AI 前线导读：
高通发布最强芯片骁龙 855，AI 性能提高 3 倍
NIPS 2018 最佳论文出炉！陈天琦、华为青年研究员等获奖
DeepMind 重磅推出 AlphaFold：基因序列预测蛋白质结构
MIT 发现 GAN 生成画作新方法
DeepMind 表示人工智能的未来安全取决于代理的奖励函数自我学习能力
Facebook：数据中心的深度学习需求将在未来 3 年内增长 3.5 倍
未来，无人机将能够在森林火灾后实现重新造林
Facebook 与 CrowdAI 联合研究利用深度学习分析自然灾害
斯坦福研究证明：医疗应用类深度学习方案并不需要太多数据
《自主武器公约》延迟出台
高通发布最强芯片骁龙 855，AI 性能提高 3 倍
12 月 5 日，高通在骁龙技术峰会上发布了骁龙 855，一款面向手机的旗舰处理器，以及其首歌 5G 移动平台骁龙 855。
骁龙 855 移动平台包含两组芯片，骁龙 855 芯片加上支持 5G 连接的 X50 调制解调器。高通表示，这个新平台将支持 5G 网络“GB 级”的下载速度。
会上，高通还介绍了对此芯片的预期，骁龙 855 还将融入 AI 技术以及加速增强现实、虚拟现实。骁龙 855 内包含高通第四代多核 AI 引擎，高通表示要比骁龙 845 AI 方面的性能提升 3 倍，2 倍于友商发布的 7nm 芯片安卓芯片，并将配备在大多数 2019 年的旗舰智能手机。
此外，AT＆T 和 Verizon 在毛伊岛的格兰瓦雷阿酒店提供了真正的 5G 设备供人试用，这也是第一次实际使用 5G，此前，大多数 5G 演示都是理论上的，或者是没有使用能够实际购买的设备完成体验式演示。
NIPS 2018 最佳论文出炉！陈天琦等获奖
12 月 3 日，NIPS 2018 在加拿大城市蒙特利尔开幕。今天，最佳论文出炉，共计 4 篇，其中包括陈天琦等人的 Neural Ordinary Differential Equations。
获奖论文分别为：
Neural Ordinary Differential Equations
Tian Qi Chen · Yulia Rubanova · Jesse Bettencourt · David Duvenaud
论文链接：https://arxiv.org/abs/1806.07366
Non-delusional Q-learning and Value-iteration
Tyler Lu · Dale Schuurmans · Craig Boutilier
链接：https://papers.nips.cc/paper/8200-non-delusional-q-learning-and-value-iteration.pdf
Optimal Algorithms for Non-Smooth Distributed Optimization in Networks
Kevin Scaman · Francis Bach · Sebastien Bubeck · Laurent Massoulié · Yin Tat Lee
链接：https://arxiv.org/abs/1806.00291
Nearly Tight Sample Complexity Bounds for Learning Mixtures of Gaussians via Sample Compression Schemes
Hassan Ashtiani · Shai Ben-David · Nick Harvey · Christopher Liaw · Abbas Mehrabian · Yaniv Plan
据 Affiliation Statistics 统计数据显示，2018 年，在 NeurIPS 会议中发表论文数量排名前十的机构美国占据主导地位，包括谷歌、微软和 Facebook 三家美国科技巨头，其中排名第一的谷歌发表了 136 篇论文。
DeepMind 推出 AlphaFold：基因序列预测蛋白质结构
继 AlphaGo 在围棋界碾压人类棋手之后，近日 DeepMind 团队又推出 AlphaFold，在生物科学领域划下重要一笔。
12 月 2 日，在墨西哥坎昆举办的一场国际会议中，AlphaFold 在一项任务中击败了所有对手，成功地根据基因序列预测出蛋白质的 3D 形状。
DeepMind 表示，AlphaFold 是其“首个证明人工智能研究可以驱动和加速科学新发现的重要里程碑”，蛋白质折叠领域的成功表明，机器学习系统可以整合各种信息来源，帮助科学家快速找到各种复杂问题的创造性解决方案。
MIT 发现 GAN 生成画作新方法
麻省理工学院的研究人员们找到了新的方法，能够从经过训练的生成对抗网络（简称 GAN）当中提取出更多信息，从而使得 GAN 能够识别网络当中与特定视觉概念相关的“神经元”。他们还专门为此建立网站，允许任何用户利用这些系统进行绘画。总结来讲，其效果类似于为用户配备一位专属“速写大师”。我们只需要勾勒出绘画区域——例如天空背景，接下来软件会激活 GAN 模型中的相关“神经元”并完成画作。
重要意义： 这样的演示以更自然的方式为广泛受众提供了与现代人工智能研究成果交互的通道，亦有助于我们面向技术行为建立起判断直觉。
通过以下网站亲自体验 AI 作画: GANpaint (MIT-IBM Watson AI Lab website)。
了解更多研究细节:
GAN Dissection: Visualizing and Understanding Generative Adversarial Networks (MIT CSAIL)。
Paint with a GAN here (GANPaint website)。
DeepMind 表示人工智能的未来安全取决于代理的奖励函数自我学习能力
DeepMind 的研究人员制定出一项长期策略，用于确保所创建的 AI 代理能够在人类难以构建适当奖励函数的情况下自行设计奖励机制，从而满足人类提出的任务要求。
其基本思路在于，要建立起真正安全的 AI 代理，其必须有能力从（人类）用户处收集信息并借此找到适当的奖励函数，而后再利用强化学习方法优化这些总结出的奖励函数。DeepMind 表示，这种方法的优势在于其能够打造出比人类更聪明的 AI 代理：“使用这种奖励建模方法训练出的代理能够协助用户评估相关流程，从而训练出更聪明的新代理。”
一项长期协调战略: DeepMind 认为，这种方法可能具有三大被研究人员们所广泛看重的重要性质，即可扩展性、经济性以及实用性。
下一阶段: 研究人员们表示，上述思路“已经准备好接受实证研究的考验”。该公司认为，“深层强化学习是一种极具前景的实际问题解决技术。但为了发挥其潜力，我们需要在缺乏明确奖励函数的前提下训练代理。”此项研究的议程，对实现这一目标的具体方法做出了概括。
相关挑战： 奖励建模目前面临着以下几项挑战：反馈量（需要多少数据才能让代理成功学习到奖励函数）; 反馈分布（代理在访问新状态时，有可能据此生成更高的感知奖励，并最终做出实际上并非最优的行动）; 奖励误区（reward hacking），即代理所找到的奖励方法，并不能反映用户的隐性功能期待; 不可接受的结果（采取人类可能永远不会批准的行动），例如工业机器人破坏自身硬件以完成任务，或者个人助手自动编写一份用词粗鲁的邮件; 以及奖励结果差距（即最优奖励模型与代理自身学习到的奖励函数之间的差距）等。DeepMind 认为，这些挑战都可以通过某些特定的技术方法加以处理，且目前各项挑战都拥有着多种可行的解决方法。
重要意义：除了讨论 AI 代理如何学习复杂的任务解决能力，从而帮助人类减轻负担之外，此项研究议程也带来了其它者探讨的方向：提供一种为人类赋予 AI 能力的方法。如果人工智能系统继续扩展自身能力，那么几十年后我们可能在社会中建立起大量人类交互型超大规模 AI 系统。
了解更多： Scalable agent alignment via reward modeling: a research direction (Arxiv).
Facebook：数据中心的深度学习需求将在未来 3 年内增长 3.5 倍
Facebook 公司的一组研究人员正尝试描述该公司数据中心内所运行深度学习推理工作负载的类型，并预测这一结果将给 Facebook 的未来基础设施设计方式带来怎样的影响。
用于 AI 数据中心的硬件: 那么，AI 优先型数据中心需要什么样的硬件？Facebook 认为，服务器的构建应该考虑以下因素：高内存带宽与嵌入容量; 支持强大的矩阵与矢量引擎; 用于小批量推理的大型片上存储器; 支持半精度浮点计算。
推论——上述要求有何好处？ Facebook 在其数据中心当中主要承载以下人工智能用例：提供个性化摘要、排名或推荐内容; 内容理解; 视觉与自然语言理解。
重要意义： 此类论文让我们了解到大规模深度学习应用在部署工作中所涉及的种种繁琐任务，并指出计算机设计将如何根据此类工作负载的实际需求而发生变化。Facebook 研究人员写道，“为当前及未来的深度学习模型设计通用型推理硬件是一项充满挑战，但也极为重要的问题。”
未来，无人机将能够在森林火灾后实现重新造林
初创企业 Dronseed 公司利用大型无人机+AI 的组合打造重新造林引擎，其产品主要用于在野火事故之后重新造林。
据介绍，Droneseed 的机器拥有“多光谱相机阵列、高端激光雷达、6 加仑除草剂罐以及专用种子播撒机制。”该无人机可绘制近期在森林火灾中被烧毁的区域，而后自主识别适合树木生长的区域，并在相关区域内进行种子播撒及施肥。
重要意义：我认为这是重要的一步，代表着无人机将有望在自然与野生动物保护方面带来丰富的应用方式与巨大的实际贡献。
了解更多:
That night, a forest flew (TechCrunch)。
Check out DroneSeed’s twitter account here。
Facebook 与 CrowdAI 联合研究利用深度学习分析自然灾害
卫星图像初创企业 CrowdAI 与 Facebook 的研究人员展示了如何利用卷积神经网络自动评估城市区域内自然灾害所造成的损害。在提交至 NeurlPs 2018（一项著名会议，原名 NIPS）“AI for Social Good”研讨会的一篇论文中，该团队“建议通过比较提取自卫星图像中的人造物特征变化以识别受灾区域。利用预训练语义分割模型，我们在受灾地区的前后图像之上提取人造物（例如道路与建筑物等）特征。此后，我们计算两条分割掩码以识别前后变化。”
灾难影响指数 (简称 DII): 我们该如何衡量灾难的影响？研究人员们提出了 DII 这一指标，即参考事件前后可用数据集内容计算出卫星图像当中不同部分所发生的语义变化。为了测试这种方法，研究人员使用了飓风哈维与圣罗莎周边火灾事故的相关大规模卫星图像数据集。结果表明，他们可以利用 DII 自动推断两套图像中受到洪水及火灾严重损害的区域，且粗略准确率（由 F1 得分判断）约为 80%。
重要意义： 基于深度学习的技术方案使人们能够以更低成本更轻松地通过卫星图像训练特定探测器，而由此带来的成果将为人道主义活动（如本文案例所述）以及军事监控目标做出贡献。在我看来，未来五年之内，政府可能会利用大型卫星编组进行数据馈送，而后利用人工智能技术由气候变化所造成的愈发频繁的自然灾害。
阅读论文原文: From Satellite Imagery to Disaster Insights (Facebook Research)
斯坦福研究证明：医疗应用类深度学习方案并不需要太多数据
斯坦福大学的研究人员们已经证明，只需要相对较少的数据即可教会神经网络如何对胸部 X 光片进行自动分类。研究人员面向 AlexNet、ResNet-18 以及 DenseNet-121 基准进行了数据训练，旨在对正常图像与异常图像进行分类。测试中，结果表明利用 2 万张图像训练而成的 CNN 模型，已经能够准确识别出接收器操作特性曲线（简称 AUC）为 0.95 的区域; 而利用 20 万张图像训练而成的 CNN 模型则仅将识别范围扩大至 0.96。这意味着，AI 医疗分类工具的数据需求量可能远低于以往的预期（相比之下，2000 张图像训练成的模型的 AUC 仅为 0.84，代表着存在显著准确率损失）。
但此项研究有一个不足之处，即本研究中使用的所有数据均来自同一医疗机构，因此数据（或者说患者特征）中可能包含某些特定的性质。这些性质的存在意味着此类数据集上训练出的网络也许无法被推广至其它医疗机构。
重要意义：此类研究表明，目前的人工智能技术已经开始在临床环境中表现出理想的效能，且有望很快与医生联手合作以提高工作效率。我也期待看到这种技术能否提高医疗保健行业的整体效能水平（医疗保健属于少见的、引入新技术后往往导致成本上升的行业之一）。
潜在前景：在一篇配合此论文一同发表的社论当中，荷兰拉德伯德大学放射学与核医学系的 Bram van Ginneken 提到，有必要考虑我们未来能够建立起可供众多机构共同使用的大型共享数据集。该数据集具有多样性，并包含相对罕见病例，这样一套大规模系统基于新的网络架构设计，能够将全分辨率图像作为输入内容。该系统不仅应该能够提供二进制输出标签，同时也应能够检测图像中存在特定异常的对应区域。”
《自主武器公约》延迟出台
今年的“常规武器公约”年度会议未能明确通过关于致命性自主武器的国际性公约。五个国家（俄罗斯、美国、以色列、澳大利亚以及韩国）表示反对这项新公约。俄罗斯方面还成功将 2019 年的会期由原本的 10 天减少至 7 天，这似乎是为了降低达成协议的可能性。
了解更多： Handful of countries hamper discussion to ban killer robots at UN (FLI)
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：
中国开发者画像洞察研究报告 2024
分析开发者的行为模式、工作价值、职业发展等内容，帮助整个行业生态更深入地理解开发者，为他们提供更精准...
评论 1 条评论