AI一周热闻：英伟达新显卡性能提升6倍；美团赴港IPO估值600亿 作者｜Jack Clark 编译 & 编辑｜Debra AI 前线导读：在研究上，如果可以，我可能会选择不要分散研究的方向，为了一时的想法而忘了长期的挑战。 —— Yoshua Bengio ，深度学习技术复兴缔造者之一 更多干货内容请关注微信公众号“AI 前线”（ID：ai-front） - 英伟达发布 GeForce RTX 20 系列显卡，性能提升 6 倍 - Facebook、纽约大学利用 AI 技术加快 MRI 检查速度 - 美团点评 9 月 20 日港交所 IPO，估值 400-600 亿美元 - 小鹏汽车计划 2019 年度融资 300 亿元 - 英特尔收购深度学习初创公司 Vertex.AI - 用垃圾数据改进 NLP 处理系统 - 中国将强化学习训练机器人迁移至现实世界英伟达发布 GeForce RTX 20 系列显卡，性能提升 6 倍 8 月 21 日，在德国科隆游戏展（Gamescom 2018）上，英伟达发布了 3 款基于全新图灵架构的 GeForce RTX 20 系列显卡——RTX 2080 Ti、RTX 2080、RTX 2070。 RTX 2070 起价 499 美元，RTX 2080 起价 699 美元，RTX 2080 Ti 起价 999 美元。 据了解，RTX 2080 Ti 主频为 1350MHz，配备了 4352 CUDA 内核以及 11GB GDDR6 显存。RTX 2080 是专为超频而设计的高端产品，主频为 1515MHz，内置 2944 CUDA 内核和 8GB GDDR6 显存，旨在接替热门的 GTX 1080。 英伟达表示，GeForce RTX 20 的性能将比上一代显卡的高 6 倍，并实现实时光线追踪技术（Ray-Tracing）。 Facebook、纽约大学利用 AI 技术加快 MRI 检查速度 据外媒报道，Facebook 将与纽约大学医学院的放射学系展开合作，联合推出一个“快速 MRI”的研究项目，利用 AI 技术让 MRI 的检查速度加快 10 倍。 n此前，放射科医生使用 MIR 扫描仪为病人诊断病情需要 15 分钟到一个多小时，而 Facebook 与纽约大学的合作项目如果成功，那么 MIR 扫描的时间将可以缩短至 5 分钟，从而节约病患时间，提高诊断效率。 美团点评 9 月 20 日港交所 IPO，估值 400-600 亿美元 据港媒报道，美团点评将于 8 月 23 日进行上市前聆讯，公司已拟好初步上市时间表，计划于 9 月 20 日挂牌。 据悉，美团的最新估值在 400 亿至 600 亿美元 (约 3,120 亿至 4,680 亿港元) 之间，联席保荐人为高盛、摩根士丹利及美银美林。 根据路透旗下 IFR 报道，美团点评将是继小米之后，香港第二只“同股不同权”的新股。如果按照上述集资额估计，美团很可能成为今年香港集资额第三大的新股，仅次于中国铁塔及小米。 小鹏汽车计划 2019 年底融资 300 亿美元 近日，小鹏汽车在广州发布了其最新的未来战略布局及发展方向，并开启了小鹏 G3 的新一轮预售。 在未来规划中，小鹏汽车董事长兼 CEO 何小鹏表示将押注智能汽车，并将侧重于运营、智能化和自动驾驶。 另外，小鹏汽车副董事长兼总裁顾宏地还表示，该公司计划在 2019 年底实现 300 亿元融资。 本月初，小鹏汽车宣布完成 40 亿元 B2 轮融资，年初已获得 B1 轮融资，2018 年已经完成了 62 亿元融资。 英特尔收购深度学习初创公司 Vertex.AI 8 月 17 日，英特尔收购了开发人工智能模型组件的初创公司 Vertex.AI。 英特尔方面表示，由七人组成的 Vertex.AI 团队，包括创始人 Choong Ng、Jeremy Bruestle 和 Brian Retford 已加入英特尔人工智能产品事业部的 Movidius（于 2016 年 9 月被英特尔收购）团队。通过此次收购，英特尔获得了一支经验丰富的团队和知识产权，以进一步实现边缘计算和灵活的深度学习。 Vertex.ai 由 Jeremy Bruestle 和 Choong Ng 在 2015 年创办，此前曾获得 Curious Capital 和 Creative Destruction Lab 等投资机构的种子轮融资。 用垃圾数据改进 NLP 处理系统有时候，一些垃圾数据可能是有价值的：纽约石溪大学的最新研究通过在训练中学习区分真假句子来改进自然语言处理系统。 研究人员给定一个大的未标记的语料库，并为每个原始句子添加多个假句子。训练任务是将任何给定的句子作为输入并预测其真实性，并通过训练顺序模型来学习句子编码器，以完成检测给定输入句子真实性的二元分类任务。 研究人员用两种方式创建假句子：WordShuffle，改变句子中某些单词的顺序；WordDrop，从句子中删除一个随机单词。 通过情感分类、问答、主观性、检索等任务，研究人员对对该系统进行评估。结果发现，使用此方法训练的系统比先前的语言建模方法（特别是 FastSent 和 Skipthought 技术）获得了更高的分数。 语言建模是评估当代 AI 的最难的任务之一。通常情况下，今天的大多数系统的学习模型中都没有太多的复杂性，由于语言语意的广泛性，以及不同任务的成本增加（更容易注意到句子或拼写错误，而不是大型生成图像中一个或两个像素的值）。本文中描述的系统和方法展示了我们如何使用数据增强技术和判别式训练方法来创建高性能系统。 阅读更多：句子编码训练任务中的假句子检测（https://arxiv.org/abs/1808.03840）。 中国将强化学习训练机器人迁移至现实世界 中国香港城市大学机械与生物医学工程系，与 Metoak Technology Co 和福州大学数学与计算机科学学院的研究人员利用强化学习对仓库机器人进行模拟训练，并迁移至现实世界。研究使用的机器人与亚马逊和沃尔玛等公司用于自家仓库自动化的机器人相同。该研究对人工智能如何改变物流和供应链，以及扩大机器人应用范围具有重要意义。 研究人员基于“传感器级分散式碰撞避免”为其物流机器人开发了一套系统。这“既不需要对邻近代理和障碍物的感测，也不需要繁琐的离线参数调整以适应不同的场景”。每个机器人可以独立地做出导航决策而不与他人进行任何通信，并且通过多阶段强化学习方案进行模拟训练。机器人能够通过 2D 激光扫描仪感知周围的世界，并完全控制它们的平移和旋转速度。 他们调整和扩展了近端策略优化（PPO）算法，使其在大规模并行环境中工作，然后分两个阶段训练机器人：首先在 2D 随机训练中训练其中的 20 个放置导航场景，机器人需要学习基本的移动和防撞原语。接着，他们保存经过训练的政策，并将其用于第二个训练周期，即在一系列涉及不同建筑物尺寸的、更复杂的场景中训练 58 个机器人。 虽然经过训练的政策可以迁移到现实世界，但它们表现出许多 AI 系统典型的特殊行为，这使得它们更难部署。“例如，当一个机器人通过一个没有其他代理的开阔空间朝着目标奔跑时，机器人可能会以弯曲的轨迹而不是直线接近目标，”研究人员说道。 总的来说，研究人员通过在有非合作机器人、异构机器人和多于模拟中控制机器人（100 对 58）的情景中对系统进行测试。在测试中，使用 RL 和混合 RL 系统训练的系统相对于监督学习基本准确性大大提高，系统也更灵活。 研究人员还成功地测试了在现实世界中部署机器人，均获得了满意的性能。 我们对当代人工智能的质疑之一在于，尽管我们已经在监督学习方面取得了许多成功，但在生活工作中成功应用强化学习系统的案例却不多。将模拟迁移到现实世界中的研究表明，RL 在现实世界的硬件上变得更易于处理，并且在模拟中开发的 RL 训练策略也可以泛化到现实，这将加速将 AI 技术部署到现实。 阅读更多：通过深度强化学习实现全分布式多机器人避碰，在复杂情景中实现安全高效的导航（https://arxiv.org/abs/1808.03841）。 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/2018/08/20/import-ai-108-learning-language-with-fake-sentences-chinese-researchers-use-rl-to-train-prototype-warehouse-robots-and-what-the-implications-are-of-scaled-up-neural-architecture-search/ 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