AI前線一週熱聞盤點：NIPS召開Black in AI會議；谷歌訓練CycleGAN可自行建立圖像

本文由 【AI前線】原創，原文連接：http://t.cn/RTnQrVG

編輯｜Vincent

AI前線導讀：讓各位久等了！AI 前線週報升級歸來！

內容導讀：

• Facebook 利用 AI 發現並幫助自殺人羣
• 谷歌發佈 TFGAN，旨在簡化 GAN 的訓練和評估過程
• 人工智能機器人 Alisa 被提名爲俄國總統候選人
• AlphaGo 教學工具正式上線 柯潔稱要「從新學圍棋」
• 北京市交委發佈中國首個自動駕駛法規
• 谷歌公司研究人員訓練 CycleGAN 自行建立光學幻覺
• 利用 imgaug 生成合成訓練數據
• 谷歌公司利用機器學習探索索引結構
• 杜克大學，中科大等高校利用深度學習訓練 AI 以實現最優拓補結構
• Andrej Karpathy：神經網絡正在從根本上改變軟件
• NIPS 召開 Black in AI 會議
• 艾倫腦科學研究所 AI 分部（簡稱 AI2）公佈「THOR」3D 特工訓練環境

Facebook 利用 AI 發現並幫助自殺人羣

Facebook 已經不只僅是一個簡單的社交網站，正如他們以前在以前的項目中展現過的，他們推出了的新的自殺預防 AI。該功能能夠在帖子和實時視頻流上使用模式識別，AI 可以識別 Facebook 用戶是否有自殺想法。

模式識別不是一個新功能，它已經在 Facebook 的「第一響應者」計劃中使用。根據 Facebook 收到的主動檢測工做報告，該計劃已經完成了超過 100 次健康檢查。模式識別會查看諸如「你還好嗎？」和「你須要幫助嗎？」這樣的評論，而後這個信號會發送給 AI，以後 Facebook 員工會調查某個帖子或者直播。

新聞來源

https://en.softonic.com/articles/facebooks-improved-ai-uses-pattern-recognition-to-bolster-efforts-at-suicide-prevention

谷歌發佈 TFGAN，旨在簡化 GAN 的訓練和評估過程

谷歌官方博客 12 月 12 日更新：爲了使 GAN 更易於實驗，谷歌已經開源 TFGAN，這是一個輕量級的庫，旨在簡化 GAN 的訓練和評估過程。它提供了輕鬆培訓 GAN 的基礎設施，提供通過良好測試的損失和評估指標，並提供了易於使用的示例，突出了 TFGAN 的表達性和靈活性。同時谷歌還發布了一個教程，其中包含一個高級 API，能夠快速獲取有關數據的模型。

新聞來源

https://research.googleblog.com/2017/12/tfgan-lightweight-library-for.html

人工智能機器人 Alisa 被提名爲俄國總統候選人 民衆熱烈歡迎

由俄羅斯最大的網絡網絡公司 Yandex 開發的虛擬 AI 助手 Alisa，已被全國上萬支持者提名爲下一任總統。俄羅斯總統普京是否會被 AI 取代？對特朗普總統失望的美國人民可能更但願投票給 AI 機器人吧，據《每日星報》報導，愛麗莎早已經是家喻戶曉的虛擬助理，競選網站強調，Alisa 承諾將成爲「最瞭解你的總統」。在過去的 24 個小時裏，有超過 2 萬 5 千人在這個網站上投票提名 Aliss 爲總統候選人。

Alisa 主要依賴邏輯運做，不會感情用事，不會謀求我的利益，也不會作出道德判斷。更棒的是，她能夠 24 小時工做，智商是普通人類的 7 倍，能同時收到數百萬條建議，並永遠記住你。不過按照俄羅斯的法規，Alisa 明顯不夠候選資格，由於其誕生迄今仍不足一週歲，而法律規定候選人必須超過 35 歲。

據 Yandex 稱，Alisa 是由俄羅斯百萬富翁 Roman Zaripov 發起的。公司在一份聲明中表示「顯然，Alisa 被提名成爲總統候選人此事是人們創造力最佳範例。咱們和其餘人一塊兒瞭解到這一點」。

新聞來源

http://www.cnbeta.com/articles/tech/679809.htm

AlphaGo 教學工具正式上線 柯潔稱要「從新學圍棋」

北京時間 12 月 11 日晚間，Deepmind 公司在本身官網上線了 AlphaGo 教學工具，旨在幫助公衆用新的、啓發性的方式下圍棋。這樣的舉措，也進一步兌現了 Deepmind 在烏鎮人機大戰結束時的承諾：與全世界圍棋愛好者共同分享 AlphaGo 的數據。

AlphaGo 的啓蒙老師、歐洲圍棋冠軍樊麾在微博上透露：「AlphaGo 教學工具共有兩萬多個變化，三十七萬多步棋組成，經過 AlphaGo 的視角，分析並建議圍棋開局的諸多下法。同時每步棋 AlphaGo 都會給出本身的勝率分析，但願 AlphaGo 對圍棋的獨特理解能夠給咱們一些啓發。」

隨後，當今世界圍棋第一人柯潔轉發此條微博，並評論到：「從新學圍棋。」

據樊麾介紹，這次公佈的教學工具使用的版本是 AlphaGo Master。工具設有包括中文簡體在內的多個語言。

另據 DeepMind 官網介紹，教學工具分析了近期圍棋歷史裏 6000 個最受歡迎的開局，使用了 231000 盤人類數據，以及 75 盤 AlphaGo 與人類對弈的數據。

新聞來源

http://www.cnbeta.com/articles/tech/678817.htm

北京市交委發佈中國首個自動駕駛法規

12 月 18 日，北京市交通委員會下發關於印發《北京市關於加快推動自動駕駛車輛道路測試有關工做的指導意見（試行）》和《北京市自動駕駛車輛道路測試管理實施細則（試行）》的通知。

《指導意見》中，包含對自動駕駛車輛上路測試工做的 基本原則、自動駕駛定義、責任主體、測試要求、測試管理以及事故責任認定。這是中國首次對自動駕駛車輛的測試工做出臺了相關規定，對於專一於自動駕駛領域研究的國內企業來講，這是一個使人興奮的消息。

新聞來源：

http://www.bjjtw.gov.cn/xxgk/dtxx/201712/t20171218_189567.html

《自動駕駛的一大步！北京市交委發佈中國首個自動駕駛法規》（插入連接：https://mp.weixin.qq.com/s?__biz=MzU1NDA4NjU2MA==&mid=2247487283&idx=5&sn=1a4f7b23a30d1fc932b0a0261ccd1eb8&chksm=fbe9b6fccc9e3fea7d486b3e9a40742fb35d5cd80421bc370e467212d98d025f375ffef4c800#rd）

如下新聞均來自 Import.AI，內容翻譯已得到 獨家受權，未經許可，禁止轉載！

做者 Jack Clark 有話對 AI 前線的讀者說：咱們對中國的無人機研究很是感興趣，若是您想要在咱們的週報裏看到更多有趣的內容，請發送郵件至：jack@jack-clark.net。

源自 CycleGAN 的意外隱寫方法:

…合成圖像生成器自行建立光學幻覺…

谷歌公司的研究人員已經肯定了 CycleGAN 所使用的一系列驚人的信息存儲技術——這款工具可用於學習不一樣圖像集之間的對應關係，並生成合成圖像。具體來說，研究人員們發現，在 CycleGAN 訓練期間，其神經網絡會將信息編碼添加至正在生成的圖像當 ，以幫助其立足合成源重建原始圖像。研究人員們寫道：「這意味着大部分與源照片相關的信息都會被存儲在所生成圖像的高頻低幅信號當中。」

CycleGAN 示例

這也意味着人們可以利用 CycleGAN 建立惡意合成圖像，其中來自源圖像的干擾模式將導致神經網絡重構出徹底不一樣的圖像內容。研究人員們寫道，「咱們發現 CycleGAN 正在學習一種編碼方案，其可在所生成的地圖 F x 當中‘隱藏’與航拍圖 x 相關的信息。」

利用 imgaug 生成合成訓練數據:

…咱們是否可使用 CoarseDropout？也許再加點鹽和胡椒粉？以及仿射尺度算法？…

在機器學習工做當中，最使人頭痛的部分之一無疑在於數據加強； 所謂數據加強，是指立足已經收集到的現有數據集——例如貓的照片集，並經過多種方式進行圖像轉換以擴展數據集大小。Imgaug 這款新型免費軟件可以自動完成這一過程，爲用戶提供大量可能的轉換成果，並自動應用於相關圖像。

做者寫道，「其支持各類各樣的加強技術，可輕鬆將這些技術結合起來，且提供簡單而強大的隨機接口，可加強圖像與關鍵點 / 標誌並在後臺進程中提供加強功能，從而進一步提高成效。」

• 訪問此連接閱讀 imgaug 說明文檔。

http://imgaug.readthedocs.io/en/latest/

• 訪問此連接在 GitHub 上查看 imgaug。

https://github.com/aleju/imgaug

我搞不定二叉樹：谷歌公司利用機器學習探索索引結構

…再見了，傳統軟件；你好，深度學習軟件…

自從深度學習技術從根本上改變了計算機所可以實現的感官識別與分析能力以後，這種能力被引入軟件產品自己顯然只是時間問題。來自谷歌公司的一篇最新研究論文展現瞭如何利用現代人工智能方法顯著提升計算機科學當中一大基礎性任務的技術水平：爲大型數據存儲庫創建索引系統。

在這份論文中，研究團隊展現瞭如何基於「已學習索引」構建神經網絡，並利用其替代傳統的二叉樹類索引。將來，該團隊還計劃嘗試利用這項技術編寫插入操做以及其它基本數據庫算法，例如與添加及排序數據相關的算法。

這支谷歌小隊在四大數據領域對本身的方法者測試：來自谷歌自身系統的實際整數數據集（具體分爲地圖與網絡日誌）、包含「1000 萬非連續性文檔 ID」的各大型互聯網企業實際產品 Web 索引，以及一套名爲 Lognormal 的合成數據集。

結果：研究人員們寫道，「機器學習型索引幾乎涵蓋了二叉樹索引的全部配置方式，且可帶來 3 倍速度提高與高達一個數量級的‘瘦身’效果。固然，若是不介意解壓所佔用的 CPU 資源，用戶也能夠對二叉樹索引進行進一步壓縮。更值得強調的是，這些優化不只大多屬於正交關係，且對神經網絡而言還存在着更多壓縮潛力。例如，神經網絡可以利用 4 或 8 位整數——而非 32 或 64 位浮點數——來表示模型參數。」他們目前的實現方案依託於 CPU，但將來研究人員們相信 GPU 與新的專門面向 AI 用例的 TPU 將可進一步實現運行提速。

對實用性抱有懷疑： 谷歌公司的研究人員們在報告中指出，像這樣的方法須要耗費大量計算資源纔可以實現。不過考慮到 TPUS、Cerebras 以及 Graphcore 等的存在，這樣的設計思路彷佛也徹底可以理解。但仍有人對論文內容抱有懷疑。Symas Corp 公司 CTO Howard Chu 在郵件中指出，「其中假定一套靜態數據集以吟詩方式使用，這顯然不適用於須要即時進行修改的目錄或數據庫。另外，其假定整個數據集存在於內存當中，這對於數據庫類應用程序而言一般並不現實。具體來說，論文假定使用高併發 GPU 資源並將一切塞進顯存以創建‘快’用例，但顯存容量甚至要比服務器主內存還更加緊張。」

學習型網絡拓撲，實現最優拓撲結構

其目標在於「讓一切輸入與輸出對實現自動化」…

來自杜克大學 / 中國電子科技大學 / 布朗大學 /NEC 實驗室的最新研究結果，展現瞭如何利用深度學習方法進行人工智能策略訓練，從而利用 DeepConf 軟件預測適合數據中心實際需求的最佳網絡拓撲結構。這項研究最使人感興趣的一點，在於其再次證實了近期獲得普遍關注的、將輸入與輸出進行從新匹配的趨勢（例如確保數據包以特定最佳拓撲方式流入數據中心，或者利用圖像像素生成標籤，或利用音頻波形實現語音轉錄等）。最終，也許咱們所熟知的一切都將由強大的 AI 技術與工具進行從新評估。

先是視覺領域，後是數字化領域——AI 分析主宰一切

…神經網絡正在全面滲透現實世界…

軟件 2.0：數週以前，Andrej Karpathy（此供職於斯坦福 /OpenAI，目前就任於特斯拉公司）曾表示他認爲神經網絡正在從根本上改變軟件，並認定這將最終帶來軟件 2.0——即神經網絡生成型軟件的專有品牌。

Andrej Karpathy

Karpathy 寫道，「事實證實，對於大部分真實世界問題而言，收集數據在難度上都要遠低於編寫程序。將來，大部分程序員將沒必要維護複雜的軟件庫、編寫錯綜複雜的程序或者分析其運行時間。相反，程序員們只須要收集、清理、操縱、標記、分析以及可視化來自神經網絡的數據。」

這項來自谷歌的研究結論，外加上週公佈的多份化學論文以及神經架構搜索等技術的持續創新，都爲咱們提供了經驗依據，證實人們已經開始從新思考利用 AI 進行軟件 設計的做法，並着手探索現實世界可以所以得到怎樣的助益。做爲發展的下一階段，咱們將從新思考優化型計算機運算如何同 AI 進行協做。不過在我看來，人們尚未考慮到所以出現的 bug 問題該如何解決。

NIPS 召開 Black in AI 會議：

今年，NIPS 方面召開了「Black in AI」會議，來自 DeepMind 的研究人員 Simon Osindero 做出演講。本次演講主要涉及 AI 社區所須要解決的一系列棘手問題，具體包括包容性與偏見問題，外加社區該如何改進自身表明性等。

Simon 指出，「咱們徹底能夠利用各自不一樣的背景爲整我的工智能領域帶來更爲廣闊的觀察視角。但願咱們可以經過這種方式，確保咱們所開發出的人工智能應用及系統不會殘留一些社會上仍然存在的偏見問題，最終幫助其變得更爲公平、透明且負責。」

來自 Simon 的小故事： 2015 年當我前往蒙特利爾參加 NIPS 時，我與其餘人同樣在衆多 AI 會議之間不斷找機會跟同僚們暢飲到深夜。到了星期五早上，報應終於來了，我不得不勉強從牀上爬起來去參加一次強化學習研討會。進入現場後，我發現 Simon 正精氣神十足地坐在我前面的椅子上。我問他：「Simon，我以爲好累，你是怎麼作到的？」他舉起一個布洛芬藥瓶，解釋稱「每一次科學革命，都創建在前一次科學革命的基礎上。」

艾倫腦科學研究所 AI 分部（簡稱 AI2）公佈「THOR」3D 特工訓練環境：

…交互之家（The House of inteRactions，簡稱 THOR），這裏危機重重、但這裏又獎勵豐厚…

AI2 方面公佈了 THOR，一套基於 Unity 3D 遊戲引擎的 AI 模擬環境。THOR 當中包含超過 120 個「逼真的 3D 場景」，由人類藝術家手工建模（不一樣於更爲常見的程序化生成環境）。THOR 環境中能夠包含衆多所謂「可操做對象」，其中每一個對象都可以實現「交互」。換句話來講，特工人員能夠粗略對這些目標進行操縱以改變其狀態，好比將一具物體放進另外一個物體當中，或者開啓及關閉櫥櫃與抽屜。

高質量場景：論文指出，THOR 場景的高視覺逼真度使得「學習模型得以更好地被轉移至現實世界以內」。在此以前，THOR 已經開始爲衆多項目提供支持，包括在模擬環境下訓練遙控車操做。目前的模擬到現實技術已經至關多樣，包括「域隨機化」等，可輕鬆實現低保真度模擬並經過數據加強將模型轉化爲現實場景。

3D 環境的無限擴張： 過去幾年以來，已經出現一系列新的大規模 AI 訓練環境——包括微軟基於《個人世界》的 Malmo、DeepMind 基於《雷神之錘》的「DeepMind Lab」，以及基於《毀滅戰士》的 VizDoom。觀察遊戲引擎的選擇會給這些 AI 訓練系統的最終設計與參數帶來怎樣的影響，確實是個有趣的過程。所以，我期待着可以在 AI 研究領域看到更多 Unity 或者其它引擎的出現。

技術故事：

Clown Hunt：當人們據說個人工做是進行人工智能研究，他們大多會想到圖靈測試以及 Voight-Kampf 測試等等。但請相信我，這些測試根本沒用。咱們嘗試過對話方式，也已經開始利用虛擬現實場景進行對話——包括進行一切必要的探索。但這一切都沒法奏效。你們能夠將場景設想成在《半條命 2》中使用附加組件，而軟件的任務在於搭建出「可玩」的環境，例如將大量物品及人物、外加可編程活動共同添加到一個已經具有物理效果與動力學原理的世界當中。人們確實玩得很是開心，好比製做一門大炮，用它轟擊汽車！或者使用反重力槍來製做一個上下顛覆的游泳池，要麼就是把過山車裏的所有乘客都替換成橡膠鴨子之類。

而這基本就是目前的 AI 測試方法。儘管人們一直但願人工智能擁有出色的對話能力，但其距離終結者或者仿生人還有很遠很遠的距離。相反，其目前的能力僅僅是測試網絡上的軟件，同時分辨哪些程序源自人類操控、哪些源自軟件自身等等。這種低下的反應性正是問題所在。若是某些事物會快速變化，那麼咱們恐怕很難對其進行處理。爲了解決這一挑戰，咱們開始組織各種技術競賽——各類非營利性組織及企業都在進行此類嘗試。參賽者們能夠利用大量計算資源完成競賽，而他們一旦勝出，咱們會爲其提供獎品，並對相關程序進行更爲深層的測試。

個人工做是發現這些不受管制的「認知級」軟件系統，具體方式就是投身於模擬器當中並進行操做。我有兩個孩子，因此我對人類的表現具有必定了解——我認爲其中最特別的就是關於「有趣」的感覺。這種感覺是計算機很難得到的。所以，咱們能夠經過構建最有趣、最激動人心或者最能引發共鳴的事物來判斷對方是人類抑或人工智能。個人妻子說，我這樣的性格若是生活在古代必定會是個童話做家。但如今的我卻在負責檢測另外一種「大腦」——且一樣須要讓本身保持一顆童心。

所以，今天個人工做是嘗試讓一羣呱呱叫的鴨子引領一臺烤麪包機穿過馬路，且避開路上的「汽車」——其實是上週末我和孩子們精心設計的金屬鯨魚。鴨子頭頂有一道雷電，還在劈啪做響。經過編程，這些鴨子可以用嘴輕輕推進烤麪包機，慢慢讓它經過這條佈滿鯨魚的道路。

接下來，我將目光投向軟件的開發成果——真是使人稱奇。它用金屬梁構建起一座樹屋——結構很是標準，但在樹屋的頂部擺上了桌子和幾位客人。這裏說「客人」彷佛並不許確，由於其只是一些超大尺寸、分辨率很高且精心製做的蜂蜜烤火腿，上面還瀰漫着一些熱騰騰的「數字化」香氣。其中一個火腿在上三分之一處粘有一條假鬍鬚，右上方則是一塊單片眼鏡——剛好是人類眼睛的位置。這樣的畫面有點像我在夢中才會看到的情景。所以很明顯，我發現這是一種認知類工做。以往我一直以爲計算機搞不懂「有趣」是什麼意思，但如今個人觀念動搖了——也許它已經從我這裏學到了一點自娛自樂的本事。

相關技術：

Kaggle、《半條命 2》、遊戲 Mod、模仿學習、元學習、人類偏好學習。

關注咱們的微信號"AI前線"，後臺回覆「AI」可得到《AI前線》系列PDF電子書