谷歌WaveNet可以合成更逼真的人聲

2016年9月9日，Google的DeepMind人工智慧團隊（就是開發(fā)了AlphaGo的那個）利用了神經元網絡，開發(fā)了第三種方式－－也就是直接拆解出聲源樣本，產生出一個更深層的語言「習慣」資料，之后再從這些習慣直接建構出音訊檔來。取決于喂給WaveNet AI的資料，它甚至可以模擬出嘴型動作和換氣的細微聲音，在音調和語速上也更有個人風格。而且WaveNet的應用并不止于人聲而已，研究人員喂給它古典樂做為參考，它也能組合出相當有模有樣的古典樂出來。

Elon Musk宣布Tesla所有新車將安裝Autopilot2．0系統(tǒng)

2016年10月，Elon Musk宣布Tesla所有新車將安裝具有完全自動駕駛功能的硬件系統(tǒng)Autopilot2．0，并計劃在2017年年底之前以完全自動駕駛模式讓無人駕駛汽車從洛杉磯開往紐約

谷歌開源TensorFlow圖說生成模型，可真正理解圖像

9月22號，谷歌宣布開源圖說生成系統(tǒng)Show and Tell最新版在TensorFlow上的模型。該系統(tǒng)采用編碼器－解碼器神經網絡架構，分類準確率達93．9％，在遇到全新的場景時能夠生成準確的新圖說。谷歌表示，這說明該系統(tǒng)能夠真正理解圖像。這次發(fā)布的版本對系統(tǒng)計算機視覺組件的一些重大技術提升，訓練速度更快、生成的圖說也更加準確、豐富。

Facebook、Amazon、谷歌、IBM和微軟結成史上最大AI聯盟

9月28號，Facebook、Amazon、谷歌Alphabet、IBM和微軟自發(fā)聚集在一起，宣布締結新的人工智能（AI）伙伴關系，旨在進行研究和推廣最佳做法。這意味著高科技公司將經常聚在一起討論人工智能的進展情況。他們還將正式建立一種體制，實現公司間的溝通。值得注意的是，在日常工作中，這些團隊將不斷競爭，利用機器智能開發(fā)出最好的產品和服務。

機器學習也要反歧視？谷歌提出機會均等框架

隨著機器學習技術的快速發(fā)展，人們對理解其社會影響的興趣也越來越大。機器學習中一個尤其成功的分支是監(jiān)督學習（supervised learning）。只要有足夠的歷史數據和計算資源，學習算法通常都能得出有效得讓人驚訝的未來事件預測器。即使最好的預測器也會犯錯。盡管機器學習的目標是最小化錯誤的可能性，但我們可以如何防止特定的群體經受不成比例的這類錯誤？10月7號，為了解決機器學習中的反歧視問題，谷歌提出機會均等框架。

Facebook推出AI和機器學習戰(zhàn)略

在11月份的Web峰會上，Facebook首席技術官Mike Schroepfer闡述了人工智能和機器學習將在公司今后改善全球連通性、技術可及性和人機交互能力方面將發(fā)揮的重要作用。并再次表示，未來十年Facebook的發(fā)展愿景是“連接全世界”，而具體創(chuàng)新點則落實到“連接”、人工智能（AI）和虛擬現實（VR）三個領域上。

谷歌人工智能翻譯工具獲新突破

2016年11月22日，谷歌發(fā)布了人工智能翻譯工具。此前其可以把英文日文，英文韓文進行互譯，但現在機器可以在前兩對翻譯訓練的基礎上，“無師自通”地把日文直接翻譯成韓文，整個過程不再借助英文的“橋接”。這或許意味著計算機自己內部形成了一套更深層次的概念體系，其更像是一個哲學的進步。

OpenAI發(fā)布人工智能訓練平臺Universe

2016年12月5日，特斯拉首席執(zhí)行官伊隆馬斯克（Elon Musk）創(chuàng)辦的人工智能非營利性組織OpenAI發(fā)布了一款名為“Universe”的虛擬訓練平臺，以加快人工智能技術的發(fā)展。具體來說，開發(fā)人員可以將視頻游戲、應用程序等內容放在這個平臺上，對人工智能進行訓練。

自動唇讀系統(tǒng)LipNet唇語識別準確率為95．2％

2016年12月，英國牛津大學、谷歌DeepMind等研發(fā)的自動唇讀系統(tǒng)LipNet對Gird語料庫實現了準確率為95．2％的唇語識別，其對BBC電視節(jié)目嘉賓進行唇語解讀，準確率為46．8％，遠遠超過專業(yè)的人類唇語專家（僅為12．4％）

2017年AI實現產業(yè)落地

“小度”人臉識別戰(zhàn)勝最強大腦代表

2017年1月6日，百度人工智能機器人“小度”利用其超強的人臉識別能力，以3：2的成績戰(zhàn)勝人類最強大腦代表王峰。

Alpha Go成功戰(zhàn)勝人類棋手

2017年5月份，圍棋天才柯潔與AlphaGo進行了對決�？聺嵸惽暗睦潇o與斗志，在與AlphaGo對弈中逐漸消磨，最終柯潔以0：3戰(zhàn)敗。賽后柯潔曾一度哽咽：“它太完美我很痛苦，看不到任何勝利的希望�！�

AlphaGO的開發(fā)者之一黃士杰稱，AlphaGo的成功融合深度學習（Deep Learning）、強化學習（Reinforcement learning）與樹搜索（Tree Search）三大技術，讓程序自我對弈，自己便是自己的老師。談及AlphaGO對圍棋界的沖擊時，黃士杰表示，“未來AI是人類的工具，跟人類合作，而非跟人類對抗，現在最強的學習技能仍在人類的腦袋里�！�

谷歌正式發(fā)布第二代TPU，對標英偉達GPU Tesla V100

5月19日凌晨，在谷歌I／O 2017大會上，谷歌正式發(fā)布了第二代TPU。

從2016年谷歌公布了這一項目計劃之后，一直等到了2017年4月才看到詳細的文檔介紹以及論文。TPU的目標很簡單，為多種深度神經網絡設計，能夠高速、高能耗比地執(zhí)行深度學習模型的推理任務。在當時的幾種方案中，ASIC的功能完全固定，FPGA的速度優(yōu)勢不大，GPU做模型訓練沒問題但推理任務成本太高，TPU的靈活性稍高于ASIC，并提供了大幅高于GPU的推理任務能耗比。雖然論文中的對比對象有爭議、TPU在某些任務中的表現也并不理想，但以TPU為代表的定制芯片方案注定將會是深度學習大規(guī)模商業(yè)化應用的必備基礎設施。谷歌正式發(fā)布的第二代TPU，運算能力、存儲能力都有大幅提高。相比較上周英偉達剛剛推出的GPU Tesla V100，每秒達到120萬億次浮點運算，谷歌二代TPU最高可達到每秒180萬億次的浮點運算性能。最重要的是它還可以支持模型訓練。