Bakunov开始在工作时间，研究如何防止被人脸识别。日前，他公开表示自己已经与其他几个黑客一起，开发出了一种“反人脸识别算法”。

数据获取（即传感）只是系统开发的第一步。有了这些数据后，系统还需要去感知，即利用传感器产生的数据去教授汽车去观察其他汽车的位置、车道的位置、人的位置及移动……

智能音箱显然是远场交互的起点，但一定不是远场交互的终点。所以探讨智能音箱的下一步的时候事实上需要分开看音箱本身的发展和远场语音交互的发展。

在孩子们的脑海中，机器人通常都是动画片中的那种有着四肢的机器，能够走路、能够帮人类做一些事情。在学习机器人相关的知识时，孩子们拿到机器人后的第一反应大多也是“它能不能帮我拿个东西？”、“这两个机器人能不能比赛谁跑得快？”、“他们能不能打一架？”，这其中就对机器人的行走、运动能力有着很高的要求。

他借助Pullstring平台，设计出了专属的聊天机器人程序。该程序以上传的9万余词语为基础，由弗拉霍设定出针对某些语句接近父亲风格的回答，以此实现与去世父亲的虚拟交流。

第二代Neural Compute Stick神经元计算棒最核心的就是Myrid 2芯片（MA2455），这是一种专门用于视觉计算的芯片，内部集成了12个FPGA核心、1个图像信号处理器以及硬件加速器，Movidius现在将其装配成一个完整的模块，配合上1GB的LPDDR3内存，外加蓝色铝制外壳，使用USB 3.0 Type-A型接口，只要插入电脑中，就可以在特定的神经网络训练中获得运行加速。

深度学习技术对于降低计算机视觉辨识和分类的错误率展现出巨大的优势。在嵌入式系统中实施深度神经网络有助于机器透过视觉解读脸部表情，并达到类似人类的准确度。

一种“仿人脑超级计算机”已经在美国空军服役。这种超级计算机采用了IBM的TrueNorth神经形态64芯片阵列，适合飞机以及尺寸、重量和功耗受限的其他嵌入式、移动和自动系统等潜在应用使用。这种电子大脑拥有超过6400万个神经元和160亿个突触，其神经突触阵列可以执行实时的模式识别和感觉处理，而且速度和精度都要高于人类大脑，功耗只需10W。

语音前端处理最为重要的目标是实现释放双手的语音交互，使得人机之间更自然的交互。这一过程中，又有哪些关键问题需要解决？

目前打出“无人商店”的招牌的企业不少，从单人/多人，半自动/全自动这两个衡量指标我们可以将它们分为4大类。涉及刷码进门、刷脸进门、刷手掌静脉进门、扫码支付、IC标签+RFID(无线射频识别) 支付、用户行为分析支付等诸多技术。

如今，几乎每个人都认为 AI 势必带来一场全面革命。汽车厂商们尤其乐意强调这些，因为机器人车将提高安全性，减少拥堵，让生活更便捷。但如何教机器学会开车是一个很大的挑战。美国车辆管理局的规则树立了一个起点，提供了一些基础概念，比如“行人量”。

在过去的五年中，深度神经网络已经解决了许多计算困难的问题，特别是计算机视觉。因为深度神经网络需要大量的计算力来训练模型，所以我们经常使用多块 GPU 或云端服务器进行分布式地训练。实际上，在深度神经网络模型经过训练后，它只需要相对较少的计算资源就能执行预测。这就意味着我们能将模型部署到低功耗的边缘设备中，并且在没有网络连接的情况下运行。

人工智能革命的来临又会为我们带来哪些新的市场机遇？IoT、移动通信和云服务到底需要怎样的芯片技术？5G射频设计的挑战与机遇又在哪里？

随着算法、计算能力和大数据这三大人工智能要素的发展，人工智能范式迁移已现端倪，技术和产业两个维度的“奇点时刻”正在临近。

在 LSTM 循环神经网络面临长序列输入时，我们应该怎样应对？Jason Brownlee 给了我们 6 种解决方案。