AI前线一周热闻：赛灵思收购深鉴科技；华为“达芬奇”计划曝光；谷歌推出AI系统百科全书Seedbank 作者 | Jack Clark 编译 | Debra 编辑 | Vincent AI 前线导读：- 中兴缴 4 亿美金保证金正式获解禁 - 依图获 1 亿美元融资，兴业国信资管投资 - 赛灵思收购深鉴科技，重点发力自动驾驶 - 华为“达芬奇”计划曝光，挑战英伟达 - 反向传播可能不能像大脑那样，但至少它有效 - 伯克利教机器虚构目标，获得更好的 RL 解决方案 - 脸书“Talk The Walk”挑战让 AI 更聪明 - 微软呼吁政府主导人工智能技术监管 - 谷歌推出 AI 系统百科全书 Seedbank - OpenAI 发布生成模型 Glow - Google AI 推出新型神经网络，对神经元进行高精度自动重建 更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front） 中兴缴 4 亿美金保证金正式获解禁 7 月 13 日，美国商务部正式解除了“美国公司向中兴通讯禁售商品”的禁令，允许这家中国第二大电信设备制造商恢复营业。至此，中兴从 4 月 17 日到 7 月 14 日过山车式的命运终于尘埃落定。 但是，中兴为获得解禁付出了高昂的代价，除了 4 亿美元保证金外，中兴还经历了管理层大换血，包括原董事长殷一民在内的 14 名董事提交书面《辞职报告》，完成了美国商务部的更换管理团队要求。 据消息透露，中兴因美国制裁至少损失 200 亿元人民币。 依图获 1 亿美元融资，兴业国信资管投资 7 月 16 日晚间，依图科技官方微信宣布，该公司近期又完成了 1 亿美元融资，投资方是兴业国信资管。 据悉，依图科技于 6 月 12 日已完成 2 亿美元的 C＋轮融资，当时的估值已达 150 亿元。 依图科技成立于 2012 年，主要应用于智能安防、医疗、金融等场景，客户包括公安部、中国边检、华西医院、以及京东金融等。在此轮融资之前，依图自主研发的金融行业解决方案已覆盖银行、证券、基金、保险、汽车金融等各个领域。 另外，据不完全统计，2017 年至今，仅在人脸识别领域，商汤、旷视、云从、依图四大独角兽企业共计发生了 13 起融资事件，该技术也是继指纹识别之后被广泛应用于安防、金融、医疗等领域的个人身份鉴定技术。 赛灵思收购深鉴科技，重点发力自动驾驶 7 月 18 日，赛灵思官方微信宣布收购芯片创企深鉴科技，具体金额未透露。但据业界人士评估，收购金额可能在 3 亿美金左右。据了解，今后深鉴科技将重点聚焦自动驾驶和辅助驾驶领域。 被收购后，深鉴科技将继续在其北京办公室运营，成为赛灵思大中华区的一部分。 早在 6 月 26 日，深鉴科技宣布已完成面向自动驾驶 / 高级辅助驾驶领域的技术整合及商业布局，实现了方案落地及产品转化，正式加入自动驾驶赛道，并推出了基于 FPGA 的车载深度学习处理器平台——DPhiAuto。这是一个面向高级辅助驾驶和自动驾驶的嵌入式 AI 计算平台， 可为高级辅助驾驶系统提供车辆检测、行人检测、车道线检测、语义分割、交通标志识别、可行驶区域检测等深度学习算法功能。 华为“达芬奇”计划曝光，挑战英伟达 据外媒 The Information 报道，华为内部已经开启了代号为“达芬奇”（Project Da Vinci）的作战计划，也有不少华为高管以“D 项目”来代指达芬奇计划。 该计划将 AI 引入华为从电信基站、云数据中心，到智能手机和摄像头所涉足的所有业务，并成为华为高层每月一次讨论会的重点议题。在具体计划中，“达芬奇计划”包含研发云端使用的 AI 芯片、推出基于华为云的 AI 语音和图像识别应用等多项重要 AI 任务。 The Information 援引知情人士的消息说，华为内部执行达芬奇项目的高管为徐直军（Eric Xu），他目前是华为的轮值董事长兼华为业务战略和研发的负责人。 经过“中兴事件”之后，华为希望减少对美国公司的依赖，因此该计划首要且核心的任务是 AI 芯片研发，由华为于 2004 年成立的子公司海思半导体负责研发，第一款产品会面向数据中心。事实上，华为近年来已经将自研芯片搭载到了所有智能手机中。 华为自研 AI 芯片会对英伟达造成威胁，进一步压缩 GPU 市场，威胁英伟达。 反向传播可能不能像大脑那样，但至少它有效 反向传播是现代深度学习的基本工具之一 ，是在训练期间通过网络传播和更新信息的关键机制之一。不幸的是，现在很少有证据表明，人类大脑表现出类似于反向传播的过程（这是 Geoff Hinton 多年来在“大脑能做反向传播？”这样讨论中一直致力解决的问题）。多年来，研究人员一直担心这一点，他们担心虽然我们看到基于反向传播开发的东西会带来显著收益，但我们未来可能需要探索其他的方法。现在，Google Brain 和多伦多大学的研究人员对一系列基础学习算法进行了实证分析，对基于反向传播，以及使用目标传播和其他变体的方法进行了对比测试。 这项研究背后的理念是“除了现实主义外，在收集证据评估学习算法的整体生物学现实性时，还需要行为现实主义。鉴于人类能够学习与其进化关系不大的复杂任务，似乎我们的大脑像是一个可以塑造行为的强大的、通用的学习算法能力。” 结果，研究人员发现“没有一种经过测试的算法能够有效地扩展到在 ImageNet 上训练大型网络”，尽管他们在 MNIST 和 CIFAR 上有一定效果。他们写道：“这类算法甚至无法为中等规模的大型网络提供真实数据的直接解决方案。” 既然我们知道人类的神经网络系统是多么有限，通过测试和筛除算法似乎是理智的做法，特别是对“主流”方法（如反向传播）与理论上更为基础但甚少有人开发的算法进行对比。 阅读更多：评估生物激励深度学习算法和架构的可扩展性（https://arxiv.org/abs/1807.04587）。 伯克利教机器虚构目标，获得更好的 RL 解决方案 伯克利研究人员已经研究出一种方法，可以让机器开发出对周围世界更丰富的代表，并用其来解决任务。他们用来实现这一目标的方法被称为“虚构目标强化学习”（RIG）的技术。 RIG 的工作原理如下：AI 系统与环境相互作用，来自观测所得数据被用于训练（并微调）变分自动编码器（VAE）潜变量模型，之后使用这种通过 VAE 习得的表示来训练 AI 系统解决虚构的任务。随着人工智能研究人员试图通过让算法使用和学习更多数据来提高其能力，这种方法正变得越来越流行。 结果显示，他们的方法很好地完成了到达指定物体并将其推向目标的任务，击败了包括 Hindsight Experience Replay（HER）等算法。 在此之前，我们会花费数年时间来训练算法掌握环境，而现在，我们正在尝试训练可以代表其环境的算法，并使用该表示作为算法的输入来解决新任务，这对提高训练模型代表能力来说是一个进步。 阅读更多：使用虚构目标进行视觉强化学习（https://arxiv.org/abs/1807.04742）。 脸书“Talk The Walk”挑战让 AI 更聪明 Facebook 和蒙特利尔学习算法研究所（MILA）的研究人员开发和测试了一种可以让导航 AI 进行沟通交流并合作穿越城市的 AI 系统，以进一步提高 AI 代理的泛化能力。“对于人造代理来说，完成这个任务还缺少一些基础架构设计，”研究人员表示。 这项“Talk The Walk”挑战将问题设定为“导游”和“游客”两个代理之间的对话。导游可以看到游客所在城市区域的地图，以及游客想要到达的位置，游客则可以看到当前位置的注释图像，并拥有向左、向右转，或前进的能力。 研究人员使用从纽约社区获得的 360 度摄影视图创建了测试环境，使用包括餐厅、旅馆等，并为每个街道交叉口的每个角落的图像，包括酒吧、银行等进行分类注释，以及 10,000 组对话进行训练（研究人员从纽约的每个社区收集到 2000 多组成功的对话）。 研究人员对系统自主定位的能力进行了测试，即开发一个关于它们在城市中位置的概念。结果令人鼓舞，研究人员开发的定位模型获得了比人类更高的定位分数。（但人类仅需要一半的步骤就能有效进行自我定位，这表明人类的效率仍然远远高于机器。） 随着基础 AI，如图像和音频处理等功能（如图像和音频处理）的开发和商业化，研究人员正在尝试找出他们可以解决的下一个重大任务，以及用来测试当代研究算法的数据集。这里设计的评估方法可以帮助我们开发需要与大量现实世界数据交互的 AI 系统，从而可以更容易地评估这些系统的“智能”程度。 阅读更多：Take the Walk：对话指引导航探索纽约市（https://arxiv.org/abs/1807.03367）。 微软呼吁政府主导人工智能技术监管 微软公司表示，美国政府应该成立一个独立委员会来调查面部识别技术的用途和应用。微软表示其进行这一呼吁的原因在于，其认为这项技术的实用性和普遍性较高，政府应该进行一般意义上的监管，而不是瞄准微软等特定公司。在政府、民权团体和公司之间关于人工智能用途的一系列激烈争吵之后，如谷歌处理员工抗议其与国防部的“Maven”合作等，微软提出了此建议。 微软提出政府应该解决的具体问题包括：人脸识别用于执法是否应受到监督和控制？是否有可能确保民众对这项技术的监督？商家是否应该在商品上标记人脸识别系统用于监控设施？ 谷歌推出 AI 系统百科全书 Seedbank 谷歌推出 AI 系统编程和研究“活”的百科全书——Seedbank。该网站包含一系列机器学习示例，用户可以通过 Google“colab”中的实时编程界面与之进行交互。点击“种子（Seed）”，你会看到“Recurrent Nets”或“Text＆Language”等人工智能主流话题，并可以获取具体示例。 “目前我们只跟踪 Google 发布的 notebook，但未来可能会创建用户生成内容索引。我们将尽最大努力定期更新 Seedbank，但最好还是要关注 TensorFlow.org 更新。”Michael Tyke 写道。 阅读更多： Seedbank - 机器学习示例（https://medium.com/tensorflow/seedbank-discover-machine-learning-examples-2ff894542b57?linkId=54191031）。 Seedbank 官网（https://tools.google.com/seedbank/seed/5695159920492544）。 OpenAI 发布生成模型 Glow OpenAI 发布了 Glow，这是一种使用 1×1 可逆卷积的生成模型，使其具有更丰富的代表能力。 阅读更多：在线可视化预览：https://blog.openai.com/glow/。 Google AI 推出新型神经网络，对神经元进行高精度自动重建 7 月 16 日， Google AI 发布博客称，Google Research 部门和 Max Planck 研究所合作提出了一种新型的递归神经网络，它可以提升连接组数据进行自动分析的准确性，相比先前深度学习技术的准确性是数量级的提升。 连接组学（Connectomics）绘制与研究神经连接组（connectomes）是一种刻画有机体神经系统（尤其是脑和眼）的连接方式的完整线路图。 Google 与 Max Plank 神经生物学研究所在《Nature Methods》中发表的“ 用泛洪填充网络高效自动重建神经元 （High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）”一文展示了一种新型的递归神经网络，提升连接组数据自动分析的准确性，这比先前深度学习技术是数量级的提升。 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/2018/07/16/import-ai-103-testing-brain-like-alternatives-to-backpropagation-why-imagining-goals-can-lead-to-better-robots-and-why-navigating-cities-is-a-useful-research-avenue-for-ai/ 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！