2018年11月
1）AI的寒冬將至。
深度學習技術沒有突破進展；深度學習無法擴大規模；自動駕駛瀕臨崩潰。結合這些事實，Piekniewski得出了這樣的一個結論：
更多的媒體已經開始注意到，我們已經處於一個巨大的人工智能泡沫之中了，這讓人工智能行業已經沒有了多少“新鮮空氣”。但我認爲，這個泡沫的最終破滅還需要一段時間，接下來的6個月很可能會非常有趣。
2）看來明年的趨勢是各大框架全線支持Int8的inference了
對於移動終端深度學習的應用發展是看好的，畢竟硬件廠商ARM已經推出了具備dot int8指令集的Cortex-A55/A76，再不支持就太對不住ARM廠擠出來的這坨大牙膏(SVE遙遙無期…)。
沿用了TensorFlow Lite的量化算法，指令集使用很保守（vmlal.s16 int32x4, int16x4, int16x4），沒有像ncnn採用瘋狂的overflow的乘加方式（vmlal.s8 int16x8, int8x8, int8x8）。溢出問題其實並沒有想象的那麼嚴重，甚至可以避免，不然怎麼實現的端到端int8呢，對了int4有什麼好辦法嗎？英偉達的新卡都有int4單元了。
3）AI與安全領域
由於AI狂飆突進，數據和計算規模都前所未見，所以背後的安全問題，也值得更多關注。有需求，自然也就有機會，所以Patterson教授也表示，安全領域，也有很大機會可言。
4）百度聯合軟協發起深度學習工程師認證考試，19年1月啓動報名
5）英特爾的「神經元計算棒」讓你把 AI 帶着走
這根不比 U 盤大多少的棒子要價 US$100。
英特爾將於北京舉辦的第一屆 AI 開發者會議前夕，該公司發佈了第二代的神經元計算棒「Neural Compute Stick 2」。顧名思義地，它是將神經元運算所需的元件做到了像 U 盤一樣的外型中，可以直接插在電腦上，提供 AI 相關運算的輔助。不過它要求電腦必須要是 Linux 環境，並且有 USB 3.0 接口就是了。
Intel 設想中這設備最適合的應用場合，就是在戶外進行無人機監控、或是自駕車的測試之類的情境。這些使用者可能無法取得強力電腦或雲端服務的支持，因此本地端設備就要有足夠強大的計算能力。這當中最常見的需求就是影像資料的分析，因此它也內建了 Movidius Myriad X 視覺處理器，來加強這方面的的能力。和前代相比，它的運算速度足足快了有八倍之多呢。
6）安博會上，還有人向雷鋒網評價說，AI公司的出路，要麼做芯片、要麼做集成商、要麼被“海大宇”(海康威視、大華和宇視科技)收購。有意思的是，這位業內人士正是來自依圖。
7）德勤2018年中國人工智能白皮書
人工智能在金融領域的應用最爲深入, 應用場景逐步由以交易安全爲主向變革金融經營全過程擴展。傳統金融機構與科技企業進行合作推進人工智能在金融行業的應用, 改變了金融服務行業的規則, 提升金融機構商業效能, 在向長尾客戶提供定製化產品的同時降低金融風險。
京津冀、 珠三角、 長三角以及西部川渝地區成爲人工智能企業聚集地區。 北京、 上海、 深圳牢牢佔據人工智能城市實力第一梯隊的位置, 廣州的大型企業與初創企業數量較少, 杭州主要依靠阿里巴巴,因而屬於第二梯隊, 重慶則受到技術與人才基礎限制處於第三梯隊。
綜合而言,C端用戶重視體驗和產品,且需求相對多樣複雜,然而目前技術還不夠支撐體驗很好的產品和應用(如服務機器人);B端和G端更注重效率提升且需求明確,因此目前大部分人工智能企業選擇以此爲突破。
在過去三年,企業服務、大健康、金融、機器人、汽車和行業解決方案的人工智能是最熱門的投資領域。從二級行業來看,企業服務中的智能營銷,金融中的智能風控,大健康中的智能影像診療,汽車中的ADAS系統和機器人中的服務機器人都是人工智能細分領域的熱門投資對象。
8）TensorFlow2.0的改動，全都是keras
合併tf.train和tf.keras.optimizers。吐槽：以後應該是這樣：import tensorflow.keras as tf。
9）OpenCV 4.0 正式版發佈
dnn 模塊包括實驗用 Vulkan 後端，且支持 ONNX 格式的網絡。
OpenCV 4.0 支持 Mask-RCNN 模型，性能也有所提升，圖像處理操作可實現 15%-30% 的速度提升。
其實自從 OpenCV 3.1 以來，它就包含了能實現深度網絡前向傳播的 DNN 模塊，這些深度網絡一般都由 Caffe 等深度學習框架預訓練而成。在 OpenCV 3.3 中，DNN 模塊從 opencv_contrib 移到了核心代碼庫，並取得了顯著的加速。