• 项目
首页>>文章列表 >>文化教育
文章列表

癌症免疫治疗的里程碑:多家公司销售额突破十亿美元

提到癌症,人们总是把它与绝症联系在一起。

但是在过去40年,随着医疗水平的进步,癌症的治疗取得了很大的进展。1975-1977年,男性前列腺癌和女性乳腺癌的五年生存率分别为68%和75%。而到了2006-2012年,两种癌症的五年生存率分别高达99%和91%。


目前,人类在对抗癌症上,手术、放疗和化疗等传统疗法已经接近其治疗潜力的“极限”,各医疗巨头“穷则思变”的探索,如今终于结出了免疫治疗这一丰硕果实。

现在,作为治疗晚期癌症的一个潜在新方案,癌症免疫治疗正在进一步的帮助人们打败癌症。

癌症免疫治疗具有双重任务。首先,它们能够破坏癌不受到免疫系统检测的能力。其次,一旦癌细胞被鉴定为异物,免疫疗法有助于增强您的免疫系统来杀死癌细胞。虽然癌症免疫治疗可以作为单一疗法来使用,但是当与现有化学疗法组合使用时,它们被证明非常有效。


其中一些免疫疗法在某种程度上更加“先进”:需要对患者进行某种程度的“转基因”。从这个角度来看,这次虽然是人类攻克癌症的重要一步,但同时也是人类开始接受自身基因被改造的第一步。

那么新疗法的风险有多大?其是否有可能治疗所有类型的癌症?

目前,已经有大约六个癌症免疫治疗获得了美国联邦食品药品监督管理局(FDA)的批准。根据预计,多家癌症免疫疗法公司今年的销售额将突破10亿美元。

以下是三家最成功的癌症免疫疗法公司,根据销售额排名。


Opdivo

在癌症免疫疗法公司中,Bristol-Myers Squibb旗下的Opdivo可能在2017年获得最高的销售额。2017年上半年,Bristol-Myers公司的全球销售额达到23.2亿美元,比2016年前六个月增长了50%。

就在过去一周,该公司宣布了令人兴奋的数据——相较于目前的治疗Sutent,将Opdivo和Yervoy联合使用治疗一线肾细胞癌可以将死亡风险降低37%。

然而,值得注意的是,并不是每次临床试验都取得了成功。尽管如此,Opdivo仍然是晚期癌症患者的基本疗法。


Keytruda

如果Opdivo是免疫疗法中的皇冠,那么Merck的Keytruda就紧随其后。2017年上半年,Keytruda的全球销售额已经增长到14.7亿美元,超过了2016年全年的销售额。

Keytruda目前被批准用于治疗晚期黑素瘤等癌症。

Merck的Keytruda也是第一个有史以来第一个被FDA批准治疗特定基因突变实体瘤的药物。

对于患有特异性突变的晚期胰腺癌、前列腺癌、子宫癌或骨癌的患者,Keytruda的整体响应率达77%。相比之下,一般治疗的响应率为10%-25%。

目前,Keytruda正在进行数十个早期、中期、晚期实验,其销售额在未来有望大幅攀升。


Yervoy

2017年上半年,Yervoy创造了6.52亿美元的销售额,比2016年上半年增长了29%。

自2011年被批准用于治疗晚期黑色素瘤以来,Yervoy还获得FDA批准用于降低手术后黑色素瘤再次发生的风险。此外,Yervoy还被批准用于12岁及以上的儿科患者,治疗不可切除的或转移性黑色素瘤。

Yervoy未来增长的最佳机会是与Opdivo的组合研究。如前所述,Opdivo-Yervoy在一线肾细胞癌研究中表现亮眼,可能在明年获得大幅增长的机会。

KDD 2017:体育运动分析中的数据挖掘与机器学习

很早以前看过一部体育题材的电影《点球成金》,英文名MoneyBall。片子讲述了布拉特皮特饰演的球队总经理和耶鲁大学经济系毕业的数据分析师一起通过对棒球比赛数据进行挖掘和分析,淘宝联盟里性价比高、拥有一技之长的球员组队,进而取得成功的光荣事迹。该片充分展现了利用数据来提升球队的价值和意义,令人印象非常深刻。一直想对其中用到的技术手段一探究竟,而KDD 2017上的《Athlytics: Data Mining and Machine Learning for Sports Analytics》这个topic实在是再合适不过了。


这个讲座由KonstantinosPelechrinis (University of Pittsburgh),EvangelosPapalexakis (University of California, Riverside),Benjamin Alamar (ESPN)三位合作,学术界+工业界的模式保证了实用性。整个topic还是很研究范儿,数学公式比较多,但解决的问题和方法还是相对比较浅。这里可能有两个原因:1.这个领域人们之前并未足够重视,大部分还是依靠专业球探的经验;2. 这个领域价值很大 (权威机构预测到2021年体育数据分析的市场有47亿美金) 更专业更有价值的方法并未公开。具体方法不再一一赘述,挑三个有趣的分享一下,更多可以参考ppt链接。



(1)评估球员实力:修正的正负值指标Plus−minus


正负值是评估球员实力的主要指标,该指标越高,意味着球员能力越强。以安东尼-5为例,就是安东尼上场的时间内,球队输了5分。但该指标只考虑球员在场的得失分差,明显有很多不合理的地方。比如场上领先时,不代表每个人都对这次的成功合作做出了正面的贡献,退一步讲,即使每个人有正面贡献,贡献少 能力低的也很难通过这种数据被区分出来。


如何区分每个球员对胜利的贡献是其中的关键问题,研究者们借助线性模型对每个回合进行回归建模,因变量(DV)是每回合的得分、自变量(IV)则是所有球员,回归的结果就是每个球员会有一个权重,而这个权重代表了球员对胜利贡献。这里自变量的设计很巧妙,针对每一个回合,我方在场球员用1表示,对方在场球员用-1表示,其他球员用0表示,这样起到的一个效果就是本回合的得分和我方在场球员正相关,和对方在场球员负相关,而和不在场球员无关。多个回合经过模型学习后,每个球员都有了自己的一个权重,越大表示这个球员对胜利的贡献越大,同时由于每个回合都考虑我方在场和对方在场的球员,也把其他球员的影响自动考虑进去。

 

上图是NBA 07-08赛季头部和尾部Top5的球员,看起来非常靠谱,和大部分球迷的认知还是比较一致的。



(2)预测比赛胜负:基于PageRank的Sportsnetrank


简单来说Sportsnetrank基于pagerank的思想,将球队之间的比赛建模成图,结点是球队,边是球队之间的战绩(得失分)。然后在图上运行pagerank,就可以得到每个球队的实力评估分数,pr值越大,球队实力越强,胜率越高。下图是基于NFL联赛构建出来的图,结点越大,球队越强。边越粗,说明球队交手时差距越大。

预测比赛胜负时,可以简单根据之前的交手记录构建图,然后计算出每个球队的目前实力。当两个球队交手时,实力更强的球队预测为胜。就是这样一个简单的策略,就能取得很好的效果,按作者的原话是达到了stat-of-the-art的水平。

 

上图是NFL联赛预测的结果和真实的结果的比较,可以看出确实不简单。



(3)战术有效性:挡拆识别及评估


挡拆(防守)是NBA最常见的战术,也是得分最有效的手段。有研究者建立并实验了一套自动识别常见挡拆防守套路的系统。利用SportVU球员追踪数据和监督式机器学习方法,建立了一套学习分类器,用于分辨防守挡拆的四种方式:“挤过(over)”、“绕过(under)”、“包夹(trap)”、“换防(switch)”。具体含义如下:


  • 挤过:持球防守者在持球人和掩护者之间,即从掩护上方挤过;

  • 绕过:持球防守者不在持球人和掩护者之间,即从掩护下方绕过;

  • 换防:持球防守者和掩护防守者交换防守对象;

  • 包夹:持球防守者和掩护防守者夹击持球人。


然后作者手动标记了四种类型的若干样本,并进一步训练构建了分类器来发现更多的挡拆。最终识别结果如下:全部270823个挡拆,“挤过”146314个,“绕过”69721个,“换防”37336个,“包夹”17451个。对这些进一步分析可以得到以下一些有趣的结论:


  1. 各赛季四类挡拆分布基本一致,但可以注意到“包夹”的比例略有提高,说明随着个人得分能力更强后,包夹会越来越多?

 

    b. 哪些组合不来电?


下图比较了不同防守组合面对挡拆的每回合失分以及他们各自与所有球员搭档的平均每回合失分。克里斯-保罗和布雷克-格里芬是使用挤过的效果是最差的之一,平均失去1.2分。另外伊巴卡和雷吉-杰克逊组合的换防很差,但各自挡拆防守效率很接近。【题外话,如今这两对组合已经都被拆散了,是不是经理看到了这个研究?】


如何在Kaggle中高效搜索数据集?

对于关注数据科学的同学来说,Kaggle上庞大的数据集是一个极好的资源池,但是这么多的数据,如何进行更精准的搜索?近日,Kaggle官方博客就刊登了Rachael Tatman的一篇文章,向大家安利如何更高效的搜索数据集,具体怎么操作? AI科技评论将文章编译整理如下:

目前,在Kaggle上有成千上万的数据集,而且每天都会有新的增加。虽说Kaggle是一个非常棒的资源池,但是想在这么多的数据集里精准地找到与自己感兴趣的主题相关的,有时会有点棘手。在过去的几个月里,我学到了一些技巧和小窍门,或许能帮到你!


从“Datasets”页面搜索

大多数时候,我更喜欢打开“Datasets”页面搜索数据集。你可以点击Kaggle主页顶部的Datasets标签直达这个页面。


数据集搜索

在Datasets页面用搜索框搜索和在页面顶部搜索不同,你将能在页面上看到所有的搜索结果。


搜索小技巧

我写这篇文章的时候,Kaggle上的搜索已经支持一些额外的语法了,你可以通过下面的一些限定进行更精确的搜索。

“”:用双引号把搜索文本括住之后就可以进行精准搜索。例如搜索“巧克力蛋糕”,将会得到关于巧克力蛋糕的结果,而不会出现巧克力棒或红丝绒蛋糕。

+:将两个搜索词用加号连接,中间不要出现空格,将得到含有第一个词和第二个词的搜索结果。搜索“巧克力+蛋糕”将会得到同时包含巧克力和蛋糕的结果,而不会非得是巧克力蛋糕。

|:在两个搜索词之间插入这个符号,将得到有第一个词或第二个词的搜索结果,例如搜索“蛋糕|巧克力”将会得到有蛋糕或巧克力的结果。

*:如果你正在搜索的东西具有多种拼写方式,可以使用*进行搜索。例如搜索“choc*”,结果中将会出现以"choc"开头的关键词,比如"choclate"、"chocked"或是"chockablock"。

-:在搜索词前面加上减号将得到不包含该词的结果。例如搜索"蛋糕-巧克力"将会得到与蛋糕相关的结果,但会屏蔽掉所有带有巧克力的结果。


在搜索结果中进行更细致的查找

如果你搜索出来的结果太多了,这时浏览器中的页面搜索功能将起到很大作用。在大多数web浏览器中,你可以键入ctrl+f(在Mac上是cmd+f),然后在出现的方框中输入你想要更进一步搜索的文本。

将结果分类

你可以通过不同的方式将搜索结果分类:

  • 热度:这是默认的排序方式。热度取决于很多因素,包括在一段时间内总的受欢迎程度和活跃度的增长情况。

  • 得票数:这个排序取决于搜索结果的得票情况。

  • 更新时间(我比较推荐这种排序方式):这种排序是基于最近更新(创建或增加新版本)的时间,这是我个人最喜欢的排序方式。其他人可能更倾向于流行的、比较老的数据集,而我更想找到一些新的数据集。而且,我还发现了一点,近期更新过数据集的发布者更有可能回复大家的提问、对kernel作出评论。

  • 近期活跃度:这种排序方式取决于近期用户是否与数据集有过交互,比如对数据集进行评价、启动或运行kernel。

  • 相关度:这种排序方式取决于搜索结果与查询词的相关程度。

精选数据集与所有数据集

默认情况下,Datasets页面只会显示精选数据集,精选数据集是由Kaggle团队成员手工挑选的,有良好的文件记录、已经被清洗过并且随时可以使用。不过,并不是所有的数据集都是精选数据集,一些高质量的数据集可能还没有被精选。如果你想看到所有数据集,可以点击页面上“精选”旁边的“所有”选项卡。在选择所有数据集之后,可以通过数据集的标题旁是否有灰色的精选标签来分辨是否为精选数据集。

数据集标签

另一种查找数据集的方法是使用标签(相对较新的特性)。你可以通过两种方式搜索特定的标签。第一种方法是单击数据集列表或数据集页面上的标签,这将返回一系列带有匹配标签的数据集列表。第二种是在搜索框中搜索标签。你可以在你搜索的词后面加上用单引号括住的tag:标签名,即搜索词tag:标签名的形式,如果标签中有空格,记得打出来。

  • tag:'食物和饮品':搜索带有食物和饮品标签的数据集

  • tag:'因特网'::搜索带有因特网标签的数据集

有一些标签涵盖了很广泛的主题,数据发布者给自己的数据贴上这些标签,让它们更容易被发现。现在用户还没有办法添加自己的独一无二的标签,我建议大家可以通过点击搜索结果中的标签来进行搜索,而不是自己输入文本来进行搜索,试图猜测某个标签是否存在。

使用Kaggle主页顶部的搜索框来搜索


使用Kaggle页面顶部的搜索栏,你将不会得到包含所有搜索结果的页面,只会得到排名前十的搜索结果列表。如果你想快速查找一些东西,这还是很方便的。如果你搜索的是数据集,你可以在关键词之后加上in:datasets,这样会使你的搜索更精确。

这些差不多就是我给大家在kaggle上找数据的建议!如果你想在kaggle上找一种特定类型的数据,但是一直找不到,记住,你随时可以把自己的数据传上去。

AI现在只看2分钟视频就能创建游戏了

 

佐治亚理工学院的研究人员正在开发一种可以通过观看游戏过程以重建游戏引擎的AI。

 

这项技术旨在帮助视频游戏开发者加快游戏开发,并尝试不同风格的游戏。 在最近的实验中,AI观看了两分钟的超级马里奥兄弟游戏,然后通过研究游戏中的帧、预测游戏未来事件,最终建立自己的游戏版本。

左图为原游戏视,右图为AI重建游戏

 

“为了让AI 系统创建一个准确的预测模型,从而能解释2D平台游戏中的所有物理规则,该团队在一个简单的快速奔跑视频中训练人工智能。在这个视频中,玩家只需要向着目标奔跑。”佐治亚研究所的发言人 Joshua Preston 解释说。 他补充说,这个方法使得即使那些最困难的游戏场景也能用来训练AI。 

 

通过允许人工智能研究游戏中实际采用的帧,研究人员发现,与其他测试团队所采用的方法相比,该方法对游戏帧的预测更接近超级马里奥兄弟游戏中真实的帧。 这简化了训练过程,只需让 AI 观看游戏的视频,AI就可以学习其引擎、重建该游戏。

 

首席研究员Matthew Guzdial在发布会中说:“我们的AI创建了预测模型,无需访问游戏代码,并且能比卷积神经网络更准确地预测事件。只观看一场游戏视频,不会产生出完美克隆的游戏引擎。但是,只要多添加几段游戏视频,系统就会得到一个非常接近原始引擎的新引擎。”


克隆的游戏的一个截屏

 

一旦研究团队获得了游戏的模型,剩下的便只是测试的问题:该怎么玩?这时,将实施第二个AI系统,以测试重建出的游戏的关卡,以确保玩家不会过不了关。第二AI系统有点像一个质量保证系统,但比质量保证系统要复杂得多。

 

研究人员发现,已经无法区分通过原始游戏引擎玩游戏的AI和使用克隆引擎玩游戏的AI了。

 

“据我们所知,这代表了第一个能学习游戏引擎、并通过游戏画面模拟游戏世界的AI技术。”互动计算副教授和该项目联合研究员Mark Riedl说。

 

研究人员还强调,截至目前为止,当大多数游戏动作发生在屏幕上时,该AI系统的表现最好。当游戏的某些动作不能直接体现在屏幕上、不是玩家能直接看到的帧内容时,这些动作可能会对系统造成困难。

 

这个新兴技术展示了一个趋势问题:将来,这个AI 系统的一个更加可行的版本将对游戏产业造成怎样的影响? 具体来说,它是否会取消游戏行业中的某些岗位,例如,是否会让游戏的质量保证测试员失业?

 

佐治亚理工大学的Riedl表示,开发商不必担心自己的工作安全; 这项技术将是对游戏开发的辅助,而不是替代。 Riedl称,这个AI将帮助游戏开发新手创造出过去他们做不出的游戏。 使用这种A,I将允许没有编程或设计经验的开发人员向AI显示游戏应该如何工作,然后AI会重建这个游戏。

 

Riedl说:“它不会让人们失去工作。相反,这将使人们有可能创造出一些曾经无法做到的游戏。这样,可以让更多的人进行创造,增加馅饼的大小,而不是取代个人的岗位; 其次,游戏专业人士也可以通过让系统初步猜测游戏的机制,以更快地创建游戏。AI将带来更高效的工作,这并不必然让人们失业,而是会让他们在有限时间内做出更宏大、更好的游戏。“

 

那么,质量保证测试员的命运呢? Riedl 认为,他们仍然是必要的,因为他们在玩游戏时拥有一个AI仍然缺乏的能力:肢体触摸。

 

“ 我们制造视频游戏,是为了让人类能享受到它。”Riedl 说。 “你总是需要由人类来测试游戏。AI可能有助于测试一些我们无法直接测试、但可以在数学上进行形式化的东西,比如测试游戏的平衡性。但是,我们仍然需要使用人类来测试游戏,才能知道其他人类会不会享受这个游戏。


TensorFlow Agents日前开源,轻松在TF中构建并行强化学习算法

用于在TensorFlow中构建并行强化学习算法的高效基础架构范例TensorFlow Agents日前开源,这个项目是由谷歌的两位研究员James Davidson、Vincent Vanhoucke,以及Danijar Hafner共同研发的。关于这个项目的开源信息他们在GitHub上进行了介绍。


金准数据现编译整理如下:

TensorFlow Agents

TensorFlow Agents为强化学习提供了优化的基础架构,它将OpenAI gym接口扩展到多个并行环境,并能在TensorFlow中训练智能体,进行批量计算。在这个项目中,我们提供BatchPPO,这是针对近端策略优化(Proximal Policy Optimization,PPO)的一个实现。

如果你在研究中使用了我们这个项目的代码,请引用我们之前发布的关于TensorFlow Agents的论文TensorFlow Agents: Efficient Batched Reinforcement Learning in TensorFlow,论文地址:https://drive.google.com/file/d/0B20Yn-GSaVHGMVlPanRTRlNIRlk/view

@misc{hafner2017agents,

   title={TensorFlow Agents: Efficient Batched Reinforcement Learning in TensorFlow},

   author={Hafner, Danijar and Davidson, James and Vanhoucke, Vincent},

   year={2017}

 }

工具:Python 2/3, TensorFlow 1.3+, Gym, rumamel.yaml


说明

先执行如下代码复制数据库并运行PPO算法。

python3 -m agents.scripts.train --logdir=/path/to/logdir --config=pendulum

这里用的算法已经在配置中定义好了,其中pendulum利用了已有的PPO实现。可以在agents/scripts/configs.py中查看更多的预定义配置。

如果想要重新开始运行之前的任务,可以在最后的指令中增加--timestamp=<time>标志,并提供你运行的目录名中的时间戳。

为了将度量可视化,需要从另一个终端启动TensorBoard,然后将浏览器指向http://localhost:2222:

tensorboard --logdir=/path/to/logdir --port=2222

如果要渲染视频,收集OpenAI Gym的统计数据上传至记分板,请输入以下代码:

python3 -m agents.scripts.visualize --logdir=/path/to/logdir/<time>-<config> --outdir=/path/to/outdir/


修正

这个项目的发布能让新的强化学习思想更容易实现。当修正代码之后,你可以从如下几个文件开始执行任务。

  • scripts/configs.py(指定任务和算法的实验配置)

  • scripts/networks.py(被定义为TensorFlow RNNCell的神经网络模型)

  • scripts/train.py(包含训练设置的可执行文件)

  • ppo/algorithm.py(PPO算法的TensorFlow图)

如果要运行所有的单元测试,请输入如下代码:

python3 -m unittest discover -p "*_test.py"

如果有更多问题,可以在 Github上提问。


执行

这次的发布还包括OpenAI Gym环境下的一个批处理接口,它能与TensorFlow无缝集成,实现高效的算法。这是通过如下核心组件实现的:

  • agents.tools.wrappers.ExternalProcess

    agents.tools.wrappers.ExternalProcess是构造外部进程里的OpenAI Gym 环境的包装(wrapper),它可以调用step()、reset()以及属性访问,转发到进程中,然后等待结果,可以并行运行多个环境而不受Python全局解释器锁(global interpreter lock)的限制。

  • agents.tools.BatchEnv

    agents.tools.BatchEnv能将OpenAI Gym接口扩展至多个环境中,它可以联合多个OpenAI Gym环境,用step()接受批量的动作,返回观察值、奖励、完成的标记和info对象。如果有多个独立的环境在外部进程中,它们将能被并行处理。

  • agents.tools.InGraphBatchEnv

    agents.tools.InGraphBatchEnv将batch环境集成到TensorFlow图中,保证step()和reset()函数都可以被调用。观察值、最后的动作、奖励和完成的标记中的batch都存储在变量中,并作为可用的张量。

  • agents.tools.simulate()

    agents.tools.simulate()将in-graph batch环境和强化学习算法融合成一步,可以在训练循环中调用,这减少了调用会话的数量,并提供了一种简单的方法来训练接下来的算法。

如果要理解这些代码,需要对TensorFlow的控制流运算(尤其是tf.cond(),tf.scan()和tf.control_dependencies())非常熟悉。

如何提高NIPS论文命中率?这里有一份详细的分析

在学术界,NIPS大会在论文方面的争议似乎比其他学术会议更为突出一些。例如去年在ML圈子里影响颇大的SARM论文撤稿事件就是在NIPS,以及像这位叫Thang Bui的博士生,在四项评分中获得了不错的分数(满分5分),评审十分感动,然后拒绝了他:


上述的例子并不是特例。按照著名的NIPS实验的结论,NIPS审稿人的口味差异相去甚远,如果有第二个委员会重新把NIPS接收的论文审一遍,那么大半论文将会被Rejected,这简直就和掷色子决定是否录用差不多......

即便如此,还是有人战绩不错,像NTT CS labs的科学家Mathieu Blondel‏在Twitter上则表示,今年NIPS投2中2,近两年在ICML和NIPS的成绩是6投5中:

当问到如何才能提高NIPS的命中率?结果他的回答竟然是:“除非很有把握,否则我不会随意投稿。”

其实在一年前的Reddit上,就有过关于如何提升NIPS、ICML等机器学习顶会命中率的讨论,网友BeatLeJuce给出了如下9条宝贵意见:

1. 学会讲故事。不要只说“我们做了XXX,效果很好,以及为什么相比传统方法有改进”而是要向审稿人推销你的想法;

2. 学会在论文中放几个数学公式。不少审稿人就好这口儿;

3. 数学公式适可而止。如果你数学真的牛逼,不妨去投COLT吧;

4. 写够足够长度。如果会议要求论文格式是8页正文,你只写了7.5页,那毙掉你又多了一条理由;

5. 估计谁可能是你的审稿人,然后多引用他们的文献AI科技评论编辑一下子想到了Jürgen Schmidhuber毙掉Ian Goodfellow那篇牛逼GANS论文的故事);

6. 模仿牛逼实验室的论文写法。双盲评审下,如果审稿人感觉你是牛逼实验室的成员,他们可能会手下留情;

7. 如果你写的是应用领域的论文,请在Audio、Image、Video三个应用领域,没有人关心其他应用领域;

8. 反复试验,确认试验结果的置信区间,让结果经得起推敲(如果你的结果无法重复,那就只能看你怎么定义置信区间了);

9. 确保你的工作具备独创性,并在介绍部分说明为什么你的工作具备独创性 。

另外AI科技评论还发现了一项颇有意思的统计:经济基础决定上层建筑,NIPS录取率(可能)与作者所在国家经济水平相关。有人做了一个近10年NIPS接受论文的国家统计以及作者所在国家的人均收入水平的统计,结果发现人均收入3万-5万美元的美国、英国、加拿大、德国、法国等经济水平较好的国家表现突出,而平均经济水平较低的非洲10年里没有出过一篇NIPS论文,南美洲10年里也只有11篇。中国和印度因为人口基数大得以成为特例,10年前这两个国家的作者想要中NIPS论文很难,而几年来有明显的加速增长趋势。按此估计,今年NIPS录用的来自中国的文章大概在30-40篇左右。


(NIPS 2006-2016论文不包括美国的其他国家及收入水平统计图,泡泡大小代表文章数量)

(包括美国的统计图,美国一骑绝尘)

上述分析多少有些道理,毕竟人工智能是经济发展到了一定水平之后才有实际的研究意义。但中国学者近几年在各大学术会议上的表现突出,这实际上也是中国人工智能研究厚积薄发的表现。如清华大学助理研究员刘知远在知乎“AI领域的灌水之风如何破局?”问题下回答:

回想2006年我刚读博士生的时候,国内中1篇顶会就能上校系新闻,很多学生还要巴巴地去MSRA等机构深造一下才能发出顶会论文。短短的10年后,国内能够在顶会上持续发表论文的单位和学者已经遍地开花,学术氛围空前浓厚。在这样的氛围下,相信大家自然会不断提高研究品位和水平,催生“引领”式的成果。路是一步一步走的,饭是一口一口吃的,不应该因为吃到第六个馒头吃饱了,就埋怨不该费神吃前面那五个。

相信在未来几年,国内研究者在AI顶会上会有更好的表现,也希望到那时,“如何才能在NIPS发论文”不再是一个值得专门提出来的问题。

《财富》100家增长最快的美股公司:Facebook、亚马逊、网易等排进前十

9月14日消息,《财富》杂志日前发布了美股“100家增长最快的公司”,美国自然健康时尚集团排名第一,Facebook、亚马逊、网易等排进前十。

该榜单是根据入围公司在近三年里的营业收入、利润和股票回报率而编制的。

第一名是自然健康时尚有限公司(Natural Health Trends),不过该健康与美容产品多级销售商持续两年的领先地位可能即将结束。最近,其主要市场香港的销售额大幅下滑。

第二名是Paycom Software,这家俄克拉荷马城的工资处理商赢得了越来越多大客户的青睐,并且新增加了在线人力资源和其他财务应用,如报税服务。

第三名是LendingTree,上市九年来,这家在线贷款经纪商每年平均为股东创造了47%的回报率。

上榜的中国公司有网易、好未来教育集团、唯品会、晶科能源、汽车之家、欢聚时代、诺亚控股等等。


制榜方法:入选的国内外公司必须在美国主要证券交易所上市;以美元报告数据; 按季度向美国证券交易委员会提交报告;2017年6月30日的市值不低于2.5亿美元,股价不低于5美元;并且自2014年6月30日起中止交易。公司在截至2017年4月30日的或在此之前的四个季度内的收入和净收益,分别不少于5,000万美元和1,000万美元,并且在截至2017年4月30日的或在此之前的三年内公布的每年的收入和每股收益率年化增长率不低于15%。

符合上述标准的公司将按照截至2017年6月30日的收入增长率、每股收益率增长率和三年年化总收益率进行排名。总排名基于三个排名的总和。在确定了100家公司后,将使用三个等权重变量对这100家公司进行重新排名。若出现相等的情况,四个季度收入更高的公司将获得更高排名。

排名不包括房地产投资信托、有限责任公司、有限合伙公司、商业开发公司、封闭型投资公司以及在截至2017年4月30日的或在此之前的季度内亏损的公司。此外,《财富》杂志在榜单中也未包含已宣布计划重新申报之前申报的财务数据的公司(若误差会产生重要影响)。


附:完整榜单

1自然健康时尚有限公司(Natural Health Trends)
2Paycom Software
3LendingTree
4ABIOMED
5MiMedx集团(MiMedx Group)
6Facebook
7网易(NetEase)
8Ellie Mae
9亚马逊(Amazon.com 
10 Arista Networks
11 AMN Healthcare Services
12 慧荣科技(Silicon Motion Technology)
13 NV5 Global
14 Heska
15 加州银行(Banc of California)
16 Bear State Financial
17 Walker & Dunlop
18 Veeva Systems
19 Akorn
20 戴康工业(Dycom Industries)
21 太平洋第一合众银行(Pacific Premier Bancorp)
22 Hooker Furniture
23 好未来教育集团(TAL Education Group)
24 GrubHub
25 IES Holdings
26 Century Communities
27 Centene
28 唯品会控股有限公司(Vipshop Holdings)
29 CenterState Banks
30 Essent Group
31 Molina Healthcare
32 Nexstar Media Group
33 Consolidated-Tomoka Land
34 洲际交易所(Intercontinental Exchange)
35 Tucows 2.15亿
36 英伟达(NVIDIA)
37 Nutrisystem
38 Cirrus Logic
39 United Financial Bancorp
40 Patrick Industries
41 BSB Bancorp
42 晶科能源控股(JinkoSolar Holding)
43 美高森美公司(Microsemi)
44 LegacyTexas Financial Group
45 斯凯奇(Skechers U.S.A.)
46 Ameris Bancorp
47 思佳讯通讯技术公司(Skyworks Solutions)
48 PacWest Bancorp
49 Cambr/ex
50 再生元制药公司(Regeneron Pharmaceuticals)
51 Medidata Solutions
52 CEVA
53 汽车之家(Autohome)
54 Universal Insurance Holdings
55 Criteo
56 Ulta Beauty
57 TriNet Group
58 TransDigm Group
59 AerCap Holdings
60 挪威邮轮(Norwegian Cruise Line Holdings)
61 Heritage Financial
62 Simmons First National
63 吉利德科学(Gilead Sciences)
64 米塔金融集团(Meta Financial Group)
65 Almost Family
66 欢聚时代(YY)
67 InterDigital
68 BofI Holding
69 PennyMac Financial Services
70 奥沙克银行(Bank of the Ozarks)
71 Argan
72 Martin Marietta Materials
73 LCI Industries
74 丘吉尔唐斯(Churchill Downs)
75 英特格(Entegris)
76 Ebix
77 Western Alliance Bancorporation
78 爵士制药公司(Jazz Pharmaceuticals)
79 奥宝科技(Orbotech)
80 HomeStreet
81 National General Holdings
82 泰勒科技(Tyler Technologies)
83 Mercadolibr/e
84 泛林集团(Lam Research)
85 TRI Pointe Group
86 诺亚控股(Noah Holdings)
87 ILG
88 保富银行(Preferred Bank)
89 万机仪器(MKS Instruments)
90 Tristate Capital Holdings
91 爱齐科技(Align Technology)
92 Customers Bancorp
93 ServisFirst Bancshares
94 bridge Bancorp
95 Heritage Commerce
96 Gray Television
97 艾迪悌科技(Integrated Device Technology)
98 Thor Industries
99 品尼高金融合伙人公司(Pinnacle Financial Partners)
100 Home Bancshares