-
華爲發佈5G芯片天罡和巴龍5000
-
創新奇智完成超4億人民幣A輪和A+輪融資
-
蘋果裁撤自動駕駛項目員工 200 餘人
-
特斯拉揭祕“克隆行爲”技術細節
-
亞馬遜推出機器人Scout，進入運送機器人業務
-
阿利坎特大學發佈環境數據集Robotrix
-
AlphaStar《星際爭霸》以10:1擊敗人類專業選手
-
用觸摸傳感器、圖形網絡和陰影手圖片創建功能更強大的機器人
-
Vivo 用分層強化學習玩《王者榮耀》
-
IBM 公佈自動神經架構搜索的軟件工具 NeuNets 細節
-
谷歌開放問答搜索最大語料庫 NQ，包含 30 萬自然提問
華爲發佈5G芯片天罡和巴龍5000
1 月 24 日，華爲在北京發佈會上宣佈兩款5G芯片：天罡和巴龍5000（Balong 5000）。
天罡是業界首款5G基站核心芯片，在集成度、算力、頻譜帶寬等方面取得了突破性進展，包括極高集成，首次在極低的天面尺寸規格下, 支持大規模集成有源PA（功放）和無源陣子；極強算力，實現2.5倍運算能力的提升，搭載最新的算法及Beamforming（波束賦形），單芯片可控制高達業界最高64路通道；極寬頻譜，支持200M運營商頻譜帶寬。
此外，華爲幾個月前已經披露過的Balong 5000是世界最快的5G多模終端芯片。天罡也爲AAU 帶來了革命性的提升，實現基站尺寸縮小超50%，重量減輕23%，功耗節省達21%，安裝時間比標準的4G基站，節省一半時間，有效解決站點獲取難、成本高等挑戰。
創新奇智完成超4億人民幣A輪和A+輪融資
1月24日，AI+B2B 公司創新奇智宣佈完成總金額超過4億人民幣的A輪和A+輪融資，本輪融資由中金甲子領投，原股東創新工場、成爲資本跟投，華興Alpha擔任本輪融資獨家財務顧問。
創新奇智表示，本輪融資將用於三方面：
-
技術團隊擴大和行業人才招聘；
-
市場渠道擴張，目前創新奇智看到了250%的商業提升和442個新的機會，將選擇有市場、有行業轉型的區域進行投入，將融資用於12個區域市場子公司的建設以及市場渠道建設；
-
花重金打造戰略縱深、提升壁壘，在零售和智能製造等方面打造護城河。
2018 年 3 月，創新奇智成立，去年 5 月曾獲得超 1 億元人民幣的天使輪融資。成立 10個月期間，創新奇智已完成 5 億元融資。
蘋果裁撤自動駕駛項目員工 200 餘人
CNBC 報道，蘋果本週解僱了旗下自動駕駛汽車集團 Project Titan 的 200 多名員工。以下爲蘋果發言人迴應：
“在蘋果，我們擁有一個非常有才華的團隊，他們致力於自主系統和相關技術。2019 年，他們將把工作重點放在幾個關鍵領域，一些團隊成員將被轉移到公司其他部門的項目，在那裏，他們將支持整個蘋果的機器學習和其他項目。但是，我們仍然相信，自主系統存在巨大的機遇，蘋果有獨特的能力做出貢獻，這是有史以來最雄心勃勃的機器學習項目。”
蘋果的無人車項目始於 2014 年，2018 年 8 月，蘋果聘請了特斯拉工程副總裁、蘋果資深人士 Doug Field 與 Bob Mansfield 共同領導 Titan 團隊，在二人領導下，蘋果轉而研發可以完美適配 iOS 設備的無人車系統，而不是製造實體無人車。
從內部看，本週的裁員行爲，被認爲是在相對新的領導層管理下進行的預期中的重組，其他受重組影響的員工目前仍留在蘋果，但已轉移到公司的不同部門。
特斯拉揭祕“克隆行爲”技術細節
近日，特斯拉公開了自動駕駛訓練“克隆行爲”的技術細節。特斯拉汽車收集了大量的來自攝像頭和其他傳感器的數據，即使 Autopilot 系統沒有開啓，開發團隊也可以研究傳統的人類在各種場景中的駕駛動作並加以模仿。
這種技術被稱爲“行爲克隆”，特斯拉的一些工程師稱之爲“軟件2.0”。實際上，這是一種模仿學習（imitation learning），系統使用模仿的信息作爲車輛在特定情況下決定駕駛方式，比如，行駛彎道或避開前方目標等。
但特斯拉不同的地方在於，“行爲克隆”讓Autopilot開發團隊也可以研究傳統的人類駕駛在各種場景中的動作，加以模仿，不需要任何其他數據和操作就能教會系統如何自主駕駛。在未來，人們可能不需要編寫代碼來告訴汽車如何應對各種狀況。
亞馬遜推出機器人Scout，進入運送機器人業務
亞馬遜公開了機器人 Scout，這個 6 輪、高度齊膝的運送機器人負責將貨物運送到亞馬遜的顧客手中。本週，亞馬遜將派出包括 Scout 在內的 6 臺機器人在華盛頓斯諾霍米什縣作業。“這些機器人將沿着規劃路線前行，目前會有一名亞馬遜員工跟隨，”亞馬遜表示。機器人只在白天工作。
重要性：近年來，關於運送機器人的探索有很多，但是真正落地並被人接受的機器人項目屈指可數，亞馬遜是第一批公開實驗運送機器人落地的大公司之一，以後會出現更多企業進行試驗。
閱讀更多：遇見 Scout（https://blog.aboutamazon.com/transportation/meet-scout）
阿利坎特大學發佈環境數據集Robotrix
西班牙阿利坎特大學發佈了數據集 Robotrix，該數據集包含少量環境的大量信息（16 種不同模擬房間佈局，而其他方法如 House3D 則需要數千到數萬種）。
該數據集包括在 16 種模擬房間進行的 512 個動作序列組成，通過虛擬引擎高清渲染。這些序列由機器人角色生成，機器人用手與所討論的對象和物品進行交互。研究人員稱這是一個豐富的數據集，模擬房間中的每個物體都有 2D 和 3D 邊界框、語義掩模和深度信息。模擬以 1920 X 1080 的分辨率輸出 RGB 和深度數據。未來，研究人員希望通過使用虛擬引擎 4 系統的內置物理實體實現“與具有彈性的身體、流體或機器人衣服交互，”進一步提高模擬房間的複雜性。
重要性：像 RobotriX 這樣的數據集將使研究人員更容易嘗試從獲取高分辨率數據中獲益的 AI 技術。監測該數據集的採用（或缺乏採用）將有助於我們更好地瞭解 AI 研究是否需要更高分辨率的數據，或者大量低分辨率數據是否足夠。
閱讀更多：RobotriX：具有機器人序列軌跡和交互的真實超大規模室內數據集（https://arxiv.org/abs/1901.06514）。
數據集（Github：https://github.com/3dperceptionlab/therobotrix）。
AlphaStar《星際爭霸》10:1擊敗人類專業選手
近日，DeepMind 公佈了AlphaStar 系統，並在實時戰略遊戲《星際爭霸II》中擊敗了人類專業選手，證明該系統在比賽中戰勝人類。
AlphaStar 系統結合了基於人羣的訓練、模仿學習和強化學習。據 DeepMind 稱，該系統“將變壓器軀幹應用於單元，並結合深度 LSTM core，帶指針網絡的自動迴歸策略和中心化值 benchmark”。
探索： 有趣的是，AlphaStar 將基於人羣的訓練與模仿學習結合起來，從人類比賽重放中引導系統（星際爭霸等遊戲中具挑戰性的探索之一）之後，在 DeepMind 設計的聯盟中讓代理互相競爭，從而培養出越來越強大的代理，形成該系統的環境。
爭議：Aleksi Pietikainen 已經寫了一些關於 DeepMind 如何選擇呈現 AlphaStar 結果的想法，以及系統在遊戲中採取突發性快速行動的能力意味着它可能已經超越了人類，但不一定表明系統是聰明的，只是在選擇單位的動作時能夠超越人的精確度和速度。這凸顯了評估 AI 系統性能的難度，並引發了一個哲學問題，即 DeepMind 是否可以限制或約束 AlphaStar 採取行動的數量和頻率，足以讓它學會更有戰略性地戰勝人類。
閱讀更多：分析 DeepMind 在《星際爭霸 2》中超越人類的速度可能只是模仿學習侷限性的彌補 https://blog.usejournal.com/an-analysis-on-how-deepminds-starcraft-2-ai-s-superhuman-speed-could-be-a-band-aid-fix-for-the-1702fb8344d6
用觸摸傳感器、圖形網絡和陰影手圖片創建功能更強大的機器人
來自西班牙的研究人員使用 Shadow Dexterous 手，配備 BioTac SP 觸覺傳感器來訓練 AI 系統，預測其可以應用於各種物體的穩定抓取。
工作原理：系統從傳感器數據接收輸入，將其轉換爲研究人員稱之爲“觸覺圖”的圖形表示，然後將此數據輸入圖形卷積網絡（GCN），該網絡學習映射傳感器數據的不同組合預測當前的抓握是否穩定。
數據集：他們使用 BioTacSP 數據集，這是一組通過操縱 41 種不同形狀和紋理的物體收集的抓取樣本，包括水果、可愛的玩具、罐子、盒子裏的牙膏等。他們還爲這個數據集添加了 10 個新對象，包括來自熱門遊戲《我的世界》的怪物、杯子、洗髮水瓶等。研究人員記錄了手掌以平坦，45度角，側面如何操縱這些物體。
結果：研究人員訓練了一組具有不同網絡深度和寬度的 baseline 模型，並確定了具有 5 層和 32 個特徵的架構上的“最佳點”，然後將其用於其他實驗。他們在數據集中的所有數據（不包括測試集）上訓練表現最佳的網絡，並在網絡上測試性能，結果報告顯示所有手掌方向的精準度達75％。他們寫道：“在處理完全未知的物體時，準確度會大幅下降。”
重要性：收集足夠多的數據和/或進行高保真模擬，以收集和生成訓練計算機使用觸覺所需的數據需要很長時間。這樣的論文指導了我們如何使用這些技術。也許在很遠的未來，基於這項研究，我們將能夠在商店看到機器人手工縫製的可愛玩具，或者看到一家機器人按摩院。
閱讀更多：TactileGCN：用於通過觸覺傳感器預測抓握穩定性的圖形卷積網絡（https://arxiv.org/abs/1901.06181）。
Vivo 用分層強化學習玩《王者榮耀》
中國智能手機廠商 Vivo 的 AI Lab 展示瞭如何使用分層強化學習訓練 AI 系統玩 1 V 1 多角色遊戲《王者榮耀》。《王者榮耀》與《魔獸爭霸》和《英雄聯盟》玩法相似，都是最多五人的小隊爭奪一張地圖的控制權，同時嘗試摧毀對方的防禦工事，並最終摧毀對方的家園基地。
工作原理：研究人員將強化學習和模仿學習結合起來訓練他們的系統，使用模仿學習訓練 AI 從四個主要動作類別中選擇一個動作（例如攻擊、移動、購買、學習技能）。研究人員寫道，使用模仿學習可以讓研究人員“減輕直接處理大規模行爲的沉重負擔”。之後，系統使用強化學習來確定在每個類別中做出動作，例如攻擊、學習等。他們的主要算法基於 OpenAI Five Dota 系統中使用的 PPO 算法設計。
結果：研究人員在兩個領域測試其系統：受限制的 1v1 版本和 5v5 版本。對於這兩款遊戲，他們都會對內置的敵方 AI 進行測試。在 1v1 版本中，他們能夠擊敗入門級、簡單級和中級AI。在 5v5 中，它們可以順利擊敗入門級 AI，但簡單級和中級 AI 相對有難度。“雖然我們的代理可以成功地學習一些合作策略，但我們還需要探索更有效的多代理協作方法，”他們寫道。
重要性：這樣的論文表明，AI 研究人員將實時策略遊戲作爲測試和校準強化學習系統性能的新方法之一。儘管本文中的技術成就似乎並不十分令人信服（如，我們不知道這樣的系統如何對抗人類玩家），有趣的是這項研究成果來自於一個年輕的公司（ <10年），這突出了亞洲科技公司在 AI 方面人力和財力的支持。
閱讀更多：多代理 MOBA 遊戲的分層強化學習（https://arxiv.org/abs/1901.08004）。
IBM 公佈自動神經架構搜索的軟件工具 NeuNets 細節
IBM研究人員發佈了 NeuNets 的詳細信息，NeuNets 是該公司用於進行文本和圖像域的自動神經架構搜索的軟件工具。這是人工智能更廣泛工業化的另一個表現，因爲此類系統將 AI系統設計過程進一步自動化。
NeuNetS 工作原理：NeuNetS有三個主要組件：一個服務模塊，爲系統提供 API 接口；一個保持項目運行的引擎；以及一個合成器，IBM 稱之爲“可插拔的算法寄存器，它使用從引擎傳遞的狀態信息來產生新的架構配置”。
NeuNetS 優化算法工作原理： NeuNetS 附帶三層體系結構的搜索算法：NCEvolve，優化各種不同的架構方法並通過進化變異、訓練優化架構的神經進化系統；TAPAS，是一個基於CPU 的架構搜索系統；Hyperband技術++，能“加快使用提前終止策略，自適應分配資源以進行隨機搜索”，並已經擴展到重用一些已經搜到過的架構，加快其發現新的潛在高性能架構的速度。
結果：IBM 通過報告 GPU 時長來評估 NeuNetS 的各種訓練組件的性能，以訓練各種網絡達到合理的準確度；這並不是一個很有用的對比指標，因爲 IBM 忽略了報告其他系統的分數。
重要性：這樣的論文表明：1）IBM 等傳統公司正在接近更新的 AI 技術（如神經架構搜索），以及2）公司打包各種 AI 技術融入到產品中，給了我們更多未來“軟件2.0”操作系統可能包含的細節。
閱讀更多：NeuNetS：用於神經網絡設計的自動合成引擎（https://arxiv.org/abs/1901.06261）。
谷歌開放問答搜索最大語料庫 NQ，包含 30 萬自然提問
近日，谷歌開放自然問題（NQ，Natural Questions）語料庫，這是一個用於訓練和評估開放域問答系統的新型大型語料庫，也是第一個模仿人類尋找答案整個過程的語料庫。
NQ 規模巨大，包括 300,000 個自然發生的問題，以及來自維基百科頁面帶有人類註釋的答案，用於訓練 QA 系統。另外，該語料庫還包括 16,000 個示例，其中 5 個不同的註釋器提供了答案（針對相同的問題），這對於評估經過學習的 QA 系統的性能非常有用。
此外，谷歌還宣佈發起一個基於NQ數據的挑戰，以推進計算機自然語言理解發展。
數據下載：https://ai.google.com/research/NaturalQuestions/download
挑戰賽：https://ai.google.com/research/NaturalQuestions/competition
作者 Jack Clark 有話對 AI 前線讀者說：我們對中國的無人機研究非常感興趣，如果你想要在我們的週報裏看到更多有趣的內容，請發送郵件至：jack@jack-clark.net。
參考鏈接：