上周末，资深iOS应用开发商兼连续企业家马可 阿蒙德(Marco Arment)忧心忡忡地说，如果不大力投资人工智能，苹果可能会步黑莓的后尘。

引言：神经科学家正在生产庞大规模的数据组，其复杂性堪比真实世界中的分类任务。机器学习已经大大帮助了数据分析，但是，其准确性经常不如人类进行的数据分析。本文中，作者讨论了受神经科学启发的机器学习所面临的挑战以及希望。

在美国圣何塞附近的研究室里，IBM用48块TrueNorth试验芯片构建了一个电子的啮齿动物大脑，每一块芯片都可以模拟大脑的一个基本构件。

摘要：有网友在Quora上提问：对于那些非计算机科学行业的人，你会如何向他们解释 机器学习 和数据挖掘? 斯坦福大学的印度学生、机器学习爱好者 PararthShah 在2012年12月22日的使用买芒果的例子，非常经典易懂。如何用类似的方法来解释 神经网络 ?

　　在疯狂的阅读爱情小说几个月后，谷歌的人工神经网络现在又有了进步，不仅可以进行更口语化的阅读和写作之外，现在居然可以凭借自己的理解创作诗歌了。
　　

人类与机器都依赖于神经网络来进行目标与面部识别。最新的证据显示，这两类视觉系统也具有相同的缺陷。

　　据科技网站ZDNet报道，手势控制技术是今年CES的亮点之一，展会上许多玩具和配件都配备了该技术，挥挥手就能控制。但眼下市场上的产品多数是依靠手套、手表和手环等设备来进行动作捕捉和命令转换。
　　

昨天，Google发布了Tensorflow游乐场。Tensorflow是Google今年推出的机器学习开源平台。而有了Tensorflow游乐场，我们在浏览器中就可以训练自己的神经网络，还有酷酷的图像让我们更直观地了解神经网络的工作原理。今天，就让硅谷周边带你一起去Tensorflow游乐场快乐地玩耍吧!

Three-column CNN模型通过同时处理立体图像中包含的平面图像信息，以及差分图像所包含的深度信息，构造了一类新的无参考立体图像质量评估方法，突破了传统的处理思想，有效地将平面信息与深度信息统一的运用到质量评估算法。

“让机器会做梦，从某种程度上来说，是人工智能发展的一个关键技能”，Bengio在接受O'reilly的采访时说到。在这里，“做梦”代表的是想象的能力，也是监督学习和无监督学习的主要区分之一，如果只能通过监督学习的方法来学习，那就必须要通过真实经历，才能产生认知。在对真正的人工智能的探索中，无监督学习仍然是关键谜题之一。我们可以在一个较...

人称“深度学习”的人工智能技术如今备受关注。为了大幅提升图像、语音的识别精度，美国谷歌等公司正在进行研究。这项技术还有望在经济动向预测、新药开发等领域发挥威力。

为何取这标题呢，只是觉得目前人工智能只用于娱乐而已。

新常态下越来越多的传统制造业企业都将由机器人逐渐替代，而且这还会慢慢的普及下去，渐渐融入人们的日常生活。工业自动化生产深深的融入各个领域，生活将会更加便捷，各种机械手、注塑机、冲压机、传送机等等不断出现在大家的眼球中。

在机器视觉系统中，获得一张高质量的可处理的图像是至关重要。系统之所以成功，首先要——图像质量好，特征明显，。一个机器视觉项目之所以失败，大部分情况是由于图像质量不好，特征不明显引起的。要——好的图像，必须要选择一个合适的光源。

机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、 I/O卡等)。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块