demi的博客

OpenGL着色语言（OpenGL Shading Language）是用来在OpenGL中着色编程的语言，也即开发人员写的短小的自定义程序，他们是在图形卡的GPU （Graphic Processor Unit图形处理单元）上执行的，代替了固定的渲染管线的一部分，使渲染管线中不同层次具有可编程性。

机器学习横跨计算机科学、工程技术和统计学等多个科学。人们很难直接从原始数据本身获得所需信息，机器学习可以把无序的数据转换成有用的信息；移动计算和传感器产生的海量数据意味着未来将面临越来越多的数据，如何从中抽取到有价值的信息很重要，机器学习可以帮助我们从中抽取有用的信息。

数值分层分段思想的运用，在游戏中，尤其是PC端网游以及手游，几乎随处可见，但是却常常被人忽略。打算写这篇文章，主要是对之前体验过的SLG手游的一个收获感想，为以后工作提供文字化参考，同时也作为一个思想上的分享。

为什么会需要数值分层分段

玩家玩游戏，最初不会去关注游戏中数值的分层分段，直到对游戏内某个模块的体验感受和预期出现了较大的落差，才会转而关注数值，思考之后在游戏中怎么做才是最好的，对自己是最有利的。随着这一阶段的不断学习思考和尝试，玩家就会对游戏越来越了解，知道哪些部分对自己非常重要，哪些部分可以不用投入过多资源。这样，玩家就从一个新手变为了老手，甚至高玩。可以看到，玩家对于数值不断加深的理解，是基于对游戏体验和感受来出发的，而驱动他们去了解游戏中的数值，正是前面提到的落差，而落差的形成，正是数值分层分段的结果。

Unity技术支持团队经常会对有需求的客户公司项目进行游戏项目性能审查与优化，在我们碰到过的各种项目相关的问题中也有很多比较共同的方面，这里我们罗列了一些常见的问题并进行了归类，开发者朋友们可以参考下。

2019年，随着智能家居概念的深入以及参与者的丰富，厂商之间的竞争将逐渐从产品扩展到生态，为各自在智能家居市场的发展提供加速器。IDC对于智能家居市场发展趋势的预测，主要从生态、交互以及渠道三方面展开......

对于更多缺乏发声能力的普通人（比如中风患者、植物人等）来说，无法与正常人交流的他们，生命已然停滞。技术能帮助他们“言其所不能言”，提高生活质量吗？
答案是肯定的。科学家们正试图让看不见摸不着的思维活动自动“显形”。通过计算机，将大脑中的所思所想转换成语音说出来，这种“读心术”距离现实究竟还有多远？

2012年左右，多伦多大学的研究人员首次使用深度学习来赢下了ImageNet，它是一项非常受欢迎的计算机图像识别竞赛。对于那些参与AI行业的人来说，这是一个大问题，因为计算机视觉是使计算机能够理解图像背景的学科，也是人工智能中最具挑战性的领域之一。

当然，与任何其他产生巨大影响的技术一样，深度学习成为炒作的焦点。不同的公司和组织开始应用它来解决不同的问题（或假装应用它）。许多公司开始使用深度学习和先进的人工智能技术重塑其产品和服务。

与此同时，媒体也经常撰写有关人工智能和深度学习的故事，这些故事充满误导性，并且大多是由那些对技术运作方式没有正确理解的人撰写。他们大多使用关于人工智能的耸人听闻的头条来博眼球，这些也促成了围绕深度学习的炒作。

经过媒体的炒作后，许多专家认为深度学习被夸大了，它最终会消退并可能导致另一个人工智能冬季，从而使人们对人工智能的兴趣和资金投入大幅下降。其中一些著名专家也承认，深度学习已经触底，其中包括一些深入学习的先驱者。

但根据著名数据科学家和深度学习研究员杰里米·霍华德的说法，“深度学习过度夸大”的论点有点夸张。霍华德是fast.ai的创始人，fast.ai是一个非营利性的在线深度学习课程。

随着通讯技术的发展，从3G到4G的转变是非常顺利。事实上，我的手机仍然时不时地恢复到3G模式。那么，5G有什么大不了的？是让我们欣喜若狂，还是让我们失望透顶？据我所见，答案是欣喜若狂，而且非常！

经过大范围的建模和运行超过10万次的模拟，一个人工智能系统被赋予预测2018年世界杯冠军的任务。人工智能预测西班牙夺冠的可能性最高，为28.9%，其次是德国26.3%和巴西21.9%。然而，冠军是法国，克罗地亚和比利时分列二三名。所以AI预测并不是每次都足够准确。

如果我们要最大限度地利用人工智能技术，就需要找到优化人工智能的方法，以获得最佳的结果。研究和咨询公司德勤(Deloitte)建议，不要把人工智能视为“思考机器”，而应将其视为能够帮助人类更好的思考的认知假体，其中的一种方法是在人工智能结果上建立准确性的检查点。为此，有人提出了加快这一进程的五个好的方法。

1. 明确定义人工智能和人类的角色

当人工智能被用于医学诊断时，它的作用是以人类无法企及的速度浏览大量的医学数据，然后由人工智能提供一个诊断和治疗计划，再由一个人类医生接管并审查人工智能生成的诊断和治疗计划，再由医生凭借临床经验权衡判断。在此过程中，医生还可以咨询其他医学专家，经过评估后，才能最终确定并实施。这是一个很好的例子，说明人工智能是如何与人类一起工作的，从而形成可操作的最佳结果。

2. 反复运行人工智能模型仿真

近数十年内，由于机器学习的热潮，计算能力有着摩尔定律的加持，以及大数据时代的来临，让越来越多的领域里都能被机器学习很好的应用。特别是在自然语言处理，计算机视觉等领域都有非常好的发展，甚至已经可以达到商业用途的地步。但是随着数据的增长，数据的安全是否得到了保障，模型的功能性是否得到了验证这仍然是个大大的问号。