本週AI熱點回顧：機器狗要去福特當工程師；人臉黑產攻擊一秒被擒；德撲AI大比分擊敗頂尖人類選手...
點擊左上方藍字關注咱們算法
01編程
波士頓動力機器狗獲新工做，此次要去福特當工程師安全
據外媒報道，福特公司宣佈爲位於美國密歇根州的 Van Dyke 工廠租賃了兩臺波士頓動力生產的機器狗，機器狗將會以 3mph（約合 4.8km/h）的速度在工廠車間裏四處遊走，對工廠進行掃描，以幫助工程師收集相關數據，而且產生新的數字模型。網絡
在機器狗應用以前，工廠的掃描更新過程耗時更長，成本也更高。而機器狗則能夠經過編程沿着特定路徑行進，且在不一樣的地形上有不一樣的步態，若是摔倒，還能夠調整本身的姿式。另外，Fluffy和Spot也被編程和人類員工保持安全距離，避免潛在傷害，其電池能夠保持工做約兩個小時。
框架
這兩臺機器狗分別配備了5個攝像頭和一臺激光掃描儀，能夠對工廠車間進行360度掃描，還能遊走、伏地，爬樓梯。據瞭解，兩臺機器狗將於8月初上崗。工具
信息來源：百度AI
性能
02學習
活體檢測+合成圖鑑別面前，人臉「照片活化」黑產攻擊一秒被擒測試
現在，隨着人臉技術的日趨成熟，新興娛樂文化獲得了極大的推進，尤爲是隨着 DeepFake、FaceSwap 等人臉編輯及生成技術的發展，虛擬主播、人臉合成帶給人們全新的體驗，但同時也給信息安全帶來了潛在威脅。有人經過「換臉」技術進行色情視頻生成、虛擬政治人物講話等，形成嚴重不良影響；更有網絡黑產使用人臉「黑科技」非法牟利。優化
近日，各大媒體紛紛報道的人臉「照片活化」，即是黑產對我的身份信息形成泄露危害的新技術手段。據調查瞭解，黑產賣家出售的「照片活化」工具，可將人臉照片修改成執行「眨眨眼、張張嘴、點點頭」等操做的人臉驗證視頻。
那麼這些「照片活化」、「換臉」後的人臉信息可否被更高級的 AI 或者人臉識別攔截呢？其實，國內有很多企業都在作着這方面的嘗試，以國內 AI 技術領先的百度爲例，百度大腦人臉識別已經可以提供6種離線/在線活體檢測服務，支持有動做、語音、脣語、RGB 靜默活體、3D 結構光深度靜默活體、近紅外靜默活體等多種防做弊手段，商家或者用戶可靈活組合使用這些技術服務來知足各種場景需求，保障業務安全。
經過調取百度大腦活體檢測服務，「照片活化」或「換臉」軟件所生成圖片的活體分數值、合成圖分值結果都可斷定此類人臉圖片並不是「真人」，屬於活體攻擊行爲。
信息來源：百度AI
03
秉承工匠精神，3步定位飛槳報錯緣由，你也來試試？
飛槳工程師們一直指望產品能夠給開發者帶來一點點工做上的愉悅。報錯信息對調試分析相當重要，飛槳工程師也一直在持續地進行改進和優化。
飛槳開源框架1.7及以後版本斷然不會出現這麼繁雜的報錯信息了。
飛槳報錯信息整體上分爲兩種：一種是直接在Python層攔截報出的錯誤，這種問題通常比較直觀，根據Python原生的報錯棧便可以定位程序中的問題，和你們使用Python寫程序報錯分析的流程一致；一種是飛槳的C++ core中的報錯，這種報錯包含的信息量較大。下面咱們以此類報錯信息的爲例，解讀分析過程。
報錯信息爲四段式結構，由上至下依次爲Python默認錯誤信息棧、C++錯誤信息棧、飛槳Python錯誤信息棧（僅聲明式編程模式）、核心錯誤概要。
Python默認錯誤信息棧：執行Python程序默認記錄的執行路徑，對定位報錯位置頗有幫助。這是Python自己特性，此處不展開介紹。
C++錯誤信息棧：程序在Paddle C++ core中的錯誤路徑，即爲模塊paddle.fluid.core中的程序執行路徑，這部分信息對開發者幫助有限。但當開發者經過Issue向飛槳開發人員提問時，提供C++報錯棧的信息將有助於開發人員快速定位問題。（目前C++錯誤信息棧僅支持Unix平臺，Windows平臺暫不支持）
Paddle Python錯誤信息棧：爲何這裏還有一個Paddle Python錯誤信息棧呢？由於在聲明式編程模式（靜態圖）下，模型編譯和執行是分離的。執行時報錯的路徑由Python默認程序棧記錄，但這並不能告知用戶具體出錯的程序位置，所以對於算子類型的API，飛槳額外記錄了編譯時的執行路徑，幫助開發者定位具體代碼出錯的位置，該部分信息對於調試具備較大意義。
核心錯誤概要：信息包含錯誤類型、錯誤特徵、概要提示、出錯文件名與行號、出錯算子名等，這些信息不只有助於開發者理解錯誤，也有助於迅速定位錯誤。
爲何如此重要的錯誤概要放在最後，而不是最前面呢？飛槳開發同窗考慮到開發者在終端執行程序的場景較多，爲了便於用戶在程序執行完後可以立刻看到最重要的提示信息，纔將其置於最後。
若是你們發現報錯信息不許確、不直接、不易讀等問題，也歡迎經過Issue及時反饋給咱們。讓咱們期待飛槳的易用性可以進一步提高，成爲功能強大、令開發者工做愉悅的國產開源深度學習框架。
信息來源：飛槳PaddlePaddle
04
Facebook開發玩德州撲克的AI，大比分擊敗頂尖人類選手！
最近，Facebook 的研究人員開發了一個名爲「Recursive Belief-based Learning」（ReBeL)的通用人工智能框架，德州撲克玩的至關溜。其聲稱這個框架在單挑無限制的德州撲克遊戲中明顯優於人類表現，並且使用的領域知識比以前任何撲克人工智能都要少。
他們斷言 ReBeL 是開發通用多代理交互技術的一種方法，該算法能夠部署在大規模、多代理環境中，預期的應用範圍也很廣，從拍賣、談判、網絡安全到自動駕駛都能用上。
目前，將強化學習與搜索相結合，在人工智能模型訓練和測試方面，已經取得了一些進展。強化學習代理是經過最大化回報來學習的，而搜索是從開始到目標狀態的導航過程。可是以前的組合方法在應用於不徹底信息的遊戲如撲克(甚至是石頭、剪子、布)時就不那麼奏效了，由於它作出了一些在這種狀況下不成立的假設。
ReBeL將「遊戲狀態」的概念進行了擴展，它包括了代理基於常識和其餘代理的政策對他們可能處於何種狀態的置信度。
ReBeL經過自我強化學習訓練了兩個網絡：一個價值網絡和一個政策網絡。它在自我對弈中使用兩種模型進行搜索。結果是一種簡單，靈活的算法，研究人員聲稱該算法可以在大規模的兩人不徹底信息遊戲中擊敗頂尖的人類玩家。
出於對做弊的擔憂，Facebook 團隊決定不發佈用於撲克的 ReBeL 代碼庫。相反，他們將 Liar’s Dice 的實現開放了。Facebook的研究人員相信ReBeL將使得德州撲克在強化學習研究領域更受歡迎。
信息來源：新智元
05
LSTM終獲「正名」，IEEE 2021神經網絡先驅獎授予LSTM提出者Sepp Hochreiter
自 2018 年圖靈獎授予 Yoshua Bengio、Geoffrey Hinton 和 Yann LeCun 三位深度學習先驅以後，LSTM 之父 Jürgen Schmidhuber 就此在社交網絡上展開了一波又一波的論戰，極力確定和推廣長短時間記憶網絡（LSTM）在人工神經網絡和深度學習領域的巨大做用。
現在，LSTM 終於得到了學界的承認。近日，奧地利人工智能高級研究所（IARAI）宣佈其創始人、LSTM 提出者和奠定者 Sepp Hochreiter 教授得到了 IEEE CIS 2021 年神經網絡先驅獎（Neural Networks Pioneer Award），以表彰他對長短時間記憶網絡（LSTM）的發展作出的卓越貢獻。
該獎項被公認爲神經網絡領域的最高榮譽。該獎項開始於 1991 年，由 IEEE 計算智能協會（CIS）每一年頒發一次，主要授予那些對神經網絡領域的早期概念和持續性發展作出突出貢獻的學者。
END