GNMT 的模型架构
在 11 月份的乌镇互联网大会上，搜狗 CEO 王小川在演讲过程中同步演示了自家的实时机器翻译应用。尽管这一事件后来引起了很多争议，但毫无疑问这反映了机器翻译技术正变得越来越成熟的趋势。也许几年之后，我们就能在自己的耳朵里面塞入一个人工智能「巴别鱼」，然后就能听懂每一个人所说的话了。
除了语言对之间的文本序列到文本序列的翻译，另外值得一提的一项突破是唇语到语言（视频序列到文本序列）的「翻译」，而且其所实现的超越人类的进展基本上毫无争议的。11 月份，牛津大学、Google DeepMind 和加拿大高等研究院（CIFAR）联合发布了一篇重要论文，介绍了利用机器学习实现的句子层面的自动唇读技术 LipNet，该技术将自动唇读技术的前沿水平推进到了前所未有的高度——实现了 93.4% 的准确度，远远超过了经验丰富的人类唇读者。
No.7 人工智能硬件大战打响，巨头 vs. 创业公司
里程碑意义：★★★☆☆
社会关注度：★★★★☆
随着深度学习算法变得越来越复杂、所使用的数据集变得越来越大，对专用硬件的需求也正变得越来越大。2016 年，面向人工智能的平台成了计算硬件开发的一个主要的新方向。这一年，除了英特尔和英伟达这两家芯片巨头在人工智能方向连绵不断的高调动作，掌握核心科技的创业公司也在尽力改变着市场格局（尽管其中大部分有潜力的都被收购了），此外，就连谷歌这样的互联网也从中看到了发展的空间。
传统芯片厂商方面，英伟达借助 GPU 和深度学习算法的高度契合而顺势发展，股价飞涨，可以说是 2016 年人工智能计算硬件领域的最大赢家。体量更大的巨头英特尔自然也不会等着这个新市场被竞争对手占领，而收购似乎是个更快捷的追赶方法。2016 年，英特尔收购了多家人工智能创业公司，其中包括计算机视觉创业公司 Movidius 和深度学习芯片创业公司 Nervana 等。到 11 月份，有了 Nervana 和 2015 年收购的 FPGA 厂商 Altera 加持的英特尔公布了其人工智能路线图，介绍了该公司在人工智能芯片市场上的公司战略和产品生态系统。另外随便一提，在这一领域存在感差很多的 AMD 在 2016 年年底也终于发力，宣布推出了其首款基于 VEGA GPU 架构的机器学习芯片。另外，DSP 供应商 CEVA、FPGA 供应商 Xilinx 和处理器技术提供商 Imagination 等厂商也都已经在机器学习领域进行了布局。
英伟达 CEO 黄仁勋在 GTC Europe 2016 上演讲
互联网巨头似乎也从计算硬件领域发现了新的机会。2016 年 5 月，谷歌发布了一款新的定制化设计的芯片张量处理单元（TPU/Tensor Processing Unit），这款芯片是专门为基于谷歌已经开源的 TensorFlow 机器学习框架而量身定制的。微软也通过 Project Catapult 表明了对 FPGA 的支持。另外，这一年 IBM 在神经形态计算上的进展也得到了很大的关注，甚至可能预示着一种人工智能发展的新方向。
创业公司方面，除了被收购的 Nervana 等公司，还有 Wave Computing、Kneron 以及中国的寒武纪和深鉴科技等公司都在努力开发自家的深度学习专用芯片平台。而这些创业公司在 2016 年同样也取得了相当不俗的表现，比如源自中科院计算机研究所的寒武纪就在 2016 年推出的寒武纪 1A 处理器，据称这是世界首款商用深度学习专用处理器。
No.8 斯坦福大学发布人工智能研究百年报告
里程碑意义：★★★★☆
社会关注度：★★★☆☆
2014 年秋季，斯坦福大学启动了一个人工智能百年研究项目。两年之后——2016 年 9 月初——斯坦福大学所组织的包含了谷歌和微软等科技巨头、哈佛大学和 MIT 等著名大学以及艾伦人工智能研究所等专门的人工智能研究机构的众多专家学者的委员会终于发布了他们百年项目的第一份报告《2030 年的人工智能与生活（AI and Life in 2030）》，该报告囊括了人工智能最近的发展以及对就业、环境、运输、公共安全、医疗、社区参与和政府的潜在影响。