2018年11月
1）AI的寒冬将至。
深度学习技术没有突破进展；深度学习无法扩大规模；自动驾驶濒临崩溃。结合这些事实，Piekniewski得出了这样的一个结论：
更多的媒体已经开始注意到，我们已经处于一个巨大的人工智能泡沫之中了，这让人工智能行业已经没有了多少“新鲜空气”。但我认为，这个泡沫的最终破灭还需要一段时间，接下来的6个月很可能会非常有趣。
2）看来明年的趋势是各大框架全线支持Int8的inference了
对于移动终端深度学习的应用发展是看好的，毕竟硬件厂商ARM已经推出了具备dot int8指令集的Cortex-A55/A76，再不支持就太对不住ARM厂挤出来的这坨大牙膏(SVE遥遥无期…)。
沿用了TensorFlow Lite的量化算法，指令集使用很保守（vmlal.s16 int32x4, int16x4, int16x4），没有像ncnn采用疯狂的overflow的乘加方式（vmlal.s8 int16x8, int8x8, int8x8）。溢出问题其实并没有想象的那么严重，甚至可以避免，不然怎么实现的端到端int8呢，对了int4有什么好办法吗？英伟达的新卡都有int4单元了。
3）AI与安全领域
由于AI狂飙突进，数据和计算规模都前所未见，所以背后的安全问题，也值得更多关注。有需求，自然也就有机会，所以Patterson教授也表示，安全领域，也有很大机会可言。
4）百度联合软协发起深度学习工程师认证考试，19年1月启动报名
5）英特尔的「神经元计算棒」让你把 AI 带着走
这根不比 U 盘大多少的棒子要价 US$100。
英特尔将于北京举办的第一届 AI 开发者会议前夕，该公司发布了第二代的神经元计算棒「Neural Compute Stick 2」。顾名思义地，它是将神经元运算所需的元件做到了像 U 盘一样的外型中，可以直接插在电脑上，提供 AI 相关运算的辅助。不过它要求电脑必须要是 Linux 环境，并且有 USB 3.0 接口就是了。
Intel 设想中这设备最适合的应用场合，就是在户外进行无人机监控、或是自驾车的测试之类的情境。这些使用者可能无法取得强力电脑或云端服务的支持，因此本地端设备就要有足够强大的计算能力。这当中最常见的需求就是影像资料的分析，因此它也内建了 Movidius Myriad X 视觉处理器，来加强这方面的的能力。和前代相比，它的运算速度足足快了有八倍之多呢。
6）安博会上，还有人向雷锋网评价说，AI公司的出路，要么做芯片、要么做集成商、要么被“海大宇”(海康威视、大华和宇视科技)收购。有意思的是，这位业内人士正是来自依图。
7）德勤2018年中国人工智能白皮书
人工智能在金融领域的应用最为深入, 应用场景逐步由以交易安全为主向变革金融经营全过程扩展。传统金融机构与科技企业进行合作推进人工智能在金融行业的应用, 改变了金融服务行业的规则, 提升金融机构商业效能, 在向长尾客户提供定制化产品的同时降低金融风险。
京津冀、 珠三角、 长三角以及西部川渝地区成为人工智能企业聚集地区。 北京、 上海、 深圳牢牢占据人工智能城市实力第一梯队的位置, 广州的大型企业与初创企业数量较少, 杭州主要依靠阿里巴巴,因而属于第二梯队, 重庆则受到技术与人才基础限制处于第三梯队。
综合而言,C端用户重视体验和产品,且需求相对多样复杂,然而目前技术还不够支撑体验很好的产品和应用(如服务机器人);B端和G端更注重效率提升且需求明确,因此目前大部分人工智能企业选择以此为突破。
在过去三年,企业服务、大健康、金融、机器人、汽车和行业解决方案的人工智能是最热门的投资领域。从二级行业来看,企业服务中的智能营销,金融中的智能风控,大健康中的智能影像诊疗,汽车中的ADAS系统和机器人中的服务机器人都是人工智能细分领域的热门投资对象。
8）TensorFlow2.0的改动，全都是keras
合并tf.train和tf.keras.optimizers。吐槽：以后应该是这样：import tensorflow.keras as tf。
9）OpenCV 4.0 正式版发布
dnn 模块包括实验用 Vulkan 后端，且支持 ONNX 格式的网络。
OpenCV 4.0 支持 Mask-RCNN 模型，性能也有所提升，图像处理操作可实现 15%-30% 的速度提升。
其实自从 OpenCV 3.1 以来，它就包含了能实现深度网络前向传播的 DNN 模块，这些深度网络一般都由 Caffe 等深度学习框架预训练而成。在 OpenCV 3.3 中，DNN 模块从 opencv_contrib 移到了核心代码库，并取得了显著的加速。