苹果被曝寻求收购Drive.ai:吴恩达参与运营,多家中国VC投资

李根 发自 凹非寺 
量子位 报道 | 公众号 QbitAI

640?wx_fmt=jpeg

还记得Drive.ai吗?

就是那个吴恩达门生同事创办,吴恩达亲自参与运营的无人车公司。

之前,外媒The Information爆料,Drive.ai正在以2亿美元的价格寻求收购(Drive.ai官方否认了这一说法)

现在,The Information进一步披露了Drive.ai收购的最新进展。

万万没想到,与Drive.ai传出绯闻的是苹果。

640?wx_fmt=gif

具体状态尚未完结,但据称苹果最看重的是数十名Drive.ai工程师。

苹果发言人和Drive.ai发言人均未对此作出回应。

关于Drive.ai的这一波传闻,量子位也联系了Drive.ai的联合创始人、A轮投资方北极光创投,但都对此传闻不予置评。

640?wx_fmt=gif

此前,Drive.ai共计公开宣布过两轮融资。

A轮发生在2016年,1200万美元,北极光创投领投。

其后B轮,2017年7月,5000万美元,恩颐投资(NEA)领投,纪源资本、北极光等跟投。

而且就在最近,Drive.ai也传出了其他联合创始人离职的消息。

情况看起来不算好。

之前,Drive.ai一度进展顺利,还在得克萨斯州展开试运营,运营里程超过8000英里。

640?wx_fmt=jpeg

但其后就风云变化急转直下。

具体原因还未知,但之前有硅谷VC分析称,跟特朗普一步步收紧的科技和投资政策有关。

之前Drive.ai的众多投资方中,就相当大比例的中国背景投资基金,而且追捧Drive.ai的,也以中国买家最为狂热。

但谁也没想到,形势变化如此波云诡谲,一家创业公司命运兴衰,就这样被看不见的手改变。

完整爆料参见原报道:

https://www.theinformation.com/articles/apple-looks-to-acquire-struggling-self-driving-car-startup-drive-ai


小程序|全类别AI学习教程

640?wx_fmt=jpeg

AI社群|与优秀的人交流

640?wx_fmt=jpeg

640?wx_fmt=jpeg

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「在看」吧 !


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值