深度學習復興：向人工智能邁進
它是未來的一部分，我們才剛剛開始。圖片來源：BRUCE ROLFF 3年前，美國加利福尼亞州山景城神秘的谷歌X實驗室的研究人員從YouTube視頻中提取了1000萬個靜態圖像，并將其輸入“谷歌大腦”——由1000臺計算機構成的網絡，從而試圖像一個蹣跚學步的孩子一樣吸收這個世界的信息。經過3天尋找重復出現的模式后，谷歌大腦憑自身判斷，它可以識別一些特定的重復類別：人類面孔和人類身體，甚至是貓。 谷歌大腦發現互聯網上到處都是關于貓的視頻，這還曾引起一連串的笑話。不過，谷歌大腦是深度學習復興的一個里程碑。深度學習是一項有著30年歷史的技術，其中大量數據和強大的處理能力幫助計算機破解那些人類幾乎可以憑直覺就可解決的難題——從識別人臉到理解語言。 深度學習本身是對神經網絡這個更老的想法的復興。這些系統的靈感大多來自于大腦中緊密連接的神經元，通過改變模擬神經連接的強度來模擬人腦學習。谷歌大腦擁有約100萬個模擬神經元和......閱讀全文
深度學習算法“解密”腦活動
英國《自然·醫學》雜志9月25日在線發表的一項研究，報告了一種可以分析四肢癱瘓患者大腦活動的深度學習算法。該算法已被用于向患者的前臂肌肉傳遞電刺激，從而恢復癱瘓肢體的功能性運動。 慢性癱瘓患者的生活質量可以通過腦機接口加以改善。腦機接口可以將控制運動的中樞神經系統回路和輔助設備（例如計算機光標
AI偵探敲碎深度學習黑箱
研究人員創建了能填補照片空白的神經網絡，以鑒別人工智能瑕疵。 Jason Yosinski坐在美國加州舊金山的一個小型玻璃辦公室內，陷入了對人工智能的沉思。作為優步公司的研究科學家，Yosinski正為在筆記本電腦上運行的人工智能（AI）進行“腦外科手術”。 很多AI將改變人類現代生活，例如
2016值得關注的技術：基因組分析深度學習
《Nature Methods》盤點2015年度技術，選出了最受關注的技術成果：單粒子低溫電子顯微鏡（cryo-EM）技術。 除此之外，也整理出了2016年最值得關注的幾項技術，分別為：細胞內蛋白標記（Protein labeling in cells）、細胞核結構（Unraveling nuc
深度學習技術及應用國家工程研究中心正式揭牌
《中國科學報》近日獲悉，經國家發展和改革委員會批復，深度學習技術及應用國家工程研究中心（以下簡稱工程研究中心） 納入新序列管理。4月26日，工程研究中心舉行了揭牌儀式。 揭牌儀式 ?圖片來源：工程研究中心 納入新序列管理后，工程研究
TPU將成深度學習的未來？（二）
能夠進行數據推理的第二代TPU第一代的TPU只能用于深度學習的第一階段，而新版則能讓神經網絡對數據做出推論。谷歌大腦研究團隊主管Jeff Dean表示：“我預計我們將更多的使用這些TPU來進行人工智能培訓，讓我們的實驗周期變得更加快速。”“在設計第一代TPU產品的時候，我們已經建立了一個相對
深度學習協助預測厄爾尼諾 |《自然》論文
《自然》發表的一篇論文Deep learning for multi-year ENSO forecasts報道了一種可以提前一年半預測厄爾尼諾事件的深度學習方法，克服了該領域內長期存在的一項挑戰。用來預測厄爾尼諾現象的CNN預測系統來源: Ham et al. 厄爾尼諾事件發生于太平洋東部和
TPU將成深度學習的未來？（一）
在Google I/O 2016的主題演講進入尾聲時，谷歌的CEO皮采提到了一項他們這段時間在AI和機器學習上取得的成果，一款叫做Tensor Processing Unit（張量處理單元）的處理器，簡稱TPU。在這個月看來，第一代的TPU處理器已經過時。在昨天凌晨舉行的谷歌I/O 2017
深度學習算法準確追蹤動物運動
根據英國《自然·神經科學》雜志8月21日在線發表的一項研究，美國哈佛大學團隊運用一種新型深度學習算法，成功追蹤動物運動及行為，其準確度可達到人工水平，而且無需采用追蹤標記物或進行費時的手動分析。專家認為，這一成果打開了海量的數據來源之門。 準確追蹤行為發生期間的身體運動部位是運動科學的一項重要
深度學習網絡技術可加快臨床PET圖像重建過程
近日，來自美國紀念斯隆凱特靈癌癥中心（Memorial Sloan Kettering Cancer Center）的科學家們開發出一種名為“DeepPET”的新技術，該技術是使用深度學習（deep learning）將正電子放射斷層造影術（PET）成像數據轉換為高質量圖像，并在Medical
新光學芯片可實現高效“深度學習”
美國麻省理工學院（MIT）科學家在12日出版的《自然·光學》雜志上發表論文稱，他們開發出一種全新的光學神經網絡系統，能執行高度復雜的運算，從而大大提高“深度學習”系統的運算速度和效率。 “深度學習”系統通過人工神經網絡模擬人腦的學習能力，現已成為計算機領域的研究熱門。但由于在模擬神經網絡