卡特伦说，达特茅斯团队希望探索让机器解决人类通常使用自然智慧解决的问题的可能性。

文章来源称，电视可能会搭载沃尔玛品牌。根据《华尔街日报 在替代企业伙伴关系中，沃尔玛(纽约证券交易所：WMT)和康卡斯特(纳斯达克股票代码：CMCSA)可能合作生产和销售智能电视。

沃尔玛小幅上涨，收盘时上涨1.7%。对于以NBC地面电视频道、UniversalMovie品牌和同名有线电视业务而闻名的大型娱乐公司康卡斯特来说，提供电视操作系统软件将是一项新的工作。沃尔玛和康卡斯特都没有对这篇文章发表评论。可以雇佣第三方来生产。导读 在替代企业伙伴关系中，沃尔玛(纽约证券交易所：WMT)和康卡斯特(纳斯达克股票代码：CMCSA)可能合作生产和销售智能电视。

周二，康卡斯特股价当天上涨近3%，超过标准普尔500指数1.8%。电视的制造也在讨论中。例如，购物者可以通过文字描述女性黑裤子来搜索裤子产品，然后根据搜索结果添加娇小、卡普里裤等功能。

但是，为了提高系统的稳定性，亚马逊使用了一个辅助分类器，根据裤子类型、颜色和适合的性别三个属性进行分类。系统根据新单词调整显示的图片。亚马逊是一个特殊的系统，添加新功能后可以保留旧的视觉特征，并产生与文本描述一致的颜色。亚马逊使用分组颜色来创建查询表，该表将视觉上相似的颜色映射到具有相同描述的字符。

然而，创建颜色查询表的附加优点是模型可以合成具有自然颜色的图像。这两个程序都有自己的一代对抗网络，将两代对抗网络堆叠在一起就成了StackGAN。

由于从文字合成图像的任务仍然非常困难，为了降低复杂度，亚马逊将把应用范围限制在裤子、牛仔裤和短裤这三种类似的产品上，并对用于训练模型的图像进行标准化。除了去除背景，它还会剪切和调整大小，使它们的比例和形状相同。在这种亚马逊的情况下，使用生成的对抗网络可以让买家更容易探索想象中的衣服。亚马逊在StackGAN中加入了长短期记忆(LSTM)组件，这是一个用于按顺序处理序列输入的神经网络

系统根据新单词调整显示的图片。StackGAN将合成图像简化为两部分，一部分是从文本生成低分辨率图像，然后对图像进行采样，进一步生成具有材质和自然颜色的高分辨率图像。亚马逊以可识别性和多样性为指标，计算类型、颜色和性别三个属性的得分，以比较ReStGAN和StackGAN模型。由于从文字合成图像的任务仍然非常困难，为了降低复杂度，亚马逊将把应用范围限制在裤子、牛仔裤和短裤这三种类似的产品上，并对用于训练模型的图像进行标准化。

亚马逊提到会和生成对抗网络一起训练长短期记忆，这个网络会随着一个又一个输入的单词逐渐修改图像。从类型和性别来看，前者的分数比后者提高了22%和27%，而颜色分数提高了100%。

在颜色合成上，亚马逊提到传统的单词嵌入将颜色名词划分为同一组，但没有结合人类的感知经验。生成式对抗网络由两个网络组成，一个是生成式网络，旨在尽可能生成仿真的假样本，另一个是判别网络，试图识别生成式网络生成的假样本，区分真实样本。

但是，为了提高系统的稳定性，亚马逊使用了一个辅助分类器，根据裤子类型、颜色和适合的性别三个属性进行分类。亚马逊在StackGAN中加入了长短期记忆(LSTM)组件，这是一个用于按顺序处理序列输入的神经网络。除了去除背景，它还会剪切和调整大小，使它们的比例和形状相同。这个颜色空间的特点是色点之间的距离，这与人类对颜色差异的感知是一致的。这两个程序都有自己的一代对抗网络，将两代对抗网络堆叠在一起就成了StackGAN。新模型的训练大多采用无监督学习，即训练材料主要由产品名称和标准化图片组成，没有任何人工标注。

例如，购物者可以通过文字描述女性黑裤子来搜索裤子产品，然后根据搜索结果添加娇小、卡普里裤等功能。亚马逊应用的新方法叫做ReStGAN，它是从针对网络的文本到图像生成的常用StackGAN模型修改而来的。

亚马逊提到，这意味着新的颜色模型是有效的。亚马逊是一个特殊的系统，添加新功能后可以保留旧的视觉特征，并产生与文本描述一致的颜色。

这两个网络一起训练，它们之间的竞争可以收敛到一个有用的生成模型上。亚马逊提到，创建对抗网络可以很好地处理图像合成任务。

LSTM是一个递归神经网络(RNN)，所以新的网络名称是递归StackGAN，缩写为ReStGAN。亚马逊使用分组颜色来创建查询表，该表将视觉上相似的颜色映射到具有相同描述的字符。因此，亚马逊开发了一种新的颜色编码方法，他们在实验室颜色空间中对颜色进行分组。导读 亚马逊使用生成性对抗网络(GAN)根据文本产品描述生成匹配的产品示例，让购物者可以根据视觉引导逐步修正文本查询，直到能够检索到自己要找 亚马逊使用生成性对抗网络(GAN)根据文本产品描述生成匹配的产品示例，让购物者可以根据视觉引导逐步修正文本查询，直到能够检索到自己要找的产品。

然而，创建颜色查询表的附加优点是模型可以合成具有自然颜色的图像。在这种亚马逊的情况下，使用生成的对抗网络可以让买家更容易探索想象中的衣服

我们需要考虑谁被这些系统忽视、服务不足或落在后面。除了显著的技术进步 无论是为癌症患者提供更快、更准确的诊断，还是保护濒危动物物种，AI的使用都在不断扩大，影响力也在不断增长。

人们一直在讨论喜剧如何避免抑郁，避免日常生活中可能被边缘化的软目标。例如，我们不希望最终的刑事司法系统显示出对某些种族或社会经济群体的偏见，因为他们在历史上可能在司法系统中代表过多。

人工智能驱动的未来应该带来积极的进步，而不是进一步加深现有的偏见和不平等。我们不希望基于历史估计的系统让女性的工资不平等长期存在，基于人工智能的系统也不应该歧视不太富裕社区的人，在确定医疗保险费时将其视为某些疾病的较高风险。这些重要的正面报道与一些媒体发布的负面新闻背道而驰。我们需要从警告中学习，而不是重复这些失败。

甚至这个决定也会表现出有意识或无意识的偏见。对于AI专家和数据科学家来说，这是一个文化挑战。

手机就是一个很好的例子。可以说，这项技术具有世界性的变革潜力，因此对健康的怀疑程度甚至比早期现代技术更重要。

考虑到如果只有5%，95%的准确率还不够好。除了显著的技术进步，这些例子也很重要，因为它们有助于提高公众对人工智能的接受度和信任度。