纽约大学courant研究所

今年的华为事件已经落幕，但是留在国人心中的“阴霾”却不能被抹去。这层“阴霾”告诉我们，中国必须要有自己的技术，不能总是守着自己的一方土地不思进取。而这次的事情，也不得不让我们惊呼：“任正非真的是牛!”。华为事件被曝出之后，去年的中兴事件也被扒了出来，美国对中兴采取的措施，对华为是一样的。但是，中兴却因为没有超前的理念，而被美国“折磨”的不行。美国的惯用伎俩，究竟还会不会再次出现在中国的企业身上?据悉，不仅仅是海康威视，大华科技这些在全球都领先的视频监控企业已经在国际上出名，另外还有着代表中国人工智能行业的企业科大讯飞和独角兽企业依图，旷视，北京市商汤科技等企业都赫然成为了该行业中的“佼佼者”。在这个智能化，科技化的时代中，每个国家都想要促进本土企业的发展，而如果国际上有着能够“压制”着自己发展的企业存在，那么这些国家定会是警惕万分。华为的事件始末，就是这样而来的。我国AI行业有着“四小龙”，分别是商汤，旷视，云从和依图。在AI技术的跑道上，人脸识别技术是主要的技术突破口，而这四家企业就形成了“四强鼎力”的格局。今年，美国的全国广播公司财经频道发布了“年度全球最具颠覆性的前50强企业”。在美国发布的这项榜单中，中国有着不少企业赫然在榜，而依图科技就成为了唯一一家入榜的中国人工智能公司。依图科技是干什么的?这家企业主要在视觉感知，智能决策，语音识别等领域中有着绝佳的成绩。这家公司成立于2012年，至今已经成立7年，估值在150亿元。可不要小看了这些企业，他们背后“藏着”的都是中国的商业大佬们，而这家企业的背后就有着马云，沈南鹏，徐小平等人的存在。而这家企业，更是和国内各大银行展开了智能安防等方面的合作，其中就有工商银行，农行，招商银行等。在这个随处可见的智能化时代，这样一个优秀的企业定会有着不错的发展前景。而依图科技的创始人朱珑也是一个很罕见的人才，他师从霍金的门徒艾伦·尤尔教授。在高中毕业之后，朱珑就对人工智能非常的感兴趣，后来才进入麻省理工学习，而朱珑也担任过纽约大学Courant数学研究所的研究员。依图科技目前就是在慢慢的打开中国人工智能的市场，同时也成为了这个领域中的试金石。任正非之前就说过，5G只是小儿科，未来人工智能才是大产业。所以，在5G还在发展的阶段，依图科技就已经在国际舞台中露面了，未来这家企业的未来不可估量!

出品| 虎嗅科技组作者| 张雪封面| CFP我们担心的事情还是发生了。记得几个月前，寒武纪作为“国内AI芯片”第一股冲刺科创板时，曾有业内人士对虎嗅表达过担忧：“若寒武纪上市成功，那么在一定程度上助长了短期套现的风气，这对整个人工智能领域都不是一个好信号。单靠讲故事就能上市，对这个行业没有一点好处，甚至会有一批追随者。”这边话音刚落不久，另一边的佐证就浮出了水面。近日，素有国内AI独角兽之称的依图科技（以下简称“依图”）提交了招股书，一如之前的低调风格，在提交招股书之前，依图没有对外界释放半点风声。就算，与其一起被称为“CV四小龙”的商汤、旷视和云从已经接二连三地传出了要上市的消息。依图的“不合群”并不是仅仅体现在了行事风格上，其“退群”之决心在招股书里也体现得十分彻底，可以看到，在招股书中，依图只是轻描淡写地提了一次商汤、旷视，反之，则是提到25次“寒武纪”，其中的意味不言而喻。被马云、红杉选中公开资料显示，依图成立于2013年2月11日，其主要创始人为朱珑、林晨曦，上市前的最新估值为25亿美元，此次上市拟募资75亿人民币。从招股书中的介绍来看，现在的依图已经不是我们印象中的传统视觉算法厂商了，而是变成了“一家以人工智能芯片技术和算法技术为核心，研发及销售包含人工智能算力硬件和软件在内的人工智能解决方案的人工智能公司。”不过，回归到创始人的学历背景，我们不难发现，依图还是很难丢掉“视觉”这个基因。据了解，朱珑是加州大学洛杉矶分校统计学博士，从事计算机视觉的统计建模和计算的研究。之后在麻省理工学院人工智能实验室担任博士后研究员，在纽约大学Courant数学研究所担任研究员，后于2012年回国创业。而另一位创始人林晨曦与朱珑是“发小”，同样理工科背景出身，拥有上海交通大学计算机科学工学硕士学历，他曾在微软、阿里云就职，先后从事机器学习、计算机视觉、信息检索以及分布式系统方向的研究工作，并参与搭建了阿里云飞天分布式操作系统。值得一提的是，除了林晨曦以外，依图还有多位核心高管曾在阿里就职过，包括现任依图财务副总裁兼董事会秘书的黄梅、医疗事业群总裁倪浩。或许正是因为这样，所以由马云创办的云锋基金也成了依图的主要投资方，甚至依图的天使轮融资就来自于云锋基金。同样，在IPO前，云锋基金也是依图的第二大股东。招股书显示，IPO前，依图控股股东为 Yitu Holdings，持股38.1994%，朱珑和林晨曦分别持有 YituHoldings 的股份比例为 63.316%， 36.684%，双方已签署一致行动协议。另，Yunfeng Yitu Investment Holding Limited（云锋基金）的持股比例为10.8124%，Redwall Magic Limited持股比例为7.0315%，红杉资本总共持股约7.38%，分列第二和第三大股东。财务数据呈现“三高”当然，明星投资机构的加持只能说明依图在一级市场的待遇。到二级市场，这份幸运能延续还得打上一个问号，毕竟两个市场的评判标准还存在着大的差异。记得之前在采访中，我曾和一位投资人聊到了AI公司存在的一些估值泡沫和亏损现状。当被问及如何判断一个AI独角兽是否值得再砸钱时，他这样回答：“企业会给我们定期的财报，我们一般会关注收入的增长率、毛利率、亏损情况和现金流。举例来讲，假设今年的收入是15亿或者20亿，按照10倍的PS值，就是150亿到200亿人民币的估值，对应的美金是20亿到30亿美金，就比较正常了。”而这家投资人所在的投资机构也在今年追投了依图。从招股书中给到的数据，我们可以很明显地看到依图的财务数据呈现了高增长、高毛利和高亏损的现状，如果抛开无数篇公开报道中强调的“优先股公允价值”带来的影响，依图的现状似乎也算符合了上述的标准。具体地，依图在2017 年度、2018 年度、2019 年 度及 2020 年 1-6 月的营收分别为6871.89万元、30430.64万元、71678.62万元和38,063.49万元，年增长率为342.81%和135.54%。相应地，这三年的亏损分别为116845.61万元、116841.40万元、364713.25万元和130,344.82万元。对此，招股说中给出的解释为公司在人工智能芯片及算法技术研发、产品市场拓展等方面仍保持较大投入规模，其中研发经费占据了90%的营收，在2017年和2020年上半年，占比还曾超过了100%。值得注意的是，虽然一些报道中称“70%的亏损”是由于优先股公允价值导致，但实际来看，近三年半还是亏损了20多亿人民币，相比于之前旷视公布的亏损9.82亿人民币，还是处于一个高亏损的状态。与此同时，在现金流方面，依图的表现也并不乐观。报告期内，依图经营活动现金流净额为-26.11亿元，而投资活动现金流入高达77.13亿元。相比之下，依图对投资机构的依赖程度显而易见。而对于外界颇为关心的毛利率情况，2017 年度、2018 年度、2019 年度及 2020 年 1-6 月分别为 57.39%、54.55%、63.89%及 70.99%，可以看到一个稳步增长的态势。而这背后原因则是因为依图产品形态的变化，比如：2018 年度毛利率较 2017 年有所降低的主要原因是公司开始拓展软硬组合的解决方案、硬件成本上升所致；2020 年 1-6 月，基于求索芯片的人工智能算力产品销售金额增长，该等产品成本优势明显，使得主营业务毛利率进一步提升。疯狂地业务扩张如果你曾打开过依图的招股书，那么相信你可以很明显地感觉到，在叙述主要业务时，依图充满了雄心壮志，从芯片到算法到应用，似乎没有它的盲区。这一点，也可以从它所列举的对标公司看出。在依图看来，其主要对标公司有三类：第一类是 Google、华为等国内外领先的覆 盖多个人工智能技术领域并实现产业化的公司；第二类是 NVIDIA、寒武纪等专业人工 智能芯片设计公司；第三类是海康威视、科大讯飞、商汤、旷视等为智能公共服务及智 能商业业务领域提供人工智能行业解决方案的公司。但这样的业务布局，这样的对标公司，也也给外界带来了一丝疑惑：依图的业务壁垒到底是什么？对于这个问题，一位业内人士这样认为：“如今的依图，单点的核心壁垒已经没有了。作为一个解决方案提供商，它面对的是更大的命题，即算法、商务和交付三大能力的考核，当一个公司什么都做得差不多的时候，没有短板才是生存之道。”不过，一名依图的前员工却表达了不同的看法，他谈到：“依图的算法在业内还是相当厉害的，在前几年的国际大赛中几乎包揽了冠军，后来依图不去参赛了，冠军才落到了别的厂商手里，另外，在公司里，那些做核心算法的人跟我们这些普通员工是分开的，他们是公司最核心的价值。”然而，不管依图真正的实力如何，当下，它确实在面临着一个“贪多嚼不烂”的窘境。据了解，根据应用场景的不同，依图的主要业务可以分为智能公共服务和智能商业两大类。其中，智能公共服务业务包括城市管理、医疗健康等场景，终端客户包括政府部门、医疗机构 及大型企业等；智能商业包括园区管理、网点服务、安全生产、交通出行和互联网服务等场景，终端客户包括商业地产、金融业、制造业、交通运输、互联网等领域的企业客户。而求索芯片尚未进行单独销售，而是基于求索芯片研发智能服务器及智能边缘计算设备并对外销售。 面对如此多的服务场景和各行各业的客户，在人员有限的情况下，未来依图势必需要做出一些取舍。谈到这，不妨先来看下依图的营收构成和各部分占比。不难发现，随着时间的推移，智能公共服务业收入在依图的营收中占得比重越来越大，但从另一方面讲，依图的收入也越来越依赖政府部门，如此一来，受到政府部门资金投入的影响较大，与国家产业政策和宏观经济关联性强。如果未来由于宏观经济增速放缓、产业政策调整等因素造成上述部门的资金投入下降，整体市场需求将会受到不利影响，其经营业绩也将有可能因此下滑。所以，为政府公共部门服务并不能增加依图收入的稳定性，反而会使其丧失某些市场竞争力。一方面是营收占比过半的政府公共业务，一方面是亟待研发投入进行迭代的AI芯片，而在两者之中，还有需要深耕行业的智能商业业务，依图的态度还是摇摆不定。以此次募集的75亿资金用途为例，其主要使用方向和比例如下：虽然在布局投入上明显偏向了芯片业务，但是其他业务也做到了“雨露均沾”。为何选择此时IPO？现在，我们还是回归到依图IPO这个焦点上。正如开头所说，依图冲刺科创板，虽然是情理之中，但速度之快还是让人有些意外。诚然，今年以来，科创板的火爆已经无需赘述，资本市场已经迎接了一个又有一个退出盛宴。一个有意思的现象是，在科创板，真正有科技含量的明星标的并不多，今年比较有代表性的就是寒武纪了，但它上市后的表现也只能算是差强人意。那么，依图在这个时间节点，选择跟随寒武纪上市又有着怎样的冒险。一位To B行业的投资人告诉虎嗅：“作为AI领域的独角兽来讲，其正在面临转型或者切换赛道的时期，缺钱是肯定的。与其花费时间和精力去一级市场融资，最后落得融资也涨不上去，不如去二级市场效率更高，无非是门槛高了一些，但是一旦冲击成功，还是能够收割一波。”他接着补充道：“依图跟滴滴这样的公司还不太一样。作为行业的TOP，滴滴具备通过融资把整个行业洗牌的能力，包括供求关系、交易模式、服务态度和服务质量等，然后重新去服务市场，去赚钱。依图虽然有高估值，有明星光环，但是远到不了行业龙头的地位，所以如果不上市，未来只会继续融资。”另外，我们还需要承认，二级市场的分类比较简单，并存在这样一个优先级，即芯片公司比算法公司值钱，算法公司比软件公司值钱。在现在的科创板上，依图并没有一个完全同等的对标标的，如果这时，依图成功IPO，那么就可以占据先发优势，长期来看，有利而无害。最后，根据依图上半年3.8亿的收入，预计今年的年收入能够达到10亿。由于公司还处于亏损状态，所以用PS法（市销率估值法）来进行估值。当前依图的产品软硬件都有，营收复合增长率超200%，毛利率超50%，预计可以达到40倍的PS，如此一来，其市值则有望达到400亿人民币。那么，万一依图冲击科创板失败会面临什么呢？顶多也就是回一级市场继续融资，然后再从头再来，但恐怕依图并不想要这样一个退路。

日前，美国艾尔弗·斯隆基金会公布了2021年斯隆研究奖（Sloan Research Fellowships）获奖名单，共有128位杰出青年科学家获奖。其中，共有18位华人学者获奖，北大校友占4人。被誉为“诺奖风向标”的科技大奖斯隆研究奖素有“诺奖风向标”的美誉，旨在奖励职业生涯早期的杰出青年学者。斯隆研究奖自1955年设立以来每年颁发，奖励处于职业生涯早期且取得引领未来科学发展成就的杰出年轻学者。今年该奖授予的学科领域包括化学、计算与进化分子生物学、计算机科学、经济学、数学、神经科学、地球科学、物理学，共有128名学者获此殊荣。2007年以来，该奖项历届获得者中已有51人获诺贝尔奖，17人获菲尔兹奖，69人获国家科学奖，20人获约翰贝茨克拉克奖。4位北大校友获奖（按姓氏首字母顺序）戴亮Liang Dai加州大学伯克利分校戴亮，北京大学物理学院2007级本科校友。2015年于约翰霍普金斯大学获得博士学位，2020年7月加入加利福尼亚大学伯克利分校，现任助理教授。他的研究领域为引力透镜、引力波及宇宙学。邓煜Yu Deng南加州大学邓煜，北京大学数学科学学院2007级本科校友，2008年秋季转入麻省理工学院（MIT）。2010年获普特南（Putnam）大学生竞赛最高奖——Putnam Fellow.2015年于普林斯顿大学获得博士学位，随后到纽约大学库朗研究所（Courant Institute）做博士后。2018年加入南加州大学，现任助理教授。他和他的合作者取得的重要研究成果包括：对二维高次Schrdinger方程证明了Gibbs测度的不变性；对Schrdinger方程对应的弱湍流问题，在最佳的时间尺度上验证了极限方程的正确性；证明了三维水波方程在重力-表面张力作用下的小初值整体存在性；证明了二维Couette flow在超临界空间的不稳定性。刘鲁乔 Luqiao Liu麻省理工学院刘鲁乔，北京大学元培学院物理学专业2002级本科校友。于康奈尔大学获得博士学位，2015年加入麻省理工学院电子研究实验室，现任MIT电子工程与计算机科学系副教授。他的研究领域为自旋电子学领域，特别是专注于纳米材料和自旋逻辑器件，非易失性存储器和微波应用。徐升 ShengXu加州大学圣地亚哥分校徐升，北京大学化学与分子工程学院2002级本科校友。博士毕业于美国佐治亚理工学院材料科学与工程专业，曾在伊利诺伊大学香槟分校材料科学与工程系担任博士后研究员。目前，徐升在加州大学圣地亚哥分校纳米工程系担任助理教授，研究工作集中在用于健康监测和人机界面的可穿戴柔性电子设备，曾获材料研究学会（Materials Research Society，MRS）“杰出青年科学家奖”等多项荣誉。来源：北大人 北京大学化学与分子工程学院校友联谊会、北京大学物理学院院友会、数学科学学院院友会、南加州大学官网责编：陈韩梅

本周ED1陆续放榜，2023ers在焦急中期盼着大学生活。而此时，大洋彼岸的2022ers，2021ers则正在与finals奋战。这些学长学姐在校园里经历了哪些当初申请时无法预料的故事？我们在近期采访了一系列优秀综合大学和文理学院的在校生，形成【名校访谈】系列文章。本篇是系列文章的第一篇。相信学长学姐们的声音能为今年的申请者带来梦校最真实的样子。本周五NYU的ED1即将放榜，祝大家梦想成真！New York UniversityUS News综合排名：30录取率：28%2018年届新生标化成绩SAT 1290-1490ACT 29-33学费：$51,828/年录取人数：26,417△数据来源US News 2018受访者：Alicia年级：大二专业：数学和经济双专业前言由于换了多门AP课学分并Overload选课，Alicia预计将于大三上学期结束时从NYU毕业。接受这篇访谈时她正处于final week，但学习的压力并没有减弱她分享的热情，听出来，她真的很喜欢NYU的学习和在纽约的生活。访谈关键词： 申请、生活、学习、未来，本文将以这四条逻辑为主线进行展开。 申请：“NYU喜欢眼光开放、兴趣广泛、有责任心的学生”Q：为什么选择了申请NYU？A： 当时其实是EDII defer、常规申请还被WL，最后5月才进的学校。本来的计划是UCSD，其实收到offer的时候还是比较纠结的——毕竟纽约的天气以及学费和生活费用都是我申请时候很看重的一些方面。但以我当时的学习方向经济来说，NYU是比UCSD更好的选择，而且这边转商科的话，有stern，所以比较成本和收益之后还是选择接受了offer。Q：以你的申请经验，NYU申请时对于标化、面试等的要求大概是什么样的？A：两年前的三线城市1450+的本人算是卡在了录取线上，当时还有各种SAT2和AP成成绩救场，而且近年来学校进了前三十，所以我觉得1500还是需要有的。没有参加面试。Q：学校有Why School类的文章么？能否分享一下申请时写的是关于学校的哪一点？A： 有的。当时写了自己想学经济，因为纽约是一个经济金融非常活跃的地方，所以我写到了我可以在纽约实践自己的在课上学到的经济知识；也和自己的家乡联系起来，想要用经济知识去解决家乡的经济萧条。Q：对于准备申请NYU的学弟学妹们有什么建议吗？A：选择NYU的ED1的同学还是很多的。自从进入了前30后，感觉NYU越来越抢手了。如果你的标化没有特别抢眼的话又真的想来NYU的话，我觉得还是尽量在ED1申请NYU，身边ED1录取的学生比ED2要多很多。Q：你觉得NYU喜欢怎样的学生？A： 眼光开放、兴趣广泛、有责任心的学生。NYU也不是一个特别分数控的学校，我就是一个例子。学校希望能招到思考问题方式很不一样的学生。 生活：“NYU像一个精力充沛的年轻人”Q：能简单的介绍一下纽约大学的特征吗？A：我觉得纽约大学的“纽约”就非常完美概括了它自己——纽约是精彩、开放、包容的地方，纽约大学也是。无数的专业和可能性（甚至可以自创专业），全世界各地的校区，来自全世界各地的同学，不同的文化碰撞。Q：NYU是开放校园，与城市融为一体，究竟NYU位于纽约市怎样一个区域位置？A：地处下城和城市融为一体（a nicer way to say that we don’t have a campus），周围有很多别的学校，比如The New School还有Cooper Union等；周边有很多景点，比如华盛顿广场公园，Broadway，还有St Marks St 等等。离学校很近的地方就是购物区SoHo，想给自己放个假的时候走两步就能开始轻松地生活。Q：对比一下NYU和Fordham，Columbia这两个同样在曼哈顿的大U？A:Fordham感觉是一个很低调的学校。我觉得NYU位于下城区更能代表NYC，开放的校区也更有活力。而在上城区的Columbia就比较古朴，学术氛围比较浓。我觉得NYU和Columbia相比就像精力充沛的年轻人和经验丰富的长者。Q: 刚到纽约会不会有什么不适应的地方？A：我大概花了一个月的时间适应，刚来的时候还哭呢。原来以为之前来过美国，已经适应这边的生活了，但我对于纽约只是参观过。第一次下了飞机在来到宾馆的路上，因为是晚上八九点钟，很多的商店已经关了，和我想象中的纽约很不一样。后来慢慢地和同学们一起在晚上外出逛街，慢慢有了安全感。Q：校园安全吗？A：校园本身就在城市里，我对危险的界限定义基本在晚上10点左右，住得远的话路上行人少，我会选择打车回家；尤其路上会有一些流浪汉，比如在Washington Place有一群常驻的流浪汉，商家又相对较少，一年来夜里发生过两三次在这条街上的抢劫案。但是白天学校附近人特别多，是非常安全的。住在学校的同学12点以后可以乘坐学校的safe ride畅行各个学校的building之间，包括从曼哈顿到布鲁克林校区。Q：一日三餐一般如何解决？A：学校有几个食堂分布在广场周围，也有远一些的宿舍食堂，一般在学校住宿会有强加的meal plan，但其实个人觉得很难吃…所以我这学期就没再去过食堂。图书馆背后的一片区域有很多小店，外带很方便，所以经常买来去图书馆地下一层专门的吃东西的地方解决午餐晚餐；纽约有很多deli，有点像自助餐的形式，有时候也会盛一盒吃。有很多同学会自己做饭带到学校，学校也有微波炉可以加热。纽约下城区周边不错的饭店很多，晚上有时候会约朋友在外面吃。Q：学校有食堂吗？A: 如上，但是真的很难吃……不要对NYU的食堂有任何幻想，期待越低越好。值得一提的是palladium这个食堂在每周末的brunch，很有美国上流社会奢侈生活的感觉哈哈。Q：宿舍有哪几种？环境如何？有没有空调暖气？是否容易申请？是否可以去校外住？如果假期不回国会提供住宿吗？A: 我只了解大一新生的宿舍，两种：apartment式和传统式，前者会有厨房，后者没有，所以相应meal plan的要求就会不同。其实学校有些宿舍还是年份比较久了，所以设施不是很新，甚至有的临街宿舍因为隔音差会比较吵。基本都有空调，除了Rubin这个宿舍没有空调只有暖气，在一年的某一些时间会非常难熬。第一年都会有宿舍的，但是不是强制要求。第一年不能自己选室友，学校分配的系统只靠寥寥几个问题就把大家分在一起，非常不科学，所以遇到恶心室友的概率也很大。后面申请宿舍可以自己组室友，只要在DDL之前申请也都会有宿舍住，但是费率很高，基本和校外luxury apt持平，所以很亏……Q：你现在住在学校宿舍吗？住宿成本怎么样？通勤方便吗？A：我现在住在时代广场附近，房租大概2000美元，其实已经很贵了，住在曼哈顿岛上基本都要17000以上。即使是这样，和学校比还是便宜。但住在学校的同学也很多，大一大二会对学生有一个减免，宿舍的费用和大二大三差的很多。NYU的通勤其实还挺方便的，坐地铁ACE，NQR都可以到。Q: 生活上NYU有没有什么让你感到意外的地方？A：学校也是很关心commuter的！最近快考试了，所以学校专门在附近的一个宿舍安排了一个临时住宿点，给那些第二天有很早的考试的走读生借住一晚上，会提供枕头毯子等等，也会有很多专门给走读生安排的social的活动，所以学校是把每个小朋友都会考虑到的！Q：一年的学习后你对NYU的认知是否有变化？A：其实我在来这边之前没有做过NYU的访校，只是在初中毕业的时候去过UCSD，而对NYU的印象也停留在Gossip Girl里面浮夸的印象——有钱人很多，在城里的活动很多，学习从来不是他们的主业这样。其实这些印象在一定程度上也被应证了。学校里有钱的同学确实多，校园生活也是丰富多彩，但是学习也是大家的主旋律，主要还是depends on你自己的社交圈子。有整天泡图书馆的人，也有全世界游学的人。 学习：“NYU的课堂互动感觉特别好”Q：学校比较强的学科有哪些？A：商科、数学、文科。Q：学校的必修课和选修课有哪些？课程体验如何？A：必修课上了很多，Courant数学是真的很强…吸引了很多国内的优秀大学毕业生来读书，教授也都很博学、很在意教书这件事。选修课会包含各个方面，比如CAS会要求学生文、理、外语、写作都修，这其中文科和写作课是不能被任何AP换掉的，很难但是很拓宽知识。Q：课业压力大吗？A：看选课计划和专业了，数学专业我的感觉来讲是年级越高课业压力越大、也越难；文科课越多压力越大（因为有很多要读的阅读和paper）。Q：聊一聊你觉得有意思的一门课程？A：这学期在上经济的financial crisis，教授80岁高龄还是很喜欢踢开凳子坐在桌上给大家讲课。教授对08年的金融危机了解得特别透彻，不管是数据还是漫画，他总都能找到你根本没法想象怎么查到的资料给你讲清楚这件事。能感受到老师是真正在这个领域的长者。Q：与教授接触的多吗？能否谈一谈你和教授互动的经历？A：其实不多…我是一个喜欢自己刚的人，有问题也是自己解决，很少去找老师。我只去过为数不多的几次office hour……其实这是一件很不好的事情，毕竟让教授记住你才能有更多的机会。Q：班级的规模大概是怎样的？课程体验怎么样？A：有大课也有小课。课程号1开头的都是大课，人数在50到200人都有，课程号2，3开头基本上就是小课了，大概在20人左右。当时在大U和文理学院之间选择了大U一方面就是感觉文理学院的班太小了，互动会有些尴尬。对我来说，20人的课堂互动感觉特别好，是我比较舒服的一个交流方式。现在我上的不管是经济还是数学的所有课程，有任何问题，随时举手，老师都能看到并在课堂上就可以给你一个很好的反馈，或者直接约一个课后答疑的时间。Q：学习和课程方面NYU有没有让你感到意外的地方？A：学校真的很在意学生各方面的发展，比如我有学文科的同学每天为理科叫苦不迭，我也每天很头疼文科课。即便考的AP课再多也有必修课换不掉。比如写作课，即便是考了AP语言文学也不能换掉。有的必修课会要求你学一种特定的艺术或者文化。这些基础课的人比较多，打分也非常严格，但是我相信这种坚持一定会让每一个人将来受益。了解NYU必修课，请点击：http://cas.nyu.e/core/about-the-program/the-five-parts-of-the-core.htmlQ：NYU的商学院Stern名气很大，其他学院的学生转院的情况多吗？A： 非常多，大一到大二有很多同学转进stern；但我觉得这是一个学校名气和自己兴趣之间的取舍：如果真的很喜欢商科那就可以朝着这个目标去，但是需要尽早设定目标进行准备，因为转校要看第一个学期的成绩。Q：听说NYU的Study Abroad机会很多，有没有考虑过？A：申请过马德里的study away，但是后来调整计划就没有去。每一个site都是有一些专长的，比如学艺术的同学可能会想去意大利，学西语的可能会去阿根廷或者西班牙这样。 未来：“NYU改变了我对未来的看法”Q：你目前对于未来的规划是怎样的？A： 提前毕业，想在剩下的几个假期里尝试不同的工作，决定一下接下来几年的发展方向或者是职业方向，毕竟当时转数学就是为了能有更多的职业选择。当然最近的规划还是熬过死亡final week.Q：寒暑假有哪些实习项目？学生们一般都如何找实习？A：周围有很多同学都去了投行实习，或者回国去一些初创公司实习等等，都看自己的喜好了。学生自己申请，学校会有一个career center帮同学们准备自己的resume、练习interview等等，但我自己还没用过，目前在准备GRE。Q：计划读研究生的同学多吗？一般从大几开始准备？A：还是挺多的，一般都是大三大四这样。像数学这样的基础学科读研的学生多一些。但在比如CS这些比较实用的专业也有很多学生，包括国际学生，会选择直接就业。Q：NYU的学习是否改变了你之前的职业规划？A：来以前觉得自己想学经济、进投行，但是在NYU我逐渐觉得只学经济有一定的局限性。意识到这一点后我逐渐走上数学这条路了，经济成为了我的minor。我觉得我不必完全确定在投行这个方向，有一些人云亦云的感觉。在申请的时候其实不会这样想，那时候我申请的所有学校专业填的都是经济。我喜欢数学这个圈子的氛围（虽然是有一点nerdy）大家钻进题目和定理里面，一抬头就是天黑，没有那么紧促的社交、扩大圈子的需要，这是让我觉得舒服的生活方式。况且其实数学是一个能帮我打开很多扇大门的专业，在我还迷茫的时候，我可以为自己争取更多的时间慢慢做选择。关于NYU的最后总结Q：能否用三个词概括你眼中的NYU的优点？A：自由、多元、博学Q：能否也用三个词谈一谈NYU的缺点？A：贵、分散、政治正确以上就是本次TD名校访谈的NYU篇，如果同学们还想了解哪所学校或者愿意接受我们的采访，都请在评论区告诉我们哦~祝大家ED顺利！

中国3D打印网2月3日讯，纽约大学的数学家使用3D打印设计了15代算法更成熟的机翼，以确定哪种形状最适合拍打。当机翼襟翼时，在机翼的前缘和尾缘处产生涡流，并且这些涡流的相互作用决定了机翼的效率。为了提出最好的设计，该团队着眼于生物进化。“我们可以通过生成不同形状的翅膀来模拟实验室中的生物进化，让它们竞争以达到一些期望的目标，在这种情况下，速度，然后拥有最好的翅膀'品种'来制作相关的形状甚至可以做到更好。“纽约大学Courant数学科学研究所的助理教授Leif Ristroph说。实验在纽约大学应用数学实验室进行，研究人员从10个不同的3D打印机翼开始。空腔被模拟到每个机翼中，可以容纳和分配两种荧光染料：前面是红色，后面是绿色。当机翼在流动槽中翻转时，染料显示出漩涡和漩涡。对于他们的测试，每个机翼通过测量它们的速度与其他机翼“比赛”。在短翼上，前缘上形成的涡旋撞入后涡，引起湍流并使机翼减速。较长的机翼在到达后缘之前扩散引导的涡流，从而使机翼更快。获胜/更快的翅膀的特征被“繁殖”（组合）与其他更快的翅膀的特征，创造3D打印的“女儿”翅膀，然后相互竞争。该过程重复了15代，产生了更快的翅膀后代。 Ristroph解释说：“这种'最快'过程的生存自动发现了一种最快速的泪滴状机翼，最有效地操纵流动产生推力。” “此外，因为我们在研究中探索了各种各样的形状，我们还能够确切地确定形状的哪些方面对最快翅膀的强大性能负有最大责任。”他们的数据可用于改善飞机上的翼型以及潜艇设计，但Ristroph认为有可能捕获能量，“我们认为这可用于优化结构的形状以收集水波中的能量“。 3D打印使这些迭代的世代设计非常实惠，用减法制造方法制造这些机翼的成本将限制团队只进行几次迭代，大大减少了多次迭代所实现的优化。

人工智能，无疑是当下最热门的领域之一。被美国列入“黑名单”的“AI四小龙”（商汤科技、旷视科技、云从科技、依图科技），基本可以代表我国人工智能领域企业的发展境遇和高度。根据IDC的数据显示，从2017年到2019年上半年，这四家头部企业占据着超过60%的计算机视觉（CV）应用市场份额，估值都已过百亿。2020年11月最新消息：依图科技正式启动上市计划，预计募资75.05亿元，主要用于新一代人工智能IP、高性能SoC芯片和人工智能计算系统等五个项目，实现已有产品的升级换代和新产品的研发。朱珑（左），林晨曦（右）公开资料显示：依图科技成立已有8年时间，其人工智能技术的应用领域涵盖智能安防、依图医疗、智慧金融、智慧城市、智能硬件等，已为10多个国家和地区的800余家客户提供产品及解决方案，包括工行、招行、华星光电、福特、SKF等。根据《2020胡润全球独角兽榜》显示，其估值达到140亿元。依图科技创始人朱珑，从小就是大人口中“别人家的孩子”。在加州大学洛杉矶分校（UCLA）攻读统计学博士时，导师是计算机视觉教父、物理学家斯蒂芬·霍金的嫡传弟子艾伦·尤尔教授。毕业后，他先后进入麻省理工学院（MIT）人工智能实验室、纽约大学Courant数学研究所从事研究工作，期间还带领团队获得国际计算机视觉算法竞赛冠军。2011年的春节，朱珑回到国内。在参加高中同学聚会时，他遇到了阔别多年的好朋友林晨曦。两人是同一年出生，读的是同一所小学、初中和高中，在上海交大读书期间，林晨曦率队参加国际大学生程序设计竞赛并夺冠。毕业后加入微软亚洲研究院，从事机器学习、计算机视觉等研究工作。后来又进入阿里，当时正在为阿里云搭建中国首个拥有自主知识产权的分布式计算平台“飞天”。经过同学会上的一番畅聊，两人决定共同干出一番事业。于是在“飞天”工作完成后，他们在交大闵行校区附近，租了一个不足60平方米的两居室，正式创立了依图科技。彼时的人工智能，在国内刚刚兴起。朱珑和林晨曦发现了安防行业的需求，于是以To B业务起家。大家都听说过“歌坛神捕”张学友吧？每次歌神开演唱会，总有犯了事的粉丝冒险前往，结果就被抓起来。这背后正是依图提供的人脸识别技术，他们建立起了全球最大的人像对比平台，在千万分之一误报下的识别准确率已经接近99%。去年5月，依图科技发布全球首款深度学习云端定制芯片，定名“求索”。朱珑表示，这是公司面向智能计算时代的重要里程碑事件。依托自研AI芯片，不仅可以加速ReID（行人重识别）的大规模商业化落地，更有助于公司解锁更多应用场景。不过，依图科技尚未盈利。2017年-2020年上半年，公司分别实现营收0.69亿元、3.04亿元、7.17亿元及3.81亿元；净亏损分别为11.68亿元、11.68亿元、36.47亿元和13.03亿元，三年半累计亏损高达72亿。而且他们面对的不仅有海康、大华等安防巨头，还有BAT、华为，只有保持技术的不断创新，才可能让企业走得更远。

对于申请美国留学的学生相信纽约大学你一定了解过，纽大地处纽约，优秀的地理位置加上纽大又有美国最好的商学院，所以一直是大量外国学生的申请热门，最重要的是因为纽大多元的价值观，所以他每年招收的国际生也是美国最多的。在今年的USNEWS上进入了美国前30名校，所以导致了申请的人数更多。下面和优弗留学小编一起来了解一下吧！纽约大学1校园简介和历史2地理位置，和校园环境3院系设置，强势专业4本科录取及要求5研究生录取及要求6总结纽约大学1、校园简介和历史纽约大学（New York University，缩写NYU）成立于1831年，是一所位于美国纽约市曼哈顿的私立研究型综合大学，主要的校区都位于纽约市曼哈顿格林威治村，以华盛顿广场为中心，提供本科、硕士、博士、职业文凭（Diploma）、副学士（Associate）、文凭课程（Certificate），六种学位类型。纽约大学目前拥有34名诺贝尔奖得主，3名阿贝尔奖得主，9名美国国家科学奖章得主，16名普利策奖得主，19名奥斯卡金像奖得主（全美大学中最多）。此外，还拥有多名艾美奖、托尼奖、麦克阿瑟奖、古根海姆奖得主。纽约大学目前USNEWS排名全美第30位，QS世界排名第44位。综合实力排名全美第20名。以外，《普林斯顿评论》在2004年到2007年将纽约大学评为美国高中毕业生最想进入的大学第一名。《福布斯》杂志2008年一项“拥有亿万身价校友最多的大学”调查中，纽约大学排名第七纽约大学2、地理位置，校园环境纽约大学核心的建筑物群所围绕着华盛顿广场是纽约市最负盛名的公园之一，为曼哈顿格林威治村的主要地标，也是热门的见面场地和艺文活动场地。公园内的喷泉是纽约市最著名的景点之一，当地居民和游客都会前去拜访。公园周边的建筑大多属于纽约大学的财产，一些是纽约大学自行建设的，另一些是后来才变成教学用和住宅用的建筑。纽约大学会租用华盛顿广场公园作为毕业典礼的场地，以拱门为主要象征，校方也希望此公园能成为校园的重心。早在1922年，纽约大学校方就预言，他们会接管整座公园独自使用，但是目前并未成真。当地居民认为公园是其周边社区最重要的一个场所，所以已发起多次大规模的活动来保存它。从19世纪起，华盛顿广场与格林威治村就是纽约市文化生活的中心。这里曾经拥有多家艺术学校和画廊，画家雕塑家云集。著名作家和诗人如爱伦·坡、马克·吐温、赫尔曼·梅尔维尔和沃尔特·惠特曼都曾居住于此，并在文学作品中大量描写了附近的景色与人们的生活。在这里生活过的著名人士还包括了尤金·奥尼尔、杰克逊·波洛克、爱德华·霍普、艾伦·金斯堡、鲍勃·迪伦、约翰·列侬和小野洋子。除华盛顿广场周边外，纽约大学的牙科学院位于第一大道与26街交口处，医学院及附设医院亦在第一大道及32街附近。理工学院则位于布鲁克林下城区。纽约大学3、院系设置，强势专业纽约大学现有的学院依序为：⑴文理学院(The College of Arts & Science），成立于一八三二年，提供B.A.学位，院内包括人文、科学及社会科学多种科系。⑵法学院（The School of Law）成立于一八三五年，为全美最古老的法律学院。该院提供专业性的法律训练，享有极高的声誉。⑶医学院 (The School of Medicine and Post-Graate Medical School) ，成立于一八四一年，设备新颖，并拥有自己的附设医院，每年超过六十万人次的病人定期和Bellevue医学中心交换临床教学经验，提供学生一个良好而完善的学习环境。⑷工程学院 (The Polytechnic School of Engineering) 成立于一八五四年，为全美第二古老的工学院，拥有如计算机科学、金融工程、电气工程、网络安全、无线通信等专业。毕业生很多都在纽约或硅谷的高科技公司任职，有着极佳的业界口碑。⑸牙医学院 (The College of Dentistry）成立于一八六五年，为全美第三古老的牙医学院，并且为全美最大的私立牙医中心。该学院附设戴维．凯利斯医学中心（David B. Kriser Dental Center），兼重临床、实验及教学三方面。⑹文理研究院 (The Graate School ofArts and Science），成立于一八八六年，提供人文、社会及自然科学，其中Courant Institute 以研究数学与流体力学扬名于世界。⑺文化教育学院（The Steinhardt School of Culture,Ecation and Human Development），成立于一八九零年，为纽约大学最大的学院。学院分为五个系，应用心理、健康、艺术、传媒和音乐系。该学院培养出了众多在文化艺术方面的优秀人才。在最新的US News&World Report的排名中，Steinhardt排名为第十四名。⑻斯特恩商学院 (The Leonard N. Stern School of Business & The Undergraate College of the Stern School of Business）成立于一九○○年，研究所原位于世界金融中心的华尔街上，拥有会计、税法、商业法、财务、管理及营销等各种细分的专业学科，为纽约金融中心造就许多人才。其中，以金融学最为优异，连续排名在全美前三名。在一九九二年秋已迁回总校区，在全美MBA研究所中排名第11名。⑼继续教育学院（School of Continuing and Professional Study）成立于一九三四年，提供应用性科目，如房地产、市场营销、人力资源和公共关系等课程。⑽瓦格纳公共行政学院 (The Robert F. Wagner Graate School of Public Service) 成立于一九三八年，有联合国总部提供国际课程的人力及资源。⑾社工学院（The Silver School of Social Work）成立于一九六○年，则偏重于社会工作及公共政策的专业训练。⑿帝势艺术学院 (The Tisch School of the Arts）成立于一九六五年，设有电影、电视、舞蹈、设计、音乐等科系。一方面由于地缘，一方面也由于师资的优异，使其得以培养了许多优秀的人才，如Lady GaGa、奥立佛·斯通、史派克·李，安吉丽娜·朱莉及台湾新锐导演李安均是杰出校友。4本科录取及要求纽约大学（1）此处费用为2017-2018学年文理学院的费用数据，该费用每年都可能会有较小幅度（一般不超5%）的上涨。部分学院学费有所不同，具体请见下方的费用与奖学金申请说明。（2）纽约大学本科秋季学期有ED I、ED II和RD申请，截止日期分别为11月1日、1月1日和1月1日，奖学金申请截止日期分别为11月15日、1月15日和2月15日。2015年秋季ED共收到8,459份申请，录取2,492人，录取率为29.5%（3）纽约大学要求TOEFL/IELTS/PTE考试成绩。TOEFL总分不低于100分，IELTS总分不低于7.5分，PTE总分不低于70分，三者均无单项分数要求。TOEFL豁免条件：如英语为母语，或递交申请时在全英教学的学校就读3年以上，同时递交SAT、ACT、AP或IB的英语课程成绩，或在一间全英教学的学校、学院或大学完成整个教育经历，可无需递交语言成绩（4）纽约大学本科被录取新生的新SAT阅读与写作未详，其中阅读33-38，数学650-780；ACT均分范围29-33。纽约大学认可多种考试成绩，包括中国高考成绩，具体要求请查看下文申请说明。（1）纽约大学的分数选择政策是以学生递交的最高成绩为准，如学生参加过多次SAT考试，纽约大学会取最高的阅读成绩，最高的数学成绩，最高的写作成绩，用作参考，不论这些成绩是来自哪一次考试。如学生参加过多种考试的话，建议学生选择对自己最有利的考试，无需递交所有的考试成绩。（2）如申请者递交的是SAT II、AP、IB考试成绩，要求至少有一门人文学科课程，一门英语文学课程，一门理科课程（数理化生等）。如申请的是斯特恩商学院，则至少要有一门数学考试成绩；如申请的纽约理工学院的话，至少要有一门数学、一门其它理科专业（如理化生等）、一门人文科学或文学课程。2015年秋季本科被录取新生的SAT与ACT均分如下：SAT均分（25%-75%）：阅读与写作未详，其中阅读33-38，数学650-780；ACT均分（25%-75%）：综合29-33AP/IB/A-Level纽约大学接受国际课程，如AP/IB/A-Level课程抵学分。上述课程抵学分标准大致如下：AP课程：取得4分或5分；IB课程：高水准课程取得6分或7分；A-Level课程：取得B以上成绩。注：国际课程最多可抵32个学分。申请材料纽约大学本科通过Common Application系统申请，申请时，学生可以选择自己的专业，未确定自己专业的学生可选择Undeclared作为自己的专业，入学之后读完大一或大二在选择专业，要求递交的申请材料包括：Common Application申请表、纽约大学补充写作以及70美元申请费；SAT/ACT+写作成绩单：中国学生可递交高考成绩；TOEFL/IELTS成绩单；中学报告与成绩单，国内学生可附带会考成绩；教师推荐信，至少1封，但不超过2封；期中报告，也即高三第一学期的期末考试成绩，3月1日前递交；高中最终成绩单，7月1日前仅被录取学生递交，以示毕业；奖学金申请表：如考虑Need-based奖学金授予；资金证明：申请时无需递交资金证明，但被录取之后需要递交。面试：纽约大学无校园面试，无论美国本土学生还是国际学生都是通过Skype或电话进行面试，面试由学校邀请学生参加，并非所有学生都会被要求面试。其它材料：艺术、设计类专业还需要递交个人作品，音乐、舞蹈、戏剧等专业还需要试镜，此类专业建议提前一个月递交申请。纽约大学5、研究生录取及要求院系设置纽约大学共设有20个学术学院、研究所或教学中心，分别是：文理学院（College of Arts & Science）全球公共卫生学院（College of Global Public Health）数学研究所（Courant Institute of Mathematics Sciences）专业研究学院（School of Professional Studies）文化、教育与人类发展学院（Steinhardt School of Culture, Ecation, and Human Development）牙医学院（College of Dentistry）护理学院（College of Nursing）加勒廷特立学院（Gallatin School of Indivialized Study）美术学院（Institute of Fine Arts）远古研究所（Institute for the Study of the Ancient World）伦纳德·N·特恩商学院（Leonard N. Stern School of Business）理工学院（Polytechnic School of Engineering）罗伯特·沃纳公共服务研究生院（Robert F. Wagner Graate School of Public Service）普雷斯顿·罗伯特·蒂什酒店、旅游及体育管理中心（The Preston Robert Tisch Center for Hospitality, Tourism, and Sports Management）沙克房地产研究所（Schack Institute of Real Estate）法学院（School of Law）医学院（School of Medicine）希尔瓦社会工作学院（Silver School of Social Work）斯坦哈特教育学院（Steinhardt School of Culture, Ecation, and Human Development）蒂什艺术学院（Tisch School of the Arts）申请说明纽约大学并没有统一的申请要求，各学院都有各自的申请要求，具体请见各学院或专业、系的申请说明。大体来说，纽约大学所需的申请材料如下：通过纽约大学官网或Apply Yorself、Embark等申请系统进行申请申请费：一般为95美元有TOEFL/IELTS等语言成绩：TOEFL一般要求不低于100分，部分学院不接受IELTS成绩多数专业均需要有GRE/GMAT成绩（商科），部分理工专业还需要有GRE Subject成绩推荐信：2-3封本科成绩单：部分学院或专业还要求通过WES认证递交，部分专业对GPA有要求个人陈述写作样本：部分人文社科专业需要个人作品：部分艺术、戏剧类专业需要纽约大学6、总结纽大的优势实在是太多了，地处纽约，世界的金融中心，经济中心，可以感受最正宗的美国文化。同时加上纽大一流的学术能力，包容自由的教学理念的教学理念，都让纽大成为了无数学子的Dream School。纽大的相关信息就介绍到这里了，希望优弗留学小编的文章可以帮助到想要申请纽大的你。

新智元原创 来源：ACM编辑：金磊、大明【新智元导读】6月23日，图灵奖得主Geoffrey Hinton和Yann LeCun在ACM FCRC 2019上，分别做了题为《深度学习革命》、《深度学习革命：续集》的精彩演讲，分享自己的真知灼见，一起来看我们的解读。深度学习从何而来？又该向哪去？近日，图灵奖得主、深度学习巨头Geoffrey Hinton和Yann LeCun在ACM FCRC 2019上发表了精彩演讲。官网地址：https://fcrc.acm.org/about/about-fcrc二人分别在大会上做了题为《深度学习革命》和《深度学习革命：续集》的精彩演讲。目前视频已经公开：https://www.youtube.com/watch?v=VsnQf7exv5I新智元对演讲内容进行了整理。Geoffrey Hinton：《深度学习革命》Geoffrey HintonHinton表示，自从20世纪50年代开始，人工智能存在两种范式：分别是逻辑启发的方法和生物学启发的方法。逻辑启发的方法(The logic-inspired approach)：智能的本质是使用符号规则来操纵符号表达。 我们应该专注于推理。生物学启发的方法(The biologically-inspired approach)：智能的本质是学习神经网络中连接的优势。 我们应该专注于学习和感知。不同的范式便使得最终的目标有所不同。因此，在内部表示(internal representation)方面也存在着两种观点：内部表示是符号表达式。程序员可以用一种明确的语言把它们交给计算机；可以通过对现有表示应用规则派生新的表示。内部表示与语言完全不同。它们是神经活动的向量(big vectors)；它们对神经活动的其他载体有直接的因果影响；这些向量是从数据中学到的。由此也导致了两种让计算机完成任务的方式。首先是智能设计：有意识地精确计算出你将如何操纵符号表示来执行任务，然后极其详细地告诉计算机具体要做什么。其次是学习：向计算机展示大量输入和所需输出的例子。让计算机学习如何使用通用的学习程序将输入映射到输出。Hinton举了一个例子：人们花了50年的时间，用符号型人工智能(symbolic AI)来完成的任务就是“看图说话”。针对这项任务，人们尝试了很长时间来编写相应的代码，即便采用神经网络的方法依旧尝试了很长一段时间。最终，这项任务得到很好解决的方法竟然是基于纯学习的方法。因此，对于神经网络而言，存在如下的核心问题：包含数百万权重和多层非线性神经元的大型神经网络是非常强大的计算设备。但神经网络能否从随机权重开始，并从训练数据中获取所有知识，从而学习一项困难的任务(比如物体识别或机器翻译)？针对这项问题，前人们付出了不少的努力：针对如何训练人工神经网络，Hinton认为分为两大方法，分别是监督训练和无监督训练。监督训练：向网络显示一个输入向量，并告诉它正确的输出；调整权重，减少正确输出与实际输出之间的差异。无监督训练：仅向网络显示输入；调整权重，以便更好地从隐含神经元的活动中重建输入(或部分输入)。而反向传播(backpropagation algorithm)只是计算权重变化如何影响输出错误的一种有效方法。不是一次一个地扰动权重并测量效果，而是使用微积分同时计算所有权重的误差梯度。当有一百万个权重时，反向传播方法要比变异方法效率高出一百万倍。然而，反向传播算法却又让人感到失望。在20世纪90年代，虽然反向传播算法的效果还算不错，但并没有达到人们所期待的那样——深度网络训练非常困难；在中等规模的数据集上，一些其他机器学习方法甚至比反向传播更有效。符号型人工智能的研究人员称，期望在大型深层神经网络中学习困难的任务是愚蠢的，因为这些网络从随机连接开始，且没有先验知识。Hinton举了三个非常荒诞的理论：而后，深度学习开始被各种拒绝：2007年：NIPS program committee拒绝了Hinton等人的一篇关于深度学习的论文。因为他们已经接收了一篇关于深度学习的论文，而同一主题的两篇论文就会“显得过多”。2009年：一位评审员告诉Yoshua Bengio，有关神经网络的论文在ICML中没有地位。2010年：一位CVPR评审员拒绝了Yann LeCun的论文，尽管它击败了最先进的论文。 审稿人说它没有告诉我们任何关于计算机视觉的信息，因为一切都是“学到的”。而在2005年至2009年期间，研究人员(在加拿大!)取得了几项技术进步，才使反向传播能够更好地在前馈网络中工作。到了2012年，ImageNet对象识别挑战赛(ImageNet object recognition challenge)有大约100万张从网上拍摄的高分辨率训练图像。来自世界各地的领先计算机视觉小组在该数据集上尝试了一些当时最好的计算机视觉方法。其结果如下：这次比赛的结果后，计算机视觉相关的组委会们才突然发觉原来深度学习是有用的！Hinton在演讲中讨论了一种全新的机器翻译方式。对于每种语言，我们都有一个编码器神经网络和一个解码器神经网络。编码器按原句中的单词顺序读取(它最后的隐藏状态代表了句子所表达的思想)。而解码器用目标语言表达思想。自2014年年以来，神经网络机器翻译得了很大的发展。接下来，Hinton谈到了神经网络视觉的未来。他认为卷积神经网络获得了巨大的胜利，因为它若是在一个地方能行得通，在其它地方也能使用。但它们识别物体的方式与我们不同，因此是对抗的例子。人们通过使用对象的坐标系与其部分的坐标系之间的视点不变几何关系来识别对象。Hinton认为神经网络也能做到这一点(参考链接：arxiv.org/abs/1906.06818)。那么，神经网络的未来又是什么呢？Hinton认为：几乎所有人工神经网络只使用两个时间尺度：对权重的缓慢适应和神经活动的快速变化。但是突触在多个不同的时间尺度上适应。它可以使快速权重(fast weight)进行short-term memory将使神经网络变得更好，可以改善优化、可以允许真正的递归。Yann LeCun演讲：《深度学习革命：续集》Yann LeCunJeff刚才提到了监督学习，监督学习在数据量很大时效果很好，可以做语音识别、图像识别、面部识别、从图片生成属性、机器翻译等。如果神经网络具有某些特殊架构，比如Jeff在上世纪八九十年代提出的那些架构，可以识别手写文字，效果很好，到上世纪90年代末时，我在贝尔实验室研发的这类系统承担了全美手写文字识别工作的10%-20%，不仅在技术上，而且在商业上也是一个成功。到后来，整个社群一度几乎抛弃了神经网络，一方面是因为是缺乏大型数据集，还有部分原因是当时编写的软件过于复杂，投资很大，还有一部分原因是当时的计算机速度不够快，不足以运行其他所有应用。卷积神经网络其实是受到了生物学的启发，它并不是照搬生物学，但确实从中得到很多启发，比如视觉皮层的结构，以及在学习信号处理时自然而然产生的一些观点，比如filtering是处理音视频信号的好办法，而卷积是filtering的一种方式。这些经典理念早在上世纪五六十年代就由Hubel和wiesel等人在神经科学领域提出，日本科学家Fukushima在上世纪80年代对其也有贡献。我从这些观点和成果中受到启发，我发现可以利用反向传播训练神经网络来复现这些现象。卷积网络的理念是，世界上的物体是由各个部分构成的，各个部分由motif构成，而motif是由材质和边缘的基本组合，边缘是由像素的分布构成的。如果一个层级系统能够检测到有用的像素组合，再依次到边缘、motif、最后到物体的各个部分，这就是一个目标识别系统。层级表示不仅适用于视觉目标，也适用于语音、文本等自然信号。我们可以使用卷积网络识别面部、识别路上的行人。在上世纪90年代到2010年左右，出现了一段所谓“AI寒冬”，但我们没有停下脚步，在人脸识别、行人识别，将机器学习用在机器人技术上，使用卷积网络标记整个图像，图像中的每个像素都会标记为“能”或“不能”被机器人穿越，而且数据收集是自动的，无需手动标记。几年之后，我们使用类似的系统完成目标分割任务，整个系统可以实现VGA实时部署，对图像上的每个像素进行分割。这个系统可以检测行人、道路、树木，但当时这个结果并未马上得到计算机社群的认可。最近的视觉识别系统的一个范例是Facebook的“全景特征金字塔网络”，可以通过多层路径提取图像特征，由多层路径特征生成输出图像，其中包含图像中全部实例和目标的掩模，并输出分类结果，告诉你图像中目标的分类信息。不仅是目标本身的分类，还包括背景、材质等分类，比如草地、沙地、树林等。可以想象，这种系统对于自动驾驶会很有用。医疗成像及图像分割卷积网络对于医学成像应用也很有帮助。与上面提到的网络类似，它也分为解码器部分，负责提取图像特征，另一部分负责生成输出图像，对其进行分割。神经网络机器翻译在翻译应用上，采用了许多网络架构上的创新，如自注意力机制、轻量卷积、动态卷积等，实现基于语境的动态卷积网络内核。在ICML2019上的最新机器翻译卷积网络模型，其参数数量达到200M至300M，WMT数据集上的BLEU得分：英语-德语29.7，英语-法语43.2，汉语-英语24.4。自动驾驶系统游戏无模型强化学习很适合游戏领域应用。现在强化学习领域的一大问题就是数据的缺乏，使用强化学习训练系统需要大量的重复试验和试错，要达到人类训练15分钟的水平，机器需要大概80小时的实时游戏，对于围棋来说，要达到超人的水平，机器需要完成大约2000万盘的自对弈。Deepmind最近的《星际争霸2》AI则完成了大约200年的游戏时间。这种海量重复试验的方式在现实中显然不可行，如果你想教一个机器人抓取目标，或者教一台自动驾驶车学会驾驶，如此多的重复次数是不行的。纯粹的强化学习只能适用于虚拟世界，那里的尝试速度要远远快于现实世界。这就引出了一个问题：为什么人和动物的学习速度这么快？和自动驾驶系统不同，我们能够建立直觉上真实的模型，所以不会把车开下悬崖。这是我们掌握的内部模型，那么我们是怎么学习这个模型的，如何让机器学会这个模型？基本上是基于观察学会的。动物身上也存在类似的机制。预测是智能的不可或缺的组成部分，当实际情况和预测出现差异时，实际上就是学习的过程。上图显示了婴儿学习早期概念和语言的过程。婴儿基本上是通过观察学习这个世界的，但其中也有一小部分是通过交流。自监督学习：预测与重建以视频内容预测为例，给定一段视频数据，从其中一段视频内容预测另外一段空白处的内容。自监督学习的典型场景是，事先不公布要空出哪一段内容，实际上根本不用真的留出空白，只是让系统根据一些限制条件来对输入进行重建。系统只通过观察来完成任务，无需外部交互，学习效率更高。机器在学习过程中被输入了多少信息？对于纯强化学习而言，获得了一些样本的部分碎片信息（就像蛋糕上的樱桃）。对于监督学习，每个样本获得10-10000bit信息（蛋糕表面的冰层），对于半监督学习，每个样本可获得数百万bit的信息（整个蛋糕内部）。自监督学习的必要性机器学习的未来在与自监督和半监督学习，而非监督学习和纯强化学习。自监督学习就像填空，在NLP任务上表现很好（实际上是预测句子中缺失的单词），但在图像识别和理解任务上就表现一般。为什么？因为这世界并不全是可预测的。对于视频预测任务，结果可能有多重可能，训练系统做出唯一一种预测的结果往往会得到唯一“模糊”的结果，即所有未来结果的“平均”。这并不是理想的预测。我们需要利用隐变量来处理不确定性。训练样本只是整个可能的输出集合的表示。几百年以来，理论的提出往往伴随着之后的伟大发明和创造。深度学习和智能理论在未来会带来什么？值得我们拭目以待。全面认识深度学习巨头以下是ACM对Hinton和LeCun的官方介绍，读者若已熟悉，可跳过本部分。Geoffrey HintonGeoffrey Hinton是谷歌副总裁兼Engineering Fellow，向量研究所首席科学顾问、多伦多大学名誉教授。Hinton在剑桥大学获得实验心理学学士学位，在爱丁堡大学获得人工智能博士学位。他是CIFAR的神经计算和自适应感知（后来的“机器和大脑学习”）项目的创始主任。Hinton曾获加拿大最高荣誉勋章，英国皇家学会会员，美国国家工程院外籍院士，国际人工智能联合会议（IJCAI）卓越研究奖，NSERC Herzberg金牌奖，及IEEE James Clerk Maxwell金牌。他还被“连线”杂志选为“2016年度最具影响力100人”之一，并被彭博社选为2017年“改变全球商业格局的50人”之一。Yann LeCunYann LeCun是纽约大学Courant数学科学研究所的Silver教授，Facebook的副总裁兼首席AI科学家。他在英国电子技术与电子学院（ESIEE）获得高等英语学士学位，在玛丽·居里·皮埃尔大学获计算机科学博士学位。LeCun是美国国家工程院院士，来自墨西哥IPN和洛桑联邦理工学院（EPFL）的荣誉博士，宾夕法尼亚大学Pender奖得主，埃因霍温技术大学和飞利浦实验室Holst奖章获得者，诺基亚-贝尔实验室Shannon Luminary奖、IEEE PAMI杰出研究员奖、以及IEEE神经网络先锋奖。他被《连线》杂志选为“2016最具影响力人物100人之一”以及“25位创造商业未来的天才”之一。LeCun是纽约大学数据科学中心的创始主任，也是CIFAR学习机器和脑力项目的负责人（与Yoshua Bengio共同担任）。 此外，LeCun还是人工智能合作伙伴关系委员会的联合创始人和前成员之一，该机构是研究AI的社会后果的企业和非营利组织的联合体。演讲视频链接：https://www.youtube.com/watch?v=VsnQf7exv5I

日前，美国艾尔弗·斯隆基金会公布了2021年斯隆研究奖（Sloan Research Fellowships）获奖名单，128位杰出青年科学家获奖。其中，共有18位华人学者获奖，涵盖清华大学（6人）、北京大学（4人）、中国科学技术大学（2人）、南京大学（1人）、浙江大学（1人）、华中科技大学（1人）、台湾大学（1人）等多所高校校友。斯隆研究奖素有“诺奖风向标”的美誉，旨在奖励职业生涯早期的杰出青年学者。斯隆研究奖自1955年设立以来每年颁发，奖励处于职业生涯早期且取得引领未来科学发展成就的杰出年轻学者。2021年该奖授予的学科领域包括化学、计算与进化分子生物学、计算机科学、经济学、数学、神经科学、地球科学、物理学，共有128名学者获此殊荣。2007年以来，该奖项历届获得者中已有51人获诺贝尔奖，17人获菲尔兹奖，69人获美国科学奖章，20人获约翰贝茨克拉克奖。2021年斯隆研究奖获奖华人学者简介如下：高伟（Wei Gao），2007年在华中科技大学机械工程系获得学士学位，2009在清华大学精仪系获得硕士学位，2014年在加州大学圣地亚哥分校化工系获得博士学位。世界经济论坛2020年青年科学家。现任加州理工学院应用物理与材料科学系助理教授。研究领域主要包括可穿戴设备、柔性电子、微米纳米马达、生物纳米技术、生物医学和生化传感器。李晗（Han Li），加州大学尔湾分校化学和生物分子工程助理教授。2008年在清华大学生物科学与技术系获得学士学位，2013年在加州大学洛杉矶分校获得博士学位。主要从事合成生物学、化学生物学，以及代谢工程研究。高秭玥（Ziyue Gao），宾夕法尼亚大学医学院遗传学助理教授。2010年在清华大学生物科学与技术系获得学士学位，同时获得经济学学士学位；2015年在芝加哥大学获得遗传学博士学位。研究领域为人类遗传学，着重于在生物演化和群体遗传的框架下研究与人类进化、疾病与健康相关的问题。马腾宇（Tengyu Ma），斯坦福大学计算机科学与统计学助理教授。清华大学交叉信息研究院计算机科学实验班（姚班）校友，本科毕业后赴普林斯顿大学计算机科学系攻读博士学位。研究方向主要包括机器学习和算法方面的研究，如深度学习及其理论，(深度)强化学习及其理论，表示学习，鲁棒性，非凸优化，分布式优化和高维统计。廉骉（Biao Lian），普林斯顿物理系助理教授。2012年在清华大学物理系获得学士学位，2017年在斯坦福大学物理系获得博士学位。研究方向包括物质拓扑相、量子霍尔系统、低维强相互作用系统以及多体系统的纠缠和量子动力学的理论研究。甄博（Bo Zhen），宾夕法尼亚大学物理和天文系助理教授。2008年毕业于清华大学数理基科班，2014年在麻省理工学院物理系获得博士学位。研究领域为凝聚态物质，光学。徐升（Sheng Xu），北京大学化学与分子工程学院2002级本科校友。博士毕业于美国佐治亚理工学院材料科学与工程专业，曾在伊利诺伊大学香槟分校材料科学与工程系担任博士后研究员。目前，徐升在加州大学圣地亚哥分校纳米工程系担任助理教授，研究工作集中在用于健康监测和人机界面的可穿戴柔性电子设备，曾获材料研究学会（Materials Research Society，MRS）“杰出青年科学家奖”等多项荣誉。戴亮（Liang Dai），北京大学物理学院2007级本科校友。2015年于约翰霍普金斯大学获得博士学位，2020年7月加入加利福尼亚大学伯克利分校，现任助理教授。他的研究领域为引力透镜、引力波及宇宙学。邓煜（Yu Deng），北京大学数学科学学院2007级本科校友，2008年秋季转入麻省理工学院。2010年获普特南（Putnam）大学生竞赛最高奖——Putnam Fellow.2015年于普林斯顿大学获得博士学位，随后到纽约大学库朗研究所（Courant Institute）做博士后。2018年加入南加州大学，现任助理教授。他和他的合作者取得的重要研究成果包括：对二维高次Schrdinger方程证明了Gibbs测度的不变性；对Schrdinger方程对应的弱湍流问题，在最佳的时间尺度上验证了极限方程的正确性；证明了三维水波方程在重力-表面张力作用下的小初值整体存在性；证明了二维Couette flow在超临界空间的不稳定性。刘鲁乔（Luqiao Liu），北京大学元培学院物理学专业2002级本科校友。于康奈尔大学获得博士学位，2015年加入麻省理工学院电子研究实验室，现任MIT电子工程与计算机科学系副教授。他的研究领域为自旋电子学领域，特别是专注于纳米材料和自旋逻辑器件，非易失性存储器和微波应用。汪淏田（Haotian Wang），2011年本科毕业于中国科学技术大学物理系，毕业后赴斯坦福大学深造并获博士学位。2016年起担任哈佛大学罗兰学者并组建课题组开展独立工作，2019年起加入莱斯大学化学与生物工程系任助理教授。2019年入选35岁以下科技创新35人”中国榜。赵刘燕（Liuyan Zhao），2004年考入中国科学技术大学，在校期间曾获2005年优秀学生奖学金（金奖），2006年环贸通专项奖、2007年国家奖学金、大学生研究计划校级优秀等多种荣誉。2008年荣获中国科学技术大学校优秀毕业生。2013年获得哥伦比亚大学博士学位，现为美国密歇根大学助理教授。Heng Li，现任哈佛大学医学院/丹娜法伯癌症研究所生物医学信息学助理教授。本科就读于南京大学物理学院97级基地班，博士毕业于中国科学院理论物理研究所，在英国维康桑格研究所( Wellcome Trust Sanger Institute)从事博士后研究。2018年加入哈佛医学院/丹娜法伯癌症研究所。Xiumin Du，浙江大学数学学士，伊利诺伊大学厄巴纳-香槟分校博士，美国西北大学数学助理教授。Kai-Wei Chang，2017年起担任加州大学洛杉矶分校（UCLA）计算机系助理教授，此前曾在弗吉尼亚大学计算机系担任助理教授。主要研究方向为自然语言处理与机器学习，谷歌引用数超过13000。本科就读于台湾大学，获得电气工程、计算机科学与信息工程双学位；2007年本科毕业后继续在国立台湾大学攻读计算机科学与信息工程硕士学位。随后，2010年赴伊利诺伊大学厄巴纳香槟分校（UIUC）攻读计算机科学博士学位，师从Don Roth 教授。2015年取得博士学位，并继续在微软担任博士后研究员。曾获得 EMNLP 2017最佳长论文奖、SIGKDD 2010 最佳研究论文奖、NSF资助。Joel Yuen-Zhou，2007年获麻省理工学院学士学位，2012年获哈佛大学博士学位，2015年加入加利福尼亚大学圣地亚哥分校任助理教授。James Zou，本科毕业于杜克大学，并于哈佛大学取得博士学位，现为斯坦福大学助理教授。Wenxin Du，芝加哥大学布斯商学院金融学副教授。2008年于斯沃斯莫尔学院获学士学位，2013年于哈佛大学获经济学博士学位。