深度学习的突破将人工智能带进全新阶段。 2006 年-2015 年是人工智能崛起的黄金十年。2006 年 Hinton 提出“深度学习”神经网络，使得人工智能的性能获得了突破性进展，2006 年成为人工智能发展史上一个重要的分界点。
近年来，随着深度学习算法的逐步成熟，AI技术分支越发增多，现在让我们细数AI技术，看看领占主导地位的19种AI技术都有哪些！
1、 自然语言生成（Natural Language Generation）
自然语言生成是AI的子学科，可将数据转换成文本，使计算机能够像人一样的拥有表达和写作的能力，它能够帮助客户快速的生成商业报告和市场概要。
2、 语音识别(Speech Recognition)
智能网联汽车是汽车与信息、通信等产业跨界融合的典型应用，被认为是全球创新热点和未来产业发展制高点。随着汽车智能化、网联化程度的加深，人们实现了对汽车的更多控制，为生活带来了各种便利，但随之而来的远程攻击、恶意控制甚至入网车辆被操控等安全隐患也日益明显，如何保障智能车辆安全，实现便捷性与安全性之间的矛盾成为汽车智能化发展的重要环节。
巨大发展潜力下的安全隐患
智能网联汽车是搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与X（人、车、路、云端等）智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代汽车，随着技术的发展，智能化功能越来越丰富。
2018年1月，国家发改委发布的《智能汽车创新发展战略》（征求意见稿）中提出，到2020年，智能汽车新车占比将达到50%。按照该战略的规划，汽车产品将由以往的机械化产品向智能化控制产品转变；在应用层上，汽车将成为兼顾办公、居家、娱乐的智能化移动空间。
随着机器人技术的发展，大多数机器人已经不再是单一用途，它们可以完成更多人类无法完成的危险工作。经过几十年的发展，如今的机器人已经能够模仿人类行为，被称为类人生物。目前世界上最先进的五大机器人，或许在未来登陆宇宙各大星球的就是它们。
全球最先进五大机器人
腱悟郎（Kengoro）
目前全球公认最先进的机器人，由日本东京大学一研究小组在今年完成，它可以完成俯卧撑、引体向上甚至羽毛球都打得非常棒，因为它拥有模拟肌肉运动的致动器，所以它不仅可以发热，有趣的是他还会流汗。研究人员称，Kengoro的灵活度是人类的6倍，创造它的目的是让人类在各种无法完成的测试中增加可行性，比如汽车碰撞测试。
作者 Jeff Russell
基于物理的渲染（PBR）是近来实时渲染领域的趋势。PBR经常被提及，同时它的准确定义也经常被混淆。这里我们将来解释什么是PBR，它与之前的渲染模式区别在哪里？这篇文档的目标读者是非技术人员（主要是美术人员），文档中将不会出现任何数学公式或代码。
基于物理的着色（PBS）跟之前着色方式最大的区别在于PBS是建立在对光和物体表面行为准确推论的基础上的。当前硬件着色性能已经足够好使得一些老的基于节省性能考虑的近似处理完全可以丢弃，与之相关的老的美术产出流程也可以丢弃。这意味着技术人员和美术人员需要明白这些改变的背后理论依据。
Diffusion & Reflection
散射和反射——也称为“漫反射”和“高光”，分别描述了物体表面和光的最基本的相互作用。可能大多数人实际工作中熟悉这些概念，但是可能并不知道“漫反射”和“高光”在物理层面上的区别。
当光线以电磁波的形式传播到物体表面时，会产生反射——光线朝物体表面法线的另一侧离开。这种行为跟一个球碰撞到地面发生弹射的行为一样。在光滑的表面，将产生完美的反射现象。“高光”经常用来描述这种现象。
作为第五代移动通信网络，5G技术一直备受瞩目，尤其是随着“2020年商用”计划的渐行渐近，更是令人蠢蠢欲动。目前，各国政府也都在大力部署推进5G网络的发展与应用落地。然而，现在有关5G的一些“传说”却越来越邪乎，以至于我们认为是时候也非常有必要，在这里为屏幕前的各位亲们澄清一下了。
既然我们已经在标题中“点题”，那么不妨就先来说说“5G网络时延不到1秒”这个问题。时延，指的是数据包从发送端到接收端所需要的时间。换句话说，Ping延迟的一半，也叫单向时延。有时，时延指数据包传送的往返时间，与Ping延迟相同。
在不同应用场景下，5G网络的时延要求也各不一样。例如，在eMBB场景下，5G NR用户面时延（单向）为4ms；到了URLLC场景下，5G NR用户面时延（单向）仅为0.5 ms；而控制面时延则要长些为10ms。因此，说“5G网络时延不到1毫秒”显然是片面的。
接着，我们再来看看“5G将取代Wi-Fi”这件事。如何看待蜂窝网络与Wi-Fi？前者从室外走向室内，后者则从室内走向了室外。两者是相辅相成的关系，并共同承担无线流量，缺一不可，更谈不上谁取代谁了。蜂窝网络从4G向5G演进的同时，Wi-Fi技术也在继续自己的演进路程，从11n到现在广为普及的11ac，旨在为我们带来更快更高效的网络连接。
导语：转置卷积层（Transpose Convolution Layer）又称反卷积层或分数卷积层，在最近提出的卷积神经网络中越来越常见了，特别是在对抗生成神经网络（GAN）中，生成器网络中上采样部分就出现了转置卷积层，用于恢复减少的维数。那么，转置卷积层和正卷积层的关系和区别是什么呢，转置卷积层实现过程又是什么样的呢，笔者根据最近的预研项目总结出本文。
1. 卷积层和全连接层
实例
首先举个例子，假设我们有一个二手房交易记录的数据集，已知房屋面积、卧室数量和房屋的交易价格，如下表：
线性回归（Linear Regression）
首先要明白什么是回归。回归的目的是通过几个已知数据来预测另一个数值型数据的目标值。假设特征和结果满足线性关系，即满足一个计算公式h(x)，这个公式的自变量就是已知的数据x，函数值h(x)就是要预测的目标值。这一计算公式称为回归方程，得到这个方程的过程就称为回归。
图片来源：视觉中国
文｜脑极体
占据一辆无人驾驶汽车成本40%的激光雷达，以精准和无死角的空间探测能力，成为是无人驾驶领域不可或缺的存在。
但和汽车相比，似乎激光雷达在无人机上更有用武之地：成像精度要求不高、行动自由范围大、成本更低、应用领域广泛。
更重要的是，与传统的无人机摄像头相比，激光雷达不受光线限制，在任何光线条件下效果都不错。原本需要大量人力物力搞定的测绘工作，激光雷达飞一飞，分分钟就能完成。
听起来，激光雷达和无人机，完全可以组合出道成为科技圈新的“流量担当”。事实也正是如此。
激光雷达上天现状：为地球加特效的神仙CP
为无人机装上激光雷达，可以说解决了一个人类自古以来的执念：怎样才能站得更高、望得更远？
激光雷达最初就是由美国国家航空航天局于上世纪70年代开发的太空探索工具。1971年阿波罗15号所绘制的月球表面地形图，就是由早期的激光雷达仪器来完成的。人类甚至还发明了卫星这种可以从太空俯视整个地球的大杀器。
但视野变大了，使用成本也变得极其高昂。 于是，又将主意打到了无人机身上。
2018年初开始，全国尤其是运营商网络开启了IPv6改造的大幕，很多企业都从工信部领到了军令状，要将IPv6改造工作彻底落实下去。现在2018年已接近尾声，回头看看实际部署情况如何。
IPv6涉及到应用网站、网络和应用服务器几个部分，网络部分作为关键，需要改造的地方很多，每套网络的实际情况各有不同，存在不少困难，好在IPv6喊了这么多年，技术上留了一些底子，每年采购设备虽IPv6没用，但一直作为技术必选项对网络设备强制要求，所以除了一些老旧设备，大部分网络天然具备平滑切换到IPv6的能力。即便这样，要将覆盖全国这么大的一张网络梳理清楚，并且都要打通开启IPv6，却非易事。
经过这大半年的折腾，初战告捷，各大运营商也纷纷亮出了成绩单，不仅网络完成了基本改造，IPv6用户也实现了快速增长。比如中国移动的IPv6用户达到了951万(移动宽带718万，固定宽带233万)，覆盖用户为7017万户，普及率为6%，这显然与国外20%的目标还有不少差距。2017年12月，工信部曾要求三大运营商到2018年末，实现IPv6用户规模不少于2亿，后来结合实际情况，在2018年降到了5000万，到目前来看5000万的实现也存在难度。
光线追踪是图形学领域里最为著名的一种技术，其中首要的一步是视点（相机，眼睛）穿过像素中心，发射一条射线，也就是主光线（次级光线指的是从物体表面反射或折射等发出的光线）。这一步看起来比较简单，但仍然涉及到一些细节和概念需要理清。
我系统的学习这些东西是从renderman规范开始的，看的第一本书是advanced renderman，这本比较难，我更推荐看An Introduction to Ray Tracing (1989)。
开始正题。首先，要搞清楚fov角，advanced renderman上会讲到焦距，讲的非常细致深入，如果要深挖可以看书，我就不谈了（毕竟我也不记得了）。相机所看到的三维场景是一个视锥体，也叫平截头体，如下图：