0
雷鋒網按：各位小伙伴們周末好，本周照例與大家分享7篇深度好文。如果你對專欄的內容或形式有任何建議，請在下方評論區(qū)留言，專欄君將一一回復。無論你是樂于分享的極客，或是對科技圈的新聞事件有獨到的見解的評論人，均可向我們投稿，專欄君的郵箱：gulei@leiphone.com。
昨天在圖書館刷 RL 教材的時候看到一個有趣的 app，叫做「唐納德涂鴉」（Android：Donald Draws Executive Doodles；IOS：Trump Executive Order）。大概功能就是可以將用戶自定義的內容（圖片、涂鴉、文字等）放在 D.T. 總統(tǒng)的決策書上，并生成動圖。
一看到這個 app 我就感到眼前一亮，它綜合了今年科技界最火的 AR 技術和政治界（與段子界）最火的 D.T. 總統(tǒng)。正如 app 作者所說的那樣："This app is gonna make the United States of Amemeica GREAT again!"
我之前在AR原理演示一文中曾有涉及過實現 AR 的方法，既然代碼都還在，我就隨手也做了一個 "qqfly Draws"。
【作者】qqfly，上海交通大學機器人所博士生，本科畢業(yè)于清華大學機械工程系，主要研究方向機器視覺與運動規(guī)劃。
2、28天自制你的AlphaGo（系列）：
28 天自制你的 AlphaGo（二）：訓練策略網絡，真正與之對弈
28天自制你的AlphaGo（三）：對策略網絡的深入分析以及它的弱點所在
28天自制你的AlphaGo（四）：結合強化學習與深度學習的Policy Gradient（左右互搏自我進化的基礎）
28 天自制你的 AlphaGo（五）：蒙特卡洛樹搜索（MCTS）基礎
AlphaGo 的策略網絡，可以用于改進上述的分數公式，讓我們更準確地選擇需擴展的節(jié)點。而 AlphaGo 的價值網絡，可以與快速走子策略的模擬結果相結合，得到更準確的局面評估結果。注意，如果想寫出高效的程序，這里還有很多細節(jié)，因為策略網絡和價值網絡的運行畢竟需要時間，我們不希望等到網絡給出結果再進行下一步，在等的時候可以先做其它事情，例如 AlphaGo 還有一個所謂 Tree policy，是在策略網絡給出結果之前先用著。
【作者】彭博，Blink·稟臨科技聯(lián)合創(chuàng)始人。
3、Comet Labs合伙人：為什么說激光雷達是無人駕駛汽車的“眼睛”？
也許對于激光雷達來說，高昂的設備成本是它需要克服的最大挑戰(zhàn)。盡管自該技術得到應用以來其成本已大幅降低，但仍然是它被大范圍采用的一個重要障礙。對于主流汽車工業(yè)來說，一個價值2萬美元的傳感器將無法被市場接受。伊隆·馬斯克說：“我不認為它對于汽車的發(fā)展是有意義的，我認為它不是必須的?！?/p>
最后，雖然我們將激光雷達視為計算機視覺的一個組件，但點云卻是完全基于幾何呈現的。相反，人眼除了形狀之外還能識別物體的其他物理屬性，比如顏色和紋理?，F在的激光雷達系統(tǒng)不能區(qū)分紙袋和巖石之間的差別，而這本應是傳感器理解和試圖避開障礙物時考慮的因素。
【作者】Adam Kell，Comet Labs合伙人，負責人工智能和機器人領域的早期投資投資。
4、汽車安全工程師：為啥這么多裝了AEB的車依然會撞撞撞？| ADAS專題
在ADAS的眾多功能中，AEB（自動緊急制動）聽起來安全感十足，引起了很多車主的興趣。但實際使用過程中，有的朋友可能會發(fā)現，很多裝了AEB的車依然避免不了撞車事故。那么AEB功能真的沒用嗎？
AEB的學名其實是“前向車輛碰撞緩解系統(tǒng)”，這個名字當然不是隨便起的。讓我們再看一下圖2，駕駛者通過控制方向盤閃避障礙物的極限是TTC 1.0s，而此時如果相對車速低于約60km/h，仍能通過制動而避免碰撞。簡單講，當你打方向已經躲不過去的時候，制動仍然能幫你避免碰撞。
【作者】鄭菲，汽車主動安全測試工程師。
5、孫宇教授解讀：自動駕駛汽車——平衡創(chuàng)新和安全
自動駕駛技術的首要動機是減少交通事故，避免致命事故。2015年，全球與汽車交通事故相關的死亡人數約為125萬。這相當于每天墜毀五個完全滿載的波音747 。在美國，人為錯誤造成的交通事故占所有交通事故的94％。死于車禍是4至34歲兒童和成年人死亡的主要原因。雖然2016年的交通事故數據尚不可用，但是，根據早期的估計，2016年交通事故中死亡的人數可能更高。
【作者】孫宇，南佛羅里達大學計算機系教授、斯坦福大學訪問教授、IEEE RAS機器臂抓取和操作技術委員會的始創(chuàng)主席及美國總統(tǒng)國情咨詢委員會機器人方向的顧問。
6、從系統(tǒng)和代碼實現角度解析TensorFlow的內部實現原理 | 深度
2015年11月9日，Google發(fā)布深度學習框架TensorFlow并宣布開源，并迅速得到廣泛關注，在圖形分類、音頻處理、推薦系統(tǒng)和自然語言處理等場景下都被大面積推廣。TensorFlow系統(tǒng)更新快速，官方文檔教程齊全，上手快速且簡單易用，支持Python和C++接口。
本文依據對Tensorflow（簡稱TF）白皮書[1]、TF Github[2]和TF官方教程[3]的理解，從系統(tǒng)和代碼實現角度講解TF的內部實現原理。以Tensorflow r0.8.0為基礎，本文由淺入深的闡述Tensor和Flow的概念。先介紹了TensorFlow的核心概念和基本概述，然后剖析了OpKernels模塊、Graph模塊、Session模塊。
【作者】姚健，畢業(yè)于中科院計算所網絡數據實驗室，曾就職于360天眼實驗室，主要從事深度學習和增強學習相關研究工作。目前就職于騰訊MIG事業(yè)部，從事神經機器翻譯工作。
7、Alexa估值近百億美元，AI巨頭為何在語音交互市場搶奪賽道？
去年10月份，Intel與科大訊飛宣布合作共同研發(fā)AI芯片，該芯片將麥克風陣列、遠場語音識別等功能集成到SOC當中，形成完整的遠場語音交互鏈條，此次合作正式宣告Intel也將進入智能語音交互市場。
從市場層面來看，語音交互毋庸置疑是繼鍵盤、鼠標和觸摸屏之后的主流交互方式，但是距離真正走入國內市場還總是差那么一點。技術鏈條僅僅是其中一個小部分原因，從戰(zhàn)略認知、資金投入到需求挖掘，國內公司都欠缺了很大的火候，而國內各大巨頭更應該在戰(zhàn)略決心和技術鏈條上發(fā)力。智能語音交互的全球競爭之中，國內的AI巨頭似乎才剛剛蘇醒。
【作者】袁媛，來自微信公眾號“聲學在線”（ID：soundonline）
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
