米拉罗评论——似乎今天与军事计算相关的一切都与人工智能相关。人工智能是一个吸引人的短语，能激发人们的想象力。然而，当我们超越迷人的外表时，有许多严肃而困难的计算机科学正在帮助人类快速做出决策，帮助无人驾驶车辆自主导航和执行任务，还有许多其他计算机任务几年前

朱迪亚·珀尔——以色列裔美籍计算机科学家、哲学家，以倡导人工智能的概率方法和贝叶斯网络而闻名。他还因在结构模型的基础上发展出因果和反事实推论而受到广泛称赞。2011年，ACM授予Judea Pearl图灵奖，以表彰他“通过发展概率和因果推理演算对人工智能做

本文约4000字，建议阅读10分钟。本文为你介绍图灵奖得主Bengio对深度学习看法。在1990年代那个漫长而寒冷的AI寒冬期，大多数人认为神经网络是一条研究的死胡同，Yoshua Bengio等研究者却仍坚持不懈地进行着该领域的研究。由于对深度学习做出的

随着深度学习的发展，神经网络变得越来越大。例如，在ImageNet识别挑战中，获胜的模型在2012年到2015年间的大小增加了16倍。在短短一年的时间里，百度的深度语音模型的训练操作数增加了10倍。随着模型尺寸的增大，模型在手机上的部署变得更加困难。在这种

阿里妹导读：MNN已于今年5月7日在 Github 上正式开源。淘宝无线开发专家——陈以鎏（离青）在 GMTC 全球大前端技术大会为大家分享了 MNN 开发、开源中的思考与总结，通过淘宝在移动 AI 上的实践经验，你将会了解移动 AI 的发展状况和应用场景

天猫精灵是阿里巴巴人工智能实验室于2017年7月5日发布的AI智能语音终端设备。天猫精灵目前是全球销量第三、中国销量第一的智能音箱品牌。在天猫精灵业务系统中，大量使用了算法模型。首先，为了保证服务能够得到快速响应，模型的 RT 必须尽可能的短。天猫精灵业务

贝叶斯推理是统计学中的一个重要问题，也是许多机器学习方法中经常遇到的问题。例如，用于分类的高斯混合模型或用于主题建模的潜在狄利克雷分配模型等概率图模型都需要在拟合数据时解决这一问题。本文将讨论两种可用于解决贝叶斯推理问题的主要方法：基于采样的马尔可夫链蒙特

符号主义和连接主义之争由来已久。尽管连接主义的代表——深度学习在近年来取得许多了重大成就，其解释性差、泛化能力低、依赖大量数据的问题广受诟病。近日，斯坦福大学研究人员提出一种结合符号主义和连接主义的模型——神经状态机，旨在抹平符号主义和连接主义之间的鸿沟，

阿里妹导读：MNN已于今年5月7日在 Github 上正式开源。淘宝无线开发专家——陈以鎏（离青）在 GMTC 全球大前端技术大会为大家分享了 MNN 开发、开源中的思考与总结，通过淘宝在移动 AI 上的实践经验，你将会了解移动 AI 的发展状况和应用场景

人类思维具备一种将特定事件与其原因联系起来的超凡能力。上至选举结果下至物体落地，人们不断将导致某种特定结果的一系列事件串联起来。神经心理学将这种认知能力称为因果推理。多年来，机器学习领域产生了许多因果推理方法，但是绝大多数难以在主流应用中使用。本文介绍了微

6月16日，斯坦福大学发布最新DAWNBench深度学习推理榜单。国内企业天数智芯、华为、寒武纪、阿里占据榜单前四名，天数智芯斩获图像识别性能冠军，性能较之前榜单最好机构成绩提升了30%。而在此次榜单上，天数智芯、华为、寒武纪和阿里云占据前四名，也体现了国

本文讲述了DeepMind联合谷歌大脑、MIT等机构27位作者发表重磅论文，提出“图网络”，将端到端学习与归纳推理相结合，有望解决深度学习无法进行关系推理的问题。作为行业的标杆，DeepMind的动向一直是AI业界关注的热点。最近，这家世界最顶级的AI实验

近日，阿里正式开源轻量级深度学习端侧推理引擎“MNN”。AI科学家贾扬清如此评价道：“与 Tensorflow、Caffe2 等同时覆盖训练和推理的通用框架相比，MNN 更注重在推理时的加速和优化，解决在模型部署的阶段的效率问题，从而在移动端更高效地实现模

本文内容节选自由msup主办的第七届TOP100summit，时任爱奇艺技术产品中心计算云团队助理研究员张磊分享的《基于CPU的深度学习推理部署优化实践》实录。分享者张磊，就职于爱奇艺技术产品中心计算云团队担任助理研究员，负责云平台上深度学习应用的优化落地

本文内容节选自由msup主办的第七届TOP100summit，时任爱奇艺技术产品中心计算云团队助理研究员张磊分享的《基于CPU的深度学习推理部署优化实践》实录。分享者张磊，就职于爱奇艺技术产品中心计算云团队担任助理研究员，负责云平台上深度学习应用的优化落地

推理优化是机器学习领域的核心问题之一，本文将解读 SysML 会议上两篇与推理优化有关的论文，其中一篇提出了准确高效的二位量化神经网络，另一篇则试图用宽松化图替代优化深度神经网络的计算过程。为了在尽可能小地损失准确度的同时尽可能多地减少计算，研究者们已经提

受到 Judea Pearl 近期采访的启发，Ferenc Huszár 发表博客，从观察和干预数据分布的区别和联系出发，阐述了他对因果推理在机器学习中的意义的看法。他指出因果推理是深度学习的必要补充，而不是作为其对立面，必须在两者中取其一舍其一。你可能已

然强化学习问题的一般形式可以有效地推理不确定性，但强化学习和概率推断的联系并不是很明显。在本文中，UC Berkeley EECS 助理教授 Sergey Levine 提出了一种新的概率模型和理论框架，证明了强化学习的一般形式即最大熵强化学习与概率推断的

现有的视觉推理数据集都避开了时间和记忆的复杂性，而这两者都是现实应用中不可或缺的因素。为突破这个局限性，受认知心理学启发，纽约大学联合 Google Brain 开发了新的视觉问答数据集 以及对应的网络架构。该架构能利用多模态信息和动态注意、记忆机制执行

人类在看到图像时可以进行合理的推理与预测，而目前的神经网络系统却还难以做到。近日，来自卡耐基梅隆大学的陈鑫磊、Abhinav Gupta，谷歌的李佳、李飞飞等人提出了一种新型推理框架，其探索空间和语义关系的推理性能大大超过了普通卷积神经网络。目前该工作已被