【文章导读】：5月19日，市场调研机构Frost & Sullivan(沙利文)发布《中国深度学习软件框架市场研究报告(2021)》，百度的飞桨综合竞争力领跑行业， 的PyTorch和谷歌的TensorFlow紧随其后。
飞桨（PaddlePaddle）以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体，是中国首个自主研发、功能完备、开源开放的产业级深度学习平台。
)新加坡国立大学、字节跳动等机构合作的技术成果近期在神经生物学期刊《自然·神经科学》发布，该研究首次将AI元学习( learning)方法引入神经科学及医疗领域，可在有限的医疗数据上训练可靠的AI模型，提升基于脑成像的精准医疗效果。
自研深度学习框架综合竞争力中国市场排名居首
5月19日，市场调研机构Frost & Sullivan(沙利文)发布《中国深度学习软件框架市场研究报告(2021)》，百度的飞桨综合竞争力领跑行业， 的PyTorch和谷歌的TensorFlow紧随其后。
过去10年，人工智能从实验室走向产业，计算机视觉和自然语言处理等领域取得的突破性进展，均与深度学习技术的底层支撑有关。但是，深度学习底层算法开发具有较高的学术及技术门槛，一度成为技术落地的主要制约。
深度学习软件框架的出现打破了这一僵局，它将深度学习算法模块化封装为底层开发工具，化身“智能时代的操作系统”，和AI芯片一起构成了人工智能的基础设施。
这份报告勾勒出渐趋清晰的中国市场主流深度学习软件框架新竞争格局。
自2015年后，以TensorFlow、PyTorch为代表的国外深度学习框架发展迅猛，占据了业界主导地位。中国首个自主研发的产业级深度学习平台飞桨，2016年正式开源，目前在中国综合市场份额已超越PyTorch和TensorFlow，位居第一。
该报告认为，飞桨具备“世界领先的人工智能技术、支撑科研与产业共进的核心框架、拥有产业级开源模型库的开发平台、中国第一的开发者生态”等核心优势。
如百度CTO王海峰所言，深度学习推动人工智能进入了工业大生产阶段。
作为典型的AI大生产平台，将深度学习技术释放至越来越多的产业场景是飞桨的使命。
如今，成都国铁借助飞桨目标检测开发套件研发的“轨道在线智能巡检系统”，已实现对轨道巡检图片的实时检测;基于飞桨的技术能力，智慧植物工厂已实现机器24小时自动照看、多方位呵护蔬菜生长采收，以往一位农学专家只能照看20亩地，现在一人可照看60—100亩地。
即便是普通人，也能使用AI开发平台将奇思妙想变为现实。疫情期间，完全不懂编程的小学生郭佳慧使用飞桨EasyDL零门槛AI开发平台开发的口罩佩戴识别系统，能够甄别出用袖子、手臂遮挡面部的“作弊”行为，获得数千人次的下载应用。
该报告认为，目前全球主流深度学习软件框架格局已从百花齐放向几家逐鹿转变，百度飞桨、腾讯优图、华为MindSpore、阿里XDL等自研开源深度学习软件框架加速升级，中国正在快速形成开源框架的系统化布局。(记者 刘 艳)
动感飞桨：飞桨深度学习平台（百度深度学习平台PaddlePaddle中文名）
AI元学习首次进入神经科学
科技日报讯 (记者刘艳)新加坡国立大学、字节跳动等机构合作的技术成果近期在神经生物学期刊《自然·神经科学》发布，该研究首次将AI元学习( learning)方法引入神经科学及医疗领域，可在有限的医疗数据上训练可靠的AI模型，提升基于脑成像的精准医疗效果。
脑成像技术可直接观察大脑在信息处理和应对刺激时的神经化学变化，理论上，基于脑成像的AI模型可应用于预测个人的一些表征特性，从而促进针对个人的精准医疗。尽管已有英国生物银行(UK Biobank)这样的大规模人类神经科学数据集，但在研究临床人群或解决重点神经科学问题时，几十到上百人的小规模数据样本依旧是常态。因此，在精确标注的医疗数据量有限的情况下，如何训练出可靠的AI模型，正成为神经科学和计算机科学领域焦点问题。
研究者们提出，使用机器学习领域的元学习解决上述难题。
元学习是过去几年最火爆的学习方法之一，其目标是让模型可以在获取已有知识的基础上快速学习新的任务。
研究者通过对先前小样本数据分析发现，个体的认知、心理健康、人口统计学和其他健康属性等表征特性与大脑成像数据之间存在一种内在相关性。基于小样本数据和大数据集之间的这种相关性，研究者提出元匹配( -matching)的方法，将大数据集上训练出来的机器学习模型迁移到小数据集上，从而训练出更可靠的模型。
这一新方法已在英国生物银行和人类连接组计划(Human Connectome Project)的数据集上完成测评，较传统方法体现出更高的准确率。
实验显示，这项新的训练框架非常灵活，可与任何机器学习算法相结合，在小规模的数据集上，也可有效训练泛化性能好的AI预测模型。
评论排行