|
3 月 14 日，Uber 宣布了一项重要人事变动：机器学习领域知名学者，剑桥大学教授 Zoubin Ghahramani 出任 Uber 首席科学家。该公司称，Zoubin Ghahramani 将负责管理 Uber 的人工智能实验室，领导整个公司的人工智能/机器学习战略。 Ghahramani 是通过去年 12 月 Uber 收购人工智能初创公司 Geometric Intelligence 的方式加入 Uber 的。在收购完成后，Gary Marcus 担任了 Uber 新实验室 AI Labs 的主任，Ghahramani 担任副主任。然而仅仅过去四个月，在 3 月 8 日，Gary Marcus 宣布离职，显然，Ghahramani 是新任首席科学家的不二人选。 Zoubin Ghahramani 是世界上最具影响力的人工智能/机器学习研究者。他是剑桥信息工程学教授，领导着一个拥有 30 名研究人员的研究团队，同时也是伦敦 Gatsby 计算神经科学团体的创始人员，阿兰·图灵研究院，英国国家数据科学研究院的创始导师之一，Ghahramani 也是卡内基梅隆大学（CMU）机器学习系的教职人员。在以及中，他是公认的世界级领导学者。 据统计，Zoubin Ghahramani 目前已经发表过 250 多篇研究论文，被引次数 35,000 多次（高被引文献数 79）。他曾在机器学习领域的顶级国际会议——NIPS,ICML 以及 AISTATS——上担任过大会主席，也指导过许多公司（从创业公司到微软研究院）。2013 年，因其在打造自动统计员方面的研究工作，获得了 75 万美元的谷歌奖（Google Award）。最近，他被选为英国皇家科学院院士。 Geometric Intelligence 去年 12 月，Uber 宣布成立 Uber AI Labs，专注于改善从外卖派送路线规划到 Uber 自动驾驶汽车行驶方式等任务。实验室主要成员均来自刚刚收购的 Geometric Intelligence（Uber 没有公开收购价格）。
Geometric Intelligence 由三位教授和一名研究生于 2014 年 10 月创办，他们是 Gary Marcus（纽约大学的认知科学家），Zoubin Ghahramani（剑桥机器学习教授），Kenneth Stanley（中佛罗里达大学计算机科学教授）和 Douglas Bemis（纽约大学毕业的神经语言学博士）。 在创建不长的一段时间里，该公司专注于研究「稀疏数据」（sparse data）的问题，思考怎样让 AI 系统使用和现有技术相比更少的训练数据快速识别目标或某种情形。Geometric Intelligence 开发了一个叫做 Xprop 的软件，麻省理工技术评论杂志对它的的描述是「在视觉任务训练上，相比于主流机器学习框架如深度学习，它所需要的训练数据要少得多」。该创业公司的研究人员最近合作完成了一项关于深度生成器网络（deep generator networks）的研究，该项研究创建一些图像，并显示网络中的每个神经元如何影响整个系统的理解。 收购 Geometric Intelligence 说明除自动驾驶以外，Uber 对像谷歌和微软一样开发语音和图像识别软件同样非常感兴趣，开奖，它同时希望自己的产品需要的训练数据更少。 Uber 首席产品官 Jeff Holden 曾表示，尽管 Uber 在机器学习领域取得了初步的胜利，但是「我们仍然处在机器智能的早期阶段。」 「由于存在的复杂性和不确定性，真实世界的谈判才是更高层次的智能问题。」Holden 说道「这体现在很多方面，从确定最优路径到计算你的车或者是 Uber 外卖（UberEats）什么时候会到达，再到为拼车（uberPOOL）匹配乘客。这似乎是在教一个自动驾驶机器自动安全地探索世界，不管这个机器是路上的汽车，宇宙空间中的飞行器还是一种新型的机器人设备。」 在昨天的官方声明里，Zoubin Ghahramani 对于成为 Uber 新任首席科学家显得信心满满： Uber 是世界上发展速度最快的创新和科技企业之一，它「运如流水，行无疆，惠万民（make transportation as reliable as running water, everywhere, for everyone）」的理念旨在对社会做出有益贡献。作为一名深信技术能够造福人类的学者，我很高兴能够加入 Uber 实现自身理念的行列，为全世界做出贡献。我已经发现 Uber 对于机器学习和人工智能研究者而言是一个很棒的地方：这里对于近期高影响的研究以及长期技术挑战都有涉足，有着大量的机会。这里有着大量的数据和丰富的计算资源，并有一个才华横溢的团队。 人工智能和机器学习是 Uber 愿景的核心。Uber 提供的机会在所有科技公司里是独一无二的，因为它的业务根植于现实世界，而现实世界对于人工智能来说复杂又难以预测。我们必须围绕现实世界为我们的自动驾驶汽车构建感知和驾驶系统，同时理解、预测人类驾驶者的行为，为他们提供更好体验。在更大的尺度上，我们正在尝试建模和优化整个城市，并通过例如垂直起降飞机等新交通形式来重构未来交通的图景。我擅长的概率机器学习方法正适合这一领域的研究，而且我们已经招揽了大量的机器学习和人工智能人才，他们在深度学习、强化学习、优化、语言处理和机器人等方面有着各自的专长。我们将在未来继续招募上述各领域的优秀研究者与工程师。
|
