atari_动视是哪个国家的公司
atari，动视是哪个国家的公司？
美国的公司。
动视公司（Activision, Inc.）成立于1979年，是一家视频游戏开发商、发行商和经销商。
动视发行的第一个产品是为Atari 2600设计的视频控制台。动视是世界上最大的电子游戏（Video Game）开发商和发行商。
2022年1月18日，动视被微软以687亿美元收购。
我们得考虑一下AI真的是未来吗？
DeepMind是世界上前沿的人工智能研究机构。在过去三年里，DeepMind的亏损超过了10亿美元。未来一年，还将偿还超过10亿美元的债务。但这并不意味着人工智能正在崩析！
研究是要花钱的，DeepMind每年都在做更多的研究。投入的资金是巨大的，可能比以往任何人工智能项目的投入都要多，但与科学领域一些规模最大的项目所花费的资金相比，还远远算不上史无前例。
大型强子对撞机每年耗资约10亿美元，而发现希格斯玻色子的总成本据估计超过100亿美元。当然，真正的机器智能(也被称为通用人工智能)的价值远不止这些，它可以驱动一台像《星际迷航》(Star trek)那样的计算机，能够分析用普通英语提出的各种问题。
尽管如此，DeepMind不断攀升的亏损规模还是值得深思的:2016年亏损1.54亿美元，2017年亏损3.41亿美元，2018年亏损5.72亿美元。
在我看来，有三个核心问题:
DeepMind是否走在科学的正轨上?
从Alphabet的角度来看，这种规模的投资是否合理?
这些损失又将如何影响人工智能?
关于第一个问题，我们是有理由怀疑的。DeepMind将大部分鸡蛋放在一个篮子里，这种技术被称为深度强化学习。
该技术将主要用于识别模式的深度学习与强化学习相结合，基于奖励信号进行学习，例如游戏中的分数或象棋等游戏中的胜利或失败。 2013年，DeepMind在一篇论文中给这项技术取了名字，该论文展示了如何训练单个神经网络系统来玩Atari游戏，比如《Breakout》和《Space Invaders》，与人类的水平相当，甚至比人类玩得还要好。
这篇论文是一篇工程杰作，可能是2014年1月DeepMind出售给谷歌的关键催化剂。这种技术的发展推动了DeepMind在围棋和电脑游戏《StarCraft)》中取得了令人印象深刻的胜利。
问题是，这种技术非常受限于于特定的环境。例如，在玩Breakout时，微小的变化就会导致性能急剧下降（比如将paddle up移动几个像素）。
DeepMind星际争霸的结果同样受到限制，当在单个地图上玩具有单一“种族”角色的时，结果优于人类，但在不同地图和不同角色上的结果较差。如果要切换角色，则需要重新训练系统。
在某些方面，深度强化学习是一种涡轮增压记忆; 使用它的系统能够提供很棒的功能，但是他们对自己的工作理解很浅。
因此，当前的系统缺乏灵活性，无法在世界发生变化时进行相应的变化，甚至是微小的变化也不行。(DeepMind最近关于肾病的研究结果也受到了类似的质疑)
深度强化学习也需要大量的数据。例如：数以百万计与自己对战的围棋游戏数据。这远远超过了一个人想要在围棋上成为世界级棋手所需要的数据水平，而且通常会非常困难或昂贵，往往需要谷歌规模的计算资源。
这意味着，在许多实际问题中，仅计算一项对于大多数用户来说就太过昂。据估计，AlphaGo的训练时间花费了3500万美元;同样的训练将消耗的能量与12760个连续三天不睡觉的人脑消耗的能量相同。 但这只是经济学。正如我和欧内斯特•戴维斯(Ernest Davis)在即将出版的新书《重启人工智能》(Rebooting AI)中所说：“真正的问题在于信任”。
目前，深度强化学习只能在控制良好、很少出现意外的环境中进行;这对于在2000年规则都没有改变的围棋游戏来说是可行的，但是在许多实际情况中却不可以。
部分原因是，很少有现实世界的问题像DeepMind关注的游戏那样受到特定环境的限制，因此DeepMind还没有找到任何深度强化学习的大规模商业应用。到目前为止，Alphabet已投资约20亿美元(包括2014年报道的6.5亿美元收购价)。
相比之下，不包括宣传在内的直接财务回报相对较低，去年的营收约为1.25亿美元，其中一些来自于在Alphabet内部应用深度强化学习来降低冷却谷歌服务器的电力成本。 深度强化学习可以像晶体管一样，是一项改变世界的研究发明，也可以是“寻找问题的解决方案”。
虽然适用于围棋的技术，但可能不适用于DeepMind渴望的用人工智能来解决具有挑战性的问题（比如癌症和清洁能源）。IBM也体会到了这一难点， 他们在将Watson项目应用于医学诊断时，收效甚微。
Watson在一些病例上做得很好，但在另一些病例上却失败了，有时会错过像心脏病发作这样的诊断，而这对一年级医学生来说都显而易见。
当然，这可能只是时间问题。至少从2013年DeepMind就开始致力于深度强化学习的研究，甚至比这更早，但科学进步很少能在一夜之间转化为产品。
DeepMind或其他公司可能最终会找到一种方法，通过深度强化学习来产生更深入、更稳定的结果，或许是通过与其他技术相结合——或许不是。
最终，深层强化学习可能会像晶体管，成为彻底改变世界的企业实验室的研究发明，也可能是约翰•梅纳德•史密斯(John Maynard Smith)曾描述为“寻找问题的解决方案”的那种学术好奇心。“
我个人的猜测是，它最终将成为介于两者之间的一个有用而广泛的工具，但不会改变世界。 应该没有人会把DeepMind排除在外，即使它目前的战略不如许多人所希望的那么丰富。深度强化学习可能不是通往人工智能的坦途，但DeepMind本身是一个强大的机构，管理严密，资金充足，拥有数百名博士。
它在《围棋》、《雅达利》和《星际争霸》中所取得的成就吸引了更多的人才。即使人工智能领域的风向发生变化，DeepMind也会很好的适应。而且，很显然没有人能比得上它。 此同时，在Alphabet的大背景下，每年5亿美元并不是一个巨大的赌注。Alphabet明智地投资了其他AI项目，例如Google Brain，它本身也在快速增长。
Alphabet可能会以不同方式改变其人工智能投资组合的平衡，但作为一家年收入1000亿美元、从搜索到广告推荐等一切都依赖人工智能的公司，Alphabet进行几笔重大投资并不疯狂。
最后一个问题，即DeepMind的经济状况总体上将如何影响人工智能，很难回答。如果炒作超过了实际效果，它可能会带来一个“人工智能冬天”，甚至连支持者都不愿意投资。
投资界注意到了重大亏损，如果DeepMind的亏损继续以每年约两倍的速度增长， Alphabet甚至最终也可能退出。这不仅是钱的问题。目前为止，还缺乏切实的财务回报。在某些时候，投资者可能被迫重新调整他们对人工智能的热情。
不仅仅是DeepMind。就在几年前，许多有望实现的进步都还没有实现，比如能够自动驾驶的汽车，或者能够理解对话的聊天机器人。
马克·扎克伯格(Mark Zuckerberg)在2018年4月向国会做出的人工智能将很快解决假新闻的承诺已经放缓，正如我和戴维斯所预测的那样：“Talk is cheap，最终对人工智能的热情程度将取决于所提供的回报。” 就目前的机器智能而言，炒作比构建更容易。虽然在广告和语音识别等有限领域已经取得了巨大的进步，但人工智能还有很长的路要走。
不能否认对大数据集进行合理分析的好处，即使在有限的形式下，人工智能已经是一个强大的工具。虽然企业界对人工智能并不乐观，但他们也不会完全退出。
十年后，我们将得出结论，在21世纪的10时代，高估了深度强化学习，忽视了许多其他重要的研究领域。现在机器学习的研究人员经常问：“机器如何使用大量的数据来优化复杂的问题?”
我们可能还会问，“孩子们的能力和使用的数据都不及人工智能系统，他们是如何学习语言和理解世界的?”
如果我们在后一个问题上花费的时间、金钱和精力比前一个问题更多，我们可能会更快地获得通用人工智能。
日语里的阿他里是啥意思？
辺り 【あたり】【atari】① 【名词】 附近；周围。
【接头/接尾】 大体估计；大约，大致；预计；例如。详细释义 名词1. 附近；周围。（付近。近所。近く。一帯。周囲）。辺りを见まわす。环顾周围。辺りに谁もいなかった。附近没有一个人。
2. 大体估计；大约，大致；预计；例如。（时间・程度などの大体を示す）。
特斯拉为何要更换哨兵模式的默认屏幕图像？
哨兵模式作为特斯拉汽车的一项独特技术，已成为一些车主不可或缺的功能。该系统使用汽车摄像头阵列在哨兵模式激活时会监视特斯拉汽车周围的活动，并在检测到不同类型的威胁时对汽车周围开启视频录制。
当系统检测到对车辆的轻微威胁时，它将在其中央屏幕上显示一条消息，警告摄像头正在记录。在发生闯入事件时，该系统除了录制汽车内外的视频外，还以最大音量播放音乐。该系统使用HAL 9000（电影《2001：太空漫游》中的一个虚构人工智能角色）作为特斯拉车辆在待机状态下设置哨兵模式时的屏幕图像。
据外媒 Electrek 报道称，因版权问题，此前特斯拉为自家电动汽车的哨兵模式设置的HAL 9000 屏幕图像，将在新一版软件更新中予以剔除。取而代之的，反而是看起来更像 Valve 开发的《传送门》（Portal）游戏中的动画效果。
这已经不是特斯拉第一次因为版权问题删除相关图像了，去年，特斯拉曾在其集中安装的娱乐屏幕的游戏系列中提供了最初由Namco创建并由Atari推销的游戏Pole Position，但是由于无法从Namco获得授权游戏后将其删除。
HAL 9000，出自电影《2001太空漫游》及同名小说，是一个虚构的人工智能角色，号称永不犯错，是人类最高科技的结晶，是人类科技文明发展的顶端。
