未来| 无人车未来报告：95%乘用车将消失
研究公司 Forrester 最新报告预测，尽管到2035年每天的乘车出行需求会更多，但道路上行驶或停放的车辆总数却会急剧下降。例如像伦敦这样一个庞大、拥挤的城市，届时所需要的乘用车总数将只有目前的5%——随着驾驶技术和无人驾驶汽车成为常态，新的“乘客经济”将会走向繁荣，原因是人们会努力填满原先用于开车的时间。
未来汽车的主要卖点，将变成可以提供高品质的音频、视频内容，无人车一接上乘客，就可以开始提供娱乐服务。
报告预计在无人车普及的过程中，保费会略有上涨。尽管无人车会让车祸减少94%，但相应的事故调查和维修成本也会同时上升。不过等自动驾驶车辆在主要城市开始普及之后，保费将会开始下降。
| MIT要用人工智能帮你做菜：上传美食照片，给你一份菜谱
MIT 的计算机科学及人工智能实验室（CSAIL）本周和卡塔尔计算机研究中心（QCRI）一起训练了一个人工智能系统，名叫 Pic2Recipe 。给这个系统一张食物照片，它会告诉你该怎么做出来。
Pic2Recipe 能通过食物照片推断出面粉、鸡蛋、黄油等食材，然后从它的数据库中选出几份与图片最相似的菜谱推荐给你。
Demo地址：http://tuesday.csail.mit.edu:4242/
前沿 | CVPR 2017最佳论文解读：密集连接卷积网络
日前，CVPR 2017获奖论文公布，其中一篇最佳论文为康奈尔大学、清华大学、Facebook FAIR 实验室合著的《Densely Connected Convolutional Networks》。
近年来，随着卷积神经网络层数的加深，网络在训练过程中的前传信号和梯度信号在经过很多层之后可能会逐渐消失。在本文中，作者将网络中的所有层两两都进行了连接，使得网络中每一层都接受它前面所有层的特征作为输入。
它主要拥有以下两个特性：1）一定程度上减轻在训练过程中梯度消散的问题。因为从上图我们可以看出，在反传时每一层都会接受其后所有层的梯度信号，所以不会随着网络深度的增加，靠近输入层的梯度会变得越来越小。2）由于大量的特征被复用，使得使用少量的卷积核就可以生成大量的特征，最终模型的尺寸也比较小。
| 微软为下一代HoloLens 开发AI 芯片，可识别语音和图像
上一次微软宣布HoloLens 全息处理器是 2016 年 8 月。一代 HPU 芯片采用台积电 TSMC 代工定制打造的 28nm 数字信号处理器（DSP），具有 24 颗 Tensilica DSP 核心，每秒处理1万亿指令，8MB SRAM，1GB LPDDR3 内存。HPU 芯片还采用 12 x 12 mm BGA 封装，相比基于软件的解决方案，执行速度快200倍，低功率仅 10w。
近日，在夏威夷举办的 CVPR 大会上，微软对外公布，他们正在为 HoloLens 开发新的 AI 芯片，使设备可识别用户所看的事物、听见的声音，将数据传回云端时也不会产生更多的延时。
据悉，微软 Holographic Processing Unit （HPU，全息处理器）二代正在研发中，将用于下一代HoloLens ，但并未给出明确时间。
| 迪士尼打算利用人工智能开发一套观众表情监测系统
根据消息，加州理工学院和迪士尼研究院合作开发了一套神经网络系统，能够追踪观众的面部表情，来预测和了解观众对电影的反应。
该项目于正在举办的国际计算机视觉与模式识别顶级会议 CVPR 上公布，这套系统使用了一种名为分解式变量自动编码技术，研发团队表示，该技术可以更好的捕捉用户表情的细节变化。
为了这套系统，该团队通过150部迪士尼电影来收集大量的观众面部数据，并把这些生成的数据（1600万左右个数据反馈）送到神经网络进行训练。一旦机器完成训练和学习，那么该系统就能“感受到”观众观看影片当中的情绪了，并且针对这些情绪进行分析和追踪，从而梳理电影的效果和不同观众的不同反映。
