1. 俞敏洪谈AI+教育：不要为了AI而AI，教育最终还是要回归本质
“教育领域中间的两大要素，第一是学生学习效率的提高，其最终结果是成绩提升。第二是老师教学水平的提高，其最终的结果是老师被学生所喜欢，同时促使学生成绩更快的提升”。
这是新东方董事长俞敏洪在TEC2018教育创想大会上的讲话。俞敏洪认为，在这两个要素上，AI部分能做到，而不是全部能做到。
只有你自己真正意识到了学生分数如何提升的核心要素的时候，以及老师水准如何提升核心要素的时候，你的整个业务体系才能变得更加的健康。而大量培训机构，其实连最基本的教学质量都还没有抓好就在想着AI怎么用。
俞敏洪认为，当下的教育重点是提高老师的水平，如果新东方只做一件事情，那就是把所有的钱全部投入到老师水平的提升上。
因为AI不管投入多少，未来不一定取代老师，未来AI会不会比老师讲课更好，而且不用你花钱，24小时讲课都不觉得累。我想一定会有这一天的到来。
但是在这一天到来之前我们的本质还要用到老师，因此老师面对面的教学水平的提高就变成我们的核心点。
“科大讯飞为什么愿意跟新东方合作，来搞对于英语作文和英语口语的自动批改系统？因为他们没有更多的学生数据，对他们来说难度还是相当大的。
而新东方背后一年就是几百万学生的数据，新东方可能只要十个礼拜就把这个数据上传到系统中间，这对于十万学生的错误率和抓取率会提高十倍”。
俞敏洪认为，如果数据没有大到足够大的程度，数据是没有价值的。就像阿里巴巴、腾讯、百度等用了我们所有人的数据，使他们这个公司无比值钱。
但是，现在的问题在于许多公司不愿意分享自己的数据，因为，一旦数据被分享，被并到大的平台去分析研究，最后的成果极大可能是不能共享的。
比如新东方不敢与腾讯、阿里巴巴等共享数据，包括新东方学员学习轨迹流，用他们的系统来进行学习学习习惯、学习态度、学习方法的分析，最后得出来的成果跟新东方共享。
因为新东方涉及到了几百万的学生，这几百万的学生背后带来的是几百亿的收入。这些数据出去以后，如果对方迅速在内部催生出一家教育公司，是极有可能把这些数据够变成他那个教育公司核心的引擎和发动机。
最后，俞敏洪说到：AI教育对我们来说就是无非是建立孩子更加健康的全面成长的体系，使孩子的学习效率迅速提高，给他们更多的时间进行人生的业余快乐的活动，让学生能够通过AI和移动互联的应用，能够在自己所擅长的领域中间有更好的发展。
培养孩子的创造力，创新能力，同时把中国的教育真正引到我们所希望的完善的，而非是被应试教育所控制的体系中间去。
未来教育领域在中国真正发生的革命还不是AI的革命，是互联网、AI加上区块链技术合起来以后颠覆的革命，这个革命会带来教育的发展平衡和孩子们的幸福人生。
2. 能推导出物理定律的“人工智能物理学家”出现了
麻省理工学院的两位研究人员创造了一个“AI物理学家”，能够产生关于虚构宇宙物理定律的理论。它标志着创建机器学习算法迈出了重要一步。
这些算法不仅能够找到模式，而且可以从这些模式中进行推断，以预测未来。这将为完全由人工智能完成的科学发现奠定基础。
当为AI提供数据集时，它会分析此数据集以创建模型。该模型的性质取决于任务。
例如，如果我想训练AI来识别猫，我可以为它提供数千张猫图片，这样算法可以从每张照片中的类似特征推广出来，以创建猫的模型。
人工智能创建模型的方式类似于科学家使用理论从现象的特定实例推广到类似环境中的所有实例的方式。然而，有一个至关重要的区别。
在上面的例子中，人工智能被喂食已经聚焦在猫身上的照片。一个更艰巨的任务，一个类似于科学进程的任务，就是在相似的环境中喂养猫的AI图片，例如森林。
使用此数据集，创建猫模型的AI将不得不忽略不相关的细节（例如所有植物）并且只关注猫。
或者，它可能会到达一个模型，描绘所有猫生活在森林中。如果你然后给你的AI喂了一张睡在你床上的猫的图片，它将无法识别它，因为它的模型有问题。
尽管人工智能并非完全错误 ，但是有许多猫科动物只生活在森林中 ，它错误地创建了一个大型模型并试图将该模型与所有数据相匹配。
一种更富有成效的方法，也就是科学家所使用的方法，是创建适用于观测数据子集的小模型或理论，然后将这些小理论加在一起，直到你希望得到“ 一切理论”。
教学AI如何划分数据以创建可以添加到一起以创建更大模型的小模型已被证明对于机器学习研究人员来说是非常具有挑战性的。
然而，正如上周发给arXiv 的一篇论文所详述的那样，来自麻省理工学院的两位物理学家Tailin Wu和Max Tegmark已经向他们的“AI物理学家”迈出了重要的一步。
为了实现这一目标，Tegmark和Wu赋予他们的机器学习算法四种策略，这些策略也被人类科学家使用，因此它可以产生关于复杂观测的理论。
这些策略是分而治之的（产生多种理论，每种理论只适合数据的一部分），Occam的剃刀（使用最简单的理论），统一（结合理论）和“终身学习”（尝试应用对未来问题的理论）。
在将这些策略编码到机器学习算法之后，Tegmark和Wu向它展示了一系列日益复杂的虚拟环境，这些虚拟环境由奇怪的物理定律控制，并且要求AI理解它。
特别地，AI的目标是尽可能准确地预测物体在二维中的运动。这将要求AI为每个“神秘环境”生成独特的物理理论，以了解对象在该环境中的移动方式。
一个示例环境供给AI物理学家。这里，视场被分成四个象限，每个象限由不同的物理效应控制，例如重力或电磁场。点和线代表球在环境中的轨迹。根据球在环境中的移动方式，AI必须使用它所描述的策略来描述控制球运动的物理定律。
正如Tegmark和Wu发现的那样，随着环境变得更加复杂，AI物理学家越来越难以理解物理定律。
总而言之，AI物理学家接触了40个不同的神秘环境，能够在超过90％的案例中产生关于管理它们的物理定律的正确理论。此外，Tegmark和Wu的AI物理学家能够将预测误差减少到比传统机器学习算法“十亿倍”。
这项工作可能会对人类未来科学的方式产生重大影响。特别是，它对于理解大量复杂的数据集尤其有用，例如气候建模或经济学中使用的数据集。实际上，世界上的下一个牛顿或爱因斯坦可能只是一些计算机代码。
3. 百度自动驾驶的“小秘密”：高精地图是引路向导
2018年的百度世界大会上，围绕智能驾驶的讨论开始转向。过去的话题是自动驾驶将如何实现，又将面临什么样的挑战。今年的议题已经是自动驾驶汽车何时量产，如何解决路上行驶的安全问题。
而随着自动驾驶汽车的商用不再遥远，高精地图作为自动驾驶的基础设施也从幕后逐渐走向台前。
2016年5月，一辆特斯拉Model S在佛罗里达州的高速公路上发生车祸，调查显示虽然这辆Model S开启了自动驾驶模式，可在强烈的光照下，驾驶员和传感器均没有发现前面转弯处的拖挂车，进而导致两辆车直接相撞。
这次事故无疑揭开了这样一个事实：雷达、摄像头等传感器的探测范围和响应时间都有一定局限性，安全的自动驾驶还需要对路况的提前探查。
因此几乎所有和智能驾驶相关的企业都在打高精地图的主意，高精地图在自动驾驶的商业版图中，成为绕不过去的基建。
比如百度今天在智能驾驶分论坛上公布的自主泊车量产计划，涉及了云端车位调度、车位预测、路径规划等等。
并在安全的问题上拿出了两套解决方案：一个是学习型VP，用深度学习的方式对人工驾驶的行为场景进行学习；另一个是先验型VP，提前采集高精地图和现场数据，让车辆完成自主泊车。
可以说，在百度智能驾驶发展的每一步，都离不开高精地图。在百度的Apollo核心技术框架中，高精地图和大数据、小度车载OS等成为服务平台的重要组成部分。
那么高精地图的赛点在哪？
和传统导航地图不同的是，导航地图的服务对象是人，高精地图的服务对象是人工智能，有着不同的用途、属性和元素，比如说导航地图仅包含简单的道路线条、信息点（POI）、行政区划边界，也符合人类的认知习惯。
但高精地图要复杂的多，底层是静态高精地图，诸如车道模型、道路部件、道路属性和其他的定位图层；上层是动态高精地图，比如道路拥堵情况、施工情况、是否有交通事故、交通管制情况、天气情况等动态交通信息。
传感器的性能边界，决定了高精地图、高精定位等先验信息的必要性，当然也是自动驾驶领域的隐藏金矿。在自动驾驶即将大规模商业化的前夕，高精地图已然成为百度、高德、四维图新等争夺的对象，激烈程度似乎不亚于自动驾驶技术的比拼。
正如广汽研究院智能网联中心副主任梁伟强的观点，百度开放共赢的战略使得Apollo高精地图能够促进车企自动驾驶研发的进程。
特别是在地图控制器以及地图技术方案，可以满足广汽对高精地图的高要求。比如完整的车道线模型、精度、准确率、功能安全等等。与市场上同类产品相比，Apollo在高精地图特征要素、定位精度等方面更有优势。
正是得益于百度高精地图的优势，广汽传祺L3自动驾驶系统将与百度高精地图定位展开持续深入的合作。同时，百度与广汽合作的首个合作车型将在2020年上市。
也就是说，高精地图的赛点在于是否适用于自动驾驶，围绕高精地图的竞争业已扩展到四个维度：
其一，“朋友圈”数量。百度、高德等巨头级的高精地图玩家，除了服务于自家的自动驾驶技术，也是连接车企的重要纽带，而车企的表态无疑是谁更适合自动驾驶的风向标。
其二，精细化程度。自动驾驶的定位要求达到亚米级，也就是一米以下，传统的导航地图显然不能达标，精度也就成了高精地图厂商竞争的核心。
其三，地图生产效率。高精地图比普通地图更复杂，不仅要检测车道，还要检测转弯箭头的位置、确定道路是否有起伏等等，此外还需要高频度更新，高精地图的生产效率也就成了竞争的关键。
其四，地图覆盖范围。高精地图的覆盖范围决定了自动驾驶的适用范围，目前百度高精地图已经采集了数百万公里，覆盖全国高速公路、城市快速路等超过30W公里，覆盖范围超过高德和四维图新。
截止到2018年9月，国内机动车保有量达到3．22亿辆，未来这些车辆无疑将被自动驾驶车辆所替代，即便高精地图只向车厂或者出行运营商按年收取服务费，市场规模已经不可小觑。
同时也就不难理解百度为何要在这一赛道加速抢跑，升级原有的传统地图模式，发展成为最适合自动驾驶发展的高精地图了。
4.华为海思将超越联发科成亚洲最大芯片设计公司
随着华为智能手机销量迈向2亿的目标，旗下的海思半导体也跟着快速成长，特别是今年抢先推出了7nm工艺的麒麟980处理器，也是目前仅有的两款7nm处理器。
得益于此，海思在代工厂台积电中的地位也会升级，预计明年会超越联发科，成为台积电前三大客户，不过苹果第一大客户的地位暂时是没人能抢得走的。
来自供应链人士@手机晶片达人的消息称，海思明年在台积电将会超越联发科，成为台积电前三大客户。
芯谋研究的顾文军也附和称算上海思在其他晶圆厂的采购量，海思今年很有可能超越联发科成亚洲第一大设计公司。
综合这两方的爆料来看，由于有高端的7nm及7nm EUV工艺订单，海思在台积电中的订单额明年超越联发科是什么问题的，即便晶圆订单数量还会落后联发科，但是金额还是会高。
第二就是海思超越联发科成为亚洲第一大芯片设计公司，评价是否是第一大有很多指标，不过看营收规模应该是比较合理的。
2018年全年的营收数据还没出炉，不过2017年海思半导体营收为387亿元，是国内第一大芯片设计公司，联发科去年营收2382.2亿新台币，折合535亿人民币，双方的差距还挺大。
但是联发科这两年来面临增长困境，今年前三季度合计营收1771亿新台币，折合398亿元。海思半导体因为不是上市公司，并不需要对外公布数据，所以今年的营收还没有具体消息。
但是2017年海思半导体增长27%，今年因为华为智能手机、机顶盒、安防等领域的芯片还在高速增长，营收超越联发科还是有可能的。
在台积电的客户中，苹果这几年无疑是第一位的，台积电一直没有公布过具体的客户营收数据，但是2017财年中北美客户营收占比64%。
而IC Inights公布的数据显示苹果芯片业务营收规模在75亿美元左右，差不多是台积电四分之一的营收规模了。
晶片达人的爆料中没有提到第二大客户是谁，前几年高通还在的时候高通是台积电第一大客户，7nm节点时高通由重返台积电，不过只靠7nm工艺订单能不能撑起第二大客户的地位尚有疑问。
另一个候选名单是AMD，在GF退出7nm工艺之后，AMD把7nm CPU、GPU订单都交给台积电代工，之前有分析称7nm工艺的订单会给台积电增收15亿美元。
素材来源：搜狐科技、机器之心、AI锐见、人工智能头条、ofweek等
如需转载，请后台留言，遵守转载规范