導讀
-
兩會總理報告首提“智能+”，衆大佬建言
-
OpenAI 發佈大型強化深度學習模擬器 Neural MMO
-
Google Coral：谷歌機器學習 Edge TPU 定製產品終於要來了
-
MIT發佈全球首個四足後空翻迷你獵豹機器人
-
Mozilla 開放現有最大人類語音數據集
-
吳恩達創業公司Drive.ai被曝正在尋求出售
-
谷歌使用機器學習提高風能發電效率
-
斯坦福發佈視覺問答新基準測試集GCA，準確度大幅提升
-
讓大計算徹底對所有研究者來說唾手可得
-
爲斯坦福和MIT的250,000張胸部X光片數據集打標籤
兩會總理報告首提“智能+”，衆大佬建言
2019年兩會時間到來，3月5日，人工智能連續第三年被寫入總理報告中，並且首次提出“智能+“。
今年，總理在報告的推動傳統產業改造提升部分指出智能+，打造工業互聯網平臺，拓展“智能+”，爲製造業轉型升級賦能。
報告原文部分：
打造工業互聯網平臺，拓展“智能+”，爲製造業轉型升級賦能。支持企業加快技術改造和設備更新，將固定資產加速折舊優惠政策擴大至全部製造業領域。強化質量基礎支撐，推動標準與國際先進水平對接，提升產品和服務品質，讓更多國內外用戶選擇中國製造、中國服務。
此外，在會上，百度、騰訊、科大訊飛、小米等企業均給出了新的建議，涵蓋人工智能、5G、航空航天、網絡安全等各行各業。
李彥宏：建議推進智能交通與醫療，制定AI倫理研究，提議構建智能交通解決方案；提高電子病歷的互聯互通性，形成優質高效的醫療衛生服務體系；建議由政府主管部門牽頭，開展人工智能倫理的研究和頂層設計。
雷軍：我國應該提前佈局5G產業應用，推動5G與物聯網的創新融合發展；加快推動航天立法，確保民營企業長期穩定、合理有效利用空間資源的權利。
丁磊：更加關注“AI+教育”以及利用AI促進精準扶貧的發展，並利用大數據分析和專家顧問力量，從地區產業發展規劃、供應鏈源頭、商品打造等上游入手，進行精準扶貧。
馬化騰：提出了七項建議，包括加快互聯網產業發展、保護未成年上網安全等，如大力推進信息基礎設施建設，加快5G和IPv6全面商用部署；促進雲計算創新發展，加速實體經濟數字化轉型；由國家牽頭，建立“一站式”的未成年人網絡使用管理平臺。
劉慶峯：科大訊飛機器人在兩會期間以中央廣播電視總檯的記者助理的身份出現，劉慶峯的建議包括類腦計算+深度學習的跨界融合；AI全科醫生輔助診療，上山下鄉；AI教育體系的建設；數據安全立法等等。
董明珠：董明珠表示，格力手機肯定會跟上5G手機和柔性屏的大趨勢，緊跟科技發展趨勢，“製造業不是靠資本來實現突破的，而是要靠自身的創新、技術來實現。企業在做好內生性發展的同時，通過併購等方式實現外延式發展，更能促進企業的快速發展。”此外，她還談到建議個稅起徵點“最好能夠提升到1萬”，主張“有錢人多納稅”。
OpenAI 發佈大型強化深度學習模擬器 Neural MMO
3月5日，OpenAI 發佈了一款”大型多角色”虛擬訓練場景遊戲，把 AI 代理放進一個類似於 RPG（角色扮演遊戲）的模擬場景中，AI 們會互相競爭，通過戰爭來搶奪有限的資源，從而得到優化。
和其他系統相比，Neural MMO 具有持久性，代理無需環境重置，可在其他學習代理存在的情況下同時學習；規模大，環境支持大量可變數量的代理，實驗考慮到了 100 個併發服務器中每個服務器中多達 128 個併發代理長達 100M 的生命週期；效率高，包含可以比較代理性能表現的 baseline（在 100 多個世界中訓練），且計算開銷相對較低，訓練只需要一個桌面 CPU；擴展強，Neural MMO 目前的核心功能包括基於地圖的地形程序生成，食物和水覓食系統以及戰略戰鬥系統。未來可能會進行開源驅動的擴展。
OpenAI 使用神經 MMO 來訓練 AI 系統，通過獎勵代理生命週期來進化，也就是說，AI 會讓自己活的儘量長久，代理之間彼此交互的時間越長，就可以更好地完成某些任務，而且增加併發代理的最大數量可以更好地進行探索。有趣的是，他們還發現增加代理的規模會促使它們進入地圖的不同部分，而在較廣闊的環境中訓練的代理“始終”勝過只在較小環境中經過訓練的 AI。
Google Coral：谷歌的機器學習Edge TPU定製產品終於要來了
在去年於舊金山召開的 Google Next 大會上，Injong Rhee 通過主題演講披露了谷歌公司的兩款全新硬件產品：一款開發單片，外加一款 USB 加速棒。作爲這兩款產品的核心，谷歌的 Edge TPU 扮演着關鍵角色——這款專用 ASIC 旨在將機器學習推理能力引入邊緣設備。
在近一年之後，兩款產品以“Coral”的名號推出了“Beta 測試版”，且目前已經可供感興趣的朋友購買。另外，這兩款新硬件還將在本週晚些時候通過 TensorFlow Dev 峯會正式亮相。
Edge TPU 是由谷歌公司設計並製造的小型 ASIC，能夠以低功耗水平提高出色的 ML 推理性能。例如，其能夠以良好的功率表現執行 MobileNet v2 等最先進的移動視覺模型，且 fps 可達 100 以上。這意味着你將能夠在符合節能與隱私保護要求的前提下，將快速 ML 推理能力引入自己的嵌入式 AI 設備。
Coral USB 加速棒是一款插入式 USB 記憶棒，能夠爲現有 Linux 系統提供強大的 ML 推理功能。通過 USB 3.0 接口連接 Edge TPU，設備即可快速對本地 AI 應用程序進行原型設計。
MIT發佈全球首個四足後空翻迷你獵豹機器人
近日，MIT發佈了自研最新“迷你獵豹機器人”(Mini Cheetah robot)。這是全球首個可以做後空翻的四足機器人，重20磅。
在視頻展示中，這個機器人可以做後空翻、奔跑、側身跑、橫着走、倒着走、跳躍等動作，就像一隻靈活的小狗。
MIT研發獵豹機器人不依靠視覺和任何外部傳感器，憑藉控制算法可以飛躍上桌，能輕鬆爬上滿是障礙物的樓梯，甚至在突然被猛推或猛踢時迅速恢復平衡。
Mozilla 開放現有最大人類語音數據集，包含 18 種語言， 1400 小時語音數據
2 月 28 日，Mozilla 發佈了最大的人類語音數據集，包括 18 種不同的語言（英語、法語、德語和漢語普通話、威爾士語和卡比爾語等） ），總計記錄了超過 42000 個貢獻者的近 1400 個小時的語音數據。
隨着此版本的發佈，這個仍然在不斷增長的通用語音數據集現在已經是同類數據集中最大的。
接下來，完整的數據集將在 Common Voice 站點上提供下載。
官方中文下載地址：https://voice.mozilla.org/zh-CN/datasets
GitHub 地址：https://github.com/JRMeyer/open-speech-corpora
吳恩達創業公司Drive.ai被曝正在尋求出售
據外媒The Information報道，無人駕駛明星初創公司Drive.ai將以2億美元價格出售，並聘請了投行人士擔任顧問。
Drive.ai由AI大牛吳恩達和其學生創立，創始之初便備受關注，吳恩達本人擔任董事職務，並參與該公司日常經營。
目前，Drive.ai已經在得克薩斯州落地並展開類似“公交”的載客服務，可以在特定路線接人送客，甚至還以這套方案服務獲得了當地政府的報酬，上一次融資時估值2億美元。
谷歌使用機器學習提高風能發電效率
DeepMind使用基於神經網絡的系統，通過更好地預測系統可能產生的功率來提高谷歌風力發電機組（700兆瓦的容量）的效率。DeepMind的系統經過訓練，可以在實際發電前36小時左右預測風電功率，並且已經取得了一些成功。“這很重要，因爲可以按照計劃生產能源（即可以在規定的時間內提供一定量的電力）通常對電網更有價值，“該公司表示。
數字：20％。這是系統改善系統（有點模糊定義）“價值”的數字，“與沒有時間計劃的電網情景相比”。
重要性：人工智能將幫助我們爲全球創造一種感知和響應基礎設施，我們可以預想在全球各種公用事業基礎設施中採用各種基於機器學習的方法，以提高地球電力基礎設施的效率。
閱讀更多：機器學習可以提升風能的價值（ https://deepmind.com/blog/machine-learning-can-boost-value-wind-energy/ ）。
斯坦福發佈視覺問答新基準測試集GCA，準確度大幅提升
斯坦福大學發佈了測試數據集GQA的詳細信息，這是一個“用於實際視覺推理和成分問答的數據集”，旨在克服其他視覺問答（VQA）數據集的缺點。
GQA數據點：GQA包含113k圖像和2200萬種各種類型和組合的問題。這些問題旨在“衡量一系列推理技巧，如對象和屬性識別、傳遞關係跟蹤、空間推理、邏輯推理和比較”。這些問題是通過“問題引擎”在算法上創建的（雖然比一定有名稱所示的那麼有趣，但如果你喜歡閱讀自動數據創建管道相關的東西，還是值得一讀的）。
GQA示例問題：GQA產生的一些問題包括：‘餐巾和杯子的顏色是否相同？’; “熊是什麼顏色的？”; “圖像的哪一側是盤子？”; “有時鐘或鏡子嗎？”等。雖然這些問題缺乏人文問題的多樣性，但確實具有數量多且易於生成的良好特性。
GQA的難點：新的AI測試製度的失敗原因之一是它們過於簡單了。這可能會導致數據發佈後立即解答數據集問題。（以SQuAD爲例，這個問答數據集在約一年時間內就被算法掌握，因此催生了SQuAD 2.0這個更難的數據集。）爲了避免這種情況，GQA背後的研究人員測試了大量模型，並確保數據集足夠難。
基準測試結果（準確度）：
-
'Blind’LSTM：在沒有看到任何圖像的情況下準確度41.07％。
-
Deaf CNN**：沒有看到任何問題的情況下獲得17.82%的準確度。
-
CNN + LSTM：46.55％。
-
自下而上注意力模型（2017年視覺問答挑戰賽的獲勝者）：49.74％。
-
MAC（關於CLEVR的最新技術，一個範圍相似的數據集）：54.06％。
-
人類：89.3％。
重要性：數據集和挑戰有推動人工智能研究進展的歷史，GQA爲測試系統提供了更具挑戰性的基準。同時，開發能夠通過圖像分析和對圖像的文本查詢的響應來理解周圍世界的系統，是具有重要經濟應用潛力的AI研究的主要目標。
閱讀更多：GQA：一個新的數據集，用於回答現實世界中的圖像（ https://arxiv.org/abs/1902.09506 ）。
讓大計算徹底對所有研究者來說唾手可得
斯坦福大學、蘇黎世大學、加州大學伯克利分校和伊利諾伊大學厄本那香檳分校的研究人員彙總了2017年在斯坦福大學舉辦的系列講座，作爲學術研究者使用大規模雲計算的宣言。這是爲了迴應兩種主流趨勢：
-
在一些科學領域（例如，機器學習），通過採用越來越大規模的計算系統已經有了很多發現。
-
由於缺乏資源和難度較大，許多學術研究人員無法進行大規模的計算實驗。
爲什麼計算很重要：作者預測“廣泛的大規模計算實驗的出現是科學進步的基本途徑，作爲傳統的歸納途徑（在觀察科學中）和演繹（在數學科學中）的補充”。他們指出，“目前人們對機器學習的熱情（及其深度學習的多樣性），似乎證明了大規模的計算實驗已經開始得到回報，時機已來”，例如谷歌和微軟從統計機器翻譯轉向神經機器翻譯，計算機視覺研究人員轉向使用基於深度學習的系統，以及特斯拉等自動駕駛公司越來越多地應用神經網絡等。
重要性：人工智能與生俱來的一個問題是“大計算”和“小型計算”玩家的出現，其中少數實驗室（例如，FAIR、DeepMind、OpenAI、Google Brain）能夠訪問大量數據計算資源，而大多數人工智能研究人員則致力於自建GPU桌面或訪問（越來越無關緊要）大學的超級計算集羣。能夠弄清楚如何讓每個研究人員都可以輕鬆使用大量計算，進行大規模試驗對於加速科學進步來說至關重要。
閱讀更多：雄心勃勃的數據科學不再苦不堪言（ https://arxiv.org/abs/1901.08705 ）。
爲斯坦福和MIT的250,000張胸部X光片數據集打標籤
醫生兼人工智能評論員Luke Oakden-Rayner分析了斯坦福大學發佈的一個名爲CheXpert的新醫學數據集。該數據集由來自62,240名患者的244,316張胸部X光片組成，可用作數據集幫助開發能夠更好地自動分析圖像的算法。
數據、數據、數據：Luke Oakden-Rayner明確指出的這件事的價值是數據集標籤，強調了醫生會按照自己習慣“發明”各種各樣的手寫筆記，這對於非專業讀者來說非常困難，而且將手寫筆記數字化並不容易，例如，許多包含病理圖像的胸部X射線可能被標記爲“沒有發現”，因爲它們是從同一患者拍攝的X射線序列的一部分。同樣地，許多標籤並不沒有準確描述圖像。
重要性：該數據集解決了先前版本的數據集CXR14的很多侷限性問題，包括“開發更具臨牀意義的標籤方案，以原始分辨率提供圖像，並使用專家視覺分析生成測試集”，他寫道。“但是，我們需要在發佈前更全面地記錄和討論這些數據集。數據仍然存在缺陷，這無疑會對模型性能產生影響。除非這些問題得到解決，很多用戶甚至都不會發現這個數據集，這是我們作爲一個社區需要做得更好的地方。“
閱讀更多：50萬張X光片！斯坦福和麻省理工學院胸部X光片數據集之初印象（ https://lukeoakdenrayner.wordpress.com/2019/02/25/half-a-million-x-rays-first-impressions-of-the-stanford-and-mit-chest-x-ray-datasets/ ）。
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：[email protected]。
參考鏈接：
