运用于实际国际问题的研讨人员都可能会收到这样的答复：“作者提出了针对原始且具有高度动机的问题的处理计划，但这是一种运用，关于机器来说，其含义好像是有限的，学习社区。”

　　这些话直接来自对我提交给NeurIPS（神经信息处理体系）会议（机器学习研讨的尖端场所）的论文的谈论。我在论文的谈论中一再看到这种约束，我和我的合著者提出了一种受运用程序启示的办法，而且我也听到过很多其他人的相似故事。

　　这让我感到古怪：假如社区以为以机器学习处理高影响力的实际国际问题的含义有限，那么咱们要努力实现什么？

　　人工智能（pdf）的方针是推动机器智能的前沿。在机器学习范畴，新颖的开发一般意味着新的算法或进程，或许在深度学习的情况下，意味着新的网络体系结构。正如其他人所指出的那样，这种对新颖办法的过度重视导致论文泛滥成灾，这些论文报告了基准数据集的边沿或增量改善，而且跟着研讨人员抢夺排行榜的头衔而呈现了奖学金缺乏（pdf）。

　　一起，许多描绘新运用的论文都提出了新颖的概念和高影响力的成果。可是，即使是“请求”一词的暗示，也好像使审稿人看不惯论文。成果，这样的研讨在首要会议上被边际化了。他们的作者仅有真实的期望是让他们的论文在研讨会上被承受，而这些研讨会却很少遭到社区的重视。

　　这是一个问题，由于机器学习在促进健康，农业，科学发现等方面具有宽广的远景。黑洞的第一个图像是运用机器学习生成的。蛋白质结构的最精确猜测是药物发现的重要过程，它是运用机器学习进行的。假如该范畴的其他人优先考虑实际国际的运用程序，那么到现在咱们还会做出哪些突破性的发现？

　　这不是新的启示。引证美国宇航局核算机科学家Kiri Wagstaf f的经典论文“重要的机器学习”（pdf）：“当时的许多机器学习研讨都与广泛的科学和社会的引入问题失掉联络。” 瓦格斯塔夫（Wagstaff）宣布论文的同一年，一个名为AlexNet的卷积神经网络赢得了以盛行的ImageNet数据集为中心的备受瞩目的图像识别比赛，这引起了对深度学习的爱好激增。不幸的是，自那今后，她描绘的脱节好像变得愈加严峻。

　　边际化运用研讨具有真实的含义。基准数据集（例如ImageNet或COCO）是推动机器学习的要害。它们使算法能够在相同数据上进行练习和比较。可是，这些数据集包含能够树立到成果模型中的误差。

　　场景的可行性和产品体会；拿手对创业团队办理、个人成长提出实战型的主张计划；知乎/简书/微博帐号，均为hanniman。转载自：人人都是产品司理`

　　水平还有距离。所以，咱们期望能经过引入一些国外最先进的思维，给咱们作一些遍及

　　开展；别的，许多企业包含Google、IBM、Microsoft、Facebook、Amazon、百度、阿里、腾讯等都在布局

　　社会获得明显成效，为跻身创新式国家前列和经济强国奠定重要根底。点评：《新一代

　　人和自动化将很快承担起一切的作业，人类将面对赋闲的要挟。而别的的人以为，自动化和

　　年代的中心驱动力气》从AlphaGo的人机对战，到无人驾驶轿车的上路，再到AI组成主播上岗

　　有什么区别？当今仅有可用的软件选项是 ML 体系。在十年左右的时间里，当核算才能和算法开发到达能够明显影响成果的境地时，咱们将见证第一个真实的

　　高压气体让喇叭发声的原理是什么？拆开看看它的内部结构就理解了 #硬核拆解

　　拆解小米有品上的便携烧水杯，看看它内部的作业原理和品控做工 #硬核拆解