AI非萬能良藥，但未來已來！免費下載《AI 前線》12月刊

本文由 「AI前線」原創，原文鏈接：AI非萬能良藥，但未來已來！免費下載《AI 前線》12月刊

作者｜Gary，Natalie

編輯｜Emily

AI 前線導讀：」從 1956 年在 Dartmouth 召開的學術會議開始，人工智慧發展到今天已經走過了整整一個甲子，我想這中間已有數不清的浮沉和起落，也有很多說不清道不完的故事。而此時此刻，人工智慧這位『花甲老人』卻再一次以全新的面貌回歸到大眾視野，站在了浪潮之巔。

單從技術的角度看，今年也有很多「傳統技術」和人工智慧結合的實踐。AIOps 是今年的一個流行詞，Gartner 的報告宣稱，到 2020 年，將會有近 50% 的企業在他們的業務和 IT 運維方面採用 AIOps，可見其應用範圍之廣。人工智慧和運維的結合，在阿里巴巴、Facebook 這些公司都已經得到了驗證。用一句毫不客氣的話來說，在這個數字的年代，任何使用傳統技術來管理機器數據的組織要麼忽略了信息的價值，要麼已經讓他們的運維團隊不堪重負。在運維中落地人工智慧，也是遲早的事。

另外，從雲計算行業來看，國內外大型的雲計算服務商都在努力疊加人工智慧的能力。在剛剛結束的 re:Invent 大會上，AWS 就發布了幾個 AI 相關的大殺器，相信接下來一年內各大追逐者基本也會沿著這個方向布局自己的 AI 產品。那人工智慧和雲計算之間是什麼關係呢？馬化騰說雲是數字化升級的基礎設施，而人工智慧則是雲上生長出來的前沿產品，「雲 + 人工智慧」未來或相當於「電 + 計算機」。沿著這個比喻往深想，你會發現確實很貼切，因為不就是有了計算機，才有了互聯網時代嗎？

人工智慧不是萬能良藥，但我相信它是未來，而且現在「未來已來」。」

—— 郭蕾

《AI 前線》月刊是 InfoQ 策劃的新月刊，旨在為技術人提供當今人工智慧領軍人物對技術和行業的評價、與大師共同探討 AI 技術與應用、學習企業技術升級落地案例。12 月刊新鮮出爐，關注公眾號後後台回復「AI」可免費下載！

生態評論

唐杉：2017，AI 晶元元年

2017 年，AI 晶元是半導體產業的亮點，而它受到的關注又遠遠超出半導體的圈子。這一年，從科技巨頭到初創公司，新老角色輪番登場，為我們上演了精彩好戲。若干年後，當我們再回頭來看，一定可以把 2017 年作為 AI 晶元元年。

四月初，Google 公布了一篇即將在 ISCA2017 上發表的論文：「In-DatacenterPerformance Analysis of a Tensor Processing Unit」。可以說正是這件「小事」，揭開了一部年度大戲的序幕，而它產生的深遠影響甚至可能會持續到很多年之後。

本文從 Google 和 Nvidia 兩大巨頭之間的「錯位戰爭」展開，對 2017 年 AI 晶元的重大進展進行了梳理和總結，並展望了接下來一年 AI 晶元的若干看點。

2017 的 AI 晶元大戲中，主角不僅是巨頭，初創公司也都粉墨登場，戲份一點兒都不遜色。更重要的，在初創公司的「表演」中，中國公司不僅毫不怯場，而且非常出彩。接下來，AI 晶元技術還會有哪些創新？巨頭們還會有什麼下一步動作？初創公司的命運會如何？讓我們拭目以待。

落地實踐

Netflix 推薦演算法，讓每個人看到不一樣的電影海報

不久前，Netflix 推出交錯測試個性化推薦演算法，計算速度提高 100 倍秒殺 A/B 測試的消息引起了不小的轟動。而僅一周後，這家視頻網站宣布了他們利用情境 bandits 推薦演算法，實現了視頻配圖的個性化處理。

多年來，Netflix 個性化推薦系統的主要目標，是為用戶在合適的時間推薦合適的視頻。Netflix 網站上每個分類頁面下有成千上萬部影片，用戶賬號達數十億，為每個用戶推薦最合適的視頻是頭等要事。但推薦系統能做到的不僅是這些。怎樣讓用戶對你推薦的視頻感興趣？怎樣讓一個陌生的視頻激起用戶的興趣？什麼樣的視頻值得關注？

用來描述視頻的配圖或圖像，是可以輕鬆地解決這個問題的方法之一。如果一張配圖對用戶有足夠的吸引力，比如用戶熟悉的演員、讓人腎上腺激素飆升的汽車追逐場面，或者一部電影或電視節目精髓的戲劇性場景等信息（一張圖片勝過千言萬語），就會誘惑用戶點開視頻。

基於深度學習的 DGA 惡意域名分類演算法

本文整理自大數據安全公司瀚思科技曾鳳在上海 ICAMIT201 上的演講速記。

實時檢測 DGA 產生的惡意域名，經典的檢測技術主要分為兩個階段，特徵工程和分類演算法。

在整個檢測過程中，特徵工作最為繁瑣，且工作流有如下缺點：

• 過度依賴人工特徵工程，較難實現；
• 偏低的檢測率以及偏高誤報率；
• 速度慢，不能實時檢測。

瀚思科技基於詞嵌入以及遷移學習，利用深度學習的方法實現了對 DGA 惡意域名的實時檢測。

阿里巴巴年度技術總結：人工智慧在搜索的應用和實踐

以深度學習為代表的人工智慧在圖像、語音和 NLP 領域帶來了突破性的進展，在信息檢索和個性化領域近幾年也有不少公開文獻，比如 wide&deep 實現了深度模型和淺層模型的結合，dssm 用於計算語義相關性，deepfm 增加了特徵組合的能力，deep CF 用深度學習實現協同過濾，rnn recommender 採用行為序列預估實現個性化推薦等。

工業級的信息檢索或個性化系統是一個複雜的系統工程，深度學習的工業級應用需要具備三個條件：強大的系統計算能力，優秀的模型設計能力和合適的應用場景。我們梳理了過去一年多搜索在深度學習方向上的探索，概要地介紹了我們在深度學習系統、深度學習演算法和搜索應用落地的進展和思考，希望對大家有所啟發。

推薦閱讀

《2017 年回顧：NLP、深度學習與大數據》

過去幾年以來，深度學習（簡稱 DL）架構及演算法已經在圖像識別與自然語言處理（NLP）、數據科學、機器學習和預測分析領域領域取得了令人印象深刻的進展。

儘管其在自然語言處理（簡稱 NLP）領域的應用最初較為平淡，但如今的成效已經證明這一層面將成為深度學習的另一大施展空間，並確實有能力為部分常見 NLP 任務提供最先進的支持成果。命名實體識別（簡稱 NER）、詞類（簡稱 POS）標記乃至情感分析都已經成為神經網路模型超越傳統處理方法的重要應用方向。而在此之中，機器翻譯的進步幅度尤為可觀。

本文將回顧 2017 年年內基於深度學習技術所實現的 AI 發展成效，同時結合全球 AI 大咖觀點，帶你回顧過去一年以來，深度學習帶來的發展及其意義。

《ImageNet 冠軍帶你入門計算機視覺: 卷積神經網路》

在第一篇文章《ImageNet 冠軍帶你入門計算機視覺：監督學習與神經網路的簡單實現》中，我們介紹了神經網路的基本概念以及 Tensorflow 的基本用法。本文為系列的第二篇文章，將會重點介紹卷積神經網路，包括經典的卷積神經網路，全卷積網路的基本概念和基本單元，以及卷積神經網路與神經網路的異同。最後通過實現一個在實際中有廣泛應用的人臉關鍵點檢測演算法，介紹如何用 TensorFlow 構建卷積神經網路。

更多乾貨內容，可關注AI前線，ID：ai-front，後台回復「AI」、「TF」、「大數據」可獲得《AI前線》系列PDF迷你書和技能圖譜。