ai投影:巅峰的AI和库里谁厉害？

这个问题其实不止一次有人提出过，甚至连艾弗森本人也提出过ai投影。其实他们两个都很厉害，只是很多人还是认为巅峰期的艾弗森比库里还是要厉害一些！现在如果是比较两个人的历史地位，库里应该能排在艾弗森的前面，主要就就是他有三个总冠军加身，而艾弗森苦于无冠就是排在库里后面也无话可说。但是若是比较谁巅峰期更厉害一点，那么我们看如何定义巅峰期，那么就比较他们各自MVP季，以及季后赛上的表现！

文章插图
一：先看看艾弗森

文章插图
2000～2001赛季，艾弗森获得了赛季得分王+抢断王+MVP+全明星首发+AMVP+最佳阵容一阵，总决赛输给了如日中天的OK组合未能夺冠，可以说是他职业生涯最辉煌的赛季。这个赛季艾弗森常规赛场均31.1分3.8板4.8助攻，场均42分钟出场时间；季后赛场均32.9分4.7板6.1次助攻，场均不可思议的46.2分钟出场时间。这就是艾弗森，那一年他26岁。当赛季常规赛效率值为24排在科比之后位于第7 ，季后赛效率值为22.5下降到第10位，但总体效率变化不大！
二：看看库里
应该说库里最强的赛季是73胜总亚军的2015～2016赛季，这和艾弗森有些像。库里获得了赛季得分王+抢断王+MVP(蝉联)+全明星首发+最佳阵容一阵，总决赛败给了詹姆斯的骑士，未能蝉联总冠军，常规赛73胜，总决赛被1:3逆转都几乎是牢不可破的历史记录！库里在这个赛季常规赛场均30.1分5.4板6.7助攻，场均出场34.2分钟；季后赛场均25.2分5.5板5.2助攻，同样场均34.2分钟出场时间。这个赛季库里28岁，常规赛库里的效率值是31.5 ，排当季第一，季后赛效率值为22.3下降到第13位，下降明显！
三：常规赛不分伯仲，季后赛艾弗森占优
通过两个人最强赛季表现来看，艾弗森由于是单核作战，球队对他的依赖更大，出场时间相对较长，常规赛的表现效率不如库里，贡献几乎不分伯仲；但是到了季后赛（保扩总决赛），明显艾弗森的表现比常规赛更好，库里则下降明显，效率也下滑较多；这其实可以看出库里的打硬仗能力不如艾弗森；艾弗森就是依靠一己之力和强手对抗，而库里在有全明星队友的帮助下表现的差强人意，库里迄今没有FMVP这也是他的硬伤！
这其实是我们选择了他各自最强的赛季做出的比较，尽管不全面，但还是可以看出艾弗森是个铁人，个人能力上还是强于库里的，这就是“答案”！关注体坛睿视角，一同探讨体育热点、赛事！
在5G大规模商用的情况下，会产生哪些与AI有关的新应用场景？5G到来之后，设备联网的成本会变得更低。另外，视频会变成更主流的沟通和协作的方式。在4G的时候拿手机可以看一些视频， 5G来了之后，有可能实现远程医疗、远程驾驶，在异地就好像在跟前一样，能够实时了解情况，去做决策。无人驾驶的车，今天一个是依靠AI ，从技术领域用机器取代人还需要很长的时间，但是在很多领域里，没有那么大的安全隐患场合里，比如说矿山就可以远程开车了，医生可以远程做诊断了，大家可以更好地跨越时间空间，如何见面，时空关系会发生重大的变化，以前文本可以传来传去，以后像咱们这样的视频，或者特别需要高清度的视频都能够传递，这个事情的爆发优先于其他更深层次的5G的应用。
Salesforce提出的去性别偏见AI训练方法有何特点？通过与弗吉尼亚大学的研究人员合作， Salesforce 提出了有助于减轻 AI 性别偏见的新方法。

文章插图
通常情况下，研究人员需要为 AI 模型投喂许多单次来展开训练，但其中不可避免地会掺杂一些或隐性、或显性的性别偏见。
【ai投影:巅峰的AI和库里谁厉害？】

文章插图
然后在执行语言翻译或其它预测任务的时候，这些 AI 也会沾染上一些不良习性。

文章插图
【双硬去偏器示意】
有鉴于此，研究团队尝试纠正某些规律性，比如大数据集中的单词频率，以使 AI 在推理前对嵌入的内容进行“纯化” ，抛弃那些带有性别歧视的词汇。
这套方案可以捕获单词的语义、句法、以及同其它单词的关系，此前已被许多自然语言处理（NLP）方案所采用，但因不可避免的性别偏见而遭到批评。
先前补救方案是在后处理过程中引入几个步骤，以剔除与性别歧视相关的成分，但有效性受到了较大的限制，比如在去偏见操作后又被复原了。
【双硬去偏器基准测试成绩】
为此， Salesforce 提出了名叫“双硬去偏”（Double-Hard Debias）的新方案，以将嵌入空间转换为表面上无性别的子空间。
然后在执行另一次消除偏见的操作之前，它会沿着这个维度去“投射”性别成分，以获取修改后的嵌入内容。为评估效果，研究人员针对 WinoBias 数据集开展了测试。
该数据集由赞成性别定型和反对性别定型的句子组成，性能差距反映了算法系统是如何在两个句子组上执行、并导致“性别偏见”的得分。
【tSNE 嵌入投影】
结果显示，在保留语义信息的同时，双硬去偏方案将使用 GloVe 算法获得的嵌入偏差得分，从 15 分砍半到了 7.7 分。此外在对嵌入进行建模的可视化（tSNE 投影）上，它也较其它方案的混合更加均匀。
即便如此，一些专家仍认为无法从词嵌入中完全消除偏见。比如慕尼黑工业大学的最近一项研究，就表明“没有天然中性的文本” 。因为单词的语义内容，是始终与社会政治环境联系在一起的。