demi的博客

虽然机器学习已经成为一个高频名词，但是对于大众而言，它依然是一个遥不可及乃至模糊不清的概念。为此，著名投资人 Benedict Evans 在自己的博客上发表博文，针对这一问题表达了自己的看法；本文对这篇博文进行了不改变原意的编译。

机器学习的风潮已经刮了四五年了，除了以 AI 为名如雨后春笋般快速崛起的新创公司们，各家科技巨头也希望围绕这个时髦词“重塑金身”。此外，通过媒体的大肆宣传，机器学习也已经成了一个家喻户晓的名词。总之，机器学习将成为下一个能帮“猪”起飞的风口已经是大家的共识。

在正式开始之前，我们先说说人工智能(AI)，机器学习，神经网络和深度学习四者的关联。简单来说，人工智能的范畴最大，机器学习包含在内，它是带来人工智能的方法。至于神经网络，则是机器学习众多算法中的一类，而深度学习则是实现机器学习的技术，是它的一种延伸。

经过这么多年的知识普及，恐怕理解(理论上)神经网络是什么的人已经相当多，至少大家都知道它与范式和数据有关。机器学习让我们能在数据中找到那些暗示性和随机性的范式或结构，而在此之前能找到这些隐含属性的只有人类，因为我们会推理。

有了机器学习，那些原本对人类来说相当简单(或者说无法向计算机描述的问题)但却能难倒计算机的问题就迎刃而解了，各路公司也都拿出了相当炫酷的演示。

随着城市逐步从以工业生产为主向知识、信息、智慧枢纽和集散地为主的方向转变，中心城市对知识密集、信息密集、创新密集的高新技术产业和高附加值的智慧产业的吸引力迅速增强，逐步成为产品设计、研发、管控、营销、服务的聚集地，逐步演进为信息与知识生产、使用和集散的中心。

在全球信息化f趋势和“智慧地球”理念的推动下，“智慧城市”发展模式应运而生，并成为世界范围内城市现代化的战略途径。智慧城市实际上是对如何运用先进的信息技术推动城市发展的一个创新理念。

使用先进信息技术改善商业运作和公共服务，并不是新鲜的想法。事实上，国外一直在努力提升信息技术的应用水平，并取得了一定的成果。智慧城市是一个全新的理念，其核心特征是将信息资源作为重要的生产要素，来推动经济转型升级，再创发展新优势。我国上海、北京、广东、福建、深圳、南京、宁波等地纷纷提出建设智慧城市发展战略，意在抢占先发优势。

发改委联合八部委印发了《关于促进智慧城市健康发展的指导意见》提出：“到2020年，建成一批特色鲜明的智慧城市，要在保障和改善民生服务、创新社会管理、维护网络安全等方面取得显著成效”。国务院提出将在“十三五”期间建设19个城市群。我国推进智慧城市建设不仅表现在单个城市层面上，而且还出现了以城市群为特征的更大范围的智慧化建设。

在虚拟现实（VR）或增强现实（AR）开发方面，独立工作室倾向于选择两种游戏引擎中的一种，即 Unity Technologies的Epic Games的虚幻引擎或Unity。 今天，后者刚刚将其系统升级到Unity 2018.3，为标准和沉浸式内容创作者带来了无数的功能。

当提到Unity 2018.3时，最重要的更新就是提供新的Prefab工作流程，允许开发人员将场景和 Prefab分开，目的是提供更大的灵活性和提高生产力。事实上，更新提供了2000多个新特性、修复 和改进，包括视觉效果图（预览）和更新地形系统。

将边缘和云计算与数据存储相结合充满了复杂性。幸运的是，有一些步骤可以帮助避免存储管理灾难。

管理企业存储可能是一个复杂且资源密集的过程。更具挑战性的是采用多云环境使复杂性增加了10倍。如果将边缘计算存储添加到其组合中，其管理可能会变成IT团队的噩梦，分布在多个平台和地理位置的数据将从四面八方涌入。

在深入探讨多云和边缘存储争议之前，首席信息官和其他IT决策者应该询问自己一系列重要问题。由于数据管理是存储的核心，因此数据收集、传输和保留只是需要考虑的多方面事项的一部分。

1. 数据将在何处生成和收集？

在多云/边缘计算存储环境中，数据可以由用户、应用程序或设备生成，并且源自台式机、笔记本电脑、智能手机、物联网监视器或其他系统。在某些情况下，数据在其生成位置附近收集，并通常会在其他位置发送。例如，销售代表可能使用移动应用程序向云计算服务上托管的Web应用程序提交订单，并收集和存储数据。将这些数据与布满物联网传感器的制造工厂的数据相比较，这些传感器将数据发送到附近的边缘计算系统，以便实时临时存储和分析。

1986年，辛顿教授和他的团队重新设计了BP算法，以“人工神经网络”模仿大脑工作机理，又一次将人工智能掀起了一个浪潮。但是，当风光不再时，辛顿和他的研究方向，逐渐被世人所淡忘，一下子就冷藏了30年。但在这30年里，辛顿有了新的想法。

于是在2006年，辛顿等人提出了“深度信念网（Deep Belief Nets，DBN）”（这实际上就是多层神经网络的前身）。这个“深度信念网”后期被称为“深度学习”。终于，辛顿再次闪耀于人工智能世界，随后被封为“深度学习教父”。

细心的您会发现，即使辛顿等人提出了“深度信念网”，在随后的小10年里，这个概念亦是不温不火地发展着（如图1所示）。直到2012年以后，随着大数据和大计算（GPU、云计算等）的兴起，深度学习才开始大行其道，一时间甚嚣尘上。

人工智能是近年来科技发展的重要方向，在大数据时代，对数据采集、挖掘、应用的技术越来越受到瞩目。在人工智能和大数据的开发过程中，有哪些特别需要注意的要点?

人工智能领域的算法大师、华盛顿大学教授Pedro Domingos对此进行了深入思考。

在我们新近翻译的《智能Web算法》(第2版)中，对Pedro Domingos教授的观点进行了高度的概括，提炼出12个注意点，为行业开发实践提供了重要参考：

注意点1：你的数据未必可靠

在实际应用中，有很多各种各样的原因会导致你的数据是不可靠的。因此，当你将数据用于解决问题前，必须经常留心来检查数据是否值得信赖。如果基于糟糕的数据来挖掘，无论多么聪明的人也永远只会获得糟糕的结果。下面列举了一些常见的可导致数据可靠性问题的因素：

用于开发的数据，往往和实际情况下的数据分布不同。例如也许你想把用户按照身高划分为“高”、“中等”、“矮”三档，但如果系统开发时使用的数据集里最低用户的身高是6英尺(184cm)，那么很有可能你开发出来的系统里会把一个“仅有6英尺”的用户称为“矮”用户

原作者：Dr. Michael Garbade
译者：Willow Wu

你在考虑开发一款手游吗？如果你想获得成功，就一定要避开那些最常见的错误做法。没有找到正确方法就着手开发，等着你的将会是一场灾难。

来自瑞典的资深开发者MyIsaak擅长C#语言和Unity游戏开发，他经常会在网上直播Diablo III Board的游戏开发过程。

你从这些专业人士身上越到的越多（他们已经经历了这个过程），思维就越清晰，能够及时避开那些常见的错误开发方式。

以下是游戏开发中最常见的五个错误：

1. 忽略目标群体

没有对目标群体进行调研就做游戏会在你和玩家之间形成一道巨大屏障，很难让玩家关注到这个游戏。

你的游戏是为谁做的？他们的主要关注点是什么？他们喜欢哪类活动？目标群体负担得起游戏所需的金钱吗？或者能够投入足够的时间吗？你的目标用户用的是iOS还是安卓系统？

近日，全球最大会计和金融服务公司之一德勤（Deloitte）预测了2019年的9大科技趋势，具体如下。

1、智能扬声器快速增长且价格降低

德勤预测，2019年将售出1.64亿台智能扬声器，平均价格为43美元。2018年该行业总收入为43亿美元，明年这一数字将增长63％。到2018年底，家庭智能扬声器数量预计将达到2.5亿台。

2、5G网络到来

德勤预测明年5G网络将出现。更准确地说，25家运营商将在明年推出5G服务，另外25家将在2020年推出。

目前，72家运营商正在测试5G网络。德勤预测2019年将售出超过100万部的5G手机，到2020年这一数字将增加至1500万至2000万部。德勤还预测2019年将售出100万部5G调制解调器。

“这不会在一夜之间发生，但是5G将深刻地改变我们的体验和与他人的互动。这对要求更好的性能、更多的内容访问渠道的消费者来说是个好消息，”德勤的美国电信、媒体和娱乐部门负责人Kevin Westcott表示，“更快的速度和更短的延迟将在多个领域（从增强现实到娱乐再到医疗和智能城市）创造全新的消费者体验。”

3、AI将让更多企业受益

如今，人工智能无疑是最热门的技术之一。人工智能的发展离不开机器学习算法的不断进步，而作为机器学习的一个分支，深度学习也在其中起着重要的作用。然而，深度学习目前也是存在着一些棘手的问题。近日，《福布斯》采访了与人工智能相关的高管，就2019年人工智能发展趋势进行了预测。MediaMath首席技术官普拉萨德·查拉萨尼表示：“深度学习模型已经被证明很容易受到数据中难以察觉的扰动，这些扰动会欺骗模型做出错误的预测或分类。随着对大型数据集的依赖越来越大，人工智能系统需要防范此类攻击数据”。

深度学习真的万能吗？

当前，人工智能技术的发展突飞猛进，在很大程度上都得益于深度学习在基本的人类技能上取得的重大进步。深度学习的概念最早起源于20世纪50年代，但直到2006年才真正进入到大众的视野。深度学习作为机器学习研究中的一个新的领域，其目的是构建、模拟人类大脑进行分析学习的神经网络。在过去几十年的发展中，它大量借鉴了关于人脑、统计学和应用数学的知识。近年来，深度学习更是得益于高性能的计算机、大规模的数据集以及能够训练更深网络的技术，它的实用性和普及性都有了很大的发展。但是，随着应用的越来越深化，深度学习技术也逐渐暴露出不足之处。

法线贴图就是在原物体的凹凸表面的每个点上均作法线，通过RGB颜色通道来标记法线的方向，你可以把它理解成与原凹凸表面平行的另一个不同的表面，但实际上它又只是一个光滑的平面。对于视觉效果而言，它的效率比原有的凹凸表面更高，若在特定位置上应用光源，可以让细节程度较低的表面生成高细节程度的精确光照方向和反射效果。

法线贴图技术的使用可以使得低面模型具有与高模接近的光照表现。这可极大的提高实时渲染的效率。下面的截图做了很好的对比：

How it works

模型的光照表现跟其表面的法线分布密切相关，一般参与逐像素光照计算的法线由模型顶点间的法线光栅化插值得到，可以想象由少量三角面构成的表面插值得到的法线会比较平均。而法线贴图技术就是在不增加模型面数，渲染时用贴图采样得到的法线代替插值得到的法线来参与光照计算。