出處丨AI前線

• 高通發佈最強芯片驍龍 855，AI 性能提高 3 倍
• NIPS 2018 最佳論文出爐！陳天琦、華為青年研究員等獲獎
• DeepMind 重磅推出 AlphaFold：基因序列預測蛋白質結構
• MIT 發現 GAN 生成畫作新方法
• DeepMind 表示人工智能的未來安全取決於代理的獎勵函數自我學習能力
• Facebook：數據中心的深度學習需求將在未來 3 年內增長 3.5 倍
• 未來，無人機將能夠在森林火災後實現重新造林
• Facebook 與 CrowdAI 聯合研究利用深度學習分析自然災害
• 斯坦福研究證明：醫療應用類深度學習方案並不需要太多數據
• 《自主武器公約》延遲出臺

高通發佈最強芯片驍龍 855，AI 性能提高 3 倍

12 月 5 日，高通在驍龍技術峰會上發佈了驍龍 855，一款面向手機的旗艦處理器，以及其首歌 5G 移動平臺驍龍 855。

驍龍 855 移動平臺包含兩組芯片，驍龍 855 芯片加上支持 5G 連接的 X50 調制解調器。高通表示，這個新平臺將支持 5G 網絡“GB 級”的下載速度。

會上，高通還介紹了對此芯片的預期，驍龍 855 還將融入 AI 技術以及加速增強現實、虛擬現實。驍龍 855 內包含高通第四代多核 AI 引擎，高通表示要比驍龍 845 AI 方面的性能提升 3 倍，2 倍於友商發佈的 7nm 芯片安卓芯片，並將配備在大多數 2019 年的旗艦智能手機。

此外，AT＆T 和 Verizon 在毛伊島的格蘭瓦雷阿酒店提供了真正的 5G 設備供人試用，這也是第一次實際使用 5G，此前，大多數 5G 演示都是理論上的，或者是沒有使用能夠實際購買的設備完成體驗式演示。

NIPS 2018 最佳論文出爐！陳天琦等獲獎

12 月 3 日，NIPS 2018 在加拿大城市蒙特利爾開幕。今天，最佳論文出爐，共計 4 篇，其中包括陳天琦等人的 Neural Ordinary Differential Equations。

獲獎論文分別為：

Neural Ordinary Differential Equations

Tian Qi Chen · Yulia Rubanova · Jesse Bettencourt · David Duvenaud

論文鏈接：https://arxiv.org/abs/1806.07366

Non-delusional Q-learning and Value-iteration

Tyler Lu · Dale Schuurmans · Craig Boutilier

鏈接：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

鏈接：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

鏈接：https://papers.nips.cc/paper/7601-nearly-tight-sample-complexity-bounds-for-learning-mixtures-of-gaussians-via-sample-compression-schemes.pdf

據 Affiliation Statistics 統計數據顯示，2018 年，在 NeurIPS 會議中發表論文數量排名前十的機構美國佔據主導地位，包括谷歌、微軟和 Facebook 三家美國科技巨頭，其中排名第一的谷歌發表了 136 篇論文。

DeepMind 推出 AlphaFold：基因序列預測蛋白質結構

繼 AlphaGo 在圍棋界碾壓人類棋手之後，近日 DeepMind 團隊又推出 AlphaFold，在生物科學領域劃下重要一筆。

12 月 2 日，在墨西哥坎昆舉辦的一場國際會議中，AlphaFold 在一項任務中擊敗了所有對手，成功地根據基因序列預測出蛋白質的 3D 形狀。

DeepMind 表示，AlphaFold 是其“首個證明人工智能研究可以驅動和加速科學新發現的重要里程碑”，蛋白質摺疊領域的成功表明，機器學習系統可以整合各種信息來源，幫助科學家快速找到各種複雜問題的創造性解決方案。

MIT 發現 GAN 生成畫作新方法

麻省理工學院的研究人員們找到了新的方法，能夠從經過訓練的生成對抗網絡（簡稱 GAN）當中提取出更多信息，從而使得 GAN 能夠識別網絡當中與特定視覺概念相關的“神經元”。他們還專門為此建立網站，允許任何用戶利用這些系統進行繪畫。總結來講，其效果類似於為用戶配備一位專屬“速寫大師”。我們只需要勾勒出繪畫區域——例如天空背景，接下來軟件會激活 GAN 模型中的相關“神經元”並完成畫作。

重要意義： 這樣的演示以更自然的方式為廣泛受眾提供了與現代人工智能研究成果交互的通道，亦有助於我們面向技術行為建立起判斷直覺。

通過以下網站親自體驗 AI 作畫: GANpaint (MIT-IBM Watson AI Lab website)。

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks (MIT CSAIL)。

Paint with a GAN here (GANPaint website)。

DeepMind 表示人工智能的未來安全取決於代理的獎勵函數自我學習能力

DeepMind 的研究人員制定出一項長期策略，用於確保所創建的 AI 代理能夠在人類難以構建適當獎勵函數的情況下自行設計獎勵機制，從而滿足人類提出的任務要求。

其基本思路在於，要建立起真正安全的 AI 代理，其必須有能力從（人類）用戶處收集信息並藉此找到適當的獎勵函數，而後再利用強化學習方法優化這些總結出的獎勵函數。DeepMind 表示，這種方法的優勢在於其能夠打造出比人類更聰明的 AI 代理：“使用這種獎勵建模方法訓練出的代理能夠協助用戶評估相關流程，從而訓練出更聰明的新代理。”

一項長期協調戰略: DeepMind 認為，這種方法可能具有三大被研究人員們所廣泛看重的重要性質，即可擴展性、經濟性以及實用性。

下一階段: 研究人員們表示，上述思路“已經準備好接受實證研究的考驗”。該公司認為，“深層強化學習是一種極具前景的實際問題解決技術。但為了發揮其潛力，我們需要在缺乏明確獎勵函數的前提下訓練代理。”此項研究的議程，對實現這一目標的具體方法做出了概括。

相關挑戰： 獎勵建模目前面臨著以下幾項挑戰：反饋量（需要多少數據才能讓代理成功學習到獎勵函數）; 反饋分佈（代理在訪問新狀態時，有可能據此生成更高的感知獎勵，並最終做出實際上並非最優的行動）; 獎勵誤區（reward hacking），即代理所找到的獎勵方法，並不能反映用戶的隱性功能期待 ; 不可接受的結果（採取人類可能永遠不會批准的行動），例如工業機器人破壞自身硬件以完成任務，或者個人助手自動編寫一份用詞粗魯的郵件 ; 以及獎勵結果差距（即最優獎勵模型與代理自身學習到的獎勵函數之間的差距）等。DeepMind 認為，這些挑戰都可以通過某些特定的技術方法加以處理，且目前各項挑戰都擁有著多種可行的解決方法。

重要意義：除了討論 AI 代理如何學習複雜的任務解決能力，從而幫助人類減輕負擔之外，此項研究議程也帶來了其它者探討的方向：提供一種為人類賦予 AI 能力的方法。如果人工智能系統繼續擴展自身能力，那麼幾十年後我們可能在社會中建立起大量人類交互型超大規模 AI 系統。

瞭解更多：

Facebook：數據中心的深度學習需求將在未來 3 年內增長 3.5 倍

Facebook 公司的一組研究人員正嘗試描述該公司數據中心內所運行深度學習推理工作負載的類型，並預測這一結果將給 Facebook 的未來基礎設施設計方式帶來怎樣的影響。

用於 AI 數據中心的硬件:

推論——上述要求有何好處？ Facebook 在其數據中心當中主要承載以下人工智能用例：提供個性化摘要、排名或推薦內容 ; 內容理解 ; 視覺與自然語言理解。

重要意義： 此類論文讓我們瞭解到大規模深度學習應用在部署工作中所涉及的種種繁瑣任務，並指出計算機設計將如何根據此類工作負載的實際需求而發生變化。Facebook 研究人員寫道，“為當前及未來的深度學習模型設計通用型推理硬件是一項充滿挑戰，但也極為重要的問題。”

瞭解更多： Deep Learning Inference in Facebook Data Centers: Characterization, Performance Optimizations and Hardware Implications (Arxiv)。

未來，無人機將能夠在森林火災後實現重新造林

初創企業 Dronseed 公司利用大型無人機 +AI 的組合打造重新造林引擎，其產品主要用於在野火事故之後重新造林。

據介紹，Droneseed 的機器擁有“多光譜相機陣列、高端激光雷達、6 加侖除草劑罐以及專用種子播撒機制。”該無人機可繪製近期在森林火災中被燒燬的區域，而後自主識別適合樹木生長的區域，並在相關區域內進行種子播撒及施肥。

重要意義：我認為這是重要的一步，代表著無人機將有望在自然與野生動物保護方面帶來豐富的應用方式與巨大的實際貢獻。

That night, a forest flew (TechCrunch)。

Check out DroneSeed’s twitter account here。

Facebook 與 CrowdAI 聯合研究利用深度學習分析自然災害

衛星圖像初創企業 CrowdAI 與 Facebook 的研究人員展示瞭如何利用卷積神經網絡自動評估城市區域內自然災害所造成的損害。在提交至 NeurlPs 2018（一項著名會議，原名 NIPS）“AI for Social Good”研討會的一篇論文中，該團隊“建議通過比較提取自衛星圖像中的人造物特徵變化以識別受災區域。利用預訓練語義分割模型，我們在受災地區的前後圖像之上提取人造物（例如道路與建築物等）特徵。此後，我們計算兩條分割掩碼以識別前後變化。”

重要意義： 基於深度學習的技術方案使人們能夠以更低成本更輕鬆地通過衛星圖像訓練特定探測器，而由此帶來的成果將為人道主義活動（如本文案例所述）以及軍事監控目標做出貢獻。在我看來，未來五年之內，政府可能會利用大型衛星編組進行數據饋送，而後利用人工智能技術由氣候變化所造成的愈發頻繁的自然災害。

閱讀論文原文: From Satellite Imagery to Disaster Insights (Facebook Research)

斯坦福研究證明：醫療應用類深度學習方案並不需要太多數據

斯坦福大學的研究人員們已經證明，只需要相對較少的數據即可教會神經網絡如何對胸部 X 光片進行自動分類。研究人員面向 AlexNet、ResNet-18 以及 DenseNet-121 基準進行了數據訓練，旨在對正常圖像與異常圖像進行分類。測試中，結果表明利用 2 萬張圖像訓練而成的 CNN 模型，已經能夠準確識別出接收器操作特性曲線（簡稱 AUC）為 0.95 的區域 ; 而利用 20 萬張圖像訓練而成的 CNN 模型則僅將識別範圍擴大至 0.96。這意味著，AI 醫療分類工具的數據需求量可能遠低於以往的預期（相比之下，2000 張圖像訓練成的模型的 AUC 僅為 0.84，代表著存在顯著準確率損失）。

但此項研究有一個不足之處，即本研究中使用的所有數據均來自同一醫療機構，因此數據（或者說患者特徵）中可能包含某些特定的性質。這些性質的存在意味著此類數據集上訓練出的網絡也許無法被推廣至其它醫療機構。

重要意義：此類研究表明，目前的人工智能技術已經開始在臨床環境中表現出理想的效能，且有望很快與醫生聯手合作以提高工作效率。我也期待看到這種技術能否提高醫療保健行業的整體效能水平（醫療保健屬於少見的、引入新技術後往往導致成本上升的行業之一）。

潛在前景：在一篇配合此論文一同發表的社論當中，荷蘭拉德伯德大學放射學與核醫學系的 Bram van Ginneken 提到，有必要考慮我們未來能夠建立起可供眾多機構共同使用的大型共享數據集。該數據集具有多樣性，幷包含相對罕見病例，這樣一套大規模系統基於新的網絡架構設計，能夠將全分辨率圖像作為輸入內容。該系統不僅應該能夠提供二進制輸出標籤，同時也應能夠檢測圖像中存在特定異常的對應區域。”

瞭解更多：Assessment of Convolutional Neural Networks for Automated Classification of Chest Radiographs (Jared Dunnmon Github / Radiology, PDF)。

閱讀社論： Deep Learning for Triage of Chest Radiographs: Should Every Instituion Train Its Own System? (Jared Dunnmon Github / Radiology, PDF)。

《自主武器公約》延遲出臺

今年的“常規武器公約”年度會議未能明確通過關於致命性自主武器的國際性公約。五個國家（俄羅斯、美國、以色列、澳大利亞以及韓國）表示反對這項新公約。俄羅斯方面還成功將 2019 年的會期由原本的 10 天減少至 7 天，這似乎是為了降低達成協議的可能性。

瞭解更多：

作者 Jack Clark 有話對 AI 前線讀者說：我們對中國的無人機研究非常感興趣，如果你想要在我們的週報裡看到更多有趣的內容，請發送郵件至：[email protected]。

原文鏈接：

https://jack-clark.net/2018/12/03/import-ai-123-facebook-sees-demands-for-deep-learning-services-in-its-data-centers-grow-by-3-5x-why-advanced-ai-might-require-a-global-policeforce-and-diagnosing-natural-disasters-with-deep-learni/

閱讀更多 InfoQ 的文章

關鍵字: 熱聞 Facebook 智能手機