- 藉助AI數字重建,巴黎聖母院有望涅槃重生
- 谷歌重磅推出端到端 AI 平臺,併爲 Cloud AutoML 添加新功能
- 谷歌發佈深度學習定理證明研究平臺HOList
- 覺得GAN有趣嗎?這七個問題還有待解決
- 吳恩達斯坦福實驗室開發膝關節AI診斷系統,發佈MRNet數據集
- 伯克利發佈機器人訓練平臺BLUE,成本僅5000美元
- 卡內基梅隆等提出單路徑NAS,ImageNet準確率74.96%創新高
藉助AI數字重建,巴黎聖母院有望涅槃重生
昨天,巴黎聖母院被大火吞噬,屋頂起火後火勢迅速蔓延,具有標誌性的鐘樓倒塌。經搶救,巴黎聖母院主體架構倖存下來,而法國總統馬克龍表示將斥資重建巴黎聖母院。
事實上,在現代AI技術的幫助下,修復巴黎聖母院並非不可能。據美國《國家地理雜誌》報道,在 2015 年,一位專攻哥特式建築的藝術史教授Andrew Tallon已經在生前利用激光掃描技術深入研究了巴黎聖母院的結構,在聖母院 50 多個位置蒐集數據,精確地記錄下了這一哥特式大教堂的全貌,偏差大概只有五毫米左右,包括各個角度的建築全景、3D和細節圖片。大火過後,消逝的巴黎聖母院可能在數字世界裏永存。
谷歌重磅推出端到端 AI 平臺,併爲Cloud AutoML添加新功能
北京時間 4 月 10 日,谷歌在NEXT 大會上發佈了端到端 AI 平臺,爲開發人員和數據科學家提供用於構建、測試和部署他們自己的模型的端到端服務。谷歌 AI 平臺集成了AutoML 功能,可以一鍵完成數據預處理、特性選擇、模型算法選擇、調參、上線後模型的再優化、效果評估等流程,大大縮短了訓練時間,從而提升效率。此外,這一功能還對“小白”開發者十分友好,就算缺少相關的經驗,也可以輕鬆上手。
此外,谷歌還給 Cloud AutoML 賦予了一些新能力:
-
AutoML Tables。它可以獲取位於 Google 的 BigQuery 數據庫或存儲服務中的現有表格數據,並自動創建一個預測給定列值的模型;
-
AutoML Video Intelligence(視頻智能,仍在測試階段),可以自動註釋和標記視頻,使用對象識別對視頻內容進行分類並使其可搜索。
-
AutoML Vision 測試版,進行照片對象檢測;
-
測試版 AutoML Vision Edge,用於邊緣應用程序,其中包括將這些模型部署到邊緣設備的功能。
谷歌還發布了一系列 AI 產品:
-
文檔理解 API 的測試版,這是一個可以自動分析掃描數字文檔的平臺;
-
聯絡中心 AI 測試版,該服務提供完整的聯絡中心 AI 解決方案,使用 Dialogflow 和 text-to-speech 功能,允許其用戶構建虛擬代理系統(當問題出現時,可以將客戶轉交給人工客服處理)。
谷歌發佈深度學習定理證明研究平臺HOList
谷歌的研究人員希望開發出一套可以學習解決數學定理的AI系統,因此對定理證明軟件進行了調整,使AI系統更容易與之交互。此外,他們還創建了一個新的定理benchmark,以促進這一領域的發展。
HOList:他們的系統基於HOL Light軟件。在這個項目中,他們開發了“HOL Light的工具化、預打包版本,可以用作強化學習的大規模分佈式環境,使用新的、穩定的Python API進行定理證明”。該軟件配備41個“戰術”,基本上是用於幫助證明數學定理的算法。
benchmark:研究人員還發布了一個關於HOL Light的新基準。這個標準被用於測試一些任務的性能,包括:預測人類用來創建證據的相同方法;在未訪問全部信息的情況下證明某些子目標或證據的某些方面。
DeepHOL:他們設計了一個名爲DeepHOL的基於神經網絡的定理證明器,它試圖在生成證據的同時對目標和前提進行編碼。“從本質上講,我們提出了一種混合架構,既可以預測應用的正確策略,也可以對有意義的戰術應用所需的前提參數進行排名”。他們在整體架構中測試各種不同的基於神經網絡的方法,並通過強化學習進行訓練,結果顯示,最好的系統能夠證明訓練集中58%的證據。雖然不算驚豔,但考慮到這些是基於學習的方法,結果還是非常令人鼓舞的。
爲什麼這很重要:定理證明是測試機器功能的一種很有潛力的方法,特別是如果我們能夠開發出可以生成新證據的系統。這將明確驗證人工智能系統在特定領域創造新穎科學見解的能力,我認爲這將使我們更好地直觀瞭解人工智能變革科學的能力。
閱讀更多:HOList:一個高階定理證明(擴展版)機器學習環境
https://arxiv.org/abs/1904.03241
覺得GAN有趣嗎?這七個問題還有待解決
近來,生成對抗網絡已成爲人工智能研究的主要組成部分,因爲其在創造性應用中具有實用性。
但是GAN很難理解,研究員 Augustus Odena在深度學習平臺 Distill上發表了一篇關於GAN的七個開放性問題。這七個問題是:
-
GAN與其他生成模型之間的權衡取捨是什麼?
-
GAN可以爲什麼樣的分佈建模?
-
我們如何在圖像合成之外擴展GAN?
-
我們對於訓練的全局收斂瞭解多少呢?
-
我們應該如何評估GAN以及何時使用它們?
-
GAN訓練如何按批量大小進行擴展?
-
GAN與對抗性樣本之間的關係是什麼?
爲什麼這很重要:更好地理解這些問題的答案將有助於研究人員更好地理解這項技術,這將使我們能夠更好地預測GAN系統的經濟成本,預測可能的失敗並指導未來的工作方向。
閱讀更多:關於生成性對抗性網絡的開放性問題
吳恩達斯坦福實驗室開發膝關節AI診斷系統,發佈MRNet數據集
斯坦福大學的研究人員開發了一種基於神經網絡的技術,用於評估膝關節MR掃描異常並可以進行一些特定的診斷(如韌帶撕裂)。他們發現,使用該模型後,臨牀醫生的誤診率變低。他們寫道,當“每100名健康患者使用這種模型時,大約有5名患者可以免於不必要的手術”。
MRNet數據集:他們還發布了一個基礎數據集:MRNet,包含在斯坦福大學醫學中心對正常和異常膝蓋進行的1,370次MRI檢查的集合。
爲什麼這很重要:許多人工智能系統將提高而不是替代人類技能,可以預見,我們可以在診斷時爲臨牀醫生提供越來越多的AI顧問系統。
閱讀更多並註冊下載數據集:MRNet 數據集
伯克利發佈機器人訓練平臺BLUE,成本僅5000美元
伯克利研究人員開發了用於非結構化環境學習的伯克利機器手臂(BLUE),用於人工智能研究和部署。該機器人是過去三年來超過15名研究人員組成的團隊的研發成果。它由1500個部件組成,成本約爲5000美元,爲了達到使其既便宜又可讓人類安全操作的目標,它的涉及選擇受到很多限制。
這個機器人可用於在廉價的機器人平臺上訓練AI方法,並可遙控操作,因此可以直接從人類行爲中進行訓練。
BLUE有七個自由度,分佈在肩部的三個關節,一個在肘部,三個在手腕。在設計BLUE時,研究人員對其進行優化以使其“有用”,這要求機器人精度足夠高才能像人一樣(本實驗中,它可以以大約4毫米的誤差移動,遠遠低於超精密工業機器人)且足夠便宜,可以大規模生產,並能夠在不受約束的(即不同於工廠生產線)環境中進行一般類別的操作任務。
低成本設計:BLUE機器人使用類直驅動(QDD),這種方法最近在腿式運動系統中很受歡迎。他們還設計了一種便宜的平行鉗口夾具(“我們選擇了平行鉗口,因爲它們具有可預測性,堅固、簡單(低成本)且易於模擬”)。
爲什麼這很重要:近年來,基於深度學習的技術開始爲機器人提供前所未有的感知和操縱能力。然而,缺少廉價的機器人實驗平臺卻是一個障礙。研究人員可以通過BLUE瞭解AI需求,同時可以大規模生產。他們寫道:“該項目的下一步是繼續進行壓力測試並加速生產。” “我們的目標是讓這些經濟實惠的機器人儘可能多地到達研究人員手中”。
閱讀更多:Project Blue
卡內基梅隆等提出單路徑NAS,ImageNet準確率74.96%創新高
卡內基梅隆大學,微軟和哈爾濱工業大學的研究人員已經找到了一種讓計算機學習學習如何在手機上設計部署人工智能系統的有效方法。
這種方法稱爲單路徑NAS,可以更有效地使用計算來搜索更復雜的AI模型。該技術的關鍵在於,在網絡的每一層,搜索“每個ConvNet層中的一個過度參數化的’超級內核’’。這在實踐中意味着在網絡的每一層快速迭代不同類型的AI組件變得更有效,使這一方法比其他NAS技術更高效。
他們解釋說:“我們不必像在多路徑方法中那樣在不同的路徑/操作中進行選擇,而是“在每個ConvNet層中查找要使用的內核權重子集”來進行NAS。
測試:他們在Pixel 1手機上測試他們的方法,通過使用單路徑NAS在ImageNet上設計用於圖像分類的網絡進行基準測試,並將其與人類研究人員設計的最先進系統以及通過其他神經架構搜索技術發現的系統進行比較。
結果:他們的方法獲得了74.96%的準確率,這是“硬件高效NAS方法中最高的ImageNet準確度”。他們的系統也需要大約8個epoch來訓練,而其他方法則需要數百(或數千)個epoch。
爲什麼這很重要:機器設計新網絡架構的成本降低,這有可能進一步加快AI研究和應用,推進AI工業化。
閱讀更多:單路徑NAS:在不到4小時內設計出低成本ConvNets
獲取代碼:Single-Path-NAS
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:
更多內容,請關注AI前線