新智元報道
來源：blog.sicara.com
作者：Antoine Ogier 編譯：肖琴
【新智元導讀】10月最熱的10篇AI相關文章，介紹谷歌、OpenAI、MIT等的最新研究，以及AI道德判斷、算法偏見等受關注話題。
1. 谷歌如何利用強化學習來提出正確的問題
當搜索引擎找不到你想要的答案時，你會怎麼做？你會試着重新組織提問吧。
谷歌正試圖通過新的Active Question Answering(Active QA)智能體來模仿這一點，這是一個使用強化學習來訓練AI進行問答的系統。當你提出一個問題時，它會產生很多有相似含義的問題。它會搜索所有問題的答案，然後選擇最好的答案返回給你。
這有助於聊天機器人取得進步。與其讓你在它們不明白的時候重新組織措辭提問，不如讓它們自己去做！
而且，它是開源的。
閱讀：
What’s New in Deep Learning Research: How Google Uses Reinforcement Learning to Ask All the Right Questions— from Jesus Rodriguez
https://towardsdatascience.com/whats-new-in-deep-learning-research-how-google-uses-reinforcement-learning-to-ask-all-the-right-69c172f113c4
2. OpenAI新方法教AI如何學習
通常，當我們訓練AI去執行某項任務時，我們需要用某種方法來告訴它做得有多好，或者至少向它展示一些任務做得很好的例子。
但是，對於難以評估性能的、高度複雜的任務，該怎麼做呢？有時候，即使是人類也無法向AI展示如何做某事——比如管理整個城市的交通系統。
OpenAI提出一種新方法使AI能夠將任務分解爲更小的子任務，稱爲“迭代擴增”（Iterated Amplification）。然後，它會要求人類對這些子任務提供demo。基於此，它可以獨立解決大任務。
這項技術還處於非常早期的階段，但由於它來自OpenAI，接下來幾個月應該會有更新，保持關注。
閱讀：
Learning Complex Goals with Iterated Amplification — from OpenAI
https://blog.openai.com/amplifying-ai-training/
3、MIT道德機器
自動駕駛汽車相關的一個主要問題是，它們最終將不得不做出連人類都無法做決定的道德選擇。
如果不避讓就會撞上一羣人，避讓就會撞上另一個人，它應該避開人羣嗎？它應該保護乘客，還是保護行人？它應該保護年輕人還是老年人？儘管這些情況極爲罕見，但很顯然，這些情況確實有可能發生。
MIT媒體實驗室的這篇文章分析了道德機器（Moral Machine)的結果，他們做了一個實驗，調查了數百萬人針對這些情況的決策。
答案因國家而異。例如，西方國家的人比東方國家的人更傾向於選擇保護年輕人。
現在就考慮這些問題是很有必要的，因爲在某些時候，汽車製造商和程序員將不得不做這樣的決策：一旦自動駕駛汽車面臨兩個都很糟糕的結果，它無法拒絕選擇。
閱讀:
Should a self-driving car kill the baby or the grandma? Depends on where you’re from— from MIT Media Lab
https://www.technologyreview.com/s/612341/a-global-ethics-study-aims-to-help-ai-solve-the-self-driving-trolley-problem/
4. 帶答案的圖表
製作有助於理解數據集的圖表是很困難的。當存在很多變量和數據點時，任何可視化的嘗試都可能令人感到混亂、不完整和誤導性。
這篇文章提出一個解決辦法：當你做圖表時，問自己一個你想要它回答的問題。
通過確保你的圖表有一個清晰的焦點，可以避免圖形過於籠統——從而導致無用。
在這篇文章中，作者將引導你完成探索一個數據集的過程，每次一個問題。其中有些圖表能讓你感覺自己非常瞭解這些數據。
閱讀：
Ask the Question, Visualize the Answer — from FlowingData
https://flowingdata.com/2018/10/17/ask-the-question-visualize-the-answer/
5. 從好奇到拖延
在強化學習中，AI學會與環境進行交互，並在表現良好時獲得獎勵。利用這些獎勵，它能學習如何執行任務，例如玩遊戲或在迷宮中尋找物品。
但有時候獎勵很難獲取，在得到下一個獎勵之前，AI不知道它是否做得很好。對這種情況的解決方案之一是引入好奇心（curiosity），有好奇心的情況下，AI會因爲發現新事物而獎勵自己。
這通常會產生奇妙的效果，但谷歌AI的研究人員這次嘗試了不同的方法：他們在迷宮中放置了一個具有好奇心的AI，並放了一臺電視機和遙控器。
猜猜發生了什麼：AI一直呆在電視機前，不停切換頻道！它學會了拖延。
這其實很有道理：對於AI來說，新頻道是一種“新東西”，因此不斷切換頻道對它的好奇心是非常有益的。
也許有時候讓AI過於人性化不是一個好主意:)
閱讀：
Curiosity and Procrastination in Reinforcement Learning— from Google’s AI blog
ai.googleblog.com/2018/10/curiosity-and-procrastination-in.html
6. 如何畫貓？
Quick, Draw!是Google開發的一個AI小遊戲，它要求你隨便畫一些東西，然後AI會識別你畫的東西。這個小遊戲產生了一個巨大的數據集，來自世界各地的人們繪製了超過5000萬張畫。
這篇文章探討了可視化這個有趣的數據集的一種聰明的方法。你知道美國人畫的冰淇淋甜筒是一勺的，而意大利人畫的是三勺嗎？你能想到人們畫瑜伽姿勢會畫出多少種方式嗎？
使用像t-sne和autoencoders這樣的方法，我們可以把這些雜亂無章的圖像轉換成地圖。有了它，我們可以探索更多這樣的模式。
閱讀：
Machine Learning for Visualization—from Ian Johnson
https://medium.com/@enjalot/machine-learning-for-visualization-927a9dff1cab
7. 亞馬遜的性別歧視人工智能
亞馬遜最近試圖使用機器學習，通過分析求職者的簡歷來選擇參加面試的候選人。事情進行得並不順利。
簡單的說，該算法分析了過去的招聘數據——男性的比例普遍過高——得出的結論是，女性真的不太可能被聘用，因此它將女性的簡歷放在不利的地位。
這是各種各樣推薦系統的常見缺陷，但最近的新聞表明，即使是擁有大量資源的大公司也會上當。
好消息是，這種情況已經結束了，所以你大可以提交申請，不用擔心性別歧視。但這是一個很好的提醒，提醒我們機器學習系統經常受到數據的影響。
據路透社報道，亞馬遜棄用了對女性有偏見的AI招聘工具。
閱讀：
Amazon scraps secret AI recruiting tool that showed bias against women— from Reuters
https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G
8. 不確定性問題
有時候，僅僅知道你平均來看擊中了中心是不夠的，你需要知道每一次射擊的結果離中心有多近。評估置信度對於好的預測是至關重要的。
今年1月，數據分析師Erik Bernhardsson決定爲他所做的每一個預測提供不確定性估計。
實驗結束後，他發表了這份指南，提供了簡單的方法和代碼來估計不確定性。如果你想學習如何在不需深入複雜數學的情況下做到這一點，看這篇文章就好了!
閱讀：
The hacker’s guide to uncertainty estimates — from Erik Bernhardsson
https://erikbern.com/2018/10/08/the-hackers-guide-to-uncertainty-estimates.html
9. 定製合成人臉
你可能已經聽說過生成對抗網絡(GAN)被用於生成人臉，或改變人臉的特徵，例如使其看起來更年老。
在這篇文章中，作者更進了一步。除了生成人臉之外，他的系統還可以學習連續修改任何一種面部特徵。
這很厲害。大多數現有模型只學習執行一次轉換（利用從年輕變成年老，從女人變成男人)：轉換的類型和範圍都是固定的。任何改變都需要對模型和新數據集全面地進行重新訓練。
在這個研究中，一旦系統被訓練好，你可以很方便地添加新的可修改特性。另外，你可以做任何程度的改變——無論你想讓臉看起來更年輕一點還是更年老一點，都可以做到。
感興趣嗎？請看這個令人印象深刻的演示：
閱讀：
Generating custom photo-realistic faces using AI — from Shaobo GUAN
https://blog.insightdatascience.com/generating-custom-photo-realistic-faces-using-ai
10. 發現假視頻
“我們正在進入一個時代，在這個時代裏，我們的敵人可以製造讓任何人在任何時候說任何話的視頻，並且讓它看起來像真實的。”美國前總統奧巴馬(Barack Obama)從未說過這話。這是一個假視頻演示的。
這只是deepfake(人工智能生成的假視頻)的一個例子。這些假視頻難以置信地令人信服，雖然有些很有趣，但它們也可以被用來實施欺騙和傳播虛假信息。
在這篇文章中，研究人員解釋了他們發現的檢測deepfakes假視頻的方法。從檢查人物眨眼的方式到檢查壓縮率，仍有一些信息會暴露deepfakes。
但這場鬥爭是永無止境的。一旦發現了假視頻的缺陷，deepfake的製造者就會採取行動進行糾正。爲了領先一步，必須持續研究。
閱讀：
These new tricks can outsmart deepfake videos — for now — from Wired
https://www.wired.com/story/these-new-tricks-can-outsmart-deepfake-videosfor-now