果学习的检索模型是必然要迈过的一道坎。因果学习能够识别信息检索中变量间的因果关系，厘清事物发展变化的前因后果，全面认识用户需求和检索方法的本质，修正检索模型中的偏差，提升检索系统的可解释性、可操作性和可溯源性。
趋势6：类脑计算系统从“专用”向“通用”逐步演进
以类脑计算芯片为核心的各种类脑计算系统，在处理某些智能问题以及低功耗智能计算方面正逐步展露出优势。但从设计方法角度看，类脑芯片往往根据目标应用要求通过归纳法来确定其硬件功能与接口，并定制化工具链软件，导致软硬件紧耦合、目标应用范围受限等问题。
类脑计算芯片设计将从现有处理器的设计方法论及其发展历史中汲取灵感，在计算完备性理论基础上结合应用需求实现完备的硬件功能。同时类脑计算基础软件将整合已有类脑计算编程语言与框架，提出与具体芯片无关的高层次编程抽象与统一开发框架，针对目标芯片研发类脑计算编译优化与映射优化技术，实现类脑计算系统从“专用”向“通用”的逐步演进。
趋势7：类脑计算从散点独立研究向多点迭代发展迈进
类脑计算在诸多方面已经取得了大量基础性研究成果，但目前的研究仍呈现相对独立狭窄的纵向分布特点，尚未形成相互促进的横向贯通局面。未来的类脑计算将更加注重在单点独立研究的同时与其他层面研究的结合，推动类脑计算的基础理论算法、芯片硬件平台、评估测试基准、编程编译工具以及系统应用的相互协同和促进，构建更具全栈性的类脑计算迭代发展生态，进入良性前进的轨道。
趋势8：神经形态硬件特性得到进一步的发掘并用于实现更为先进的智能系统
新型神经形态器件，如RRAM（可变电阻式存储器）、PCM（相变存储器）等，目前已经在人工智能领域发挥了重大作用，基于这些器件构建的智能硬件系统已经能够有效地提升智能算法执行的速度和能效，并保持算法的性能。
然而当前大部分硬件智能系统仅仅利用了神经形态器件的部分特性，如非易失性、线性等，缺乏对器件更丰富特性，如易失性、非线性、随机性等特性的应用。通过对器件的全面探究，下一代智能系统将会把算法的各种需求同器件的丰富特性紧密结合起来，从而进一步拓展智能系统的功能和应用范围，提升系统的性能和效率。
趋势9：人工智能从脑结构启发走向结构与功能启发并重
脑启发的人工智能在强调对脑结构和神经形态模仿的同时，还需要了解人类神经元和神经回路的功能与机制。这是因为脑结构与脑功能并不存在简单的一一对应的关系，即类似的结构可能有着不同的功能。
例如，作为古老结构的海马体在人和动物的大脑上有着类似的结构，但是它们采用了不同的记忆编码方式。动物的海马体在编码记忆时，采用的是“模式分离”的方式，即神经元形成不同的神经元群组来存储记忆，以避免记忆的混淆。但是，人类的海马体则采用了“概念和联想”的编码方式，即同样的一组神经元可以储存多个不同的记忆。人类这种独特的记忆编码方式可能是人类智能脱颖而出的一个关键因素，有助于解释人类相比于其它物种所具备的独特的认知能力，如人类的抽象思维能力和创造性思维能力。
趋势10：人工智能计算中心成为智能化时代的关键基础设施
近年来，人工智能对算力的需求迅猛增长，并成为最重要的计算算力资源需求之一。AI计算是智能时代发展的核心动力，以人工智能算力为主的人工智能计算中心应运而生。
人工智能计算中心基于最新人工智能理论，采用领先的人工智能计算架构，是融合公共算力服务、数据开放共享、智能生态建设、产业创新聚集的“四位一体”综合平台，可提供算力、数据和算法等人工智能全栈能力，是人工智能快速发展和应用所依托的新型算力基础设施。未来，随着智能化社会的不断发展，人工智能计算中心将成为关键的信息基础设施，推动数字经济与传统产业深度融合，加速产业转型升级，促进经济高质量发展。
京东购书，赠送超值大礼包
返回搜狐，查看更多
张亚勤：人工智能赋能生命科学——机遇与挑战
生命科学与生物医药领域正在步入数字化3.0时代，AI正在加速生命健康与生物医药领域向着更快速、更精准、更安全、更经济、更普惠的方向稳步发展。——张亚勤
9月26日下午，2021年世界互联网大会在乌镇召开。在数据与算法论坛上，清华大学智能产业研究院（AIR）院长张亚勤院士围绕“人工智能赋能生命科学”这一主题，介绍生物世界发生的数字化和智能化新变革，并分享清华大学智能产业研究院（AIR）在人工智能与生命健康交叉学科发展上的新布局。本次报告由张亚勤院长及团队成员马维英、兰艳艳、黄婷婷共同完成。
（摄影/浙江日报记者李震宇）
随着基因测序技术、高通量生物实验、传感器等技术的发展，生命科学与生物医药领域正在步入数字化3.0时代，数字化、自动化进程加速。健康计算作为一种新型智能科学计算模式，是以人工智能和数据驱动为核心的第四研究范式。它将极大助力人类探索并解决生命健康问题。
人工智能从上世纪五十年代发展到今天，产生了很多不同的算法，尤其是以早期的RNN、LSTM和CNN为代表的深度学习技术，及过去这两年的GAN、transformer-based(BERT和GPT-3模型)，预训练模型等等，可以说从我们感知方面语音识别、人脸识别、物体的分类，已经和人达到同样的水平。但在自然语言理解，知识推理，和视频语义和泛化能力方面还有很多差距。另外在算法透明性，可解释性，因果性，安全，隐私和伦理等方面还存在较大挑战。
在可信AI计算方面最近又很多进展，一个例子是联邦学习，这也是清华大学智能产业研究院的一个重要研究课题。联邦学习主要有两种方案，一种是横向联邦学习，它主要面向不同来源特征和模型相同的场景，能够保证相同模态不同来源数据之间的隐私性。另一种叫做纵向联邦学习，它可以处理不同来源的特征和模型不同的情况，能够保证多模态数据之间的隐私性。
我们已经看到，AI正在加速生命健康与生物医药领域向着更快速、更精准、更安全、更经济、更普惠的方向稳步发展。具体体现在，人工智能在蛋白质结构预测、CRISPR基因编辑技术、抗体/TCR/个性化的疫苗研发、精准医疗、AI辅助药物设计等方面的研究已成为国际前沿战略性研究热点。
考虑到这样的学科发展趋势和产业背景，清华大学智能产业研究院（AIR）在“AI+生命健康方向”做了四个研究方向的布局，聚焦在研究“AI增强个人健康管理与公共卫生”、“AI+医疗与生命科学”、“AI辅助药物研发”与“AI+基因分析与编辑”方向。
作为交叉领域研究与应用，AIR认识到人工智能与生命科学、生物医药领域存在较大的知识鸿沟，缺乏面向生物计算的数据集、AI平台、核心算法、计算引擎，同时跨界人才也非常稀缺。针对以上挑战，AIR提出“AI+生命科学破壁计划”，目标是定义AI+生命科学领域的核心前沿研究任务，跨越生命健康领域与人工智能的领域鸿沟，打破壁垒，促进AI与生命科学的深度交叉融合，加速科学发现。
为此，我们需要构建面向生命科学领域的人工智能基础设施、数据平台、核心算法引擎，支撑生命科学前沿研究任务。同时通过打造旗舰公开数据集，组织算法挑战竞赛，构建AI+生命科学的众智平台，培养跨界人才，构建产业生态。
AlphaFold2是AI+生命科学的一个典型成功案例。它的成功因素来自于两方面，首先，是任务的特殊性，蛋白质结构预测就可以看作从序列到三维结构的一个一一映射问题，因此它是一个welldefine的AI问题。这就是破壁计划的目标，要找到生命科学中意义重大，但同时又能抽象为适合AI的研究任务。第二，是模型的优越性。一方面，长时间的生命科学领域的研究积累了大规模的蛋白质结构数据，而AlphaFold2的整个模型架构则充分利用了数据驱动的端到端深度学习模型，大数据与深度模型的结合恰恰是第四范式的典型特点。因此，AlphaFold2带给我们的启示就是在AI+生命科学的研究中，要注重破壁和第四范式的重要性。
显然，AlphaFold2仅仅是一个开始，它的成功正在开启一个新的模式。蛋白质结构的精准预测为生命科学家提供了高效的计算工具，也为基于AI的重大生命科学发现提供了可能。未来，抗体、抗原的表位预测，肿瘤的精准疗法，TCR/个性化疫苗的设计与优化等方向将成为重要的研究热点，并在AI驱动的新计算模式下取得突破性进展，AI+大分子制药的黄金时代将正式到来。
其中，还会产生很多新的科学挑战，也预示着将产生新的计算范式，例如，干湿融合的闭环式计算框架。一方面人工智能模型通过高通量、多轮湿实验的闭环验证和数据补充将变得更为智能。另一方面，通过主动学习或强化学习的方式，AI将主动规划湿实验的自动化进行，形成干湿闭环验证、迭代加速生命科学发现与产业应用。我们预见到，通过干湿闭环打通，生命科学研究与生物医药产业将迎来新的研究范式与产业模式。
AIR目前在基因数据的表达和预测方面已经取得了一些初步进展。最近，由我们清华大学智能产业研究院（AIR）的兰艳艳教授带领GeneBert团队设计了一个新颖的基因预训练模型，通过构建序列与转录因子之间的二维矩阵，实现了一个多模态的基因预训练模型，获取了基因数据的有效表示，尤其是挖掘了非编码区的数据价值，在下游的启动子、转录子结合位点的预测，先天性巨结肠疾病的基因筛选任务上都大幅提高了性能。我们相信，类似预训练这样的前沿AI技术在基因数据上的持续深入应用，将进一步挖掘基因数据的价值，帮助我们破解人类的密码，在癌症的精准治疗等重要问题上发挥作用。
总结来看，我们认为，生物世界正处于数字化、自动化和智能科学计算的新变革中，用计算的方法，即人工智能和数据驱动的第四研究范式来辅助人们探索并解决生命健康的问题成为一个重要的研究方向。未来，需要学术界和产业界共同推动生命科学、生物医药、基因工程、个人健康各领域从孤立、开环向协同、闭环发展，实现更快速、更精准、更安全、更经济、更普惠的生命科学与生物医药创新，这代表着下个十年巨大的科学发展与产业创新的新机会。
我们热切呼吁更多的人来关注、支持或投身于这个新兴交叉学科的发展。
撰文排版/冼晓晴
校对责编/黄妍
阅读原文：
张亚勤：人工智能赋能生命科学——机遇与挑战
入行人工智能十大经典书单
2017年最热的关键词属于人工智能、深度学习.何时才能实现真正的AI（强AI或人工通用智能，简称AGI）？真正的AI必须像人类一样完成学前班、小学一年级、二年级等一系列学习过程，一直到大学毕业，然后应聘计算机程序员岗位，像人类软件开发人员一样编写程序。接着，心满意足的雇主就能成百上千地克隆经验丰富的AI程序员了。最终，智能机器人将完成我们允许其完成的所有工作。
AI机器人的智商应该达到多少？人类智商的100～150、1000、百万还是十亿？这是一个大问题。一旦我们可以创造AI机器人，就应该能够设定它们的智商水平。高智商AI机器人必定会将人类视为“聪明的猴子”，它们居然利用颇为有限的生物智能创造了奇迹。未来的几年将继续是人工智能的时代，现在入行人工智能，这些畅销图书不可错过。
异步社区招募书评人，在【异步图书】后台回复“书评”，加入我们免费读新书。
《深度学习[deeplearning]》
【美】IanGoodfellow（伊恩·古德费洛）、【加】YoshuaBengio（约书亚·本吉奥）、【加】AaronCourville（亚伦·库维尔）箸
点击封面购买纸书https://item.jd.com/12128543.html
AI圣经！深度学习领域奠基性的经典畅销书！长期位居美国亚马逊AI和机器学习类图书榜首！所有数据科学家和机器学习从业者的必读图书！特斯拉CEO埃隆·马斯克等国内外众多专家推荐！
深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。因为计算机能够从经验中获取知识，所以不需要人类来形式化地定义计算机需要的所有知识。层次概念允许计算机通过构造简单的概念来学习复杂的概念，而这些分层的图结构将具有很深的层次。本书会介绍深度学习领域的许多主题。
本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。
《TensorFlow技术解析与实战》
李嘉璇箸
点击封面购买纸书https://item.jd.com/12073631.html#crumb-wrap
领导“谷歌大脑”的工程师JeffDean发来寄语；李航、余凯等人工智能领域专家倾力推荐；基于TensorFlow1.1，包揽TensorFlow的新特性；技术内容全面，实战案例丰富，视野广阔；人脸识别、语音识别、图像和语音相结合等热点一应俱全
TensorFlow是深度学习的流行框架之一，极适合新手入门。谷歌公司正致力于建立一个相关软件和机器学习模型的开源生态系统，这是人工智能发展的技术风口。
本书基于TensorFlow1.1版本，深入TensorFlow基础原理、设计理念、编程模型、源码分析和模型构建、工业界应用、大规模数据训练等。全书分为基础篇、实战篇和提高篇三部分。
《TensorFlow机器学习项目实战》
【阿根廷】RodolfoBonnin箸
点击封面购买纸书https://item.jd.com/12235801.html#crumb-wrap
本书是介绍如何在产品中使用TensorFlow的实用教程。本书介绍了可以使用TensorFlow的多种情况，并通过真实世界的项目，向读者展示了如何使用TensorFlow。本书还讲解了在实际环境中使用TensorFlow的创新方法。
本书主要介绍第二代机器学习与数值计算，提供了训练模型、机器学习、深度学习以及使用各种神经网络的项目，以此来讲解TensorFlow的应用领域，还讨论如何使用TensorFlow计算复杂数值。
《Python机器学习实践指南》
【美】AlexanderT.Combs箸
点击封面购买纸书https://item.jd.com/12180152.html
机器学习正在迅速成为数据驱动型世界的一个bi备模块。许多不同的领域，如机器人、医学、零售和出版等，都需要依赖这门技术。通过阅读Python机器学习实践指南，你将学习如何一步步构建真实的机器学习应用程序。
Python机器学习实践指南以通俗易懂，简洁明了的方式，教你如何使用机器学习来收集、分析并操作大量的数据。通过易于理解的项目，本书讲解如何处理各种类型的数据、如何以及何时应用不同的机器学习技术，包括监督学习和无监督学习。本书中的每个项目都同时提供了教学和实践，你将学习如何使用聚类技术来发现低价的机票，以及如何使用线性回归找到一间便宜的公寓。
Python机器学习实践指南适合的读者包括了解数据科学的Python程序员、数据科学家、架构师，以及想要构建完整的、基于Python的机器学习系统的人们。
《Python机器学习预测分析核心算法》
【美】MichaelBowles（鲍尔斯）著
点击封面购买纸书https://item.jd.com/12020697.html
机器学习关注于预测，其核心是一种基于数学和算法的技术，要掌握该技术，需要对数学及统计概念有深入理解，能够熟练使用R语言或者其他编程语言。
本书通过集中介绍两类可以进行有效预测的机器学习算法，展示了如何使用Python编程语言完成机器学习任务，从而降低机器学习难度，使机器学习能够被更广泛的人群掌握。
作者利用多年的机器学习经验带领读者设计、构建并实现自己的机器学习方案。本书尽可能地用简单的术语来介绍算法，避免复杂的数学推导，同时提供了示例代码帮助读者迅速上手。读者会很快深入了解模型构建背后的原理，不论简单问题还是复杂问题，读者都可以学会如何找到问题的解决算法。书中详细的示例，给出了具体的可修改的代码，展示了机器学习机理，涵盖了线性回归和集成方法，帮助理解使用机器学习方法的基本流程。
《深度学习精要（基于R语言）》
【美】JoshuaF.Wiley（威利）著
点击封面购买纸书https://item.jd.com/12185587.html#crumb-wrap
深度学习是机器学习的一个分支，其基础是一组试图使用模型架构建立高水平抽象模型的算法。本书结合R语言介绍深度学习软件包H2O，帮助读者理解深度学习的概念。本书从在R中设置可获取的重要深度学习包开始，接着转向建立神经网络、预测和深度预测等模型，所有这些模型都由实际案例的辅助来实现。成功安装了H2O软件包后，你将学习预测算法。随后本书会解释诸如过拟合数据、异常数据以及深度预测模型等概念。最后，本书会介绍设计调参和优化模型的概念。
本书适合那些胸怀大志的数据科学家，他们精通R语言数据科学概念，并希望可以使用R中的包进一步探索深度学习范式。读者需要对R语言具备基础的理解，并熟悉统计算法和机器学习技术。
《机器学习实践应用》
李博著
点击封面购买纸书https://item.jd.com/12114501.html#crumb-wrap
人工智能，触手可及，让数据起舞，用算法扩展业务边界。阿里机器学习专家力作，实战经验分享。
这是一本难得的面向机器学习爱好者的入门级教程，本书涉及机器学习的基础理论和深度学习等相关内容，内容深入浅出。更加难能可贵的是，本书基于阿里云机器学习平台，针对7个具体的业务场景，搭建了完整的解决方案，给读者带来第一手的实战演练经验。
——阿里云资深专家褚崴
机器学习算法正在逐渐渗透到数据化运营的各个方面，算法和业务数据相结合可以大幅度地提高业务效率、降低成本。本书以算法的业务应用作为切入点，包含大量的案例说明，非常适合读者快速入门。
——阿里云高级专家陈鹏宇
《人工智能时代》
【美】KalmanToth（托斯）著
点击封面购买纸书https://item.jd.com/12210593.html#crumb-wrap
对于人类来说，人工智能有着广阔的前景，同时也充满挑战。
人工智能时代，人类将面临哪些改变和困惑？
人工智能的发展将会给人类社会带来哪些冲击和影响？
当所有的工作都由超级智能机器人来完成时，预示着我们进入了一个不劳社会。机器是否会完全取代人类？
但是，人类如何以150的智商控制百万智商的人工智能？
本书围绕人工智能的历史、发展和应用，展开广泛的讨论和介绍，为读者解开心中关于人工智能的种种疑问。
翻开本书，了解人工智能是什么，以及人工智能将会怎样影响我们的生活和未来！
《数据科学家访谈录》
【美】CarlShan（单研）、WilliamChen（陈子蔚）、HenryWang（汪强明）
MaxSong（宋迈思）著
点击封面购买纸书https://item.jd.com/12286963.html?dist=jd
在本书中，你将会看到作者对25位出众的数据科学家的访谈，他们来自于不同的背景、学科和行业。作者既采访了Facebook、Linkedin和Intuit等公司的专家，也采访了Uber、Airbnb、Palantir、Mattermark、Quora、Square和KhanAcademy等快速成长的初创公司的数据科学家。
其中的一些数据科学家，例如DJPatil和HillaryMason，是将这一领域开拓发展到如今这样的世界知名人士；另一些人，例如ClareCorthell，则是正在冉冉升起的数据科学新星。本书提供了直观而深入的采访，展示了每一位数据科学家的生活经历，从他们离开学术界开始，到一步步成长为数据科学界的翘楚，以及他们在这个过程中学到的有价值的东西。
本书适合有志于成为数据科学家的人、正在从事数据科学相关工作的人、数据科学团队的领导、企业家以及商业人士参考，也适合对数据感兴趣的读者阅读。
《Python贝叶斯分析》
【阿根廷】OsvaldoMartin（奥斯瓦尔多·马丁）著
点击封面购买纸书https://item.jd.com/12283479.html?dist=jd
本书介绍了贝叶斯统计中的主要概念，以及将其应用于数据分析的方法。本书采用编程计算的实用方法介绍了贝叶斯建模的基础，使用一些手工构造的数据和一部分简单的真实数据来解释和探索贝叶斯框架中的核心概念，然后在本书涉及的模型中，抽象出了线性模型用于解决回归和分类问题，此外还详细解释了混合模型和分层模型，并单独用一章讨论了如何做模型选择，还简单介绍了非参模型和高斯过程。
本书所有的贝叶斯模型都用PyMC3实现。PyMC3是一个用于概率编程的Python库，其许多特性都在书中有介绍。在本书和PyMC3的帮助下，读者将学会实现、检查和扩展贝叶斯统计模型，从而解决一系列数据分析的问题。
《Python程序设计第3版》
【美】JohnZelle（策勒）著
点击封面购买纸书item.jd.com/12280691.ht…
Python之父作序推荐，本书以Python语言为工具教授计算机程序设计。强调解决问题、设计和编程是计算机科学的核心技能。本书特色鲜明、示例生动有趣、内容易读易学，适合Python入门程序员阅读，也适合高校计算机专业的教师和学生参考。
本书具有以下特点：
●广泛使用计算机图形学——本书提供一个简单的图形软件包graphics.py作为示例。
●生动有趣的例子——本书包含了完整的编程示例来解决实际问题。
●亲切自然的行文——以自然的叙事风格介绍了重要的计算机科学概念。
●灵活的螺旋式学习过程——简单地呈现概念，逐渐介绍新的思想，章节末加以巩固强化。
●时机恰好地介绍对象——本书既不是严格的“早讲对象”，也不是“晚讲对象”，而是在命令式编程
的基础上简要地介绍了对象概念。
●提供丰富的教学素材——提供了大量的章末习题。还提供代码示例和教学PPT下载。
延伸推荐
点击关键词阅读更多新书：
Python|机器学习|Kotlin|Java|移动开发|机器人|有奖活动|Web前端|书单在“异步图书”后台回复“关注”，即可免费获得2000门在线视频课程；推荐朋友关注根据提示获取赠书链接，免费得异步图书一本。赶紧来参加哦！
点击阅读原文，查看本书更多信息
扫一扫上方二维码，回复“关注”参与活动！
人工智能十大里程碑事件，你知道几个
人工智能的名字由来
如果要提到人工智能的真正开端，那就要追溯到1955年8月31日。当时，研究人员提交了一份《2个月，10个人的人工智能研究》的提案，第一次提出了“人工智能”的概念。而其中JohnMcCarthy被后人尊称为“人工智能之父”。
1956年，会议在达特茅斯学院占地269英亩的庄园举行。不幸的是，他们对于人工智能的发展有点过于乐观了。他们写到：“我们认为，如果一个精心挑选的科学家团队努力工作一个夏天，那我们就能取得重大进展。”然而事实证明，时间花得远比想象中的要多很多。
3
反向传播算法的出现
反向传播（英语：Backpropagation，缩写为BP），有时缩写为“BP”，是机器学习历史上最重要的算法之一。尽管该算法成为机器学习的主流算法是在20世纪80年代，但该算法第一次被提出是在1969年。这是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法计算对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。
4
语言助手的诞生
提及亚马逊的Alexa、谷歌助手和苹果的Siri大家一定都不陌生。早在20世纪60年代中期，麻省理工学院的一名研究人员就发明了一个名为ELIZA的计算机心理治疗师，可以实现与用户之间的“智能”对话。在当时，ELIZA的发明者就指出，用户如此愿意以这种方式与机器交谈，这让他们感到非常惊讶。
5
科技奇点
1993年，作家兼计算机科学家VernorVinge发表了一篇文章，这篇文章首次提到了人工智能的“奇点”，被称为“即将到来的技术奇点”。而这里所指的“奇点”并不是广义上的，而是指未来某一天机器将变得比人类更聪明，甚至会取代人类，主宰人类世界。
Vinge预测，在未来30年内，人类将拥有创造超级人工智能的能力。
6
无人驾驶的世界离我们还远吗？
你认为谷歌开发了世界上第一辆自动驾驶汽车吗？错！早在1986年，德国联邦国防军大学的研究人员就在一辆奔驰面包车上安装了摄像头和智能传感器，成功地在空无一人的街道上行驶。
几年后，一位名叫DeanPomerleau的卡内基梅隆大学的研究人员建造了一辆自动驾驶的庞蒂克运输小货车，并沿海岸线从宾夕法尼亚州的匹兹堡到加州的圣地亚哥,共行驶了2797英里。相较于当今的自动驾驶技术，当时的这项技术像是小儿科，但是至少它证明了无人驾驶是可以实现的。
7
超级人工智能计算机
对于人工智能来说，1997年是一个标志性的年份，IBM的“深蓝”超级计算机在一场人机大战中战胜国际象棋冠军GarryKasparov。尽管毫无疑问，深蓝的处理信息比人类更快，但真正的问题是，它是否更有策略地思考。事实证明这是可以的！
这一结果可能并没有证明人工智能有能力在有明确规则的问题上表现得异常出色，它仍然是人工智能领域的巨大飞跃。
8
IBM人工智能“沃森”在智力竞赛大获全胜
就像深蓝与GarryKasparov的比赛一样，IBM的人工智能在2011年面临着另一个巨大的挑战——沃森人工智能在著名的智力竞赛节目“Jeopardy”中击败了对手布拉德·拉特和肯·詹宁斯，成功赢取了100万美元的大奖。比赛结束后，肯·詹尼斯打趣道：“欢迎我们的新机器人霸主。”人工智能的再次胜利，又一次向世界证明了人工智能比人脑更快。
9
谷歌AlphaGo战胜世界围棋冠军李世石
2016年3月，继IBM深蓝之后，谷歌DeepMind的AlphaGo在四场比赛中击败了国际围棋世界冠军李世石，而这场激烈的人机大战吸引了来自世界各地的6000万人的观看。同样，2017年的升级版AlphaGo再次击败了国际围棋大师柯洁，引发了全世界的关注。
10
人工智能深度应用在儿童机器人市场
随着人工智能时代的到来，机器人早已不是什么新鲜物件儿，家务机器人、军事机器人、儿童机器人等类别的机器人一次又一次地刷新着人们对于机器人的认识。如今，智能机器人行业市场也逐渐细化，ibotn爱蹦机器人就是儿童教育陪伴机器人市场里的一员。返回搜狐，查看更多