“一周AI直通车”是追一科技YiBot推出的一档人工智能领域快读栏目,精选汇集每周国内外最重大行业新闻和前沿技术变革,第一时间为读者送上新鲜资讯,每周一推送,敬请关注。
行业资讯
AI 三大教父齐聚深度学习峰会,讨论尖端研究进展
阿里云发布的神龙云服务器究竟是什么?
未来会怎样,看看Gartner报告:2018年十大战略科技发展趋势
华为、英特尔、IBM、ARM等巨头宣布加盟微软Facebook打造的AI开放生态系统
中国人工智能产业发展联盟正式成立,潘云鹤当选第一届理事长
谷歌的机器学习软件正在开发机器学习软件,某些成绩已优于人类程序员
学术前沿
伯克利提出强化学习新方法,可让智能体同时学习多个解决方案
DeepMind最新论文提出「Rainbow」,将深度强化学习组合改进
两个黑箱问题 ——深度神经网络和脑神经网络
点击下文蓝字标题即可跳转至新闻详情页~
喜欢就分享文章到朋友圈吧~
去年云栖大会出现了其后风起云涌的“五新”浪潮,今年刷屏的却只有这一个计深远的组织:达摩院。达摩院是更早之前宣布的阿里巴巴“NASA计划”的实体组织,剑指基础科学和颠覆式技术创新研究。
阿里巴巴方面宣布,初期将引入100名顶尖科学家和研究人员,未来3年内,阿里将有超过1000亿元的技术研发资金投入其中。
首批公布的研究领域包括:量子计算、机器学习、基础算法、网络安全、视觉计算、自然语言处理、人机自然交互、芯片技术、传感器技术、嵌入式系统等,涵盖机器智能、智联网、金融科技等。
图片来源于新浪科技
近日,深度学习峰会正在加拿大蒙特利尔举行,有史以来第一次3位AI教父:Yoshua Bengio、Yann LeCun以及 Geoffrey Hinton聚在了一起出席RE•WORK举办的一个专题讨论会。三人一起分享了AI各种尖端研究进展情况,同时讨论了AI的版图形势等。
马云用“达摩院”这三个字描绘了未来,打动了互联网另一端数亿人。但我却注意到另一个可以描绘未来的东西,那就是随后阿里云总裁胡晓明发布的“神龙云服务器”。
因为技术的阻隔,普通人一看到“服务器”的字眼,就觉得索然无味。不过,我觉得“神龙”这招棋真的挺热血的,不懂技术的普通人也不应该错过。
全球领先的信息技术研究和顾问公司Gartner公布了将在2018年对大部分企业机构产生显著影响的首要战略科技发展趋势。
Gartner将战略科技发展趋势定义为具有巨大颠覆性潜力、脱离初期阶段且影响范围和用途正不断扩大的战略科技发展趋势;这些趋势在未来五年内迅速增长、高度波动、预计达到临界点。
9月7号Facebook和微软联手推出了开放神经网络交换Open Neural Network Exchange (ONNX) 格式。
这是一个用于表示深度学习模型的标准,可使模型在不同框架之间进行转移。ONNX是迈向开放生态系统的第一步,AI开发人员可以轻松地在最先进的工具之间转换,并选择最适合他们的组合。当时系统支持的框架有Caffe2,PyTorch 和Cognitive Toolkit。
10月11日,AMD、ARM、华为、 IBM、英特尔、Qualcomm都宣布将支持ONNX。Facebook和微软曾表示,ONNX的开放生态系统将给工程师和研究人员提供便利,使他们能够在state-of-the-art机器学习工具中选择最适合自己项目的工具。ONNX还使更多开发商受益于优化。任何能够输出ONNX模型的工具都有助于ONNX兼容的运行时及库。
中国人工智能产业发展联盟(英文缩写AIIA,以下简称“联盟”)由国家发展和改革委员会、科学技术部、工业和信息化部、,由中国信息通信研究院、中国电子技术标准化研究院、,目前共有241 家会员单位。
图片来源于新智元
在一个名为 AutoML 的项目中,谷歌的研究者已经教会机器学习软件如何自动构建机器学习软件。在某些情况下,自动构建的成果甚至比研究者们所设计出的最优系统还要强大和高效。
谷歌表示,该系统最近在根据内容对图像进行分类的任务中,创下了正确率 82%的记录。在另一个重要的增强现实和自动化机器人的任务,系统需要标记图像中多个物体的位置,因此难度也非常大,但自动生成系统的正确率仍然达到了 43%,而最好的人造系统的正确率也只有 39%。
图片来源于DeepTech深科技
强化学习可以帮助智能体自动找到任务的解决策略,但常规的强化学习方法可能对环境变化不够稳健。近日,伯克利人工智能研究所(BAIR)发表了一篇博客,解读了他们与 OpenAI 和国际计算机科学研究所(ICSI)在这方面的一项共同研究进展《Reinforcement Learning with Deep Energy-Based Policies》。该论文也是 ICML 2017 所接收的论文之一。另外,该研究相关的代码和演示视频也已公开。
图片来源于机器之心
相信那些时刻关注深度强化学习的人士都知道,深度强化学习社区已经对DQN算法进行了若干次独立的改进。但是,目前尚不清楚这些扩展中的哪些是互补的,同时可以有效地组合在一起。
本文研究了DQN算法的六个扩展,并对其组合进行了实证研究。我们的实验表明,从数据效率和最终性能方面来说,该组合能够在Atari 2600基准上提供最为先进的性能。我们还提供详细的消融研究结果(ablation study),该研究结果显示了每个成分对整体性能的影响。
谷歌DeepMind 团队的研究将认知心理学(cognitive psychology)和深度神经网络(deep neural network,DNN)结合在一起,并发现两者在小样本词汇学习(从一个示例中猜出一个单词的意思,one-shot word learning)过程中具有相似之处——DNN 和脑神经网络都具有形状偏好(shapebias),相关研究论文《Cognitive psychology for deep neural networks: A shape bias case study》被国际机器学习学会(IMLS)收录。
深度学习和神经科学的学科交叉对未来的发展方向具有很强的指导意义,这项研究也为DNN 的机理以及脑神经网络的理论基础研究提供了一种可行的解决思路,而真正破解DNN 和脑神经科学的黑箱问题依然任重道远。
图片来源于科技导报
深度神经网络(DNN)参数中简单而强大的贝叶斯推理(Bayesian inference)技术有可能大大扩展深度学习技术的应用范围。在现实世界的应用中,意外错误可能会造成危险和财产损失,而预料之内的问题则可以让智能体寻求人类的指导(以主动学习的形式),或是采取一些安全的默认行为(如关机)来进行规避。近日,来自蒙特利尔 MILA、Element AI 和麦吉尔大学等机构的学者共同提出了「贝叶斯超网络」,使用新方法提升了 DNN 参数的准确性。
往期推荐:
【一周AI直通车】微软Facebook发布AI生态系统;斯坦福“看脸判断性取向”研究者发声明;马化腾谈腾讯AI布局和战略思考
欢迎关注知乎:追一AI