雷鋒網按：本周， 晶片巨頭Intel高調收購ADAS明星企業Mobileye， 在業界掀起軒然大波， 收購方和被收購方各打著什麼算盤？對相關領域會有哪些深遠的影響？阿裡巴巴啟動“NASA”計畫， 是馬雲要去太空了嗎？聽說 Google 起訴Uber、Otto是因為一個叫萊萬的人， 那麼萊萬究竟是誰？他做了什麼？
更多精彩解讀， 請點擊紅色標題閱讀全文。
如果你對專欄的內容或形式有任何建議， 請在下方評論區留言， 專欄君將一一回復。 無論你是樂於分享的極客， 或是對科技圈的新聞事件有獨到的見解的評論人， 均可向我們投稿， 專欄君的郵箱：gulei@leiphone.com。
1、解析 | 英特爾為何要高調收購輔助駕駛明星企業Mobileye？
北京時間3月13日， 據以色列媒體Haaretz報導， 晶片巨頭英特爾以150億美元將以色列ADAS及自動駕駛公司Mobileye收入囊中。 該消息曝光後， Mobileye股價在盤前交易中大漲， 漲幅近30%。
這一則突如其來的消息幾乎佔據了所有智慧汽車行業的頭條， 這次收購在汽車界和科技界激起了巨大的浪花， 英特爾作為處理器行業的巨頭誓要殺入汽車行業， 幾乎將必然給智慧汽車的產業格局帶來巨大的影響， 而這看似突然的收購， 其實是英特爾產業佈局的重要一步……
【作者】史高拔， 汽車電子工程師， 供職于國內某汽車技術中心， 從事汽車智慧網聯技術研發。
2、馬雲為什麼要去“太空”？只因中國互聯網的天真的變了
“外星人”馬雲最近啟動了阿裡自己的“太空計畫”——NASA——面向未來20年的技術研發計畫。
美國在上個世紀五十年代啟動的NASA計畫在很大程度上成就了日後美國在技術領域的領導地位， 而阿裡宣稱自己的NASA是為了“為服務20億人的新經濟體儲備核心科技”， 而不是為了字面上很容易讓人聯想到的，
阿裡為什麼要在這個時候推出面向未來20年技術研發的NASA計畫？背後折射出中國互聯網的天的哪些變化？
【作者】尹生， 互聯網價值研究者、前福布斯中文版副主編。
3、破譯地震的密碼？——機器學習演算法有望實現地震的精確預測
據統計， 被地震奪走生命的人員數量十分驚人。 每年大約有一萬人死於地震和震後災難， 但實際的傷亡人數可能更多。 2004年， 蘇門答臘島海岸有超過230,000人在九級地震引起的海嘯中喪生；2010年， 超過200,000人死于海地七級地震；1556年， 中國超過800,000人在一次地震中死亡。
近日， 美國新墨西哥洲“洛斯阿拉莫斯國家實驗室”團隊訓練了一個機器學習演算法來試圖預測地震， 該團隊還不確定這一技術能否用於現實地震的預測， 目前僅為實驗室環境成果， 但這項技術可能為地震預測領域的研究開闢了一條新的路徑。
【作者】本文由圖普科技工程師翻譯自：《Machine-Learning Algorithm Predicts Laboratory Earthquakes》
4、Google 對Uber、Otto的無人駕駛訴訟案， 都是因這個男人而起 | 深度
估計大多數人知道 Anthony Levandowski（以下簡稱萊萬）， 是因為穀歌拆分出的無人駕駛汽車公司Waymo 發飆， 起訴萊萬創建的 OTTO 和任職的 Uber 偷盜其無人駕駛核心技術。
起訴書中， 列舉了萊萬十幾條罪狀， 讓人看起來， 萊萬就是個忘恩負義， 一心想掙錢的工程師。
這些訴訟內容是否屬實， 有待法庭證明。 但身高2米的萊萬， 並不這麼簡單……
【作者】于欣烈，汽車行業從業者。
5、谷歌工程師：聊一聊深度學習的weight initialization
深度學習模型訓練的過程本質是對weight（即參數 W）進行更新，這需要每個參數有相應的初始值。有人可能會說：“參數初始化有什麼難點？直接將所有weight初始化為0或者初始化為亂數！”對一些簡單的機器學習模型，或當optimization function是convex function時，這些簡單的方法確實有效。
然而對於深度學習而言，非線性函數被瘋狂疊加，產生如本文題圖所示的non-convex function，如何選擇參數初始值便成為一個值得探討的問題——其本質是初始參數的選擇應使得objective function便於被優化。事實上，在學術界這也是一個被actively研究的領域。
【作者】夏飛，清華大學電腦軟體學士，卡內基梅隆大學人工智慧碩士。現為谷歌軟體工程師。
6、TOP5%Kaggler：如何在 Kaggle 首戰中進入前 10% | 乾貨
Kaggle 是目前最大的 Data Scientist 聚集地。很多公司會拿出自家的資料並提供獎金，在 Kaggle 上組織資料競賽。作者最近完成了第一次比賽，在 2125 個參賽隊伍中排名第 98 位（~ 5%）。因為是第一次參賽，所以對這個成績已經很滿意了。
在 Kaggle 上一次比賽的結果除了排名以外，還會顯示的就是 Prize Winner，10% 或是 25% 這三檔。所以剛剛接觸 Kaggle 的人很多都會以 25% 或是 10% 為目標。在本文中，作者試圖根據自己第一次比賽的經驗和從其他 Kaggler 那裡學到的知識，為剛剛聽說 Kaggle 想要參賽的新手提供一些切實可行的衝刺 10% 的指導。
【作者】章淩豪，復旦大學電腦科學專業。
並不這麼簡單……【作者】于欣烈，汽車行業從業者。
5、谷歌工程師：聊一聊深度學習的weight initialization
深度學習模型訓練的過程本質是對weight（即參數 W）進行更新，這需要每個參數有相應的初始值。有人可能會說：“參數初始化有什麼難點？直接將所有weight初始化為0或者初始化為亂數！”對一些簡單的機器學習模型，或當optimization function是convex function時，這些簡單的方法確實有效。
然而對於深度學習而言，非線性函數被瘋狂疊加，產生如本文題圖所示的non-convex function，如何選擇參數初始值便成為一個值得探討的問題——其本質是初始參數的選擇應使得objective function便於被優化。事實上，在學術界這也是一個被actively研究的領域。
【作者】夏飛，清華大學電腦軟體學士，卡內基梅隆大學人工智慧碩士。現為谷歌軟體工程師。
6、TOP5%Kaggler：如何在 Kaggle 首戰中進入前 10% | 乾貨
Kaggle 是目前最大的 Data Scientist 聚集地。很多公司會拿出自家的資料並提供獎金，在 Kaggle 上組織資料競賽。作者最近完成了第一次比賽，在 2125 個參賽隊伍中排名第 98 位（~ 5%）。因為是第一次參賽，所以對這個成績已經很滿意了。
在 Kaggle 上一次比賽的結果除了排名以外，還會顯示的就是 Prize Winner，10% 或是 25% 這三檔。所以剛剛接觸 Kaggle 的人很多都會以 25% 或是 10% 為目標。在本文中，作者試圖根據自己第一次比賽的經驗和從其他 Kaggler 那裡學到的知識，為剛剛聽說 Kaggle 想要參賽的新手提供一些切實可行的衝刺 10% 的指導。
【作者】章淩豪，復旦大學電腦科學專業。