该公司的研究人员使用了一个名为PassGAN的模型，看名字就知道，这是password和GAN组合词，GAN指生成对抗网络。生成对抗网络由生成器和鉴别器组成，生成器负责生成数据，鉴别器负责鉴定生成的数据是否及格，有点像是两个人相互交手提升技术，常用于图像生成这一领域。因此跟一般简单粗暴的密码生成器不同，PassGAN会从现有的密码泄露中学习，并生产新的密码。

研究人员给PassGAN提供了1568万个常用的密码作为训练集，这些密码大多在4-18位之间，它们均来自于RockYou这个网站数年前泄露的数据。根据测试，11位以内的纯数字密码几乎是马上被破解的；包含小写字母的9位密码也仅需1分钟就能破解；至于大小写字母加符号的9位密码则需要花费2周，8位需要花费7小时。

乍听上去似乎AI已经把你的密码看光了，但事实上，根据Home Security Heros的研究，只要你用尽量长和复杂的密码，哪怕密码只要多一位数，AI就会难以下手。比如10位的大小写字母加符号密码需要5年来破解，但11位的密码就得花上356年。不过相比于AI，个人觉得还是防范一下社会工程学攻击比较好。

这份专利描述的简单中文版本是，使用机器学习，从要再现的对象的多个参考图像中重建它，参考图像包括原始参考图像的放大或缩小版本，并可生成用于再现对象的预学习数据。

专利描述无疑有些拗口和难以理解，不过从左边的流程图中我们就能搞懂这专利的原理。首先是渲染参考图像，然后通过放大或缩小算法，提供参考图像的放大或缩小版本，然后和原始图像一起输入到机器学习设备中，通过图像还原算法重建图像，最后输出它。从原理来看，它跟NVIDIA的DLSS可以说是一模一样。也许索尼就是想在PS5或者更后面的主机上加入对该类算法的支持，以让新主机在高分辨率情况下提供更为稳定的帧数，之前在PS4 Pro上，为了在4K分辨率下提供稳定的帧数，索尼提供了棋盘格渲染这种插值上高分辨率的渲染方式，也被人诟病是“假4K”。

AI战未来啊。

新的MLPerf推理基准测试其中包括5项内容，主要针对目前常见的应用，包括图像识别、物体检测及机器翻译项目。而且测试模拟的场景都与真实情况相关。其中单流检测评估如智能手机用户拍照，多流检测评估如检测障碍物的多摄像头气测系统。服务器场景针对在线请求，而离线检测针对批处理系统，主要测试系统的吞吐量。这套测试中还包括了一个负载生成器LoadGen，除了生成负载外，还要负责验证结果的准确性并计算最终的指标。

目前训练好的人工智能模型中包括了很大的数据库，在使用时可能会有不便，所以现在有研究人员想要一种可以保持一种逻辑并能迅速应用到其他的数据中，这种机器推理过程也逐渐成为了现在很多人工智能应用需要做的东西。

此前MLPerf已经推出了MLPerf Training机器学习训练基准测试，而本次推出的MLPerf Inference推理基准测试让GPU、AI芯片有了更加全面的测试。不过在这些测试中，还没有正式加入功率测试，要提交测试硬件功率需要加入其中的功率工作组。

目前MLPerf Inference推理测试还没有成绩提交，但已经有Training训练基础测试数据了，不过数据也不是很多，只有英特尔、NVIDIA及谷歌TPU的一些测试成绩。但MLPerf将测试程序开源了，所以对深度学习、神经网络感兴趣的朋友及研究者可以将测试程序下载下来后测试一下自己的电脑。

GauGAN 提供了三种绘图工具：油漆桶、画笔、铅笔。下方是各种素材，选择一种作图，软件就会生成对应的图像。这并不是简单的用材质填充，而是会根据输入的形状产生独特的结果。比如选择云朵素材画一个圆，就会生成一朵轻飘飘的夏日浮云。选择树木素材画一条直线，会生成一根树干，再在上面画一个圆，就会生成树枝和树叶，成为一颗完整的树。软件还引入了随机数机制，避免相同的输入总是生成相同的结果。

GauGAN 使用的神经网络经过数百万张照片的训练，能够理解画面中的各项元素，从而能将涂鸦中的图形用自然的真实事物填入。从演示中可以看到，GauGAN 甚至能正确地生成景物的倒影。GauGAN 还能考虑事物的相关性，若把草地改成雪地，之前画的树木就会从枝繁叶茂变得枯萎。

为了能够实时生成结果，GauGAN 必须运行在张量计算平台上。在这次展示中，Nvidia 使用了 RTX Titan GPU，保证了实时计算所需的算力。应用深度学习研究组副主席 Bryan Catanzaro 表示，经过一些修改，GauGAN 也可运行在几乎任何平台上，只不过需要花上几秒钟才能显示结果。

观看演示视频：https://www.bilibili.com/video/av46730573

据theinformation报道，一位苹果公司发言人证实苹果已经收购了这家只有四年历史的初创公司，该公司位于硅谷，主攻机器学习技术，由三位前Google工程师Anand Shukla，Srinivasan Venkatachary和Steven Baker创立，并从Redpoint Ventures和Sutter Hill Ventures获得了超过2400万美元的投资。此次收购已经于去年年底完成了，只不过苹果方面一直在保密，直到最近苹果公司发言人证实。

Laserlike的团队在其高级副总裁John Giannandrea的带领下加入了苹果的Siri团队，此时正值苹果前Siri副总裁John Stasior和搜索负责人Vipul Ved Prakash离职，Laserlike的团队此时入场正好能够帮助Siri项目。

最近几个月，苹果公司一直在进行人工智能相关的领域的招聘。除了聘请Giannandrea并加大力度招募新的Siri工程师之外，它还收购了一家专注于信息隐私领域的人工智能设备制造商Silk Labs。

在NVIDIA已经完成的2018财年中，他们的营收达到了97.1亿美元，同比增长了41%。在NVIDIA的业务构成中，尽管自动驾驶、数据中心等业务听上去让人兴奋，但是他们67%的营收都来自游戏业务，这依然是他们占比最多的业务，其中PC游戏市场营收46亿美元，主机业务营收9.1亿美元。

这种情况也让市场对NVIDIA的未来看法分成两派，之前我们的文章中提到了有分析认为NVIDIA的游戏业务还会继续保持增长，显卡ASP均价也会不断增长，三年来已经提升了25%到200美元。

另一方面，尽管NVIDIA的企业级、数据中心市场的GPU收入还不主流，占比远低于游戏GPU，但是也有分析师非常看好这部分业务。 The Benchmark公司的分析师Mike Burton上周末上调了NVIDIA的目标股价到280美元，对他们的未来非常看好。

他认为NVIDIA未来将不再是一家GPU公司，而是一家平台公司。

Mike Burton认为NVIDIA是未来掌握AI人工智能、机器学习关键的少数公司之一，而这一市场目前正在爆发性增长，去年增长了133%，今年增长了57%。2018财年中这部分业务占NVIDIA的营收不过12%，但是2021财年（日历年大概在2020年）将占到28%的营收。

这个趋势将导致NVIDIA公司的毛利率大幅增长，Mike Burton预测数据中心市场的毛利率在75%左右，远高于该公司2018财年的60.2%毛利率。根据他的预测，NVIDIA公司在2021财年的整体毛利率将会提升到64%。

高盛收集到了各支球队的球员属性、球队过往成绩，使用机器学习分析这些数据，并建立起20万个模型，最后依靠AI人工智能进行了100万次的模拟，他们得到如下图的结果。注意每个国家队旁边的数字表示球队胜出的几率，数字越大，最终获胜几率越高，这是基于大数据计算出来的结果。

从这里面，我们可以得知一些关键信息：

-获得最终冠军的是巴西，将会是巴西第六次捧起世界杯冠军的大力神杯，而决赛对阵的是上一届冠军德国

-西班牙、阿根廷由于表现不佳，止步于八强

-东道主俄罗斯连16强都进不了

-沙特阿拉伯可能是匹黑马

不过足球比赛依然是一个高度不可预测的体育竞赛，充满了非常多的未知之数，研究人员只能从有限的条件、因素去研究分析哪只球队可能获得胜利，这依靠的正是时下热门的大数据与机器学习，最终的结果依然只是仅供参考。毕竟足球体育竞赛的魅力在于其未知性、刺激性，这就是为什么世界杯总让人那么着迷。

咳，大家都看好哪支球队？

Gfycat为此推出了三种与机器学习有关的GIF动图解决方案，第一个是Project Angora，主要用于收集互联网上可用作GIF的短视频资源，很大一部分是来自Youtube，Gfycat将这些视频片段转换成高分辨率的GIF动图，目前Gfycat可以每日上传15000张GIF到平台和制作200万张高质量GIF。

第二个是Project Maru，这个主要是利用人脸识别技术，在GIF动图中标注人物的名字，主要是一些名人的信息，现在系统经过大数据的训练后，已分辨出多种不同类型的人脸，Gfycat表示由于图片识别技术无法识别数量多的人物，所以他们用的技术是基于视频的。

Gfycat第三个方案为Porject Felix更先进，可以帮助在GIF中获得更好的文字阅读性，动图中往往有一些原信息无法被展示出来，例如一些出自电影片段的原台词，Gfycat用到统计学来判断GIF中文字出现的位置，然后处理成二进制图片放到视觉人物识别系统中进行匹配出文字。

由此看来，这些project将改变GIF画质和信息传递的表现。有趣的是，外媒The Verge指出Gfycat这些项目的名字都是来自猫科动物，因为他们很喜欢猫，所以公司名字都有个cat，希望之后这家猫公司可以真的利用到AI机器学习，让GIF也进入高清时代吧。