谷歌WaveNet可以合成更逼真的人声
2016年9月9日，Google的DeepMind人工智慧团队（就是开发了AlphaGo的那个）利用了神经元网络，开发了第三种方式－－也就是直接拆解出声源样本，产生出一个更深层的语言「习惯」资料，之后再从这些习惯直接建构出音讯档来。取决于喂给WaveNet AI的资料，它甚至可以模拟出嘴型动作和换气的细微声音，在音调和语速上也更有个人风格。而且WaveNet的应用并不止于人声而已，研究人员喂给它古典乐做为参考，它也能组合出相当有模有样的古典乐出来。
Elon Musk宣布Tesla所有新车将安装Autopilot2．0系统
2016年10月，Elon Musk宣布Tesla所有新车将安装具有完全自动驾驶功能的硬件系统Autopilot2．0，并计划在2017年年底之前以完全自动驾驶模式让无人驾驶汽车从洛杉矶开往纽约
谷歌开源TensorFlow图说生成模型，可真正理解图像
9月22号，谷歌宣布开源图说生成系统Show and Tell最新版在TensorFlow上的模型。该系统采用编码器－解码器神经网络架构，分类准确率达93．9％，在遇到全新的场景时能够生成准确的新图说。谷歌表示，这说明该系统能够真正理解图像。这次发布的版本对系统计算机视觉组件的一些重大技术提升，训练速度更快、生成的图说也更加准确、丰富。
Facebook、Amazon、谷歌、IBM和微软结成史上最大AI联盟
9月28号，Facebook、Amazon、谷歌Alphabet、IBM和微软自发聚集在一起，宣布缔结新的人工智能（AI）伙伴关系，旨在进行研究和推广最佳做法。这意味着高科技公司将经常聚在一起讨论人工智能的进展情况。他们还将正式建立一种体制，实现公司间的沟通。值得注意的是，在日常工作中，这些团队将不断竞争，利用机器智能开发出最好的产品和服务。
机器学习也要反歧视？谷歌提出机会均等框架
随着机器学习技术的快速发展，人们对理解其社会影响的兴趣也越来越大。机器学习中一个尤其成功的分支是监督学习（supervised learning）。只要有足够的历史数据和计算资源，学习算法通常都能得出有效得让人惊讶的未来事件预测器。即使最好的预测器也会犯错。尽管机器学习的目标是最小化错误的可能性，但我们可以如何防止特定的群体经受不成比例的这类错误？10月7号，为了解决机器学习中的反歧视问题，谷歌提出机会均等框架。
Facebook推出AI和机器学习战略
在11月份的Web峰会上，Facebook首席技术官Mike Schroepfer阐述了人工智能和机器学习将在公司今后改善全球连通性、技术可及性和人机交互能力方面将发挥的重要作用。并再次表示，未来十年Facebook的发展愿景是“连接全世界”，而具体创新点则落实到“连接”、人工智能（AI）和虚拟现实（VR）三个领域上。
谷歌人工智能翻译工具获新突破
2016年11月22日，谷歌发布了人工智能翻译工具。此前其可以把英文日文，英文韩文进行互译，但现在机器可以在前两对翻译训练的基础上，“无师自通”地把日文直接翻译成韩文，整个过程不再借助英文的“桥接”。这或许意味着计算机自己内部形成了一套更深层次的概念体系，其更像是一个哲学的进步。
OpenAI发布人工智能训练平台Universe
2016年12月5日，特斯拉首席执行官伊隆马斯克（Elon Musk）创办的人工智能非营利性组织OpenAI发布了一款名为“Universe”的虚拟训练平台，以加快人工智能技术的发展。具体来说，开发人员可以将视频游戏、应用程序等内容放在这个平台上，对人工智能进行训练。
自动唇读系统LipNet唇语识别准确率为95．2％
2016年12月，英国牛津大学、谷歌DeepMind等研发的自动唇读系统LipNet对Gird语料库实现了准确率为95．2％的唇语识别，其对BBC电视节目嘉宾进行唇语解读，准确率为46．8％，远远超过专业的人类唇语专家（仅为12．4％）
2017年AI实现产业落地
“小度”人脸识别战胜最强大脑代表
2017年1月6日，百度人工智能机器人“小度”利用其超强的人脸识别能力，以3：2的成绩战胜人类最强大脑代表王峰。
Alpha Go成功战胜人类棋手
2017年5月份，围棋天才柯洁与AlphaGo进行了对决。柯洁赛前的冷静与斗志，在与AlphaGo对弈中逐渐消磨，最终柯洁以0：3战败。赛后柯洁曾一度哽咽：“它太完美我很痛苦，看不到任何胜利的希望。”
AlphaGO的开发者之一黄士杰称，AlphaGo的成功融合深度学习（Deep Learning）、強化学习（Reinforcement learning）与树搜索（Tree Search）三大技术，让程序自我对弈，自己便是自己的老师。谈及AlphaGO对围棋界的冲击时，黄士杰表示，“未来AI是人类的工具，跟人类合作，而非跟人类对抗，现在最强的学习技能仍在人类的脑袋里。”
谷歌正式发布第二代TPU，对标英伟达GPU Tesla V100
5月19日凌晨，在谷歌I／O 2017大会上，谷歌正式发布了第二代TPU。
从2016年谷歌公布了这一项目计划之后，一直等到了2017年4月才看到详细的文档介绍以及论文。TPU的目标很简单，为多种深度神经网络设计，能够高速、高能耗比地执行深度学习模型的推理任务。在当时的几种方案中，ASIC的功能完全固定，FPGA的速度优势不大，GPU做模型训练没问题但推理任务成本太高，TPU的灵活性稍高于ASIC，并提供了大幅高于GPU的推理任务能耗比。虽然论文中的对比对象有争议、TPU在某些任务中的表现也并不理想，但以TPU为代表的定制芯片方案注定将会是深度学习大规模商业化应用的必备基础设施。谷歌正式发布的第二代TPU，运算能力、存储能力都有大幅提高。相比较上周英伟达刚刚推出的GPU Tesla V100，每秒达到120万亿次浮点运算，谷歌二代TPU最高可达到每秒180万亿次的浮点运算性能。最重要的是它还可以支持模型训练。
