AI一周热闻盘点：清华成立AI研究院；小屳忿源移动端DL框架；中国类鸟监视无人机可躲避探测 作者 | Jack Clark 编译 | Debra 编辑 | Natalie AI 前线导读： - 潘建伟团队实现 18 个光量子比特纠缠，再次刷新世界纪录 - 小米开源移动端深度学习框架 MACE - 清华大学成立 AI 研究院，张钹任院长，Jeff Dean 为计算机学科顾问 - 特斯拉 Model 3 周产 5000 台目标终于达成 - 利用 AI 制作更好的地图 - 硅谷尝试与政府监控划清界限 - 能转换语音情感的技术：情绪之声数据集 - 斯坦福深度学习技术两步教会机器人执行任务 - 谷歌拓展进化策略，提高 ES 功能 - 通过程序创建训练强化学习算法，获得更好泛化 - 特朗普放弃禁止中国对美国科技投资 - 中国类鸟监视无人机可躲避监测 更多优质内容请关注微信公众号“AI 前线”（ID：ai-front） 潘建伟团队实现 18 个光量子比特纠缠，再次刷新世界纪录 6 月 28 日，国际物理学权威期刊《物理评论快报》（PRL）记录了潘建伟研究团队实现 18 个光量子比特纠缠，再次刷新世界纪录。 据介绍，潘建伟及其同事陆朝阳、刘乃乐、汪喜林等通过调控六个光子的偏振、路径和轨道角动量三个自由度，实现了 18 个光量子比特的纠缠。 多个量子比特的相干操纵和纠缠态制备是发展可扩展量子信息技术，特别是量子计算的最核心指标。量子计算的速度随着实验可操纵的纠缠比特数目的增加而指数级提升。然而，要实现多个量子比特的纠缠，需要进行高精度、高效率的量子态制备和独立量子比特之间相互作用的精确调控。而量子比特数目的增加，使得操纵带来的噪声、串扰和错误也随之增加。利用单个粒子的多个自由度能够更高效拓展量子比特数，在相同量子比特下使用更少的粒子数，进一步增加整个系统的稳定性。 论文地址： https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.120.260502 小米开源移动端深度学习框架 MACE 6 月 28 日，小米首席架构师、人工智能与云平台副总裁崔宝秋宣布，正式开源小米移动端深度学习框架 MACE。 据了解，该框架采用与 Caffe2 类似的描述文件定义模型，因此它能非常便捷地部署移动端应用。目前该框架为 TensorFlow 和 Caffe 模型提供转换工具，并且其它框架定义的模型很快也能得到支持。该计算框架的整体结构如下图所示： 据 Github 项目介绍，小米的 MACE 主要从性能、功耗、系统响应、北村占用、模型加密与保护、硬件支持范围等角度做了专门的优化。 项目地址：https://github.com/XiaoMi/mace 文档地址：https://mace.readthedocs.io/en/latest/ 清华大学成立 AI 研究院，张钹任院长，Jeff Dean 任计算机学科顾问 6 月 28 日，在清华大学人工智能研究院成立仪式暨清华 - 谷歌 AI 学术研讨会开幕式上，清华大学宣布成立清华大学人工智能研究院。 新成立的研究院致力于以人工智能理论和基础方法研究为核心，积极推进大跨度学科交叉融合，积极推进大范围技术与产业、学校与企业的融合，张钹院士担任新研究院院长，谷歌 AI 负责人 Jeff Dean 也成为了清华大学计算机学科顾问委员会委员。 出任 AI 研究院院长的张钹是清华大学计算机系教授，中科院院士。1958 年毕业于清华大学自动控制系，同年留校任教至今，并任微软亚洲研究院技术顾问。张钹主要参与人工智能、人工神经网络、机器学习等理论研究，以及这些理论应用于模式识别、知识工程与机器人等技术研究。 同时，参加活动的还有谷歌中国中心负责人李飞飞。在活动当天，她回应了将从谷歌离职的消息，确认了自己将于下半年结束斯坦福大学学术休假期。 特斯拉 Model 3 周产 5000 台目标终于达成 6 月 27 日，特斯拉 CEO 马斯克发推称上周七天特斯拉共生产出 7000 台车。不过，它并没有指明这些车是否是 Model 3、Model X 和 Model S 的总和。 再经过周产目标计划一再被推迟之后，特斯拉终于实现了 5000 台 / 周的量产目标。早在 2017 年 5 月的股东信中，特斯拉就表示弗雷蒙特工厂正在做准备，要在 2017 年年内实现周产 5000 台 Model 3 的目标。 利用 AI 制作更好的地图 导航公司 Telenav 发布了数据集、机器学习软件和技术结果，让人们可以在地图基架构上构建 AI 服务。该公司表示此举是为了创建一个更加开放的生态系统，特别是围绕流行开源地图“Open Street Map”的生态。 该版本包括一套约 50,000 张带有常见路标识别标签的图像训练集；机器学习技术堆栈，包括带有可视化的 notebook，用于检测交通标志的 RetinaNet 系统，以及在超过 1.4 亿个现有街道图像上运行这些 AI 工具的结果，以及更多数据。 地图是现代世界的基础。AI 可以为我们提供自动标记和分析周围世界所需的工具。通过使用更大的数据集来创建更好的自动映射系统，例如可以解析道路标志照片含义的工具，地图技术会向着更更好的方向发展。 硅谷尝试与政府监控划清界限 人脸识别软件公司 Kairos CEO Brian Brackeen 表示，他的公司不愿向政府或执法部门出售面部识别技术。这是考虑到亚马逊遭因向政府部门出售人脸识别技术“Rekognition”API 而遭到 ACLU（美国公民自由协会）的前车之鉴。 “我（和我的公司）已经开始相信，以任何形式在执法或政府监督中使用商业人脸识别技术都是错误的，它为道德腐败的严重错误行为打开了大门，”Brackeen 写道，“在政府监督计划和执法机构的手中，人脸识别软件会伤害公民是不可避免的”。 现在，美国忙于应付国内政府和执法部门与私人企业合作将商用 AI 技术用于普通居民监督导致的抗议。美国政府可能借鉴其他国家应用 AI 的策略引起民众的担心，政府构建 AI 系统步履维艰。像谷歌、亚马逊、微软等国际巨头已经日益国际化，员工和市场遍布全球，因此不会因为为美国政府服务而感到特别兴奋，其内部员工的抗议声也不断。美国政府对此类事件的处理会决定未来几年该国的 AI 政策方向。 阅读更多：人脸识别技术还未做好为被执法部门所用的准备 https://techcrunch.com/2018/06/25/facial-recognition-software-is-not-ready-for-use-by-law-enforcement/ 能转换语音情感的技术：情绪之声数据集 你听说过语音识别，那情绪识别和情绪调整呢？听到一段语音后，对声音的情感变化进行分类，并学习改变现有语音样本的情感可能是一种有用的技术。它可用于被动监听音频信号，以及主动模仿或扭曲，或其他目的。但是为了能够创建一个能够实现这一目标的系统，我们需要基础的训练数据。因此，比利时蒙斯大学和美国东北大学的研究人员创造了“情绪之声数据集”。 “这个数据库的主要目的是建立一个不仅可以产生情感言语，还可以控制言语中情感维度的模型，”研究人员写道。该数据集包含五个发言者和两种不同的语言（北美英语和比利时法语），五个发言者中的四个每人有 1,000 个语句，另一个发言者贡献 500 个语句。这些语句分为五种截然不同的情绪：中性、有趣、愤怒、困倦和厌恶。 实验中，研究人员将一个说话者的一种情感转换成另一种情感，人们将中性情感转换为愤怒的准确率约为 70％到 80％。在未来，研究人员“希望这样的系统能够高效地学习不仅可以代表情感声音的韵律，而且还能学习表征在数据库中包含的非语言表达。” 阅读更多：情绪之声数据库：控制语音生成系统中的情感维度（https://arxiv.org/abs/1806.09514）。 斯坦福深度学习技术两步教会机器人执行任务 想一下，你是怎么做 DIY 的？你可能一手抓着工具，然后接近需要修复或构建的对象，开工。但是，你怎么知道什么是抓住物体的最佳方法呢？你怎么知道没有做错？这种综合推理和行动是人类比机器更聪明的表现。那么，我们可以教机器做同样的事吗？斯坦福大学的研究人员发表了一项新研究，展示了如何使用深度学习技术训练基本的机器人，执行简单、真实的 DIY 式任务。 研究人员使用模拟器重复训练机器人手臂拾取工具（玩具锤子），并在各种情况下用它来操纵物体。该方法基于“任务导向抓取网络（TOG-Net）”，这是一个两阶段系统，它首先预测对象的有效抓取，然后预测要执行任务的操作动作。 使用机器人的几个好处之一是，如果你有一个模拟器，它就可以自动生成大量的数据用于训练和评估。本实验中，研究人员使用开源物理模拟器 Bullet，通过不同的对象和行为生成要学习的场景序列。他们使用了 18,000 个程序生成的对象进行训练。 该系统在两个有限的范围内进行测试：清扫和锤击，其中清扫包括使用一个物体去移动另一个物体而不让其抬起，锤击是尝试将大木钉敲入孔中。在锤击任务，该系统的成功率约为 80％，远远高于其他方法，但在扫除时成功率仅为 71％左右。这些结果让这项工作仅限于研究领域，因为从商业角度来看，这样的成功率太低了，引不起人们的兴趣。 阅读更多： Learning Task-Oriented Grasping for Tool Manipulation from Simulated Self-Supervision https://arxiv.org/abs/1806.09266. 谷歌拓展“进化策略”，提高 ES 性能 谷歌大脑研究人员展示了如何拓展“进化策略”。近年来，当实验证明拓展进化策略可以与深度学习技术相媲美之后，这种人工智能技术重新受到人们的欢迎。拓展会进一步提高 ES 算法的性能，“我们的方法大致可以被视为是对标准 ES 算法的修改，我们使用替代梯度来增加搜索分布，”研究人员解释说。结果产生了一个功能明显更强的 ES 版本，他们称之为 Guided ES，“当我们可以访问与真实梯度相关的代理梯度时，它可以结合一阶方法和随机搜索的优点。” 近年来，大量涌入 AI 领域的资金和人才大多是研究深度学习技术，但继续研究或复兴其他废弃技术（如 ES）作为建模的替代方法是非常有价值的。 阅读更多：引导式进化策略：在随机搜索中摆脱维度的诅咒（https://arxiv.org/abs/1806.10230）。 进化策略作为强化学习的可扩展替代方案（https://blog.openai.com/evolution-strategies/）。 通过程序生成训练强化学习算法，获得更好泛化效果 哥本哈根 IT 大学和纽约大学的研究人员将程序生成与游戏和强化学习相结合，创造了一种廉价、新颖的课程学习方法。该技术基于强化学习来进行游戏关卡的生成和升阶，只有在代理攻克一个关卡后会生成更难的关卡。这个过程会自然生成课程，因为当代理更强时，它会向游戏生成器发送信号创建更难的级别，等等。 他们使用通用开源视频游戏 AI 框架（GVG-AI）。GVG-AI 可通过视频游戏描述语言（VGDL）编写脚本，与 OpenAI Gym 相结合，因此开发人员可以通过像素输入、增量奖励和二进制输赢信号进行训练。研究人员为 GVG-AI 内的三个难度游戏创建了关卡生成器。在关卡生成过程中，他们还可以操纵“难度参数”，生成不同挑战难度。 结果研究人员发现，采用这种渐进式程序生成方法训练的系统表现良好，与没有程序课程训练的算法相比，它在《萨尔达传说》等游戏中获得可更高的分数。 这样的方法突出了我们目前评估强化学习算法方式的缺陷，因为我们一般在类似（经常相同）的水平 / 游戏上测试算法，因此难以区分是算法改进了，还是过度拟合测试集。此外，这项研究表明，使用计算机生成或扩充现有数据集是多么容易（例如，为预先存在的游戏创建程序级生成器），减少人工智能开发中对原始输入数据的需求，并提高计算的战略价值。 阅读更多：程序级生成提高深度强化学习的一般性（https://arxiv.org/abs/1806.10729）。 特朗普放弃禁止中国对美国科技投资，并加强监管 特朗普政府放弃了禁止拥有超过 25％中国所有权的公司对行业重大技术（包括人工智能、机器人、半导体）进行投资，并限制美国公司向中国出口技术。相反地，政府将扩大美国外国投资委员会（Cfius）的权力，该机构负责审查外资收购对国家安全的影响。除了安全风险之外，新立法还将扩大委员会的考虑范围，除了安全风险之外，还包括对美国先进技术中竞争地位的影响。 各国政府正在调整对跨境投资的监督，包括 AI 和相关技术，这些技术越来越多地被视为对军事和工业应用具有战略性意义。该提案本是美国人工智能保护主义的升级，可能会引起中国的激烈报复。现在看来，美国的人工智能民族主义严重升级似乎已经暂时中止。 阅读更多：特朗普放弃对中国投资的新限制（https://www.ft.com/content/a819ec8a-79f4-11e8-8e67-1e1a0846c475）。 中国正在测试可躲避探测的类鸟监视无人机 中国政府机构一直在采用仿生鸟类隐形监视无人机来监视平民。现在，这种代号为“鸽子”并配有摄像头和导航系统的小型无人机被用于 5 个省的民用监控。无人机鸟类的外形使它们能够逃避人类，甚至其他鸟类的探测。 据报道，这些鸟类经常混在鸟群中间而无人发现。它们也正在被用于军事应用，据报道，它们能够躲避很多反无人机系统，这些系统依赖于将无人机与鸟类区分开来。 无人机能够躲避探测是一种强大的监控技术，可能会引发道德问题。如果美国和欧洲的民用应用中使用类似的无人机，可能早就遭到隐私保护者的抗议了。 了解更多：中国用机器人鸽子将监控提升到新的高度（http://www.scmp.com/news/china/society/article/2152027/china-takes-surveillance-new-heights-flock-robotic-doves-do-they）。 作者 Jack Clark 有话对 AI 前线读者说：我们对中国的无人机研究非常感兴趣，如果你想要在我们的周报里看到更多有趣的内容，请发送邮件至：jack@jack-clark.net。 原文链接：https://jack-clark.net/ AI前线紧跟前沿的AI技术社群如果你喜欢这篇文章，或希望看到更多类似优质报道，记得给我留言和点赞哦！ 阅读原文