头条：机器学习「炒作热潮」里没有告诉你的 10 件事情
来自 KDnuggets 社区的一篇分享，介绍了围绕机器学习工作中的 10 个现实，摘录其中几个：
- 大多数工作都是数据驱动；
- 构建模型只是机器学习工作流程里很小的一部分；
- 绝大多数应用的模型并不需要深度学习；
- 机器学习领域最需要的技能是 SQL；
观点
站在投资人的视角，SaaS 公司应该在哪些地方发力？这篇采访涵盖了诸多议题，其中我个人比较赞同的一点是，投资人对于 SaaS 企业提出了几个「忠告」：
创业者需要清楚知道，自己的收入是靠什么挣来的：是靠软件产生的，还是员工提供服务产生的？软件的成本只有带宽和服务器，人的成本是高昂的工资；软件的服务质量是标准而可控的，人的服务水平是千差万别、难以控制的。
最理想的状况当然是全部收入都由软件产生。区分好公司和差公司的标准，就是提供这些服务后，客户是否还在源源不断地为软件付费。如果服务的人一走，客户就不付钱了，那可以理解为公司本质上还是在提供人力服务。这样的公司，收入翻倍的背后，需要的是人数翻倍，规模大了之后难以管理。
其次，对于中国特色的 SaaS 生态，访谈里的投资人提出了几个观察角度，比如大型企业与中型企业的不同需求；大型 To C 企业对于 SaaS 行业的影响（参考字节跳动的「飞书」）；再比如，相对于海外公司挑选 SaaS 产品时考虑的效率与成本，中国企业更看重的是如何利用 SaaS 服务「创造新收入」。
不同阶段的公司应该如何处理云服务账单。云计算不仅塑造了全新的企业 IT 架构，也在影响企业的成本结构。理解并清楚云计算的成本计算方式，俨然成为一个全新的技能，这篇分析谈到了三个不同阶段公司应该如何处理云计算的成本，文章虽然是以 AWS 为案例，但也适用于其他所有云计算公司。
英特尔研究院院长宋继强：AI 正在进入3.0 时代。这篇观点类的文章传达了几个信息：其一，人工智能从出现到进入深度学习阶段，虽然展现了解决问题的能力，但从能耗到对数据的需求都毫无限度；其二，英特尔的神经拟态计算应该成为一种底层计算模式，推动 AI 从 2.0 进入 3.0 时代。
这篇文章认识到了深度学习的局限性，虽然是一篇偏重 PR 的观点，不过还是展示了目前业界对于智能不同理解后的技术选择，但即使是宋继强也承认，神经拟态计算还处在非常早期的阶段，短期内技术突破的可能性不大。
巨头
AWS 代码审查服务 CodeGuru 全面可用。这是一个完全托管于 AWS 的服务，利用机器学习算法，可以自动审查代码，发现其中的 Bug 并提供一些优化建议，你可以在 AWS 网站获取这个产品的详细信息。
AWS 争夺太空领域的云计算订单。WSJ 的报道称，AWS 计划成立一个航空航天与卫星解决方案的部门，这将构成 AWS 争夺太空领域云计算订单的前沿阵地。正如文中一位分析师所言，AWS 正在探索的，是一个没有任何传统竞争对手的领域。
为什么 Facebook 要在巴黎建立 AI Lab？FB 首席 AI 科学家 Yann LeCun 解释称，选择巴黎而不是伦敦的主要原因是巴黎有更多 AI 人才。此前，FB 的 AI lab 位于加州 FB 总部和纽约，而巴黎的 AI Lab 将成为博士生最多的机构。
苹果新系统里的机器学习。我在观看 WWDC 时感叹：机器学习贯穿在产品功能创新的过程里。Verge 这篇文章也以此为选题切入点，整理了此次新系统、新功能背后的机器学习。
应用
一组 AI 在各行业的应用案例
一个显而易见的事实是，AI 正在进入越来越多的行业，我在「AI Insider」里也特别关注 AI 在各行业的应用情况，本周推荐一组 AI 的应用案例，包括：
市场·融资
报告：机器人创业公司为何失败？这份 40 页的报告提出了几个可能的失败原因，比如缺乏商业基础、市场适应性不佳、用户体验糟糕、聚集在错误的问题等五个方面，你可以在这里下载这份报告。
数据安全公司 Solink 获得 1700 万美元新融资。这家来自加拿大的创业公司利用 AI 算法与安全摄像头识别商业场所的可疑行为，该公司在疫情期间的需求大幅上升。
面向房产交易的虚拟助理公司 OJO 获得 6000 万美元融资。这家公司为购房者提供一个 AI 虚拟助理，从而建立起与房屋卖家的联系。
|
