- OpenAI 重组进入盈利模式，由前 YC 总裁 Sam Altman 领导

- 围棋天才柯洁未考入清华大学

- Nvidia 以 69 亿美元收购 Mellanox，成为 Nvidia 历史上最大的收购

- Waymo 正在寻求外部融资以启动商业化

- 谷歌：未来机器人可以通过玩耍来学习

- 商汤科技发布时尚数据集DeepFashion2，包含49万张时尚图片

- Facebook 创建基于文本的冒险游戏环境 LIGHT

- 加州大学伯克利分校推出 NeuroCuts，将网络数据分类韶光缩短 18%

- DeepMind 发布导航数据集 StreetLearn

更多优质内容请关注微信公众号“AI前哨”（ID：ai-front）

OpenAI 重组进入盈利模式，由 YC 总裁 Sam Altman 主导

3月12日，OpenAI在官方博客上宣告进入重组阶段，将成为一家“利润封顶”的公司，由前YC总裁Sam Altman领导。
虽然即将开始盈利，但他们承诺将投资回报率减少到一定水平，并实施“100倍利润封顶”。

根据原博客先容，OpenAI新的组织架构如下：

据官方博客先容，OpenAI开始盈利是为了加速人工智能技能的研究进度，扩大研究规模，需投入数十亿美元用于大规模云打算，吸引和留住人才，打造人工智能超级打算机。

大略来说，如果你现在向OpenAI投资1000万美元，那么只有当这一千万美元创造了10亿美元的回报后，超过10亿美元的部分才属于OpenAI。

OpenAI 目前的董事会成员包括 OpenAI 的 Brockman、Sutskever 和 Altman、初始投资者 Reid Hoffman，以及 Adam D'angelo、Holden Karnofsky、Sue Yoon 和 Tasha McCauley。
值得把稳的是，只管 Elon Musk 是早期的主要投资者和支持者，但他并未参与个中。

OpenAI的官方声明称，董事会仅限于少数财务利益干系者，只有非利益干系者成员才能对“有限合资人的利益可能与OpenAI非营利组织的义务相冲突的决定”进行投票。

围棋天才柯洁未考入清华大学

近日，国家体育总局官网公布了《2019年免试入学精良运动员推举名单》，围棋天下冠军柯洁榜上有名，将被录取至清华大学。
录取后，柯洁将在清华大学攻读工商管理专业。
公告显示，柯洁的运动项目为围棋，报考学校为清华大学，专业为工商管理，运动级别为国际级运动员。

2017年，柯洁作为“人机大战2.0”的主角，与AlphaGo进行了三场比赛，推动了围棋人工智能的发展。

Nvidia 以 69 亿美元收购 Mellanox，成为 Nvidia 历史上最大的收购

本周一，英伟达正式宣告以创记录的 69 亿美元现金收购以色列芯片设计公司 Mellanox，这成为英伟达历史上最大的一笔收购。

这次收购将促进该芯片制造商的增长，并减少其对***游戏的依赖。

Mellanox Technologies 是一家跨国打算机网络产品供应商，采取 InfiniBand 和以太网技能，为高性能打算、企业数据中央、云打算、打算机数据存储和金融做事等市场供应适配器、交流机、软件、电缆和芯片。
该公司的芯片为连接做事器的高速网络供应动力，总部位于以色列和美国。
周五交易日，其市值约为 59 亿美元。

数据中央收入占 Nvidia 发卖额的近三分之一。
过去几年，在首席实行官黄仁勋的领导下，Nvidia 增长迅速，但中国经济放缓和加密货币热潮的消退开始给该公司近几个季度的发卖带来压力。

今年 1 月，市值 910 亿美元的英伟达将第四季度营收预期下调了 5 亿美元，缘故原由是中国游戏芯片需求疲软，数据中央发卖低于预期。
英伟达收购 Mellanox 将赢得激进对冲基金 Starboard Value LP 的信赖，Starboard Value LP 是英伟达的股东，去年与英伟达达成了董事会组成协议。

Waymo 正在寻求外部融资以启动商业化

The Information 援引知情人士宣布称，Alphabet 旗下的自动驾驶公司 Waymo 正在寻求外部投资者的融资，目标是大众等欧洲汽车制造商。

若本轮融资成功，这将是Waymo成立十年来首次引入外部成本，意味着Waymo向着成为商业化上市公司迈出了主要一步。

据外媒宣布，Waymo 的估值可能是通用 Cruise 的数倍。
通用 Cruise 最近从本田汽车融资 27.5 亿美元，投后估值为 146 亿美元，而 Waymo 的持股比例不会超过 20%。
此前，摩根士丹利对 Waymo 的估值为 1750 亿美元。

剖析认为，Waymo这次融资是为了得到更好的行业资源或者市场资源，这对Waymo来说才是最主要的。

谷歌：未来机器人可以通过玩耍来学习

Google Brain 展示了机器人如何通过无目标的“玩耍”变得更聪明。
谷歌通过仿照机器人的远程操作得到了数据集。
在远程操作中，研究职员让机器人利用机器手和手臂与现实天下互动，但没有特定的目标。

Google 将此数据集称为“从游戏数据中学习 (LfP)”。
Google 将此数据集用于一个别系，该系统试图通过将这些有趣的动作序列映射到潜在空间来对其进行分类。
同时，系统中的另一个模块试图查看潜在空间并提出可以将机器人从其当前状态转变为其目标状态的动作序列。

谷歌将利用该数据集的方法与利用行为克隆技能根据特定演示数据完成任务的方法进行了比较，结果显示利用LfP数据集的机器人表现更加稳定，并且在大多数任务中成功率更高。

有趣的是，研究职员还创造，利用 LfP 数据集演习的机器人在初次失落败后会多次重试该任务，并且它们的潜在方案空间会学会嵌入任务语义，而无需接管任务标签的演习。

主要性：网络机器人演习数据本钱高昂、难度大，而且随意马虎涌现分布问题。
这种非针对性数据集将使机器人系统实验变得更加随意马虎，并有助于创建共享数据集。