AI一周热闻：华为发布麒麟980创六项世界第一；中兴手机业务裁员，专心搞5G 作者 | Jack Clark 编译 | Debra 编辑 | Natalie AI 前线导读： - 华为发布“麒麟 980”，创六项世界第一 - 苹果无人车首次事故曝光 - 中兴手机业务裁员，寄希望于 5G - 美国医院试验用无人机运输医疗设备 - 在 NavigationNet 上训练机器人，探索真实世界 - Google 推出“Dopamine”强化学习开发系统 - IBM 建议 AI 公司加速采用 SDoC 验证文档 - 卡内基梅隆和雅马哈训练无人机成为优秀的电影摄影师 - 台湾国立清华大学和谷歌寻找终极 NAS 更多优质内容请关注微信公众号“AI 前线”（ID：ai-front） 华为发布“麒麟 980”，创造六项世界第一 9 月 1 日，华为在柏林国际消费电子展期间发布了全球首款７纳米制程人工智能手机芯片 “麒麟 980”。 据了解，“麒麟 980”创造了六项世界第一，分别是全球最早商用 7nm 工艺的手机 SoC 芯片；全球首款 ARM Cortex-A76 商用 CPU 的芯片；全球首款搭载双核 NPU 的手机芯片；最先采用 Mali-G76 GPU 的手机芯片；全球最先支持 LTE Cat.21 的芯片，峰值下载速率 1.4Gbps；支持全球最快的 LPDDR4X 内存颗粒，主频可达 2133MHz。 “麒麟 980”全球首次商用最领先的７纳米制造工艺，在不到１平方厘米面积内集成 69 亿晶体管。相比业界普遍采用的 10 纳米制造工艺，性能可提升 20％，能效提升 40％，晶体管密度提升 1.6 倍。 “麒麟 980”在基础通信能力方面大幅升级，在全球率先支持业界最快的下行 1.４Gbps 速率，能在不同运营商网络高速上网，还成为了首个提供 5G 功能的移动平台。 此外，这款芯片还在业内首次搭载双核神经网络处理器 (NPU)，可每分钟识别 4500 张图像，速度相比上一代提升 120％；能够实时绘制出人体的关节和线条，准确识别多种物体；照相性能也显著提升。 据悉，搭载“麒麟 980”的华为Ｍate 系列手机预计 10 月发布。 另外，华为还在 2018 IFA 上公布了一款带路由器的智能音箱 AI Cube，内置亚马逊的 Alexa 语音助手。这款智能音箱只会在海外市场销售，但标志着华为对智能音箱市场的首次进军。 苹果无人车首次事故曝光 据美媒报道，根据苹果在提交给加州激动车辆管理局 (California Department of Motor Vehicles) 的一份文件披露，苹果的一辆自动驾驶测试车在当地时间 8 月 24 日发生了一起车祸，但无人伤亡。 这是涉及到苹果无人车事故的首次披露。根据文件内容，当时，这辆由雷克萨斯 RX450h SUV 改装的自动驾驶车辆，当时正以不到每小时 1 英里（约合 1.6 公里）的速度行驶，当它准备进入旧金山湾区一条名为 Lawrence Expressway 的高速公路时，遭到了一辆日产 Leaf 电动车的追尾。后车当时的时速是 15 英里（约合 24 公里）。 虽然苹果是被追尾的一方，但这表明苹果无人车还面临着更多困难。 中兴手机业务裁员，寄希望于 5G 业务恢复 1 个多月之后，中兴通讯正在加速回归正轨，与此同时，中兴开始进行一场重大的内部调整。 首当其冲的是近年来业绩不佳的手机业务，新一轮的裁员已经开始。有消息人士透露称，中兴南研所已经开始针对终端研发人员进行调整，涉及人员近百名。 中兴通讯在全球有 15 个研发中心，有 7 个在中国。位于南京的研发中心是中兴通讯规模最大、研发实力最雄厚的一个，是中兴通讯核心网、承载网以及多媒体终端和手机产品的研发基地，人数过万。 禁令解除以来，中兴通讯在业务上做了很大调整，比较明显的是减少了大量外包业务，在短期内终端业务要做业务聚焦调整，一方面要聚焦到自身擅长的市场，另一方面则是聚焦核心机型。 中兴将把恢复的希望寄托在 5G 上，CEO 徐子阳称当前公司首要任务就是集中资源投入到 5G 建设。 美国医院试验用无人机运输医疗设备 美国医疗保健组织 WakeMed Health＆Hospitals 正在进行实验，与无人机运输公司 Matternet 合作，在其庞大的医疗保健园区（包括医院）周围提供运送医疗服务。这个项目是联邦政府 UAS（无人机系统）集成试点计划的一部分。 为什么重要：无人机将使全新的物流和供应链基础设施成为可能。与移动电话一样，非洲的新兴国家和中国、印度等发展中经济体正在以比传统发达经济体更快的速度采用无人机技术。此项目标志着技术可能会更快地为公民带来好处。 阅读更多：医疗运送无人机在北卡罗来纳州医院（无人机）进行测试 （https://unmanned-aerial.com/medical-drone-deliveries-tested-at-north-carolina-hospital）。 在 NavigationNet 上训练机器人，探索真实世界 NavigationNet 是一个具有隐式和显式结构和拓扑的数据集，由来自同一室内空间的 15 个不同场景的数十万张图像组成。每个场景包含大约一至三个房间（用门相互隔开的空间），每个房间面积至少 50 平方公尺；每个房间包含数千个相隔约 20 厘米的位置。从本质上讲，这使得 NavigationNet 成为一个大型的可导航数据集，其中的图像包含一组非常特殊的空间关系和层次结构。 研究人员计划使用此数据集用于开发通过深度强化学习训练的 AI 代理，在不熟悉的空间中进行导航，例如穿越房间、自动绘制房间等。 推动连通空间研究：NavigationNet 并不罕见，相反地，它是创建导航任务数据集的一种新趋势：研究人员现在在做的，是寻求收集真实（有时是模拟）的数据，这些数据可以拼接到一个特定的拓扑集中，被用来训练强化学习的代理，进行空间导航。实验最终的目标，是此类数据集将为我们提供开发未来机器人和无人机所需的一些视觉处理和规划功能所需的工具。 重要性：数据一直是监督学习领域引领创新的主要因素之一（在强化学习中尤其如此）。像 NavigationNet 这样的系统使研究人员能够访问潜在有用的数据源，以训练真实世界的系统。然而，鉴于 sim2real 传输技术的日益成熟，现在还不清楚模拟数据是否可以作为替代品，我们期待看到在 NavigationNet 中训练的系统和通过其他数据集训练系统的测试对比。 阅读更多：NavigationNet：大规模交互式室内导航数据集 （https://arxiv.org/abs/1808.08374）。 Google 推出“Dopamine”强化学习开发系统 谷歌已经发布了免费强化学习框架 Dopamine，这是一种用于强化学习算法快速进行原型设计的研究框架。该软件旨在使人们可以轻松地进行实验，尝试研究思路，比较和收缩现有算法，并提高结果的可重复性。 Dopamine 附带了 DQN，C51，Rainbow 和 IQN 算法实现。然而，这样的框架往往会随着人们不断变化的编码项目习惯而消失。从这个角度来看，文件中“这不是谷歌的官方产品”可能就是一个警告。 阅读更多：吊打 OpenAI！谷歌重磅开源强化学习框架 Dopamine Dopamine 开源项目地址 https://github.com/google/dopamine IBM 建议 AI 公司加速采用 SDoC 验证文档 .IBM 研究人员建议 AI 服务商采用“供应商合规声明”（SDoC）文档。SDoC 本质上是关于该公司提供的 AI 服务的内容、来源和漏洞的陈述。每个 SDoC 都是为了配合给定的 AI 服务或产品而设计的，旨在回答终端用户的问题，如：最近更新的模型是什么时候？训练模型的数据类型是什么？是否已检查此服务具有抵御对抗性攻击的可靠性？等等。“我们还设想将整个 SDoC 自动化，作为 AI 服务的构建和运行时环境的一部分。更进一步，不难想象 SDoC 会自动发布到分布式、不可变的分类账上，例如区块链技术支持的分类账”。 然而，SDoC 方法的一个潜在缺点，是 IBM 将其设计为自愿性的，这意味着它只有在广泛采用时才会变得有用。 阅读更多：通过 SDoC 加强用户对 AI 服务的信任（https://arxiv.org/abs/1808.07261）。 卡内基梅隆和雅马哈训练无人机成为优秀的电影摄影师 卡内基梅隆大学和雅马哈汽车公司的研究人员通过将 AI 与传统摄影技术结合，训练无人机在拍摄时拍摄稳定、不间断的镜头，包括提出避障和平稳运动的具体成本。他们使用基于 AI 的检测技术来发现目标（人），并将该信息反馈给无人机上的 PD 控制器，以聚焦目标。 研究人员使用的是 DJI M210 型无人机和 NVIDIA TX2 计算机，被无人机跟踪的人在帽子上配戴 Pixhawk PX4 模块，将姿势信息发送到车载计算机。 此计算结果系统可以环绕目标人类飞行、跟随车辆等。机载轨迹规划足够稳健，可以保持平稳的飞行，同时将摄像机的目标保持在视野的中心。 此类研究向聚焦目标、具有广泛自主能力的无人机研究又迈出了一步，例如自主拍摄和分析人群。无人机技术将传统工程方法（手动调整平滑度和演员居中成本）以及 AI 技术（测试 YOLOv3 物体探测器以获取不需要 GPS 信号的人）的结合是非常有趣的。 阅读更多：自主无人机摄影师：利用艺术原理为空中拍摄创建稳定、安全、无遮挡的轨迹（https://arxiv.org/abs/1808.09563）。 台湾国立清华大学和谷歌寻找终极 NAS 神经架构搜索技术正在从单个目标向多个目标转变，这使得人们可以调整这些系统，例如网络规模或分类准确性。但是这种可修改性引发了关于我们如何评估这些系统的性能和 tradeoffs 的新问题，因为它们不再是针对单一目标进行优化的。在一篇研究论文中，台湾国立清华大学和谷歌研究院的研究人员回顾了最近的 NAS 技术，并对两种最新的多目标方法——MONAS 和 DPP-Net 进行了基准测试。 测试结果显示，不出所料，NAS 的性能往往优于单纯由人类设计的系统，并且在系统经过适当调整和训练后，具有多个区域的可调目标可以带来更好的性能。DPP-Net 的性能尤其引人注意，研究人员认为这是“第一个能够超越最先进的手动设计移动 CNN 的设备感知 NAS”。 重要性：神经架构搜索（NAS）方法越来越受欢迎（尤其是那些可以访问大量廉价计算的研究人员，比如谷歌工作人员），因此，更好地了解这些系统的性能优势和 tradeoff 可以帮助研究人员比较其与传统技术的优劣。 阅读更多：寻找帕累托最优设备感知神经架构 （https://arxiv.org/abs/1808.09830）。 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/2018/09/03/import-ai-110-training-smarter-robots-with-navigationnet-diy-drone-surveillance-and-working-out-how-to-assess-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