以下新聞選自人工智慧資訊平臺“機器之心Pro”：花最少的時間，看最重要的新聞。
投融資
1.商廚智慧化服務商「廚芯」完成超2.3億元B系列輪融資，由藍圖創投領投
12 月 31 日訊息，商廚智慧化服務商「廚芯」已完成超過 2.3 億元 B 系列輪融資，本輪由藍圖創投領投，前美團 COO 幹嘉偉、和君資本等跟投，資金將主要用於擴張城市網路。「廚芯」成立於 2016 年，主要為餐飲門店後廚提供智慧化解決方案，選擇從「聯網商用智慧洗碗機」這個品類切入市場。「廚芯」為商家提供整套 AIoT 解決方案租賃服務，開創了「LIS」模式，即租賃智慧服務。
行業動態
1.京張高鐵正式運營，中國高鐵進入「智慧自動駕駛」時代
12 月 30 日，北京至張家口高速鐵路（京張高鐵）開通運營，崇禮鐵路同步建成投產，將助力京津冀一體化協同發展，為 2022 年北京冬奧會提供交通運營服務保障。京張鐵路在世界上首次實現了復興號智慧動車組時速 350 公里自動駕駛。
2.前百度總裁張亞勤正式加盟清華大學
12 月 31 日訊息，前百度總裁張亞勤正式加盟清華大學，受聘清華大學「智慧科學」講席教授，將在清華大學車輛與運載學院、計算機系和相關院系開展科研、教學和人才培養工作，同時將負責牽頭籌建「清華大學智慧產業研究院（AIR）」，面向第四次工業革命，以自動駕駛、人工智慧+物聯網和類腦智慧為關鍵的技術突破方向。
3.美國衛星影像公司 Maxar Technologies 將以 10 億加元出售太空機器人業務
美國衛星影像公司 Maxar Technologies Inc 週一表示，將以 10 億加元（7.65 億美元）的價格將其加拿大太空機器人業務出售給由 Northern Private Capital（NPC）牽頭的財團，以減輕債務。該公司的股票在盤前交易中上漲 16.2％。Maxar 將保留其位於美國的太空機器人技術部門，該部門負責開發 NASA 2020 年火星探測器所使用的機器人硬體。（路透社）
大公司新聞
1.華為將參與印度 5G 網路實驗
印度政府發言人週一表示，印度政府已允許中國電信公司華為技術有限公司參與 5G 網路的試驗。據瞭解，電信部門將在 12 月 31 日與運營商會面，以確認 5G 試驗的時間安排，並表示印度的所有無線運營商均已獲得進行試驗的原則批准。（路透社）
2.三星或將在 CES 推出新人工智慧平臺「Neon」
據報導稱，三星或將在即將到來的 CES 上推出名為「Neon」的人工智慧平臺。該平臺由位於美國的三星技術和高階研究實驗室於該部門總裁 Pranav Mistry（三星最年輕的主管）的領導下開發。該部門的官方 Twitter 帳戶上最近釋出的一條推文說：「Neon = 人造人類。」人造人類是一種新的 AI 概念，指的是為陪伴而設計的硬體或軟體，包括機器人和數字寵物。（Korea Herald）
3.小米自研產線今天正式開工，定位智慧製造
12 月 31 日訊息，小米集團副董事長兼手機部總裁林斌今天通過微博表示：「經過一年多的努力，小米自己的研發產線今天正式開工啦！」微博配圖中，林斌手上拿著的是第一臺小米自研產線生產出來的小米 9 Pro 5G 版。據林斌介紹：小米自研產線定位智慧製造，除了負責小米旗艦手機的研發生產任務，還會和合作夥伴一起全力推動自動化裝置的軟硬體研發，力爭早日實現真正的全自動智慧製造。
研究與技術
1.商廚智慧化服務商「廚芯」完成超2.3億元B系列輪融資，由藍圖創投領投
12 月 31 日訊息，商廚智慧化服務商「廚芯」已完成超過 2.3 億元 B 系列輪融資，本輪由藍圖創投領投，前美團 COO 幹嘉偉、和君資本等跟投，資金將主要用於擴張城市網路。「廚芯」成立於 2016 年，主要為餐飲門店後廚提供智慧化解決方案，選擇從「聯網商用智慧洗碗機」這個品類切入市場。「廚芯」為商家提供整套 AIoT 解決方案租賃服務，開創了「LIS」模式，即租賃智慧服務。
2.谷歌大腦研究新作探討視覺表示的大規模學習
近日，谷歌大腦釋出一篇研究新作引社群關注，以下為論文概述：深度神經網路進行視覺訓練時，預訓練表示的遷移可以提高取樣效率並簡化超引數調整。我們將重新研究大型監督資料集上的預訓練範例，並對目標任務的權重進行微調。我們擴大了預訓練的規模，並建立了一個簡單的配 方，稱為大轉移（BiT）。通過組合一些精心選擇的元件，並使用簡單的試探法進行傳輸，我們在 20 多個資料集上實現了出色的效能。BiT 在廣泛資料中表現出色 - 從 10 到 1M 標記的示例。BiT 在 ILSVRC-2012 上的 top-1 準確性達到 87.8％，在 CIFAR-10 上達到 99.3％，在視覺任務適應基準（包括 19 個任務）上達到 76.7％。在小型資料集上，在 ILSVRC-2012 上，BiT 達到 86.4％，每班 25 個示例；在 CIFAR-10 上，BiT 達到 97.6％。
3.麻省理工學院新研究：生成對抗性網路的「可穩定性」
現代機器學習的一個公開祕密是，許多模型在標準基準上都能很好地工作，但無法在實驗室外推廣。這歸因於有偏見的訓練資料，這些資料對現實世界的事件報導不足。生成模型也不例外，但是生成對抗網路（GANs）的最新進展則相反：這些模型現在可以合成驚人逼真的多樣影像。照片的生成模型解決了嗎？麻省理工學院的新研究「生成對抗性網路的「可穩定性」」表明，儘管當前的 GAN 可以很好地適合標準資料集，但它們仍不足以作為視覺流形的全面模型。研究人員研究了它們適應簡單變換（例如相機移動和顏色變化）的能力。研究人員發現這些模型反映了對其進行訓練的資料集（例如居中物件）的偏差，但是它們還具有一定的泛化能力：通過在潛在空間中進行「導向」，研究人員能夠在改變分佈的同時仍然建立逼真的影像。研究團隊假設分佈偏移的程度與訓練資料分佈的廣度有關，並進行了實驗以量化 GAN 轉換的極限，介紹了緩解該問題的技術。