以下新闻选自人工智能信息平台“机器之心Pro”：花最少的时间，看最重要的新闻。

投融资

1.商厨智能化服务商「厨芯」完成超2.3亿元B系列轮融资，由蓝图创投领投

12 月 31 日消息，商厨智能化服务商「厨芯」已完成超过 2.3 亿元 B 系列轮融资，本轮由蓝图创投领投，前美团 COO 干嘉伟、和君资本等跟投，资金将主要用于扩张城市网络。「厨芯」成立于 2016 年，主要为餐饮门店后厨提供智能化解决方案，选择从「联网商用智能洗碗机」这个品类切入市场。「厨芯」为商家提供整套 AIoT 解决方案租赁服务，开创了「LIS」模式，即租赁智能服务。

行业动态

1.京张高铁正式运营，中国高铁进入「智能自动驾驶」时代

12 月 30 日，北京至张家口高速铁路（京张高铁）开通运营，崇礼铁路同步建成投产，将助力京津冀一体化协同发展，为 2022 年北京冬奥会提供交通运营服务保障。京张铁路在世界上首次实现了复兴号智能动车组时速 350 公里自动驾驶。

2.前百度总裁张亚勤正式加盟清华大学

12 月 31 日消息，前百度总裁张亚勤正式加盟清华大学，受聘清华大学「智能科学」讲席教授，将在清华大学车辆与运载学院、计算机系和相关院系开展科研、教学和人才培养工作，同时将负责牵头筹建「清华大学智能产业研究院（AIR）」，面向第四次工业革命，以自动驾驶、人工智能+物联网和类脑智能为关键的技术突破方向。

3.美国卫星影像公司 Maxar Technologies 将以 10 亿加元出售太空机器人业务

美国卫星影像公司 Maxar Technologies Inc 周一表示，将以 10 亿加元（7.65 亿美元）的价格将其加拿大太空机器人业务出售给由 Northern Private Capital（NPC）牵头的财团，以减轻债务。该公司的股票在盘前交易中上涨 16.2％。Maxar 将保留其位于美国的太空机器人技术部门，该部门负责开发 NASA 2020 年火星探测器所使用的机器人硬件。（路透社）

大公司新闻

1.华为将参与印度 5G 网络实验

印度政府发言人周一表示，印度政府已允许中国电信公司华为技术有限公司参与 5G 网络的试验。据了解，电信部门将在 12 月 31 日与运营商会面，以确认 5G 试验的时间安排，并表示印度的所有无线运营商均已获得进行试验的原则批准。（路透社）

2.三星或将在 CES 推出新人工智能平台「Neon」

据报道称，三星或将在即将到来的 CES 上推出名为「Neon」的人工智能平台。该平台由位于美国的三星技术和高级研究实验室于该部门总裁 Pranav Mistry（三星最年轻的主管）的领导下开发。该部门的官方 Twitter 帐户上最近发布的一条推文说：「Neon = 人造人类。」人造人类是一种新的 AI 概念，指的是为陪伴而设计的硬件或软件，包括机器人和数字宠物。（Korea Herald）

3.小米自研产线今天正式开工，定位智能制造

12 月 31 日消息，小米集团副董事长兼手机部总裁林斌今天通过微博表示：「经过一年多的努力，小米自己的研发产线今天正式开工啦！」微博配图中，林斌手上拿着的是第一台小米自研产线生产出来的小米 9 Pro 5G 版。据林斌介绍：小米自研产线定位智能制造，除了负责小米旗舰手机的研发生产任务，还会和合作伙伴一起全力推动自动化设备的软硬件研发，力争早日实现真正的全自动智能制造。

研究与技术

1.商厨智能化服务商「厨芯」完成超2.3亿元B系列轮融资，由蓝图创投领投

12 月 31 日消息，商厨智能化服务商「厨芯」已完成超过 2.3 亿元 B 系列轮融资，本轮由蓝图创投领投，前美团 COO 干嘉伟、和君资本等跟投，资金将主要用于扩张城市网络。「厨芯」成立于 2016 年，主要为餐饮门店后厨提供智能化解决方案，选择从「联网商用智能洗碗机」这个品类切入市场。「厨芯」为商家提供整套 AIoT 解决方案租赁服务，开创了「LIS」模式，即租赁智能服务。

2.谷歌大脑研究新作探讨视觉表示的大规模学习

近日，谷歌大脑发布一篇研究新作引社群关注，以下为论文概述：深度神经网络进行视觉训练时，预训练表示的迁移可以提高采样效率并简化超参数调整。我们将重新研究大型监督数据集上的预训练范例，并对目标任务的权重进行微调。我们扩大了预训练的规模，并创建了一个简单的配方，称为大转移（BiT）。通过组合一些精心选择的组件，并使用简单的试探法进行传输，我们在 20 多个数据集上实现了出色的性能。BiT 在广泛数据中表现出色 - 从 10 到 1M 标记的示例。BiT 在 ILSVRC-2012 上的 top-1 准确性达到 87.8％，在 CIFAR-10 上达到 99.3％，在视觉任务适应基准（包括 19 个任务）上达到 76.7％。在小型数据集上，在 ILSVRC-2012 上，BiT 达到 86.4％，每班 25 个示例；在 CIFAR-10 上，BiT 达到 97.6％。

3.麻省理工学院新研究：生成对抗性网络的「可稳定性」

现代机器学习的一个公开秘密是，许多模型在标准基准上都能很好地工作，但无法在实验室外推广。这归因于有偏见的训练数据，这些数据对现实世界的事件报道不足。生成模型也不例外，但是生成对抗网络（GANs）的最新进展则相反：这些模型现在可以合成惊人逼真的多样图像。照片的生成模型解决了吗？麻省理工学院的新研究「生成对抗性网络的「可稳定性」」表明，尽管当前的 GAN 可以很好地适合标准数据集，但它们仍不足以作为视觉流形的全面模型。研究人员研究了它们适应简单变换（例如相机移动和颜色变化）的能力。研究人员发现这些模型反映了对其进行训练的数据集（例如居中对象）的偏差，但是它们还具有一定的泛化能力：通过在潜在空间中进行「导向」，研究人员能够在改变分布的同时仍然创建逼真的图像。研究团队假设分布偏移的程度与训练数据分布的广度有关，并进行了实验以量化 GAN 转换的极限，介绍了缓解该问题的技术。