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
|
11月前
|
人工智能 自然语言处理 IDE
模型微调不再被代码难住!PAI和Qwen3-Coder加速AI开发新体验
通义千问 AI 编程大模型 Qwen3-Coder 正式开源,阿里云人工智能平台 PAI 支持云上一键部署 Qwen3-Coder 模型,并可在交互式建模环境中使用 Qwen3-Coder 模型。
1543 109
|
机器学习/深度学习 人工智能 供应链
从概念到商业价值:AI、机器学习与深度学习全景指南
在这个科技飞速发展的时代🚀,人工智能正以惊人的速度渗透到我们的生活和工作中👀。但面对铺天盖地的AI术语和概念,很多人感到困惑不已😣。"AI"、"机器学习"、"深度学习"和"神经网络"到底有什么区别?它们如何相互关联?如何利用这些技术提升工作效率和创造价值?
741 0
|
11月前
|
人工智能 小程序 API
新的体育产业政策发布,体育+AI助您抓住红利发展期
国家发布《关于释放体育消费潜力进一步推进体育产业高质量发展的意见》,以“数字赋能”“智能转型”为核心路径,释放政策红利推动体育产业高质量发展,加速AI技术与体育产业的深度融合,开辟黄金赛道。
|
机器学习/深度学习 人工智能 监控
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
本系列文章深入讲解了从Seq2Seq、RNN到Transformer,再到GPT模型的关键技术原理与实现细节,帮助读者全面掌握Transformer及其在NLP中的应用。同时,通过一个房价预测的完整案例,介绍了算法工程师如何利用数据训练模型并解决实际问题,涵盖需求分析、数据收集、模型训练与部署等全流程。文章适合初学者和开发者学习AI基础与实战技能。
1471 25
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
|
人工智能 监控 测试技术
云上AI推理平台全掌握 (1):PAI-EAS LLM服务一键压测
在AI技术飞速发展的今天,大语言模型(LLM)、多模态模型等前沿技术正深刻改变行业格局。推理服务是大模型从“实验室突破”走向“产业级应用”的必要环节,需直面高并发流量洪峰、低延时响应诉求、异构硬件优化适配、成本精准控制等复杂挑战。 阿里云人工智能平台 PAI 致力于为用户提供全栈式、高可用的推理服务能力。在本系列技术专题中,我们将围绕分布式推理架构、Serverless 弹性资源全球调度、压测调优和服务可观测等关键技术方向,展现 PAI 平台在推理服务侧的产品能力,助力企业和开发者在 AI 时代抢占先机,让我们一起探索云上 AI 推理的无限可能,释放大模型的真正价值!
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL消息传递接口的PyG替换
DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库,它们在API设计和底层实现上有一定差异,在不同场景下,研究人员会使用不同的依赖库,昇腾NPU对PyG图机器学习库的支持亲和度更高,因此有些时候需要做DGL接口的PyG替换。
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL图构建接口的PyG替换
本文探讨了在图神经网络中将DGL接口替换为PyG实现的方法,重点以RFdiffusion蛋白质设计模型中的SE3Transformer为例。SE3Transformer通过SE(3)等变性提取三维几何特征,其图构建部分依赖DGL接口。文章详细介绍了两个关键函数的替换:`make_full_graph` 和 `make_topk_graph`。前者构建完全连接图,后者生成k近邻图。通过PyG的高效实现(如`knn_graph`),我们简化了图结构创建过程,并调整边特征处理逻辑以兼容不同框架,从而更好地支持昇腾NPU等硬件环境。此方法为跨库迁移提供了实用参考。
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(三):机器学习算法和模型架构选择
从淘金到雕琢,将原始数据炼成智能珠宝!本文带您走进数字珠宝工坊,用算法工具打磨数据金砂。从基础的经典算法到精密的深度学习模型,结合电商、医疗、金融等场景实战,手把手教您选择合适工具,打造价值连城的智能应用。掌握AutoML改装套件与模型蒸馏术,让复杂问题迎刃而解。握紧算法刻刀,为数字世界雕刻文明!
573 6
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(四):模型训练
本文以“从璞玉到珍宝”为喻,深入探讨AI模型训练的全过程。数据集是灵魂原石,领域适配性、质量和规模决定模型高度;优化器如刻刀手法,学习率调整和正则化确保精细雕刻;超参数优化与多模态注意力机制提升性能。通过案例解析(如DeepSeek-Chat、通义千问),展示特定数据如何塑造专属能力。最后提供避坑工具箱,涵盖过拟合解决与资源不足应对策略,强调用`torch.save()`记录训练历程,助力打造智能传世之作。
1452 0