||||||||||
您现在的位置：&&
科学家利用人工智能算法推进量子力学研究
　　【中国智能制造网 智能快讯】维也纳大学研究人员安东&齐林格(AntonZeilinger)及其团队设计了一种名为Melvin的人工智能算法，希望利用人工智能技术来推进量子力学的研究。他们的研究成果已发表在《物理评论快报》上。　　　　量子力学是最令人迷惑的科学领域之一，即使最优秀的物理学家也认为，量子力学非常复杂。正如英国诺丁汉大学的迈克尔&梅瑞菲尔德(MichaelMerrifeld)所说：&如果量子力学没有把你弄糊涂，那么这是因为你还没有真正理解它。&　　　　因此，设计量子力学实验很困难。然而，如果我们希望开发量子计算机或量子加密技术，那么这样的实验至关重要。齐林格的团队认为，如果人类思维很难解决量子力学问题，那么没有人工干预的&大脑&或许将可以更容易设计出这种实验。　　　　这一概念的提出者是博士生马里奥&科伦(MarioKrenn)。他曾尝试设计一种实验，利用激光和镜子去实现特定量子态。在这一过程中，他发现自己只是在做猜想，而计算机算法也可以进行这样的猜想，并且速度更快。　　　　他表示：&因此我定义了目标，开发了算法，让算法整夜运行。第二天上午，算法生成了结果文件。这是令人兴奋的一天。&　　　　在运行过程中，Melvin算法会组合量子力学实验的不同模块(即上述的激光和镜子)，并检查作为结果的量子态。这一算法可以随机运行多种配置。如果随机配置得出需要的结果，那么Melvin将对其进行简化。这一算法还可以总结经验，记住什么样的配置带来什么样的结果，随后在需要情况下使用这些配置。　　　　齐林格的团队表示，到目前为止，算法设计了一些人工无法想到的实验，而某些实验配置的工作方式很难理解。这与人工设计的实验有很大不同。科伦表示：&我仍然很难直观地理解，究竟发生了什么。&　　　　该团队使用Melvin去尝试Greenberger-Horne-Zeilinger(GHZ)量子态。在这样的量子态中，超过两个光子出现纠缠。Melvin设计了51种能带来纠缠态的实验，而其中之一实现了GHZ态。　　　　对于量子力学研究，人工智能目前还无法完全取代人类。Melvin的运行结果仍需要人工去分析。不过这也带来了一个问题：如果Melvin的运行结果太奇怪，人们无法理解，那么又会发生什么？(维金)
(来源：新浪科技)
@中国智能制造网
扫一扫，官方微博互动多
微信号：gkzhan
扫一扫，智造信息随手掌控
全年征稿 / 资讯合作联系邮箱：
凡本网注明"来源：中国智能制造网"的所有作品，版权均属于中国智能制造网，转载请必须注明中国智能制造网，。违反者本网将追究相关法律责任。
本网转载并注明自其它来源的作品，目的在于传递更多信息，并不代表本网赞同其观点或证实其内容的真实性，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品来源，并自负版权等法律责任。
如涉及作品内容、版权等问题，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。
周排行月排行
据了解，今年北京、上海、广州、深圳等大型火车站均开通了自
全球移动通信行业最具影响力的年度展会——世界移动通信大会
是因为增材加工领域已经到达了制造级别的成熟度，罗兰贝格希
SIAF广州国际工业自动化技术及装备展览会在广州中国进出口商
机器人产业发展中确实已经产生了泡沫，但是整体是否过热有待
我国智能制造未来发展潜力巨大，2020年我国智能制造产值有望
当手机变成钥匙，通过网络就可以控制家里的视频监控、电器、
在国内优秀大数据厂商的系列专访中，这一期我们走近海云数据
对于制造业来说，我们现在更感兴趣的是站在今天这个时点，回
IBM Watson 总经理 David Kenny 近日接受科技新媒体 The Inf
鸡年伊始，新松总裁曲道奎在接受采访时表示，中国3000多家机
伴随着人工智能的崛起，智能家居在全球范围内得到广泛认可。
M2M(Machine-to-Machine),机器对机器通信的简称。这种技术让
　2月25日，爱康集团正式宣布，将开启能源互联网时代，致力
2月27日，2017世界移动大会盛大开幕，5G成为本届大会的最大
随着大数据、人工智能等技术突飞猛进，智能家居在生活中扮演
M2M(Machine-to-Machine),机器对机器通信的简称。这种技术让
　2月25日，爱康集团正式宣布，将开启能源互联网时代，致力
2月27日，2017世界移动大会盛大开幕，5G成为本届大会的最大
智能家居已经是家电和互联网公司的必争战场，阿里、小米、美
全球自动化测试领先企业NI，分析了3万5千个样本，对自动化测
支付宝副班长倪行军表示，支付宝希望用5年时间推动中国率先
在中国的互联网界的BAT分别实现了人与信息，人与商品，人与
据美国《华尔街日报》2月27日报道，在全球电信行业试图确定
新春长假一晃而过，转眼迎来开工大吉!对于智能制造行业人士
中国智能制造网年初钜惠!为回馈新老用户对本网的大力支持，2人工智能算法探秘：地平线技术三剑客解读 - 推酷
人工智能算法探秘：地平线技术三剑客解读
黄畅：做真正能解决实际问题的算法& 黄畅博士，地平线机器人技术（ Horizon Robotics ）联合创始 […]
黄畅 ： 做真正能解决实际问题的算法 &
黄畅博士，地平线机器人技术（ Horizon Robotics ）联合创始人&算法副总裁。本科、硕士以及博士毕业于清华大学计算机科学与技术系，曾经在美国南加州大学和 NEC 美国研究院担任研究员。2012年加入百度美国研发中心，2013年参与组建百度深度学习研究院（ IDL ），任高级科学家、主任研发架构师。长期从事计算机视觉、机器学习、模式识别和信息检索方面的研究，作为相关学术界和工业界的知名专家，发表的论文被引用超过3350次，拥有多项国际专利。他开发的人脸检测技术，创造了世界上首次计算机视觉技术被大规模应用的成功范例，占领80%数码相机市场，并且被苹果 iPhoto 等诸多图像管理软件所采用。他带领百度 IDL 图像技术团队负责公司内各种图像核心技术的研发，推出了全网人脸图像搜索、PK大咖、全网相似图像搜索、自然场景文字识别、百度移动图像搜索、图片凤巢等重要产品。在校期间获得2006年度微软学者奖学金，2007年清华大学优秀博士毕业论文、2007年北京市优秀博士毕业论文等荣誉，“可视媒体几何计算的理论与方法”项目获得2012年高等学校科学研究优秀成果奖一等奖，参与国家973计划项目“面向三元空间的互联网中文信息处理理论与方法”。
初识人工智能应用研究
黄畅参加的第一个学术项目，就和解决实际问题相关。
大三那年，人工智能还处在一个低谷中。但一个偶然的机会，让黄畅跟随恩师艾海舟一起，加入到清华与日本欧姆龙公司的技术合作项目，研究图像识别领域中非常重要的人脸检测问题。当时的他还不知道，后来的研究成果成为了早期计算机视觉技术被大规模商业应用的成功范例，诞生了世界上第一款人脸检测专用芯片。
时至今日，这项技术以“芯片+软件”的模式已广泛服务于生活中的各个角落，从数码相机、智能手机，再到诸如苹果iphoto这样的软件系统，占据了大量的市场份额。
这项技术实现了我们如今随处可见的镜头自动人脸对焦和曝光肤色的智能调整功能，完全改变了自相机诞生以来的人物拍照方式。
当时，人工智能方面的大多数技术还很难在工业界找到适合的发展方向，因为技术还不成熟，大多数都还停留在实验室阶段。甚至到黄畅博士毕业的时候，人工智能行业形成规模仍然是遥遥无期。很多从业者都觉得这行“不靠谱”，纷纷转到互联网或者金融行业了。
而那次项目的成功，则代表着人工智能在实际应用中迈出的重要一步。这个成功的范例向世人证明了人工智能在应用方面可开发的巨大潜力，让人工智能开始受到相关人士的重视，并得到越来越多的投入。对黄畅个人而言，也让他对人工智能未来的乐观态度更加坚定，并一路走下去。
十年轮回，持续深耕
此后十年，黄畅用了比别人更少的时间读完硕博，并受邀去美国南加州大学跟随Prof. Ramakant Nevatia读了两年博士后，随后加入地处硅谷的NEC美国研究院。这段工作里黄畅收获了两个“生命之重”——真正以工业界的视角对人工智能进行深入思考研究，以及结识了亦师亦友的余凯。
回国后他加入百度IDL，带出一支优秀的图像技术团队，做出了全网人脸图像搜索、PK大咖、全网相似图像搜索、自然场景文字识别、百度移动图像搜索、图片凤巢等重要产品。鉴于这些优秀的工作成果，他和他的团队获得了百万美金的“百度最高奖”。而在实际应用中，这些产品也展现出了巨大“威力”，比如图片凤巢的技术成果，就使百度的广告收入提高了5%-6%。
2007年他离开清华前夕，和其他同学谈论未来行业发展趋势时，曾说过，“这个行业在5-10年的时间里一定能取得重大突破、得到广泛应用。”这句预言也在今天得到了很好的印证——从2012年开始，以深度学习为代表的一大批人工智能得以复兴，甚至这一年被称为“人工智能普及年”。
深度学习中，被大规模用于图像识别的卷积神经网络
2015年，他加入地平线后，又做起了“算法+芯片”方面的研究工作。只不过十年的经历和思考，让他对 “算法+芯片”有了前所未有的深刻思考和清晰认识。
算法要用来解决实际问题
在加入地平线时，黄畅就已经形成了一套自己的AI算法研究价值观，那就是：算法是用来解决实际问题的，它是工具，而非目的。这也是整个地平线算法团队所坚持的理念，故而在很多公司很多团队还在算法数据集里争着“刷第一”时，地平线的算法研究方向已经在奔向下一个目标了。
具体来说，他认为，如果想让算法能真正的解决实际问题，在考虑算法之前，必须对这些复杂的实际问题进行正确的建模（formulation），选择甚至定制合适的系统（system），基于大量数据（data）驱动，结合模型（model）和知识（knowledge）的表达来解决这一实际问题。脱离开这条轴线，我们做的算法将不具有现实意义。
现在许多人讨论算法，往往忽视了要解决的问题的本质，没有正确的抽象和建模，也缺乏一个坚实的系统去承载并做可持续的积累。这样过于强调算法自身的结果，通常会形成过分简化的建模（即采用单一的算法和系统，去解决实际上非常复杂的问题），结果导致算法难有实质性的突破，更无法应用于真正的产品中。
譬如说，在自动驾驶领域，有些公司号称在使用深度学习做端到端的训练，直接学习从传感器的输入到控制器（刹车、油门、转向等）的输出的函数映射。我们无法对这种黑盒模型进行有效的分析，在使用中出了故障很难搞清楚究竟是什么原因造成的。而自动驾驶是一个对可靠性要求极高的领域，需要考虑许多长尾条件下的corner cases。这种建模方式没有对自动驾驶这个问题做出正确的形式化描述，而在此基础上构建系统并研究算法，效率十分低下甚至是徒劳无功。
基于这些思考，在黄畅带领下，地平线算法团队在许多重要的算法研究方向上持续努力尝试，包括向基于贝叶斯网络的推理系统和面向感知-决策-控制的增强学习系统等，努力把地平线的算法技术水平推向一个新台阶。
基于深度神经网络增强学习的理性决策
除此之外，在全智能万物互联的时代背景下，人工智能技术越来越多的从云走向端，诞生了“端上AI”这个巨大的市场。这也意味着在地平线的算法研究中，还要增加一个新的思考维度——和芯片更好地结合，实现高精度、高效率、高吞吐量、低功耗、低成本的特点，以此代替原来动辄成本上千美元，能耗几百瓦的GPU架构。依靠算法、硬件等团队的努力，地平线已奠定了嵌入式人工智能全球领导者的地位。
罗恒 ： 忽视 Trick， 将难以解决实际问题
罗恒，地平线机器人技术资深算法研究员，负责深度学习模型压缩与加速。2011年博士毕业于上海交通大学，后随Yoshua Bengio从事博士后研究，2014年加入百度深度学习实验室，参与深度学习在搜索中应用、PaddlePaddle研发等工作。2016年8月加入地平线机器人公司。
罗恒有些微胖 ， 时常自嘲 “ 要减肥 ”， 藏在方框眼镜之后的一双眼睛睿智有神。
作为一名算法工程师 ， 他的生活常常处于高速的脑力运转之中 ， 这让他的每一秒时间都显得宝贵 ， 走路疾步带风。
2011 年 ， 罗恒在上海交通大学博士毕业后 ， 跟随 Yoshua Bengio 从事博士后研究。回忆起自己走上深度学习的历程 ， 罗恒抚了抚眼镜 ，“ 那是段很有趣的经历 ”， 似是做好了讲故事的准备。
师从 AI 大师 Yoshua Bengio
研究生时 ， 计算机专业的罗恒偶然了解到机器学习的知识 ， 惊觉十分有趣 ， 由此开始持续关注机器学习方面的学术动态。博士期间 ， 罗恒看到了 Yoshua Bengio 教授关于深度学习的技术报告 ， 尽管当时还不太懂深度学习 ， 但罗恒依然强烈地感受到 ， 这可能机器学习接下来最大的突破。
“ 看 Vapnik 的书 ， 觉得我自己没赶上这波 （ 研究热潮 ）， 我就想 ， 下一波是什么 ？ 当时就觉得深度学习 ， 应该是下一波学术上的热潮 ， 我就这样开始走上深度学习的研究之路。 ”
罗恒的博士后导师 ：Yoshua Bengio
Yoshua Bengio 教授是蒙特利尔学习算法研究所主任 ，CIFAR 计划 CIFAR 神经计算和自适应感知计划联席主任 ， 加拿大统计学习算法研究主席 ， 和 Geoffrey Hinton 、 Yann LeCun 并称为当今人工智能 “ 三巨头 ”， 他们一同缔造了 2006 年开始的深度学习复兴 ， 实现了人工智能的第三次研究热潮。他带领一批研究生和博士后开展机器学习 ， 在整个学术领域有着极大影响力 （Google Scholar 在 2016 年中期发现超过 40000 篇引文 ，H 指数为 84） 。
同时 YoshuaBengio 也在不断指挥他的团队去研究深度学习语言 ， 包括近来取得令人激动的成就的神经机器翻译系统 ， 比如最新版谷歌翻译 ， 其翻译水平甚至可以和专业的人工翻译媲美。
那时候这位 AI 大师刚好在招收博士后 ， 虽然罗恒只发表了两篇论文 ， 但这两篇文章却受到了 Yoshua Bengio 的极大认可 ， 在和罗恒面谈之后 ，Yoshua Bengio 将他收入自己门下。就这样 ， 罗恒飞往加拿大 ， 开始攻读深度学习博士后 ， 踏上了研究深度学习的学术旅程。
压缩和加速模型 ， 实现嵌入式 AI
当罗恒学成归国 ， 已是 2014 年。回国后他发现 ， 工业界已经开始有深度学习研究了 ，“ 研究工作能够开始实用 ， 这是很难得的 ， 我发现自己不但赶上了研究上的一波热潮 ， 还赶上了实用的一波的热潮。正好那时候余凯老师在百度创办 IDL， 于是我就选择了加入。 ”
加入百度 IDL， 罗恒和他的团队主要在做的事是 ， 如何把深度学习用在搜索排序上。但是他发现 ， 近年来为了隐私、安全、避免对网络的依赖 ， 越来越多的深度学习算法模型开始在端上运行 ， 这对模型的大小、速度、能耗、性能都提出了现实的要求。罗恒逐渐感觉到 ， 深度学习下一波发展是从云走向端 ， 使得各种智能模型在我们的身边唾手可得。于是 ，2016 年他加入了余凯创办的地平线 ， 专攻神经网络模型的压缩和加速。
地平线要做的是 ， 高性能低功耗的 IP 开发 ， 提供端到端、软硬结合的人工智能结合方案 ， 推进嵌入式人工智能产业生态链的搭建。在这个过程中 ， 算法的模型压缩和加速是技术实现的必要一环。
乐为人师 ， 重视 Trick 素养
在地平线 ， 大家都称罗恒为 “ 罗老师 ”， 这或许也是受到他的恩师 Yoshua Bengio 的影响。 Yoshua Bengio 是人工智能三巨头当中唯一一个依然坚持在学术岗位的深度学习大师 ， 他全身心投入在学术界 ， 进行纯粹的学术研究 ， 带头培养成千上万个科学家和工程师们。
罗恒从恩师那里传承了为人师表的精神 ， 除了致力于应用研究 ， 他对于人才培养也十分看重 ， 尤其注重他们 Trick 素养的提高。
刚开始进入人工智能行业的同学往往觉得研究无从下手 ， 虽然有很多理论的文章 ， 但似乎对实际用处不大 ， 常常感到迷惑。和其他人埋头理论不一样 ， 罗恒擅长带着他们转换思路 ， 从 Trick 入手 ， 利用这些 Trick， 更好地带领新人解决实际问题 ， 比如利用训练好的神经网络对数据做采样 ， 更快发现数据中的问题。
“ 机器学习的很多研究都是从理论出发 ， 但实际上这样很难去描述一些现实的问题。而 trick 是一种实用主义的方法 ， 这从研究的角度看上去可能显得不那么优雅 ， 但在很多实际问题上 ， 忽视 trick 都是不明智的。 ”Trick 对于所有人来说 ， 都是一种解决实际问题的好方法 ， 对于刚入行的同学来说 ， 更是如此。
招纳新人 ， 学术应用两手抓
在人工智能研究的大潮中 ， 算法人才从来都是紧缺资源 ， 罗恒一直期盼着有志同道合的人能够成为自己的伙伴 ， 而他也会像自己的老师一样 ， 带领着新生力量 ， 投入到深度学习的研究当中。
这次的绝地武士实习生计划 ， 模型的压缩和加速方向招收 3 名实习生 ， 罗恒是 mentor 。他感到这是一种奇妙的转换 ， 在六个月的时间里 ， 他将带领实习生们共同追求学术上和应用上的目标。 “ 实习生来到这里 ， 和我们一起写代码 ， 做实验 ， 验证各种想法 ， 有比较好的结果就写论文 ， 同一个课题下 ， 我们也会带领实习生尝试多种解决方法 ， 在试错中获得进步。 ”
罗恒一直在等待着。
黄李超 ： 让算法成为一种生活方式
黄李超，地平线核心算法工程师。毕业于英国帝国理工。回国后任职于百度深度学习研究院，工作内容涵盖物体检测、姿态及关键点定位等尖端核心技术，实习期间就独立开发出基于全卷积网络的物体检测算法DenseBox，一举成为百度IDL核心算法，奠定其在算法领域中的领先地位。该算法针对中国特有的复杂路况，让单目摄像头也能做到精确的环境感知。在与参加评测的其他机构如三星研究院、NVIDIA、UCSD、斯坦福、中科院等竞争中，黄李超开发的DenseBox脱颖而出，获权威数据集FDDB、KITTI榜首。在检测的速度和准确率上，大大超越了同类算法中的佼佼者如YOLO 、SSD和faster-R-CNN。2015年9月加入地平线后，黄李超负责过两大方向。一是算法研发与优化，包括负责训练各种模型，如人脸检测模型、人脸属性和关键点定位模型、以及ADAS方向的车辆和行人检测模型；二是平台搭建与优化，即训练算法平台的开发以及CNN预测库的性能优化。目前在地平线主要负责物体检测和图像分割方向。
探索物体检测前沿算法
工程师对自己设计的算法总是怀有某种特殊的情感 ， 正如 Alphago 之父哈萨比斯在 Alphago 战胜围棋高手李世石时兴奋不已一样 ， 谈及在物体检测领域颇有名气的 DenseBox 算法的开发 ， 黄李超似乎也有说不完的想法和故事。
设计 DenseBox 最初的目的 ， 是用深度学习做物体检测。虽然深度学习在 2013 年左右就被应用于物体检测领域 ， 但其代表性的算法架构却一直不够直接和高效。早期基于 CNN 的物体检测方法 OverFeat， 虽然有着很好的设计 ， 但由于性能和效率问题一直没有得到很好的应用。虽然后来 Ross Girshick 等人开发了 R-CNN 算法 ， 在一些数据集上有更好的表现 ， 但它的缺点也显而易见的 ——region-proposal 通常会很多 ， 直接用 CNN 分类的话非常耗时 ； 同时 ，R-CNN 训练需要多个步骤 ， 不够直接。
在大家仍选择沿用 R-CNN 方法亦步亦趋时候 ，2014 年冬天 ， 还在百度 IDL 实习的黄李超决定开发一套新的物体检测算法。更早的 OverFeat 这个工作给了他启发 ： 既然在图像上卷积等价于使用滑动窗口分类 ， 为什么不直接使用全卷积网络做整图的物体检测呢 ？ 因此 ， 他基于自己的理解 ， 设计出一套端对端的多任务全卷积模型 ， 直接回归物体出现的置信度以及它的相对位置。同时为了能够更好地处理遮挡严重的物体 ， 提高小物体的召回率 ， 他还率先在检测的网络中引入了上采样层 ， 并融合浅层网络得到的特征 ， 得到更大尺寸的输出层。为了对训练样本进行筛选 ， 降低误检 ， 他还率先使用了 Online Hard Negative Mining 的策略 ， 这在后来的一些论文中被证实是很有效的。
目标检测示意图 ： 输入多尺度图像 ， 经过 CNN 处理 ， 输出目标框 & 引自 ：DenseBox: Unifying Landmark Localization with End to End Object Detection
后来他还对 DenseBox 进行了一次关键性的优化 ， 让原来的检测网络引出多个分支 ， 大大降低了图像金字塔的规模。这一优化 ， 使得在相同计算量的模型下 ， 原本在 GPU 上耗时数秒的 720P 图像的人脸检测 ， 不到一秒即可完成。如果用更小的模型 ， 在 CPU 也可以做到每秒好几帧的速度。这一改变成为推动 DenseBox 落地的 “ 临门一脚 ”， 让它真正在产品线上能够可用。
DenseBox 最先应用在人脸检测上 ， 表现出了很好的性能 ， 后来开始逐步应用于车辆检测等方向。而优化后的 DenseBox 更是被广泛应用到 IDL 的相关项目组 ， 如人脸和 OCR（ 光学字符识别 ） 项目 ， 极大提高了检测的准确率 ， 至今仍是百度无人车的重要算法之一。加入地平线后 ，DenseBox 在各个平台上衍生出了多种不同性能和速度的模型 ， 也成为了地平线的核心算法。
除了物体检测算法的研发 ， 黄李超来到地平线之后 ， 在工程方面也做出了建设性的成绩。他在一个月内独立搭建了一个跨平台的轻量级 CNN 预测库 , 性能达到开源深度学习平台 Caffe 的两倍。同时在 ARM 平台上进行的定制性优化 ， 较 Caffe 速度提升了 2-6 倍。同时 ， 地平线初期落地的所有模型 ， 包括人脸检测模型、人脸属性和关键点定位模型、以及 ADAS 方向的车辆和行人检测模型 ， 也都由他一手训练。今年在地平线嵌入式人工智能战略的关键一环中 ， 黄李超作为核心成员参与了地平线第一款芯片 CNN 模块的设计和算法验证。
纵观黄李超在人工智能领域的探索历程 ，DenseBox 开发、 FDDB/KITTI 榜首、深度学习预测库、业界顶尖、地平线芯片 ， 这些似乎都可以成为他身上亮闪闪的标签 ， 却都无法简单地定义这个一直活跃在物体检测领域前沿的探索者 ， 因为这个眼睛里散发着光芒的人 ， 有太多的想法和探索的能量 ， 因而无法简单地用词汇定义。
科技剑客 ， 随性与执着
采访黄李超最大的感触就是他的随和与坦然 ， 讲起自己的经历 ， 他时常低头一笑 ， 又闲闲道来。他也坦言自己的随性 ， 当年 DenseBox 虽在 2015 年初就被早早地开发出来 ， 这一成果比同一时期的 Fast(er)-R-CNN 系列提前数月 ， 但相关的论文直到 9 月才在 arxiv 上发布 ， 究其原因竟是他懒于动笔 ！
“ 当时懒得写 ， 就没有写 ， 直到不得不写了 ， 才写了一篇。 ” 虽然 DenseBox 落地之始就在权威检测数据集 FDDB 、 KITTI 中排列榜首 ， 这一荣誉一直是国内多家公司如百度、小米等争相炫耀的筹码 ， 但黄李超却显然并不想多谈。 “ 这不过是个测试性能的数据集而已 ， 证明算法性能好就够了 ， 盲目的刷榜并没有意义。 ”
DenseBox 在 KITTI 上名列榜首 ， 性能远超 faster-RCNN 和 Regrionlets
但是 ， 他的随性仅仅适用于他的人生观 ， 他对工作的热情恰恰相反 ， 是相当执着的。在开发 DenseBox 的时候 ， 同期几乎没有可以参考借鉴的工作 ， 因而所有的内容和算法都需要根据自己的直觉去判断 ，“ 需要不断的尝试 ， 如果效果不好 ， 就要分析它的原因。只要认定了这个方法可行 ， 就绝对不能放弃。 ” 正是他的坚持让 DenseBox 在检测算法领域立稳了脚跟 ， 通过不断的更新和改进 ， 它仍傲踞地平线的核心算法之首。
他的随性和执着构成了他剑客般的性格 ， 对人生随性而坦然 ， 对技艺执着又精益求精。在科技的时代 ， 他就是挥舞锋芒、披荆斩棘的剑客。
算法 ， 应当是一种生活方式
“ 未来的目标嘛 ， 我希望做出更好的算法 ， 也让自己的算法能够在更大的平台上使用 ， 让自己的成果惠及更多的人。 ” 谈及未来的愿景 ， 黄李超如是说。最近二十年来 ， 我们分别经历了 PC 互联网、移动互联网的热潮 ， 如今这些热潮已接近尾声 ， 而下一次热潮已紧随而来 —— 人工智能。随着万物互联时代的到来 ， 端上的人工智能将带来巨大的市场机会。尤其是在自动驾驶和智能家居领域 ， 存在于每一个智能设备里的 AI 芯片会是重中之重。
在万物互联的人工智能时代 ， 生活将与算法密不可分
而算法在其中扮演的角色就是 ， 和芯片完美结合 ， 提供软硬结合的嵌入式人工智能解决方案 ， 也以此获得重生和更广阔的应用。好的算法 ， 可以为我们的生活带来诸多便利 ； 也预示着算法将在不久的未来 ， 潜移默化地成为我们的一种生活方式。
已发表评论数()
请填写推刊名
描述不能大于100个字符!
权限设置： 公开
仅自己可见
正文不准确
标题不准确
排版有问题
主题不准确
没有分页内容
图片无法显示
视频无法显示
与原文不一致}