中國(guó)面部識(shí)別公司融資6億美元
…商湯科技計(jì)劃將資金用于五款超級(jí)計(jì)算機(jī)，支持其AI服務(wù)...
商湯科技是一家提供大量面部識(shí)別工具的本土計(jì)算機(jī)初創(chuàng)公司，已融資6億美元。這家中國(guó)公司向公共和私營(yíng)部門提供面部識(shí)別服務(wù)，據(jù)聯(lián)合創(chuàng)始人稱，該公司現(xiàn)在已經(jīng)營(yíng)利，并且正在尋求擴(kuò)張。據(jù)澎湃新聞報(bào)道，該公司現(xiàn)在正在開發(fā)一種名為“vipar”的服務(wù)，用于解析數(shù)千個(gè)實(shí)時(shí)攝像頭數(shù)據(jù)的數(shù)據(jù)。
戰(zhàn)略計(jì)算：
商湯科技將融資資金用于“在未來一年內(nèi)在頂級(jí)城市建立至少五臺(tái)超級(jí)計(jì)算機(jī)，以推動(dòng)Viper和其他服務(wù)的發(fā)展。正如設(shè)想的那樣，通過辦公室臉部掃描儀，自動(dòng)取款機(jī)和交通攝像頭等設(shè)備（只要分辨率足夠高）它將數(shù)以千計(jì)的實(shí)時(shí)數(shù)據(jù)饋送到一個(gè)系統(tǒng)中，處理和貼標(biāo)簽。最終目標(biāo)是同時(shí)處理10萬條數(shù)據(jù)，”澎湃新聞報(bào)道。
閱讀更多：
相關(guān)：
中國(guó)初創(chuàng)公司使用AI來發(fā)現(xiàn)闖紅燈的人并將他們的臉部照片發(fā)給他們自己：
...計(jì)算機(jī)視覺@中國(guó)規(guī)模...
中國(guó)初創(chuàng)公司Intellifusion正在幫助深圳當(dāng)?shù)卣畬⒛槻孔R(shí)別與廣泛部署的城市攝像機(jī)相結(jié)合，在被識(shí)別之后，向闖紅燈的人發(fā)送臉部圖片和個(gè)人信息。
閱讀更多:
認(rèn)為中國(guó)的戰(zhàn)略技術(shù)是新舉措？再想一想：
...全面申明，前亞洲事務(wù)國(guó)務(wù)院人員提出北京歷史背景下的人工智能推動(dòng)...
根據(jù)政府最近關(guān)于制定國(guó)家人工智能戰(zhàn)略的公開聲明，這里有一篇關(guān)于中國(guó)技術(shù)政策的歷史（2017年8月），但
來自芝加哥大學(xué)保爾森研究所的一篇好文章。中國(guó)對(duì)其技術(shù)戰(zhàn)略的長(zhǎng)期世界觀認(rèn)為，技術(shù)是國(guó)家力量的源泉，中國(guó)需要發(fā)展更多的中國(guó)本土能力。
根據(jù)之前的舉措，中國(guó)很可能會(huì)尋求獲得AI的前沿能力，然后將這些能力作為產(chǎn)品打包并用于進(jìn)一步研究。 “中國(guó)政府，工業(yè)界和科學(xué)界領(lǐng)導(dǎo)人將繼續(xù)推動(dòng)增值鏈的發(fā)展，在超高壓電力線（UHV）和民用核反應(yīng)堆等部分領(lǐng)域，中國(guó)已經(jīng)是全球領(lǐng)導(dǎo)者，將這些技術(shù)應(yīng)用于規(guī)?；⑶以谄渌麕讉€(gè)市場(chǎng)中無人能及。”作者寫道，
“這意味著它應(yīng)該能夠?qū)⑵渥鳛轭I(lǐng)先的技術(shù)消費(fèi)者的地位與作為出口商的新的日益增長(zhǎng)的作用相結(jié)合。中國(guó)純粹的市場(chǎng)力量可以使其出口一些本土技術(shù)和工程標(biāo)準(zhǔn)，以努力成為默認(rèn)這個(gè)或那個(gè)技術(shù)和系統(tǒng)的全球標(biāo)準(zhǔn)制定者?！?/p>
閱讀更多：
The Deep Roots and Long Branches of ChineseTechnonationalism (Macro Polo).
用GPU擊敗摩爾定律：
... GPU和其他新型 AI 底層設(shè)施的興起是否有助于應(yīng)對(duì)摩爾定律的衰退呢？......
CPU 性能近幾年來一直處于停滯狀態(tài)，因?yàn)闇p小晶體管尺寸，和越來越多的事物需要在鎖定環(huán)境中工作而引起的相關(guān)問題，使得提高整個(gè)芯片線性執(zhí)行流水線變得越來越困難。 GPU能否解決這個(gè)問題呢？ AI 研究人員 Bharath Ramsundar 在博客中提出了一個(gè)想法，他認(rèn)為GPU能力的提高以及其他專門用于深度學(xué)習(xí)的底層設(shè)施的到來意味著，我們可以預(yù)期 AI 應(yīng)用在未來幾年的性能會(huì)比運(yùn)行在一般處理器上要好。他可能是對(duì)的 - 關(guān)于深度學(xué)習(xí)的奇怪之處之一是，它最重要的組成部分，如大塊神經(jīng)網(wǎng)絡(luò)，可以放大到很大的規(guī)模，而卻沒有大規(guī)模帶來的太多負(fù)面效應(yīng)，因?yàn)樗膬?nèi)部包含著像矩陣運(yùn)算這樣相對(duì)簡(jiǎn)單和并行的任務(wù)。因此新芯片可以很容易地鏈接起來，進(jìn)一步提升基本功能。
另外，像NVIDIA的 cuDNN 和 CUDA GPU 接口等一些軟件庫的標(biāo)準(zhǔn)化，或者用于AI編程的 TensorFlow 的興起意味著一些應(yīng)用程序隨著時(shí)間的推移變得越來越快，純粹是由于應(yīng)對(duì)這些基礎(chǔ)設(shè)施進(jìn)步而產(chǎn)生的軟件更新。
為什么重要：最近 AI 取得很大的進(jìn)展，主要是2000到2010年的中期，處理器變得可以簡(jiǎn)單地在大塊數(shù)據(jù)上訓(xùn)練大型神經(jīng)網(wǎng)絡(luò)了。這種底層硬件的突破，也成就了各種 AI 方面的突破，比如2012年的'AlexNet'，還有語音識(shí)別領(lǐng)域的相關(guān)工作，以及隨后在研究方面的重大創(chuàng)新（AlphaGo）和應(yīng)用（針對(duì)'智能答復(fù)'的大規(guī)模序列到序列學(xué)習(xí)，或者神經(jīng)翻譯系統(tǒng)的出現(xiàn)。）如果隨著GPU的更進(jìn)一步發(fā)展，還有軟件標(biāo)準(zhǔn)化和創(chuàng)新能更進(jìn)一步提升性能的話，那研究人員將能在未來探索更大或更復(fù)雜的模型，并以更高的速度運(yùn)行神經(jīng)架構(gòu)搜索等應(yīng)用，這將進(jìn)一步推動(dòng)發(fā)展。
閱讀更多：The Advent of Huang's Law (Bharath Ramsundar blog post)
微軟推出包括'道德'部分的 AI 培訓(xùn)課程：
...新的人工智能職業(yè)培訓(xùn)課程，微軟似乎進(jìn)入了AI認(rèn)證業(yè)務(wù)......
微軟也學(xué)著其他公司，將其內(nèi)部的培訓(xùn)課程通過微軟 AI 職業(yè)培訓(xùn)項(xiàng)目 (Microsoft Professional Program in AI) 公之于眾。該項(xiàng)目是基于軟件公司為提高自身專業(yè)技能而開發(fā)的內(nèi)部培訓(xùn)項(xiàng)目。
微軟課程非常典型，教授人們關(guān)于Python，統(tǒng)計(jì)學(xué)，深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)項(xiàng)目的構(gòu)建和部署。它還包括一個(gè)特定的“數(shù)據(jù)和分析中的道德與法律”課程，該課程有助于教導(dǎo)開發(fā)人員如何將“道德和法律框架應(yīng)用于數(shù)據(jù)專業(yè)領(lǐng)域”。
更多：Microsoft Professional Program for ArtificialIntelligence (Microsoft)
更多：Aiming to fill skill gaps in AI, Microsoft makes trainingcourses available to the public (Microsoft blog)
星際爭(zhēng)霸和AI 研究的未來有什么共同之處？多智能體控制：
...中國(guó)研究人員解決星際爭(zhēng)霸的微操任務(wù)...
中國(guó)科學(xué)院自動(dòng)化研究所的研究人員發(fā)布了關(guān)于用強(qiáng)化學(xué)習(xí)來解決星際爭(zhēng)霸中微操任務(wù)的研究。要想掌握星際爭(zhēng)霸，其中一個(gè)主要挑戰(zhàn)就是開發(fā)能夠并行有效訓(xùn)練多個(gè)單元的算法。研究人員提出了parameter sharing multi-agent gradient-descent Sarsa 算法或稱為PG-MAGDS。
該算法在多個(gè)單位間共享整個(gè)策略網(wǎng)絡(luò)的參數(shù)，同時(shí)引入方法為單個(gè)單位提供適當(dāng)?shù)男庞梅峙?。他們還進(jìn)行重要獎(jiǎng)勵(lì)塑造，讓代理人更有效地學(xué)習(xí)。他們的 PG-MAGDS AI 能夠在各種微操場(chǎng)景中，以及在任何一方超過30個(gè)單位的大規(guī)模場(chǎng)景擊敗游戲中的AI。由于缺乏共同的基線和實(shí)驗(yàn)，以及在使用星際爭(zhēng)霸1（本文）還是星際爭(zhēng)霸2（DeepMind等人的努力）作為平臺(tái)的分歧，還很難評(píng)價(jià)研究人員開發(fā)的各種技術(shù)。
仍然有限：“目前，我們只能訓(xùn)練相同類型的遠(yuǎn)程地面單位，而使用 RL 方法訓(xùn)練近戰(zhàn)地面單位仍然是一個(gè)懸而未決的問題。我們之后將改進(jìn)方法以適應(yīng)更多類型單位和更復(fù)雜的情景。最后，還會(huì)考慮在星際爭(zhēng)霸中使用我們的微操模型來玩完整的游戲，“研究人員寫道。
更多：StarCraft Micromanagement with Reinforcement Learning andCurriculum Transfer Learning (Arxiv)
法國(guó)研究人員構(gòu)建‘Jacquard’數(shù)據(jù)集以改善機(jī)器人抓?。?/strong>
... 11,000+對(duì)象數(shù)據(jù)集提供了具有相關(guān)深度信息的真實(shí)對(duì)象...
如何解決像機(jī)器人抓取的問題？一種方法是使用許多真實(shí)世界的機(jī)器人并行工作幾個(gè)月來學(xué)習(xí)拾取大量真實(shí)世界的物體 --這是谷歌研究人員幾年前在該公司的“手臂農(nóng)場(chǎng)”采用的一條路線。另一種方法是使用配備傳感器的人來收集抓住不同物體的示范，然后從中學(xué)習(xí)--這就是像Kindred這樣的AI初創(chuàng)公司采取的方法。第三種方式，也是吸引眾多研究人員的興趣的一種方式，就是創(chuàng)建合成的3D對(duì)象，并在模擬器中訓(xùn)練機(jī)器人以學(xué)習(xí)如何抓取它們--這就是加州大學(xué)伯克利分校的研究人員在Dex-Net以及Google和OpenAI等機(jī)構(gòu)上完成的工作;一些機(jī)構(gòu)通過使用生成對(duì)抗網(wǎng)絡(luò)來模擬更大范圍的對(duì)象抓取，從而進(jìn)一步增強(qiáng)了這種技術(shù)。
Jacquard:
現(xiàn)在，法國(guó)研究人員已經(jīng)發(fā)布了一款機(jī)器人抓取數(shù)據(jù)集Jacquard，該數(shù)據(jù)集包含超過11,000種不同的真實(shí)世界對(duì)象和50,000張圖像，注釋了RGB和真實(shí)深度信息。他們表示，他們將很快發(fā)布它，而沒有指定何時(shí)。研究人員通過對(duì)來自ShapeNet的各個(gè)對(duì)象進(jìn)行采樣來生成他們的數(shù)據(jù)，每個(gè)對(duì)象都進(jìn)行縮放并賦予不同的權(quán)重值，然后放入模擬器中，通過Blender將其渲染成高分辨率圖像，并通過三級(jí)自動(dòng)過程生成抓取注釋在'pyBullet'物理庫中。為了評(píng)估他們的數(shù)據(jù)集，他們通過在Jacquard數(shù)據(jù)集上預(yù)先訓(xùn)練Alexnet，然后將其應(yīng)用到另一個(gè)更小的，保持不變的數(shù)據(jù)集進(jìn)行模擬測(cè)試。該數(shù)據(jù)集支持多個(gè)機(jī)器人手爪多種尺寸，與每個(gè)圖像鏈接的幾個(gè)不同的抓手，以及一百萬個(gè)標(biāo)記的抓手。
真正的機(jī)器人：
研究人員通過對(duì)來自Jacquard數(shù)據(jù)集以及完整Cornell數(shù)據(jù)集的?2,000個(gè)對(duì)象的子集進(jìn)行測(cè)試，在真實(shí)機(jī)器人（Fanuc M-20iA機(jī)器人手臂）上測(cè)試了他們的方法。以這種方式測(cè)試的預(yù)先訓(xùn)練的AlexNet在產(chǎn)生正確的抓握時(shí)約78％，而對(duì)于Cornell而言為60.46％。與Dex-Net數(shù)據(jù)集和其他嘗試的結(jié)果相比，這兩個(gè)結(jié)果都相當(dāng)薄弱。
為什么重要：
許多研究人員預(yù)計(jì)，深度學(xué)習(xí)可能會(huì)令機(jī)器人操縱能力的顯著提升。但我們目前缺少兩個(gè)關(guān)鍵特征：足夠大的數(shù)據(jù)集以及以標(biāo)準(zhǔn)方式在標(biāo)準(zhǔn)平臺(tái)上測(cè)試和評(píng)估機(jī)器人的方式。目前我們正在經(jīng)歷可用的機(jī)器人數(shù)據(jù)集數(shù)量的繁榮，其中Jacquard代表了另一個(gè)貢獻(xiàn)。
閱讀更多：
Jacquard: A Large Scale Dataset for Robotic GraspDetection (Arxiv).
學(xué)會(huì)處理歧義：
...研究人員通過考慮更多的上下文信息，來處理詞義模糊問題......
卡內(nèi)基梅隆大學(xué)研究人員解決了翻譯中的一個(gè)難題：處理“同形異義詞” - 拼寫相同但在不同情境下具有不同含義的詞，如“room”和“charges”。他們?cè)谏窠?jīng)機(jī)器翻譯（NMT）系統(tǒng)的背景下做到了這一點(diǎn)，該系統(tǒng)使用機(jī)器學(xué)習(xí)技術(shù)使得比之前的系統(tǒng)少了很多的手動(dòng)規(guī)則來處理這個(gè)問題。
研究人員表示，現(xiàn)有的 NMT 系統(tǒng)處理同形異議詞還是個(gè)難題，隨著每個(gè)單詞的潛在含義的數(shù)量增加，單詞級(jí)翻譯性能會(huì)下降。他們?cè)噲D通過添加一個(gè)可以被 NMT 系統(tǒng)用來學(xué)習(xí)同一單詞的不同用途的單詞情境向量來解決這種情況。將這種“上下文網(wǎng)絡(luò)”添加到他們的NMT體系結(jié)構(gòu)中可顯著提高系統(tǒng)翻譯的句子的BLEU分?jǐn)?shù)。
為什么重要：值得注意的是，研究人員用來處理同形異義詞問題的系統(tǒng)本身就是一個(gè)學(xué)習(xí)系統(tǒng)，它不是手寫規(guī)則，而是試圖考慮每個(gè)單詞的更多上下文并從中學(xué)習(xí)。這說明了 AI-first 軟件系統(tǒng)的構(gòu)建：如果發(fā)現(xiàn)故障，通常會(huì)編寫一個(gè)模型來學(xué)習(xí)修復(fù)它，而不是學(xué)習(xí)編寫基于規(guī)則的程序來修復(fù)它。
閱讀更多：Handling Homographs in Neural Machine Translation (Arxiv)
