不满复工政策,苹果机器学习总监辞职,疯狂的 AI 天才 29 岁提出 GAN 模型

简介: 美国当地时间 5 月 7 日,有消息称苹果机器学习总监 Ian Goodfellow 宣布辞职,离开了加入三年的苹果公司,而后 Goodfellow 在一封发给员工的电子邮件中确认这一消息。虽然并不清楚 Goodfellow 的主要离职原因,但他在邮件中提到了自己对复工计划的一些不满看法。

苹果复工计划引发员工不满

根据此前公布的复工计划,苹果要求员工从 4 月 11 日起回到办公室工作。起初,员工每周只需返回办公室工作一天,其余时间远程办公。随着时间的慢慢推移,苹果逐渐增加了办公室工作的时间,截止 5 月 2 日,苹果要求员工每周回办公室工作两天,而在 5 月 23 日之后每周至少要在办公室工作三天。

苹果的这项复工计划引发不少员工的不满情绪。此前,一份匿名社交网络 Blind 对苹果员工复工情况进行的调查报告显示,有 56% 的员工已经开始寻找其他工作。在 Blind 收到的答复中,有员工说他们不愿意进入办公室工作,还有一部分员工认为回到办公室工作可能会感染新冠病毒,办公室文化会影响办公效率,而且这样很难维持工作和生活的平衡状态(WLB-Work-life Balance)。

Goodfellow 也有类似的看法,他在邮件中提到:“我坚信,更大的灵活性对我的团队来说才是好的政策”。

早在不久前,就有一位员工给苹果首席执行官 Tim Cook 写信称:“如果没有灵活性带来的包容性,我们中的许多人觉得,我们必须在结合我们的家庭、福祉、努力做好工作、成为苹果的一部分之间做出选择。这是一个我们任何人都不会轻易做出的决定,也是一个许多人不愿做出的决定。”

师从吴恩达,AI 天才 29 岁就提出 GAN 模型

Goodfellow 于 2019 年 3 月加入苹果,担任特别项目组机器学习总监,在加入苹果之前,Goodfellow 曾是谷歌的顶级 AI 研究员,还加入过 OpenAI 研究实验室。

Goodfellow 本科与硕士均就读于斯坦福大学,导师则是大家熟知的吴恩达,不过 Goodfellow 最引人注目的一项成就则是在 2014 年 6 月提出 GAN(生成对抗网络)。

14 年的一个夜晚,为了庆祝研究生同学毕业,Goodfellow 与朋友来到了一家酒吧,聊天中大家谈到了“如何开发一款可以自己创造图片的程序”,几番讨论之后,大家认为这需要海量的计算力,Goodfellow 当时也表示不可行。但 Goodfellow 突然产生一个灵感,晚上回到家后就开始着手编程直到第二天早上,并将 GAN 创造了出来。

短短几年时间,GAN 技术就给机器学习领域带来了极大的影响,GAN 也是近几年机器学习圈内最热门的讨论话题。《麻省理工科技评论》将 GAN 列为 2018 年全球十大突破性技术,并给出了这样的评价,“它给机器带来一种类似想象力的能力,因此可能让它们变得不再那么依赖人类,但也把它们变成了一种能力惊人的数字造假工具。”Facebook 首席 AI 科学家 Yann LeCun 对 GAN 也是赞不绝口,称其为“过去 20 年里深度学习领域最酷的主意”。2017 年,Goodfellow 也被《麻省理工科技评论》评选为 35 位 35 岁以下的的创新者。

除了 GAN 之外,Goodfellow 还与其博士导师联合推出了一本《Deep Learning》的人工智能书籍,也被评为机器学习的入门必读书。

对于苹果来说,天才总监 Goodfellow 的离职肯定会带来非常大的损失,加上其他员工的不满情绪,不知苹果是否会对复工计划进行简单的调整,Goodfellow 也没有公布下一步的计划,目前还不知道 Goodfellow 会加入哪家科技公司。

参考链接:

https://www.macrumors.com/2022/05/07/apple-director-of-machine-learning-resigns/

https://arxiv.org/abs/1406.2661

目录
相关文章
|
2月前
|
人工智能 JSON 算法
Qwen2.5-Coder 系列模型在 PAI-QuickStart 的训练、评测、压缩及部署实践
阿里云的人工智能平台 PAI,作为一站式、 AI Native 的大模型与 AIGC 工程平台,为开发者和企业客户提供了 Qwen2.5-Coder 系列模型的全链路最佳实践。本文以Qwen2.5-Coder-32B为例,详细介绍在 PAI-QuickStart 完成 Qwen2.5-Coder 的训练、评测和快速部署。
Qwen2.5-Coder 系列模型在 PAI-QuickStart 的训练、评测、压缩及部署实践
|
20天前
|
编解码 机器人 测试技术
技术实践 | 使用 PAI+LLaMA Factory 微调 Qwen2-VL 模型快速搭建专业领域知识问答机器人
Qwen2-VL是一款具备高级图像和视频理解能力的多模态模型,支持多种语言,适用于多模态应用开发。通过PAI和LLaMA Factory框架,用户可以轻松微调Qwen2-VL模型,快速构建文旅领域的知识问答机器人。本教程详细介绍了从模型部署、微调到对话测试的全过程,帮助开发者高效实现定制化多模态应用。
|
2月前
|
机器学习/深度学习 PyTorch API
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
Transformer架构自2017年被Vaswani等人提出以来,凭借其核心的注意力机制,已成为AI领域的重大突破。该机制允许模型根据任务需求灵活聚焦于输入的不同部分,极大地增强了对复杂语言和结构的理解能力。起初主要应用于自然语言处理,Transformer迅速扩展至语音识别、计算机视觉等多领域,展现出强大的跨学科应用潜力。然而,随着模型规模的增长,注意力层的高计算复杂度成为发展瓶颈。为此,本文探讨了在PyTorch生态系统中优化注意力层的各种技术,
68 6
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
|
29天前
|
机器学习/深度学习 人工智能 算法
人工智能浪潮下的编程实践:构建你的第一个机器学习模型
在人工智能的巨浪中,每个人都有机会成为弄潮儿。本文将带你一探究竟,从零基础开始,用最易懂的语言和步骤,教你如何构建属于自己的第一个机器学习模型。不需要复杂的数学公式,也不必担心编程难题,只需跟随我们的步伐,一起探索这个充满魔力的AI世界。
48 12
|
2月前
|
机器学习/深度学习 Python
机器学习中评估模型性能的重要工具——混淆矩阵和ROC曲线。混淆矩阵通过真正例、假正例等指标展示模型预测情况
本文介绍了机器学习中评估模型性能的重要工具——混淆矩阵和ROC曲线。混淆矩阵通过真正例、假正例等指标展示模型预测情况,而ROC曲线则通过假正率和真正率评估二分类模型性能。文章还提供了Python中的具体实现示例,展示了如何计算和使用这两种工具来评估模型。
62 8
|
2月前
|
机器学习/深度学习 Python
机器学习中模型选择和优化的关键技术——交叉验证与网格搜索
本文深入探讨了机器学习中模型选择和优化的关键技术——交叉验证与网格搜索。介绍了K折交叉验证、留一交叉验证等方法,以及网格搜索的原理和步骤,展示了如何结合两者在Python中实现模型参数的优化,并强调了使用时需注意的计算成本、过拟合风险等问题。
59 6
|
2月前
|
机器学习/深度学习 数据采集 算法
从零到一:构建高效机器学习模型的旅程####
在探索技术深度与广度的征途中,我深刻体会到技术创新既在于理论的飞跃,更在于实践的积累。本文将通过一个具体案例,分享我在构建高效机器学习模型过程中的实战经验,包括数据预处理、特征工程、模型选择与优化等关键环节,旨在为读者提供一个从零开始构建并优化机器学习模型的实用指南。 ####
|
2月前
|
人工智能 边缘计算 JSON
DistilQwen2 蒸馏小模型在 PAI-QuickStart 的训练、评测、压缩及部署实践
本文详细介绍在 PAI 平台使用 DistilQwen2 蒸馏小模型的全链路最佳实践。
|
2月前
|
机器学习/深度学习 人工智能 算法
探索机器学习中的线性回归模型
本文深入探讨了机器学习中广泛使用的线性回归模型,从其基本概念和数学原理出发,逐步引导读者理解模型的构建、训练及评估过程。通过实例分析与代码演示,本文旨在为初学者提供一个清晰的学习路径,帮助他们在实践中更好地应用线性回归模型解决实际问题。
|
2月前
|
机器学习/深度学习 自然语言处理 语音技术
探索机器学习中的深度学习模型:原理与应用
探索机器学习中的深度学习模型:原理与应用
46 0