发烧友10周年庆典,全网超值优惠来袭!千元现金券,下单抽奖赶紧参与》》

Ravi Munde利用强化学习,实现了对Dino Run的控制

人工智能头条 2018-05-29 19:12 次阅读

Chrome 浏览器里面有一个小彩蛋,当你没有网络时,打开任意的 URL 都会出现一个恐龙小游戏(Dino Run),按空格键就可以跳跃。当然,直接打开  chrome://dino 也可以玩这个小游戏。近期,一名来自东北大学(美国)的研究生 Ravi Munde 利用强化学习,实现了对 Dino Run 的控制。

以下内容来自 Ravi Munde 博客,人工智能头条编译:

本文将从强化学习的基础开始,并详细介绍以下几个步骤:

在浏览器(JavaScript)和模型(Python)之间构建双向接口

捕获和预处理图像

训练模型

评估

▌强化学习

对许多人来说,强化学习可能是一个新词,但其实小孩学步利用的就是强化学习(RL)的概念,这也是我们的大脑仍然工作的方式。奖励系统是任何 RL 算法的基础,就像小孩学步的阶段,积极的奖励将是来自父母的鼓掌或糖果,而负面奖励则是没有糖果。孩子在开始走路之前首先学会站起来。就人工智能而言,智能体(Agent)的主要目标(在我们的案例中是 Dino)是通过在环境中执行特定的操作序列来最大化某个数字奖励。RL 中最大的挑战是缺乏监督(标记数据)来指导智能体,它必须自己探索和学习。智能体从随机行动开始,观察每个行动带来的回报,并学习如何在面临类似环境状况时预测最佳行动。

图注:vanilla 强化学习框架

▌Q-learning

我们使用 Q-Learning(RL 中的一种)来尝试逼近一个特殊函数,这个函数可以驱动任何环境状态序列的动作选择策略。Q-Learning 是 RL 的一种无模型实现,针对每个状态、采取的行动和得到的奖励来更新 Q-table,它能让我们了解数据的结构。在我们的例子中,状态是游戏的截图、行动、不动、跳[0,1]。

我们通过回归方法来解决这个问题,并选择具有最高预测 Q 值的动作。

图注:Q-table 样本

▌设置

首先设置环境:

1、选择虚拟机

我们需要一个完整的桌面环境,在这里我们可以捕获和利用屏幕截图对模型进行训练。我选择了 Paperspace ML-in-a-box(MLIAB)Ubuntu 镜像。MLIAB 的优势在于它预装了Anaconda 和许多其他 ML 库。

2、设置和安装 Keras 以使用GPU

Paperspace 的虚拟机已经预先安装了,如果没有的话,可以按照下面的方式:

pip install keraspip install tensorflow

另外,为了确保 GPU 可以被设置识别,执行下面的 python 代码,你应该看到可用的 GPU 设备:

from keras import backend as KK.tensorflow_backend._get_available_gpus()

3、安装 Dependencies

Selenium: 

pip install selenium

OpenCV: 

pip install opencv-python

下载 Chromedrive:

http://chromedriver.chromium.org

▌游戏框架

打开 chrome://dino,按空格键就可以玩这个游戏了。如果需要修改游戏代码,就要 chromium 的开源库中提取游戏了。

由于这个游戏是用 JavaScript 写的,而我们的模型是用 Python 写的,因此我们需要运用到一些接口工具。

Selenium 是一个比较流行的浏览器自动化工具,用于向浏览器发送操作,并获取当前分数等不同的游戏参数。

在有了发送操作的接口之后,我们还需要一种捕获游戏画面的机制:

Selenium 和 OpenCV 分别为屏幕捕获和图像预处理提供了最佳性能,可实现 6-7 fps 的帧率。

游戏模块

我们使用这个模块实现了 Python 和 JavaScript 之间的接口,下面的代码可以让你知道模块的实现原理:

class Game:    def __init__(self):        self._driver = webdriver.Chrome(executable_path = chrome_driver_path)        self._driver.set_window_position(x=-10,y=0)        self._driver.get(game_url)    def restart(self):        self._driver.execute_script("Runner.instance_.restart()")    def press_up(self):        self._driver.find_element_by_tag_name("body").send_keys(Keys.ARROW_UP)    def get_score(self):        score_array = self._driver.execute_script("return Runner.instance_.distanceMeter.digits")        score = ''.join(score_array).        return int(score)

智能体模块

我们使用智能体模块来封装所有接口。我们使用此模块控制 Dino,并获取智能体在环境中的状态。

class DinoAgent:    def __init__(self,game): #takes game as input for taking actions        self._game = game;        self.jump(); #to start the game, we need to jump once    def is_crashed(self):        return self._game.get_crashed()    def jump(self):        self._game.press_up()

游戏状态模块

为了将动作发送到模块并获得相应的结果状态,我们使用了 Game-State 模块。它通过接收和执行操作来简化流程,决定奖励并返回经验元组。

class Game_sate:    def __init__(self,agent,game):        self._agent = agent        self._game = game    def get_state(self,actions):        score = self._game.get_score()        reward = 0.1 #survival reward        is_over = False #game over        if actions[1] == 1: #else do nothing            self._agent.jump()        image = grab_screen(self._game._driver)        if self._agent.is_crashed():            self._game.restart()            reward = -1            is_over = True        return image, reward, is_over #return the Experience tuple

▌图像通道

图像捕捉

我们可以通过多种方式捕获游戏画面,例如使用 PIL 和 MSS python 库截取整个屏幕,并裁剪感兴趣区域(Region of Interest, ROI)。然而,这个方法最大的缺点是对屏幕分辨率和窗口位置的敏感度问题。幸运的是,该游戏使用了 HTML Canvas,我们可以使用 JavaScript 轻松获得 base64 格式的图像。现在,我们使用 selenium 来运行这个脚本。

#javascript code to get the image data from canvasvar canvas = document.getElementsByClassName('runner-canvas')[0];var img_data = canvas.toDataURL()return img_data

def grab_screen(_driver = None):    image_b64 = _driver.execute_script(getbase64Script)    screen = np.array(Image.open(BytesIO(base64.b64decode(image_b64))))    image = process_img(screen)#processing image as required    return image

图像处理

捕捉到的原始图像的分辨率为 600x150,具有 3 通道(RGB)。我们打算使用 4 个连续的屏幕截图作为模型的单个输入,这使得我们单个输入的尺寸为 600x150x3x4。输入太大,需要消耗大量的计算力,而且并不是所有的特征都是有用的,所以我们使用 OpenCV 库来调整、裁剪和处理图像。最终处理后的输入仅为 80x80 像素,而且是单通道(灰度,grey scale)。

def process_img(image):    image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)    image = image[:300, :500]    return image

图注:图像处理

模型架构

现在让我们看看模型架构。我们使用一系列的三个卷积层,然后将它们展平为密集层和输出层。针对 CPU 的模型不包括池化层,因为我已经删除了许多特征,添加池化层会导致本已稀疏的特征大量丢失。但有了 GPU 之后,我们的模型可以容纳更多的特征,而不用降低帧率。

最大池化图层显著改善了密集要素集的处理过程。

图注:模型架构

输出层由两个神经元组成,每个神经元代表每个动作的最大预测回报。然后我们选择具有最大回报( Q值)的动作。

def buildmodel():  

 print("Now we build the model")  

 model = Sequential()  

 model.add(Conv2D(32, (8, 8), padding='same',strides=(4, 4),input_shape=(img_cols,img_rows,img_channels)))  #80*80*4  

 model.add(MaxPooling2D(pool_size=(2,2)))  

 model.add(Activation('relu'))  

 model.add(Conv2D(64, (4, 4),strides=(2, 2),  padding='same'))    

model.add(MaxPooling2D(pool_size=(2,2)))    

model.add(Activation('relu'))    

model.add(Conv2D(64, (3, 3),strides=(1, 1),  padding='same'))  

 model.add(MaxPooling2D(pool_size=(2,2)))  

 model.add(Activation('relu'))    

model.add(Flatten())  

 model.add(Dense(512))  

 model.add(Activation('relu'))  

 model.add(Dense(ACTIONS))    

adam = Adam(lr=LEARNING_RATE)    

model.compile(loss='mse',optimizer=adam)    

print("We finish building the model")  

 return model

▌训练

以静止开始,并获得初始状态(s_t)

观察步骤数量

预测并执行操作

在 Replay Memory 中存储经验

从 Replay Memory 中随机选择一个批次并在此基础上训练模型

游戏结束后重新开始

def trainNetwork(model,game_state):  

 # store the previous observations in replay memory  

 D = deque() #experience replay memory  

 # get the first state by doing nothing    

do_nothing = np.zeros(ACTIONS)  

 do_nothing[0] =1 #0 => do nothing,          

          #1=> jump    x_t, r_0, terminal = game_state.get_state(do_nothing) # get next step after performing the action  

 s_t = np.stack((x_t, x_t, x_t, x_t), axis=2).reshape(1,20,40,4) # stack 4 images to create placeholder input reshaped 1*20*40*4    

   OBSERVE = OBSERVATION    epsilon = INITIAL_EPSILON    t = 0    while (True): #endless running          

     loss = 0  

     Q_sa = 0      

 action_index = 0  

     r_t = 0 #reward at t    

   a_t = np.zeros([ACTIONS]) # action at t           

   q = model.predict(s_t)      

#input a stack of 4 images, get the prediction      

 max_Q = np.argmax(q)    

    # chosing index with maximum q value    

   action_index = max_Q        

a_t[action_index] = 1    

   # o=> do nothing, 1=> jump      

       #run the selected action and observed next state and reward    

   x_t1, r_t, terminal = game_state.get_state(a_t)      

 x_t1 = x_t1.reshape(1, x_t1.shape[0], x_t1.shape[1], 1) #1x20x40x1    

   s_t1 = np.append(x_t1, s_t[:, :, :, :3], axis=3) # append the new image to input stack and remove the first one      

         D.append((s_t, action_index, r_t, s_t1, terminal))# store the transition      

         #only train if done observing; sample a minibatch to train on    

   trainBatch(random.sample(D, BATCH)) if t > OBSERVE else 0    

   s_t = s_t1    

   t += 1

请注意,我们正在从 replay memory 中抽样 32 个随机经验重放,并使用分批训练的方法。这样做的原因是游戏结构中的动作分布不平衡以及避免过度拟合。

def trainBatch(minibatch):  for i in range(0, len(minibatch)):            

   loss = 0          

     inputs = np.zeros((BATCH, s_t.shape[1], s_t.shape[2], s_t.shape[3]))   #32, 20, 40, 4            

   targets = np.zeros((inputs.shape[0], ACTIONS))                  

      #32, 2              

 state_t = minibatch[i][0]    # 4D stack of images        

       action_t = minibatch[i][1]   #This is action index            

   reward_t = minibatch[i][2]   #reward at state_t due to action_t              

 state_t1 = minibatch[i][3]   #next state            

   terminal = minibatch[i][4]   #wheather the agent died or survided due the action            

   inputs[i:i + 1] = state_t                

   targets[i] = model.predict(state_t)  # predicted q values      

         Q_sa = model.predict(state_t1)    

 #predict q values for next step        

       if terminal:                

   targets[i, action_t] = reward_t # if terminated, only equals reward          

     else:            

       targets[i, action_t] = reward_t + GAMMA * np.max(Q_sa)          

 loss += model.train_on_batch(inputs, targets)

结果

我们通过使用这种架构获得了良好的结果。下图显示了训练开始时的平均分数,训练结束时,每 10 场比赛的平均得分远远高于 1000 。

最高分数记录是 4000 +,远远超过了之前模型的的 250 分(也远远超过了大多数人所能做到的!) 。下图显示了训练期间比赛最高得分的进度。

Dino 的速度与分数成正比,这使得在更高的速度下检测和决定一个动作更加困难。因此,整个游戏都是以恒定速度训练的。

原文标题:东北大学研究生:用强化学习玩Chrome里的恐龙小游戏

文章出处:【微信号:AI_Thinker,微信公众号:人工智能头条】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

四轴机器人编程与应用

主题简介:本次直播主要讲解四轴机器人控制器基本原理及组成。四轴机器人的核心技术内嵌人工智能算法的工业级运动控制技术和伺服
发表于 10-30 00:00 11587次 阅读
四轴机器人编程与应用

爬虫技术为什么变成了害虫?爬虫技术到底犯了什么错?

 近日,多家通过爬虫技术开展大数据信贷风控的公司被查。短短几天时间,“爬虫”技术被推上了风口浪尖,大....
的头像 Wildesbeast 发表于 09-21 11:16 440次 阅读
爬虫技术为什么变成了害虫?爬虫技术到底犯了什么错?

人工智能并非高高在上 也并不与我们的日常生活背道而驰

前不久,一直活跃在美国加州大学伯克利分校的网红无人送餐车Kiwibot,被爆出是人工遥控的。据报道,....
发表于 09-21 10:58 74次 阅读
人工智能并非高高在上 也并不与我们的日常生活背道而驰

嵌入式人工智能前端设备未来的前景怎样

嵌入式人工智能顾名思义就是机器和人的交互。目前来看,我们身边许多嵌入式人工智能设备,如摄像头、机器人....
发表于 09-21 10:39 58次 阅读
嵌入式人工智能前端设备未来的前景怎样

嵌入式人工智能在现在火吗

嵌入式人工智能,就是在人工智能领域出现的,需要在本地终端进行计算的应用场景。
发表于 09-21 09:47 38次 阅读
嵌入式人工智能在现在火吗

区块链和人工智能谁是下一个风口

如果比特币是记账系统的表征、符号,是记账系统上的数字;那么区块链就是这个记帐系统本身,是它背后的一套....
发表于 09-21 09:25 64次 阅读
区块链和人工智能谁是下一个风口

打造中国式安全感,智慧城市建设少不了“智慧之眼”

随着科技发展,视频监控设备早已成为保障城市公共安全的必需品,车站、公园、公路、街角随处可见,数量庞大....
发表于 09-21 09:10 114次 阅读
打造中国式安全感,智慧城市建设少不了“智慧之眼”

2019模拟半导体大会开幕! 产、投两界代表热议中国模拟芯片发展思路!

9月20日,由深圳华秋电子有限公司主办的2019中国模拟半导体大会在深圳成功举办,如何判断中国模拟半....
的头像 章鹰 发表于 09-21 07:56 627次 阅读
2019模拟半导体大会开幕! 产、投两界代表热议中国模拟芯片发展思路!

联想贺志强:智能互联网时代正在到来,未来20年内是产业发展最佳时期

9月19日下午消息,在联想2020校园宣讲会上,联想集团高级副总裁、联想创投集团总裁贺志强向现场50....
的头像 牵手一起梦 发表于 09-20 17:09 411次 阅读
联想贺志强:智能互联网时代正在到来,未来20年内是产业发展最佳时期

京东智谷与三大运营商签署战略合作协议,建设5G智慧园区

2019年省重大预备项目、市重大建设项目京东智谷有了新进展。今日(19日),京东智谷先后与移动、联通....
的头像 牵手一起梦 发表于 09-20 16:46 373次 阅读
京东智谷与三大运营商签署战略合作协议,建设5G智慧园区

人工智能在未来将实现社会包容式发展

很多人看到人工智能,看到的都是悲观的景象,但我看到的是光明的未来。在过去的60多年当中,科技进步最重....
发表于 09-20 16:29 65次 阅读
人工智能在未来将实现社会包容式发展

未来人工智能将可以让机器变得有自我意识

20世纪50年代,计算机科学之父阿兰·图灵在《思想》杂志上发表了题为“计算的机器和智能”的论文,首次....
发表于 09-20 16:23 155次 阅读
未来人工智能将可以让机器变得有自我意识

高维空间对于人工智能是非常重要的

在人类历史上发生过很多次革命。第一次革命可以称之为“农业革命”。当人类第一次出现在地球上的时候,他们....
发表于 09-20 16:22 54次 阅读
高维空间对于人工智能是非常重要的

快速跟踪其人工智能实施的五种方法

围绕人工智能这一重要支持技术的快速成功,可以进一步增加对更广泛的数字转型和创新举措进行更多投资的商业....
发表于 09-20 16:15 56次 阅读
快速跟踪其人工智能实施的五种方法

掌握这三点才是AI系统的未来

特别是,我们需要停止构建那些只是用来更好检测数据集统计模式(通常被称为深度学习的方法)的计算机系统通....
的头像 倩倩 发表于 09-20 16:09 251次 阅读
掌握这三点才是AI系统的未来

深度学习与机器阅读

随后,以传统机器阅读的方法作为引入,引出了深度学习的方法。先介绍了机器阅读的主要步骤:文本表示(将文....
的头像 倩倩 发表于 09-20 16:01 208次 阅读
深度学习与机器阅读

人工智能和机器学习与深度学习之间是怎样的关系

这三种方式在运行机制上的差异使得它们分别适用于不同的任务。而其间最为突出的差别存在于人工智能 (AI....
发表于 09-20 14:57 35次 阅读
人工智能和机器学习与深度学习之间是怎样的关系

人工智能、机器学习与深度学习之间有什么区别联系?

如果你观察下跳棋程序的输出,你会发现这些动作背后隐藏着某种形式的“人工智能”,尤其是当电脑打败你的时....
的头像 倩倩 发表于 09-20 14:35 166次 阅读
人工智能、机器学习与深度学习之间有什么区别联系?

2020年我国机器视觉市场规模将超过150亿元

根据我国机器视觉行业CAGR为23.81%的增速水平,预测2019年我国机器视觉行业市场规模将达到1....
的头像 墨记 发表于 09-20 14:06 1188次 阅读
2020年我国机器视觉市场规模将超过150亿元

启英泰伦发布第二代语音AI芯片,首批10万片已售罄,语音模组最低14.99元!

9月19日,启英泰伦在深圳发布最新第二代语音AI芯片CI110X 系列CI1102和CI1103。此....
的头像 芯链 发表于 09-20 12:02 919次 阅读
启英泰伦发布第二代语音AI芯片,首批10万片已售罄,语音模组最低14.99元!

四大银行均采用了SAS自动化分析工具来实现银行卡反欺诈检测

就目前而言,自动化分析正成为人工智能反欺诈检测的关键组成部分,可以有效减少50-70%的误报,使人们....
的头像 倩倩 发表于 09-20 11:38 699次 阅读
四大银行均采用了SAS自动化分析工具来实现银行卡反欺诈检测

一种旨在帮助患者和临床医生更轻松装配假肢的全新技术

利用虚拟现实和强化学习,美国北卡罗来纳州和亚利桑那州的研究人员正在演示一种旨在帮助患者和临床医生更轻....
的头像 倩倩 发表于 09-20 11:25 161次 阅读
一种旨在帮助患者和临床医生更轻松装配假肢的全新技术

机器学习教父:从未标记数据中促进机器学习能力

会上,美国卡内基梅隆大学CMU计算机学院院长、机器学习教父、乂学教育-松鼠AI首席AI科学家Tom ....
的头像 倩倩 发表于 09-20 11:12 185次 阅读
机器学习教父:从未标记数据中促进机器学习能力

2019年人工智能初创企业的资金没有大幅增长

对于美国和全球AI和ML初创企业而言,真正的资金跃升发生在2016-2018年之间。就在那时,风险投....
的头像 倩倩 发表于 09-20 11:09 157次 阅读
2019年人工智能初创企业的资金没有大幅增长

IDC发布了首份《IDC MarketScape:中国机器学习开发平台2019厂商评估》

百度拥有齐全的机器学习产品矩阵,秉承“双引擎双轮驱动往前走”的发展战略, 致力于针对不同能力的开发者....
的头像 倩倩 发表于 09-20 10:59 114次 阅读
IDC发布了首份《IDC MarketScape:中国机器学习开发平台2019厂商评估》

机器学习必需数据标注,人工标注帮助AI快速落地

AI数据标注员被称作“人工智能背后的人工”。“数据是人工智能的血液。当下是大数据基础上的人工智能,是....
的头像 倩倩 发表于 09-20 10:29 341次 阅读
机器学习必需数据标注,人工标注帮助AI快速落地

人工智能即将迎来新一代的技术革命

1946年第一台计算机埃尼阿克诞生,谁也不知道未来这几十吨的大家伙竟改变了世界,因为人们发现如果能够....
发表于 09-20 10:17 68次 阅读
人工智能即将迎来新一代的技术革命

5G、物联网和人工智能的关系是什么

网际协议版本(Internet Protocol version,IPv),又称互联网通信协议,是网....
发表于 09-20 10:14 67次 阅读
5G、物联网和人工智能的关系是什么

智能化的概念将被应用的越来越广泛

在各智能企业的带动下,不少传统企业都开始纷纷朝着智能化方向转型,大量购进智能化设备,例如物流、制造等....
发表于 09-20 10:10 58次 阅读
智能化的概念将被应用的越来越广泛

携手共进,合作共赢--全志科技&OPEN AI LAB联合发布会圆满举行!

全志科技和OPEN AI LAB达成战略合作协议--致力于提供嵌入式AI应用开发工具与平台,共同推进....
发表于 09-20 08:39 125次 阅读
携手共进,合作共赢--全志科技&OPEN AI LAB联合发布会圆满举行!

西门子多个增材制造工业化应用亮相2019中国国际工业博览会

西门子以“数字化企业——思考工业未来!”为主题亮相2019中国国际工业博览会。在本次博览会上,西门子....
发表于 09-20 08:37 43次 阅读
西门子多个增材制造工业化应用亮相2019中国国际工业博览会

强人工智能需要具备哪些特点

在计算机科学领域中,人工智能是一种机器表现的行为,这种行为能以与人类智能相似的方式对环境做出反应并尽....
发表于 09-19 17:42 82次 阅读
强人工智能需要具备哪些特点

人工智能在共享汽车领域的地位怎样

共享汽车要告别“伪共享”,需在自动驾驶、智能交通、智能网联三大人工智能应用领域布局,才能兼具高效率与....
发表于 09-19 17:01 47次 阅读
人工智能在共享汽车领域的地位怎样

我们与世界的交互方式怎样利用技术来改造

作为面向未来的新技术,增强现实和虚拟现实在过去几年中的发展可以用不温不火来形容。
发表于 09-19 16:52 48次 阅读
我们与世界的交互方式怎样利用技术来改造

医疗AI走出边缘的切入点在哪里

让AI医疗不仅仅是流于表面或者扮演边缘化的角色,或可自此而始。
发表于 09-19 16:49 96次 阅读
医疗AI走出边缘的切入点在哪里

哪一种技术对未来的影响更大

互联网大脑的形成和超级智能的崛起,对21世纪人类的社会结构、经济形态、科技创新、哲学思考都产生了重大....
发表于 09-19 16:42 53次 阅读
哪一种技术对未来的影响更大

未来人工智能会代替人类的工作岗位吗

人工智能在挺早之前就已经有了,相关方面的研究也一直都在进行,可是有突破性的技术却不多,尤其是在实际运....
发表于 09-19 16:04 74次 阅读
未来人工智能会代替人类的工作岗位吗

人工智能产业是否会成为下一个风口

人工智能可以说是现在比较火热的一个话题,其实这项技术已经发展了有超过60年的时间,从上个世纪50年代....
发表于 09-19 16:01 157次 阅读
人工智能产业是否会成为下一个风口

社会问题怎样利用人工智能来解决

人工智能赋予数据生命,让过去各种盘点和调查所搜集到的庞大资料,找到重新被利用的机会,透过数据驱动决策....
发表于 09-19 15:58 47次 阅读
社会问题怎样利用人工智能来解决

中国的5G和AI技术发展为什么能够引领全球?

他同时介绍说,中国已经是全球最早将5G商用服务落地的国家之一,“5G技术除了能够带来更快的速度和海量....
的头像 倩倩 发表于 09-19 14:50 313次 阅读
中国的5G和AI技术发展为什么能够引领全球?

中国电信分享市场经营战略,强调SA制式

9月18日下午,中国电信终端产业联盟第十一次会员大会在广州召开,中国电信市场部副总经理陆良军在会上分....
的头像 牵手一起梦 发表于 09-19 14:48 254次 阅读
中国电信分享市场经营战略,强调SA制式

华为加大对计算产业的布局,未来10年可看到成效

9月19日消息称,华为9月18日发布全球最快的人工智能(AI)训练集群Atlas 900,并宣布加大....
的头像 牵手一起梦 发表于 09-19 14:26 429次 阅读
华为加大对计算产业的布局,未来10年可看到成效

Python3.6零基础入门与实战PDF电子书免费下载

随着大数据技术的发展及Python在人工智能领域的火热应用,Python得到越来越多的应用。本书就是....
发表于 09-19 11:54 38次 阅读
Python3.6零基础入门与实战PDF电子书免费下载

德勤发布了《未来已来·全球AI创新融合应用城市及展望》的报告

人工智能企业的高速增长的重要核心因素是其人工智能研发的技术水平和商业模式是否可大规模商业应用落地。作....
的头像 倩倩 发表于 09-19 11:25 332次 阅读
德勤发布了《未来已来·全球AI创新融合应用城市及展望》的报告

平安人工智能技术的落地与应用

肖京用一句话道出了平安的技术落地战略。平安不是一家掌握前沿技术却无处施展的公司,而是一家业务量庞大、....
的头像 倩倩 发表于 09-19 11:21 297次 阅读
平安人工智能技术的落地与应用

AI+区块链的未来是怎样子

随着人工智能的发展,本身所面临的问题是传统行业技术无法解决的,转身投入一样新行业的区块链,也许是明智....
发表于 09-19 11:05 34次 阅读
AI+区块链的未来是怎样子

人工智能正全面商业化,AI开放平台建设稳步推进

凭借卓越的创新和惊人的发展速度,乂学教育-松鼠AI以5752%的增长率,在上榜的全球50位企业中位列....
的头像 倩倩 发表于 09-19 10:56 209次 阅读
人工智能正全面商业化,AI开放平台建设稳步推进

湖南如何抓住人工智能这一轮风口,把握新一轮竞争的主动权?

9月17日上午,由湖南省工信厅组织的全省人工智能产业发展研讨会在长沙举行,来自省内人工智能产业科研院....
的头像 倩倩 发表于 09-19 10:49 319次 阅读
湖南如何抓住人工智能这一轮风口,把握新一轮竞争的主动权?

恒昌AI助推金融数字化转型

人工智能发展中,正如人类需要从食物中获得能量一样,得益于互联网、大数据的发展而产出的丰富数据原材料,....
的头像 倩倩 发表于 09-19 10:45 266次 阅读
恒昌AI助推金融数字化转型

2019第五届中国人工智能大会将于9月21日至22日在胶州方圆体育中心举办

本届大会还将举办中国人工智能博览会,博览会由企业展区与互动体验区两部分组成。企业展区将展示腾讯、阿里....
的头像 倩倩 发表于 09-19 10:42 364次 阅读
2019第五届中国人工智能大会将于9月21日至22日在胶州方圆体育中心举办

中国芯片将助力人工智能产业的发展

近年来,中国在人工智能各个领域全面发力。以机器人为例,《2019年中国机器人产业发展报告》显示,今年....
发表于 09-19 10:41 105次 阅读
中国芯片将助力人工智能产业的发展

郑交会人工智能科技展

2019年,“智能+”作为一个概念,首次出现在政府工作报告中,人工智能也已连续三年被写入政府工作报告。在国务院印发的关于“新...
发表于 09-16 18:24 106次 阅读
郑交会人工智能科技展

Ubuntu下试玩visionseed工具的数据可视化

日前购得一套AI视觉模组visionseed,我准备先在Ubuntu下试玩visionseed工具来了解这套视觉模组。当然前期准备工作是要做的:...
发表于 09-16 11:29 367次 阅读
Ubuntu下试玩visionseed工具的数据可视化

大话人工智能成功进入测试阶段

大话人工智能成功进入测试阶段 人工智能英文简称为AI,英文全写Artificial Intelligence,中文直译就是人工智能。 人工...
发表于 09-15 12:40 221次 阅读
大话人工智能成功进入测试阶段

国内外人工智能十大芯片怎么样?

2019年属于人工智能爆发的一年,特别是芯片领域,华为一家就推出来四个芯片,芯片可不像软件一样简单复制,也不像普通的线路板一...
发表于 09-11 11:52 196次 阅读
国内外人工智能十大芯片怎么样?

人工智能能否取代人类?

为什么大家对这类问题如此感兴趣?这可能要追溯到2016年,AI真正进入到大众视野并引爆媒体的标志性事件,也就是AlphaGo战胜围...
发表于 09-11 11:52 271次 阅读
人工智能能否取代人类?

神经处理单元IP VIP9000怎么样?

芯片设计平台即服务(SiPaaS®)公司芯原(VeriSilicon)今日宣布推出VIP9000,这是一款高度可扩展、可编程的计算机视觉和人...
发表于 09-11 11:52 151次 阅读
神经处理单元IP VIP9000怎么样?

通用型AI语音识别芯片音旋风611如何?

近日,国产原生芯片品牌探境科技宣布全球首款通用型AI语音识别芯片——音旋风611(英文名称:Voitist611)目前正式进入批量供货...
发表于 09-11 11:52 131次 阅读
通用型AI语音识别芯片音旋风611如何?

人工智能语音芯片行业的发展趋势如何?

人工智能是近三年来最受关注的核心基础技术,将深刻的改造各个传统行业。人工智能在图像识别、语音识别领域的应用自2017年来高速...
发表于 09-11 11:52 185次 阅读
人工智能语音芯片行业的发展趋势如何?

什么是艾芯智能人脸识别门锁解决方案?

随着人工智能(AI)在家庭场景中应用与普及,智能锁逐渐成为智能家居不可或缺的“门面担当”,安全防盗、便利生活成为住户选购...
发表于 09-11 11:52 216次 阅读
什么是艾芯智能人脸识别门锁解决方案?

新一代人工智能领域十大最具成长性技术展望具体有哪些?

近年来,随着人工智能的进一步发展创新,新技术持续获得突破性进展,呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等...
发表于 09-11 11:51 241次 阅读
新一代人工智能领域十大最具成长性技术展望具体有哪些?