重磅 | GAN之父Ian Goodfellow加盟苹果

简介: 据 CNBC 报道,生成对抗网络(GAN)的创造者,前谷歌大脑著名科学家 Ian Goodfellow 刚刚正式宣布加盟苹果。他将在苹果公司领导一个「机器学习特殊项目组」。

微信图片_20211130230400.jpg


虽然苹果此前已经缩小了自动驾驶汽车研究的规模,但 Ian Goodfellow 等人的加盟似乎意味着这家公司在人工智能军备竞赛中的投入不减反增。


目前,Ian Goodfellow 的 LinkedIn 账户已经更新了最近的跳槽活动:


微信图片_20211130230404.jpg

「我在苹果公司领导一个机器学习特殊任务群组。」Goodfellow 写道。


在回归谷歌之前,Ian Goodfellow 在另一家著名人工智能研究机构 OpenAI 工作。后者是一个人工智能研究联盟,最初由埃隆·马斯克(Elon Musk)和其他科技名人出资创建。Ian Goodfellow 是生成对抗网络(GAN)之父,他的著作在 AI 领域广为引用。


Goodfellow 是谷歌在过去的 12 个月里被苹果挖走的第二位 AI 人才,是后者加强其 AI 战略的结果。前谷歌 AI 主管 John Giannandrea 也加入了苹果,担任苹果的机器学习和人工智能战略高级副总裁,监管所有人工智能和机器学习开发,包括 Core ML 和 Siri 技术。Giannandrea 和 Goodfellow 以前在谷歌一起工作,Goodfellow 似乎是 Giannandrea 出任苹果高管后精挑细选的人


Goodfellow 最突出的贡献是其在 2014 年提出了生成对抗网络(GAN)。GAN 包含两种神经网络:创造新数据实例的生成器和区分由生成器从真实数据中创建假数据的判别器。这两种神经网络通过越来越逼真的假数据来挑战彼此,优化自己的策略,直至生成数据与真实数据难以区分。


过去五年,GAN 在图像生成领域取得了重大突破,现在可以生成动物、风景以及人脸等高度逼真的合成图像。例如可以合成人脸的网站 thispersondoesnotexist.com 。但是,GAN 的成功也打开了潘多拉的魔盒,引发了诸多伦理问题和潜在危险。例如,有人利用 GAN 开发「deepfake」人脸交换技术,制作「换脸」明星色情片,同时也有人担忧 GAN 用于生成假新闻以操控公众舆论等。


苹果显然正处于团队建设模式。该公司最近聘请了特斯拉前工程副总裁 Michael Schwekutsch 担任另一个「特别项目组」的高级工程总监,为自动驾驶研发加码。


Ian GoodFellow 简介


Ian Goodfellow 是机器学习领域备受关注的年轻学者之一,本科与硕士就读于斯坦福大学,师从吴恩达,博士阶段则跟随蒙特利尔大学的著名学者 Yoshua Bengio 研究机器学习。他最引人注目的成就是在 2014 年 6 月提出了生成对抗网络(GAN)。这一技术近年来已成为机器学习界最火热的讨论话题,特别是近年来,与 GAN 有关的论文不断涌现。GAN 已成为众多学者的研究方向。


微信图片_20211130230408.png

Ian GoodFellow 论文引用量逐年飙升,来源:Google Scholar


微信图片_20211130230412.jpg

Ian Goodfellow 影响作者图,包括 Bengio、Hinton、LeCun 等巨头,来源:Semantic Scholar


在 2016 年,Ian Goodfellow、Yoshua Bengio、Aaron Courville 等人推出了著名的人工智能基础书《Deep Learning》,该书已被列为机器学习领域内的必读内容。


《Deep Learning》中文版链接:https://github.com/exacity/deeplearningbook-chinese


微信图片_20211130230415.jpg

机器之心 Ian GoodFellow & Yoshua Bengio 联合签名版《Deep Learning》


由于在人工智能领域的激烈竞争,目前在 FAANG 工作的顶级 AI 人才可以获得六位数到七位数美元的薪资。Ian Goodfellow 在加盟苹果后会带来哪些新的技术突破?或许我们很快就会看到了。


扩展阅读:




微信图片_20211130230544.jpg

相关文章
|
4月前
|
敏捷开发 机器学习/深度学习 人工智能
需求重复、碎片化、无追溯?2025年智能化需求管理工具的关键应用
本文系统梳理需求管理工具从文档管理到AI驱动的四代技术演进,解析现代智能系统的核心功能架构与技术实现,并基于六维评估模型对比主流工具优劣。结合四阶段实施方法论与典型问题解决方案,为企业选型与落地提供全面指导。
237 0
|
10月前
|
Unix 图形学
Unity时间比较
在 Unity 中,时间比较涉及游戏内时间和系统时间。使用 `Time` 类可基于游戏运行时间进行比较,适用于技能冷却等逻辑;`DateTime` 类用于系统时间的精确比较与操作;时间戳则通过 Unix 时间进行跨平台的时间点比较。三种方式满足不同场景需求。 示例代码展示了如何用 `Time.time`、`DateTime.Now` 和时间戳实现5秒冷却时间的判断。
|
搜索推荐 算法 Java
电影推荐|基于SSM+vue的电影推荐系统的设计与实现(源码+数据库+文档)
电影推荐|基于SSM+vue的电影推荐系统的设计与实现(源码+数据库+文档)
343 3
|
Java 关系型数据库 MySQL
基于SpringBoot+Vue中小企业人事管理系统代码(源码+部署说明+演示视频+源码介绍)(1)
基于SpringBoot+Vue中小企业人事管理系统代码(源码+部署说明+演示视频+源码介绍)
290 0
|
人工智能 前端开发 API
AI智能体研发之路-工程篇(五):大模型推理服务框架LocalAI一键部署
AI智能体研发之路-工程篇(五):大模型推理服务框架LocalAI一键部署
1155 0
|
移动开发 运维 前端开发
|
机器学习/深度学习 人工智能 监控
Landing AI:计算机视觉数据标注AI平台
Landing AI:计算机视觉数据标注AI平台
1322 0
|
存储 XML 安全
GTK入门
GTK入门
562 0
|
设计模式 负载均衡 算法
【高可用架构】高可用性架构模式
随着企业客户部署的任务关键型基于web的服务的数量不断增加,对设计最佳网络可用性解决方案的深入理解的需求前所未有地重要。高可用性(HA)已成为此类系统开发的关键方面。高可用性简单地指的是一个组件或系统持续运行一段时间。
|
机器学习/深度学习 人工智能 监控
使用 Arize 监控非结构化数据(Arize)
为什么要 Embeddings? 我们认为 Embeddings 是人工智能和深度学习的基础。Embeddings 是深度学习模型如何表示模型所学习的结构、映射、层次结构和流形的核心。它们将现代深度学习从transformers扩展到编码器、解码器、自动编码器、推荐引擎、矩阵分解、SVD、图神经网络和生成模型——它们无处不在。