【以真亂假】清華大學虛擬學生「華智冰」被揭取材自網上影片

【以真亂假】清華大學虛擬學生「華智冰」被揭取材自網上影片

清華大學早前推出了中國首個原創虛擬學生「華智冰」,「就讀」於該校計算機系知識工程實驗室。上月研究團隊釋出了一段華智冰在自彈自唱的影片,表情動作十分真實。然而,有網民發現,該影片與一名影片分享網站 bilibili 創作者的自彈自唱影片非常相似,質疑華智冰是「造假」,只是將真人拍攝的影片以 AI 換臉。 研究團隊曾表示,華智冰自彈自唱影片中的歌聲、人類生物學特徵、人類面部形像等都是由人工智能技術生成。華智冰的「導師」清華計算機系副主任唐杰亦透露,華智冰已具備寫詩繪畫等 9 種能力,又學會 4 種舞姿,正快速成長。唐杰稱,華智冰的智能模型是「悟道 2.0」,是中國首個、全球最大的萬億級模型。 然而有內地網民發現,華智冰自彈自唱的影片與 bilibili 創作者「魚子醬醬」早前發布的「女孩天台深情彈唱《男孩》」影片極其相似,甚至連唱的歌也是同一首。 研究團隊最新回應承認,華智冰自彈自唱影片中的「肢體視頻模板」的確是來自「魚子醬醬」,表示她是研究團隊的成員之一。研究團隊強調,影片中所使用的技術,並非僅僅是 AI 換臉,「新的產品化技術實現了完全虛擬生成不存在的面部及聲音技術,從而實現精度更高的視覺化交互內容」。研究團隊稱此技術從根源上避免使用任何真實人類面部,有效阻斷以往技術無法避免的隱私侵權問題,是私隱層面上的巨大進步。 在華智冰自彈自唱影片發布時,研究團隊就有表明其面部特徵,包括人臉、表情、口型等,甚至連歌聲都是由人工智能生成並進行融合。但人物肢體、動作,包括手持吉他彈唱,則是來自「魚子醬醬」的影片。「魚子醬醬」後來亦主動表示,對其影片的使用均是經過授權許可。 綜合報道

【未完成的樂章】AI接力譜貝多芬遺作 完成《第十號交響曲》

【未完成的樂章】AI接力譜貝多芬遺作 完成《第十號交響曲》

數百年來,音樂大師貝多芬(Ludwig von Beethoven)未完成的《第十號交響曲》一直都是音樂界的一大遺憾。2021 年 10 月,由 AI 模仿貝多芬風格來創作的《第十號交響曲》,有望讓樂迷窺見《第十號交響曲》的全貌。 1817年,英國皇家愛樂協會(Royal Philharmonic Society)委託貝多芬創作了兩首交響曲,其中一首是《第九號交響曲》(Symphony No.9 in D minor, Op.125),成為了貝多芬的代表作,另一首為《第十號交響曲》(Beethoven Symphony No.10),然而隨著貝多芬於 1827 年離世,這首未完成的作品只剩下寥寥幾個音符,以及貝多芬對作品的一些想法。 2019 年,致力推廣音樂科技的奧地利組織 Karajan Institute 負責人 Matthias Röder 找來了多位音樂家以及 AI 專家,打算以 AI 模仿貝多芬的風格,替他完成《第十號交響曲》。Matthias Röder 表示,這是第一次嘗試以 AI 完成這麼長的樂曲。 現時,這首作品已經完成,也將準備舉辦全球首演,讓人們聽聽這首或許是最接近貝多芬本人創作的《第十號交響曲》。 其實,一直以來不少音樂學家都曾嘗試創作這首未完成的樂曲,Barry Cooper 便是其中之一。早在 1988 年, Barry Cooper 便曾蒐集手邊資料,創作出他眼中「最接近貝多芬版」的《第十號交響曲》第一樂章。然而,他的嘗試並沒有獲得稱讚,反而招致很多的批評。另一位音樂學家 Robert Winter 表示,若然以貝多芬作品的標準檢視 Barry Cooper 的作品,「我認為兩者差距之大,顯示 Barry Cooper 的『認知及創作』只會造誤導,無法啟發他人。」 由此可見,想要替貝多芬完成《第十號交響曲》的夢想並不容易。 […]

【金睛火眼】運動場上的「鷹眼」是如何運作的?

【金睛火眼】運動場上的「鷹眼」是如何運作的?

2020 東京奧運正進行得如火如荼,7 月 31 日男雙羽球金牌戰試出現了戲劇化的一刻:中國選手對台灣選手李洋打出的一球提出挑戰,從「鷹眼系統」的重播畫面中,我們才知道那一球剛好壓在線上。 鷹眼系統廣泛出現在多項賽事上,觀眾對這項技術十分熟悉,面對不能單憑肉眼分辦的情況時,它更輔作裁判作出關鍵判決。究竟鷹眼系統是如何運作的呢? 鷹眼系統(Hawk-Eye)由英國人 Paul Hawkins 發明。鷹眼系統首次應用於 2001 年板球賽事,透過六部高速攝影機,記錄球的飛行軌跡,並建立 3D 模型,模擬球的落點,誤差值為 3.6 毫米。 經過 5 年嘗試與進化,鷹眼系統將攝影機數量增加到 8 至 10 台,每秒可拍攝 340 張畫面,現場共有 3 至 4 部電腦負責運算並建立模擬畫面,為了轉播與現場判斷需求,增加現場大螢幕重播,成為了現時的鷹眼系統,並在 2006 年美國網球公開賽正式獲得認可,協助判決。 鷹眼系統呈現的畫面,其實並不是真正的「影像重播」,而是電腦模擬的效果。因此,鷹眼系統並非完美無缺,而且應用在羽毛球賽中亦面對一定的困難。 鷹眼系統雖然可以應用於各種球類比賽,但羽毛球並非球體,而且重量僅約 5 公克,飛行過程亦會受旋轉、羽毛破損、冷氣風向所影響。由於鷹眼系統是透過捕捉飛行軌跡去計算落點的,因此模擬難度比起其他球類相對高出許多。 鷹眼系統也能協助選手訓練時獲得更多數據判讀,提升自我表現。這個結合光學攝影、電腦視覺和人工智能的系統引起了許多企業競爭。鷹眼系統於 2011 年由 Sony 併購, 而 Cyclops、FoxTenn 等公司也紛紛提出相似效果的技術。 綜合報道

【人工智能】美國男子利用AI「復活」已故未婚妻

【人工智能】美國男子利用AI「復活」已故未婚妻

隨著人工智能的技術不斷發展,近日有人利用人工智能「復活」了他已故的未婚妻,猶如電影情節一般,不過研發團隊OpenAI則警告切勿錯誤使用人工智能的技術。 根據外媒報導,Joshua Barbeau的未婚妻去世後,透過人工智能「復活」了他已故的未婚妻。他透過一款使用人工智能技術創建的超現實聊天機械人,名爲Project December的軟件,以重現與已故未婚妻的對話。用戶只需於插入舊訊息並提供背景資料後,機械人即可準確地模仿對方。 Project December是由人工智能公司OpenAI所開發的語言模型GPT-3所支援的。通過使用大量人造文本數據集,GPT-3可模仿人類寫作,自動生成所有内容,從學術論文至前戀人信件的訊息。儘管如此,OpenAI長期以來一直警告,此技術或可能被「惡意」使用。 Source:businessinsider

【人工智能】美國大學團隊研發擁有想像力的AI系統

【人工智能】美國大學團隊研發擁有想像力的AI系統

雖然人工智能在某些領域已發展超乎人類的能力,例如計算、下棋、邏輯推理等,但仍然有許多部分仍無法與人腦相比。近期美國南加州大學研究團隊發佈一項研究,展示一個可自由發揮想像力的AI系統,使機械學習獲得全新突破。 在人的大腦中,可根據過往經驗、人、事物等各項特質,憑空想像出不同的場景、動作與畫面,但對於沒有想象力的機械而言是一項非常艱巨的任務。有見及此,南加州大學(University of Southern California)團隊在今年度的「國際機器學習展示會議中,發表了AI想像力系統。 研究團隊中的博士生Yunhao Ge表示:「人類的大腦可以輕易地解構過往學習到的人和事物,並且根據不同的特徵,例如形狀、姿態、位置和顏色等,重新合成為一幅在現實中不存在的新圖像。」而團隊透過人工神經網絡技術,設計出一個可以發揮想像能力的AI系統。 目前AI系統的技術,如果要自動產生某種圖像,例如人臉,系統需要先設計出一套演算法,並提供一定數量的人像,然後讓機械透過演算法學習人臉的各項特徵,最後才能夠自行創造虛擬人像。不過單憑現有技術,系統雖然可以產生無數的虛擬人像,但無法產生其他事物,亦無法讓虛擬人物身在不同情境中。 研究團隊利用了機械學習中「脫鉤」(Disentanglement)的概念,這項概念運用Deepfake技術,可將不同人事物的外形、動作和情境分開學習,並用演算法重新創造出一組虛擬的人事物,並且可進行不同的動態。 團隊捨棄了傳統演算法所使用的單張圖片學習方式,一次用一組毫無關聯性的圖片,讓AI運用脫鉤概念進行特徵分析,從而讓AI系統獲得想像的能力,團隊稱為為「可控脫鉤圖像學習」(Controllable Disentanglement Representation Learning)。 領導團隊的Laurant Itti博士表示:「透過我們的演算法,AI能夠隨意地把變形金剛裡面的大黃蜂、柯博文與時代廣場結合起來,產生出一張漆著大黃蜂顏色的柯博文卡車在時代廣場旁行駛的圖片。」 團隊指出,這項技術對於醫藥領域擁有相當大的潛力,透過AI的脫鉤聯想能力,機械能夠同時分析成千上萬種不同藥物或生化物質的特性,並透過分析與重組,合成出新的藥物配方,未來可大大減少研發新藥物的時間,推進醫學界的發展。 Source:azorobotics

【人工智能】科學家培訓AI成為辯論員

【人工智能】科學家培訓AI成為辯論員

科幻電影的AI機器人經常呈現古靈精怪的一面,但現時的AI技術遠遠不及電影所描述的。近日美國南加州大學發表的一份研究,展示了團隊訓練AI與人類進行辯論的成果。 南加大「創意科技中心」研究團隊,在本月「北美計算語言學協會」年度會議展示了AI系統「CaSiNo」(Camp Site Negotiations)的辯論訓練成果。實驗以情境式對話為AI的訓練教材,以露營活動為對話主題,透過實際露營活動,將所有出現的對話情境,包括討論、資源分配、意見反駁、修正、妥協和合作等內容,集合成大量數據資料讓AI學習。 彙整對話內容後,團隊歸納出九種辯論策略,而AI經深度學習後自行配搭不同策略組合。不過團隊亦指出,露營場景設定下,合作策略的成效遠高於個人策略,因此AI經過學習後,與人類討論露營資源分配時會傾向共同合作。 團隊主任Kushal Chawla博士表示:「我們的研究與其他團隊獨特之處在於,其他AI對話的研究更多是固定內容、選單式方式進行。」CaSiNo的優勢在於,透過大量對話學習,而日後AI將可真正應用於人類對話、甚至辯論。 Kushal Chawla博士指出,團隊日後將展開非合作場景的對話訓練,例如說服對方接受自己意見的劇本。團隊亦需要研究如何讓AI學習在資源分配上無法達成協議下,說服對方接受較少資源的各種對話策略。 隨著AI透過訓練和學習,籍此獲分析和辯論能力,不久後人們或許開始煩惱,該如何跟AI機械人進行辯論比賽。 Source:azorobotics

【人工智能】跨國零售平台Walmart以AI 為顧客尋找最佳代替品

  【人工智能】跨國零售平台Walmart以AI 為顧客尋找最佳代替品

疫情期間改變了顧客的購物模式,愈來愈多人選擇於網購平台購買日常用品。網購平台訂單急增,導致熱賣產品迅速售罄,零售企業Walmart為針對商品供不應求的問題,使用了AI人工智能來幫助消費者尋找最佳代替品。 Walmart指,顧客在面對商品售罄時往往表現得不知所措,因而會花費跟多時間尋找代替商品。不過網購平台上的商品五花八門,讓人眼花繚亂,故Walmart引入創新技術幫助顧客解決問題。 Walmart聲稱,人工智能將收集大量數據,包括商品的尺寸、類型、品牌和價格等。此外,Walmart亦綜合有關顧客的偏好、當前庫存等資料以尋找所有商品的最佳替代品。當顧客挑選的商品售罄時,平台便會主動向他們推薦另一款同類型的商品。 他們希望引入人工智能後,可以減輕員工的工作負擔,日後無須花時間猜測顧客的心意,並且準確地向他們推薦令其滿意的商品,繼而更快速地準備訂單。 Source:techcrunch

【外星生物】天文學家:若果接觸到外星人 或許會與人工智能相似

【外星生物】天文學家:若果接觸到外星人 或許會與人工智能相似

SETI(Search for Extraterrestrial Intelligence)研究中心高級天文學家及主任Seth Shostak認為,人類可能會遇到與人工智能相似的生物。 五角大樓在本月將會發佈一份關於軍事飛行員目擊「不明飛行現象」的報告,隨了越來越多的證據曝光,「外星人是否真的存在」的話題變得更為白熱化。儘管這份報告不太能證明我們與地球上的外星種族有首次接觸,但對於Seth Shostak而言,這意味著我們在宇宙中不一定是孤獨的。 Seth Shostak表示:「我認為外星人極有可能存在於我們的星系中,但我認為他們不會在我們的領域中逗留。所有的地球生物都有 DNA 藍圖,並且在分子構成上有相似之處。儘管如此,外星人未必與我們相似。」 他補充:「任何到訪我們星球的外星人都不太可能是碳基生命形式。他們的認知能力可能不會由我們稱之為大腦的海綿狀細胞群提供動力,而更有可能已超越了一般生物的智慧,或許超越了生物學本身。」 雖然有部分研究人員擔心外星生命的到訪會可能帶來災難,但Seth Shostak並不擔心,他認為如果有外星飛船真的著陸在白宮草坪上,你可望他們是友好的,至少是仍可以進行協商的。 Source:futurism

【人工智能】中國首個虛擬學生獲清華大學取錄

隨著科技的演進,AI人工智能似乎無處不在,而北京清華大學則宣布招收中國首名虛擬學生華智冰,引發網民迴響。 華智冰沒有參加過任何升學考試,更沒有拿過任何競賽名次,卻被北京清華大學計算機科學與技術系知識工程實驗室錄取,而這位超人類剛誕生便懂得繪畫、作詩 ,智商遠遠超過正常人類水平。 華智冰是來自智源研究院、智譜AI和小冰的三個人工智慧團隊。然而她與一般的虛擬人截然不同,她所擁有的核心是智譜AI的數據和知識的雙輪驅動引擎所組成。此外,華智冰擁有小冰公司20年所累積的技術包括演算器視覺、自然語言處理、演算法語音、人工智慧創造的情感交互框架、檢索模型、生成模型、共感模型等。 Source:綜合報導

【智能叛變】諾貝爾獎得主:企業領導者將被人工智能取代

人工智能將會在許多領域上超過人類的工作能力,而諾貝爾獎得主Daniel Kahneman則對此發表了相當激烈的看法:「人工智能和人類之間的戰爭中,這將是一場大爆發,而人類將會被打敗。」 Daniel Kahneman是行為經濟學領域中具有相當影響力的經濟學家,更因開創了「前景理論」(Prospect Theory),此理論對人們如何對收益和損失之間的差異進行合理化解釋,因而獲得2002年的諾貝爾獎。 Daniel Kahneman說:「有什麼事讓我們對未來的人工智能感到措手不及?談及到疫情如何席捲了一個毫無準備的世界,這種病毒的案例倍級增長,而人類的大腦基本上沒有能力以數學角度以分析疫情的擴散。」 他補充:「我們幾乎不可能掌握疫情的情況, 我們身處於一個線性的世界中,如果物體加速,它通常在合理範圍內加速。然而指數變化是另一回事,我們仍未準備好應對數字的急升。」 談及關於人工智能的討論時,Daniel Kahneman指出了人類思維的問題:「科技發展非常迅速,可能呈指數級增長,但是人是線性的。當線性的人面對指數變化時,他們無法容易適應。」 Sounce:futurism

【失敗告終】「情緒識別」演算法研究多年終失敗收場

微軟、IBM和亞馬遜等科技巨頭一直致力研究「情緒識別」演算法,透過分析臉部的變化以推測人類的心情,然而花費高達9億美元卻未出現成效。 研究情緒和面部表情的先驅Paul Ekman於1971年發表的《Constants across cultures in the face and emotion》中指出:「對於不同國家、不同種族的人類而言,雖然他們的語言、文化都不相同,但基本的情緒表情卻是一致的,其外在表現遵循固定的模式。」 Paul Ekman的論文讓科學家認為,雖然機械無法學習人類的情緒,但它們或許能夠辦別人類的情緒。如果有人皺眉、噘嘴,就意味著他們生氣了;如果他們眼睛變大、眉毛抬起、嘴巴大開,這意味著他們會害怕。 研究人員Kate Crawford的著作《人工智能地圖集:人工智能的力量,政治和行星成本》內容中,闡述了科學家試圖將複雜的情感與特定的面部動作聯繫在一起的紀錄,以及人工智能演算法如何嘗試重複實驗面部情緒辨識的事情,但實驗結果通通都以失敗收場。 Kate Crawford更指出:「幾十年來,科學家們一直試圖將不同情緒相關的面部表情編纂出來,但從未奏效。」 研究人員曾試圖創造出與特定情感相對應表達方式的理想化圖像,但來自不同文化背景人士的照片匹配在一起後會分崩離析,可見過去人類對於各種種族基本的情緒表情所持有的觀點似乎是不對的,故「情緒識別」演算法被認為是徒勞無功的想法。 Source:futurism

【獸面識別】AI面部識別系統可判斷豬牛的情緒

人們可以通過語言,文字或手勢交流,也可通過面部表情來描繪自己的感受。 但人類有沒有可能理解農場動物的情感?現時測量動物的生命數據主要依賴會令動物受壓的入侵性方式。 Wageningen University&Research的Suresh Neethirajan正研究非侵入性措施,使用檢測面部特徵來識別動物的情緒,期望獸醫或農民可以迅速檢測出動物的情緒狀態。 問題是如何使面部表情與正確的情感匹配,為了辨別動物的情緒,必須收集及分析大量數據,並使用正確的算法和軟件。在某種程度上,對於動物算法存在一定障礙,例如:野生動物與農場動物有不同的情感反應嗎? 具有精確的面部識別是必不可少的,動物具有各自的壓力水平,必須分別按物種進行評估。 到目前為止,關於動物的結果來自受控環境(例如農場),沒有自由放養或野生動物的測量或基準。但由於缺乏任何合適的監控設備,目前無法獲得自然環境中的動物數據。 大型農場中識別每隻動物的工作十分艱鉅,使用多個傳感器時亦所費不菲。荷蘭Wageningen大學和研究機構Farmworx小組開發的程序(例如WUR Wolf)分析了動物的面部特徵,以識別、評估14種面部特徵組合以及牛和豬的7種情緒狀態。在這項研究中,使用「只看一次」(YOLO)實時對象檢測評估了數千頭豬和奶牛的圖像和影片,相應的數據由PyCharm和Python編程語言解釋。深度學習模型WUR Wolf致力於識別這些農場動物的面部表情,成功識別了86%的動物及其情緒狀態。 這種檢測在沒有動物注意的情況下地進行,並且無需手術插入任何探針即可實時提供結果。這樣做的好處是及早發現疾病,迅速提供治療或隔離,減少甚至消除傳染病,保障整個農場的安全,也可以保護珍貴的牲畜。WUR Wolf根據四種主要的面部表情識別動物的情緒:中立,攻擊性,幸福和恐懼。為了建立數據庫,使用豬的測試樣本來確定正確的算法。 這種技術應用還處於起步階段,這項早期的科學工作基本上將動物的情緒分解為積極和消極的情緒。物種定義的模糊邏輯,基線和壓力領域仍未開發。動物有多少種情緒是進行研究的關鍵。數據輸入包括眼睛的外觀,耳朵的位置/姿勢,年齡,眼頰或鼻子緊繃,鼻子隆起,眼瞼運動以及動物的身體和尾巴姿勢等。同時,科學家正在努力開發一種實惠且易用的感測平台,以便對農場動物進行情感檢查。擁有此工具的農民將通過連續的監控以更好管理農場,更快地發現和治療疾病,從而提高生產水平。 Source : ResearchGate

【人工智能】AI機械咖啡師 一日1000杯手沖咖啡

機械人已逐漸進軍零售業,如智慧巡貨機械人、貨架掃描式庫存機械人等,但你曾聽過咖啡機械人嗎?中國人工智能公司獵戶星空(OrionStar)研發了這款「智咖大師」機械人,可更應用於各種類型的店鋪,讓零售流程變得更敏捷。 「智咖大師」外形設計十分吸引,而且安全可靠。它 通過了 3000 小時AI學習、30000 小時雙臂調教、百萬數據級視覺訓練,實現復位誤差可精確到 0.1 mm 和頂尖大師手法提煉功能、因此咖啡品質和口感與咖啡店的大師不相伯仲。此外,「智咖大師」佔地面積僅有 3 平方公尺,即使小店都能夠應付得到;機械人通電即可全天候工作,工作效率是3倍以上,而一部「智咖大師」單日即可完成 1000杯咖啡。 獵戶星空的「智咖大師」目前已發布6 個多月時間,而落地客戶過百間。與一般的咖啡機器人不同的地方,「智咖大師」服務場景十分多元化,其中包括 5G 展廳、智慧化咖啡廳、智慧園區、智慧銀行、智慧交通、商業地產、商場零售等。 獵戶星空的「智咖大師」只是整個機械臂協作機器人的規劃中的一個突破點。公司最終希望打造協作型機械臂生態,取代人類重複性體力勞動的工作,解放工作人口,並提高效率。「智咖大師」不僅可製作手沖咖啡,未來更可會人類生活帶來創新的改變。 Source:zdnet

【人工智能】 Google與Automation Anywhere 共同打造AI生態圈

美國跨國科技公司Google昨日(15日)宣布與機器人流程自動化(RPA)的新創公司Automation Anywhere合作,以加速RPA在全球的廣泛性。Automation Anywhere的平台將會應用於Goolge Cloud,而且雙方已達成協議共同開發AI人工智能和RPA的技術運用。 RPA是一種新興的程式軟件工具,透過學習、模仿,進而執行基於規則的業務流程。Forrester估計,RPA和其他人工智能領域技術在2019年已為40%的公司創造了就業機會。根據McKinsey的一項調查,在60%的職業中,至少有三分之一的工作將可實現自動化。 根據雙方協議的一部分,Google計劃將Automation Anywhere現時RPA技術,包括開發工具、AI Workflow Builders和API管理系統的技術與Googel Cloud 的服務包括Apigee、AppSheet和AI Platform作整合。Automation Anywhere和Google指,雙方計劃聯合開發針對重點產業的解決方案,包括金融服務、全球供應鏈、醫療保健和生命科技、電信、零售和公共部門。 Automation Anywhere已承諾將其自動化平台遷移至Google Cloud, 而該公司將會成為Google Cloud首選的RPA合作夥伴。 Google Cloud 首席執行官Thomas Kurian指:「RPA已成為企業數碼化轉型的關鍵組成部分。除了機器學習、計算機視覺、深度學習和分析,RPA還可以通過開發AI驅動的軟件機器人以幫助企業簡化工作程序,有效能夠管理前後端的工作。」 「隨著越來越多的企業利用雲端網絡,RPA將簡化系統的流程,幫助員工花更少的時間在重覆性工作,而員工可利用更多時間解決關鍵業務項目。很榮幸能夠與Automation Anywhere合作,以幫助各企業在Google Cloud上快速部署和擴展RPA,並為各行業設計針對性的解決方案去應對業務困難。」 Source:venturebeat

【模型探索】Google推出自動尋找AI模型的AI

谷歌宣布發布Model Search「模型探索」,其是一個開放源代碼平台,旨在幫助研究人員高效,自動地開發機器學習模型。 Google表示「模型探索」與領域無關,能夠找到適合數據集和問題的模型架構,同時最大程度地減少編碼時間和計算資源。 AI模型的成功通常取決於其在各種工作負載下的性能。但是,設計一個好模型通常極具挑戰性,AutoML算法便應運而生,可以幫助研究人員無需手動實驗就能找到合適的模型。但是,這些算法經常需要大量計算,並且需要數千種模型進行訓練。 基於Google TensorFlow機器學習框架的Model Search可以在單台機器上運行,也可以在多台機器上運行。模型搜索由多個訓練者,一個搜索算法,一個轉移學習算法以及一個儲存評估模型的數據庫組成。 「模型探索」以自適應和異步的方式運行AI模型的訓練和評估實驗,以使所有訓練者共享從他們的實驗中獲得的知識,同時獨立進行每個實驗。在每個週期的開始,搜索算法都會查找所有已完成的試驗,並決定下一步要嘗試什麼,然後在此之前對找到的最佳架構之一進行「變異」,然後將結果模型分配給培訓師。 為了進一步提高效率和準確性,模型搜索在實驗過程中採用了轉移學習。例如,它使用知識提煉和權重共享,從先前訓練過的模型中引導出模型中的某些變量。這樣可以加快培訓速度,並通過擴展機會發現更多,表面上更好的體系結構。 運行「模型探索」後,用戶可以比較在搜索過程中找到的許多模型。此外,他們可以創建自己的搜索空間,以自定義模型中的架構元素。 Google表示,在一項內部實驗中,模型探索以最小的迭代改進了生產模型,特別是在關鍵字查找和語言識別方面。 它還設法在經過大量研究的CIFAR-10開源成像數據集上找到適合圖像分類的體系結構。 Google研究工程師Hanna Mazzawi和研究科學家Xavi Gonzalvo在博客中寫道:「我們希望模型探索代碼將為研究人員提供一個靈活的,與領域無關的框架,以進行機器學習模型發現。通過基於給定領域的先前知識,我們相信該框架具有強大的功能,可以在提供由標準構件組成的搜索空間時,針對經過深思熟慮的問題構建具有最新性能的模型。」

【自動貨車】Plus融資2億美元開發自動駕駛平台

一家開發自動駕駛貨車技術的初創公司Plus今天(10日)宣布已經完成了新一輪2億美元B輪融資,投資者包括國泰君安,Hodosophia和Wanxiang。公司計劃用這筆資金來加速其自動貨車系統的全球商業化。隨著公司於2021年開始的批量生產,Plus表示將建立銷售,工程和支持網絡,以幫助車隊將其平台整合到日常營運中。 該公司還將擴大在美國和中國的部署,並擴展到歐洲和亞洲其他地區。 一些專家預測,疫情將加速自動駕駛汽車的交付。 自動駕駛汽車,廂式貨車和卡車有望通過限制駕駛員的接觸大大減少傳播疾病的風險。 尤其是短途貨運,因為其在COVID-19爆發期間數量激增。根據美國勞工統計局的數據,本地卡車運輸的生產者價格指數從7月到8月躍升了20.4%,這很可能是由於從倉庫和配送中心到電子商務履行中心和商店的短途配送需求的推動。 Plus成立於2016年,前身為Plus.ai,致力於開發技術以實現自動駕駛的大規模商業化。 Plus專門研全自動駕駛技術,以實現自動駕駛車隊。Plus與原始設備製造商緊密合作,製造出比人類駕駛車輛更安全的自動駕駛卡車。 Plus的聯合創始人兼首席執行官David Liu在一份聲明中說:「卡車事故和卡車司機日益短缺的情況影響著我們的經濟和日常生活。額外的資金和投資者的持續支持將幫助我們進一步擴大商業化規模,使我們能夠為更多國家的車隊提供服務。」 Plus即將走上軌道,因為其自動駕駛技術已經有顯著成效。 Plus擁有加州自動駕駛汽車測試許可證,這是第一個獲得自動駕駛貨車許可證的無人駕駛貨車公司,此外,它還與Land O’Lakes Inc.一起使用自動駕駛卡車完成了美國境內的首次越野商業貨運。 自動駕駛汽車公司冒起如雨後春筍,Plus在這過程中脫穎而出。該公司定於今年投入量產,已經有10,000多輛自動駕駛貨車的預訂。該公司還預計,其自動駕駛系統將在來年在美國,歐洲和中國的數萬輛現有貨車中部署。使用Plus技術的自動駕駛貨車的生產將從中國吉林省的一汽集團開始。 一家位於矽谷的公司首先在中國部署其技術的事實一點也不奇怪,因為中國已經建立了驚人的37,900公里高速鐵路網站,可以每小時625公里的磁懸浮技術高速行駛。

【醫療大數據】初創集資500萬美元以人工智能改善醫院運作

Rhino Health是一家利用「聯合學習」將醫院和AI聯繫起來的初創企業,集資了500萬美元。該公司表示,將使用這筆資金來進一步開發其平台,以處理來自不同患者群體的分佈式數據。 根據聯合市場研究公司(Allied Market Research)的最新報告,2017年全球醫療保健大數據分析市場規模為168.7億美元,預計到2025年將達到678.2億美元。人們認為,醫療機構實施大數據分析的成本可能會在未來幾年內降低25%以上,並借助AI技術,可以做到更好的診斷和疾病預測,可降低醫院的再入院率。 Rhino由前Mass General Brigham的CEO和Google Duplex團隊的前Google工程師共同創立,旨在通過「聯合學習」方法建立AI模型,最終改善護理標準。在機器學習中,「聯合學習」需要透過分散設備的數據訓練模型,而無需交換這些數據(例如成像數據,病理數據,結構化臨床數據和臨床筆記)。 聯合學習並不是醫學界的新事物。去年6月,一些大型製藥公司簽署了一項協議,以建立聯合學習技術,以在數據集上共同培訓藥物開發AI,而不必共享專有數據。英特爾(Intel)與美國國立衛生研究院(National Institutes of Health)資助了一項計劃合​​作,該計劃將利用AI來識別腦部腫瘤,同時保密數據。而Nvidia在與King’s College London合作開發用於大腦腫瘤分割的聯合學習神經網絡之後,亦通過公司的Clara Imaging Software平台發布經過聯合學習訓練的COVID-19相關模型。 Rhino聲稱其平台使客戶能夠通過連接數據集和開發人員來開發,驗證,監視和維護AI模型,從而確保了保護層。數據是匿名的,並保留在本地防火牆後面。使用Rhino,管理人員可以從模型驗證中創建「監管級」數據包,並監視數據流,同時確定提高性能和可推廣性的機會。除此之外,Rhino還可以幫助將原型模型從研究階段過渡到監管部門批准,最終到臨床部署階段。 CTO Yuval Baror指出,隨著AI解決方案在整個健康行業中的普及,人們越來越關注其開發和維護方式。 2021年1月,美國食品藥品監督管理局更新了其針對作為醫療設備的軟件中的AI和機器學習的行動計劃,強調了在編制用於訓練和訓練的數據集時跨性別,性別,年齡,種族和種族等各方面的包容性的重要性。 Baror說:「Rhino Health匯集了AI前沿行業的基礎學習和新興最佳實踐,以確保醫療保健解決方案能夠解決現實世界中的問題並提供一致的結果。」Rhino已成為Nvidia的Inception計劃的成員,以將其聯合學習解決方案帶到診所。 「通過聯合學習,我們能夠以該行業要求的以私隱為中心的方式來做到這一點,從而提高患者,醫院和技術開發人員的利益。」 LionBird Ventures帶領了Rhino今天宣布的種子輪融資,Arkin Holdings和幾位天使投資者也參與了此次投資。 Rhino總部位於馬薩諸塞州劍橋,在特拉維夫設有研發中心。

【人工智能】C3.ai CTO表示缺乏自動化窒礙了AI發展

在提供了用於構建和部署AI應用的平台即服務(PaaS)環境十多年之後,C3.ai在2020年12月上市。本月初,C3.ai與Microsoft, Shell和GE的Baker Hughs合作發起了”Open AI Enegy”計劃,以使能源領域的組織能夠更輕鬆地共享和重用AI模型。 C3.ai的總裁兼首席技術官 Edward Abbo 向VentureBeat解釋了為什麼構建更多依賴人工流程的AI應用程序的零散方案不僅耗時太長,而且從企業支持的角度來看也是不可持續的。 Edward Abbo 表示公司有兩種主要產品: 一種是作為服務的應用程序平台,可加速AI應用程序的開發,部署和操作。 客戶可以大規模設計,開發,部署和運行AI應用。 它可以在Microsoft Azure,Amazon Web Services(AWS)和Google Cloud Platform以及私有雲和客戶數據中心中運行;另一個是套件或一系列特定於行業的AI應用程序。 例如,製造客戶可以訂閱AI應用來吸引客戶。 「你經常聽到兩件事。 數據科學家花費了95%的時間來處理數據。 他們需要從眾多不同的數據儲庫中訪問數據,然後必須統一數據。 但是個體可能在不同系統中具有不同標識符。 幾乎所有公司都為太多的系統所困擾,因此他們的數據是零散的。 數據科學家最終不得不做這項工作。 他們需要統一數據並根據時間對事物進行規範化。 他們最終將95%的時間用於數據和數據操作,而僅將5%的時間用於機器學習。 顯然這是非常低效的。 對於許多數據科學家而言,這是極大的挫敗感。」 「第二件事是數據科學家採用Python和R等編程語言。他們不是計算機科學家或程序員。 他們將自己認為具有很高價值的模型轉給了一個不習慣處理它的IT組織。 他們需要弄清楚如何對其進行操作和擴展。 你可以擁有兩百萬個機器學習模型,你需要對它們進行訓練,驗證,投入運行,然後監視其效果。 之後,你可能需要重新訓練該模型或將另一個版本引入運作。」 C3.ai通過處理數據改變這環境。 數據科學家現在可以將95%的時間用於機器學習,而僅5%的時間用於檢索數據。 我們可以消除從無窮無盡的原型到實際擴展規模並將AI模型投入生產的障礙。 這些是企業擴展實現AI的障礙。 C3.ai提供了一個稱為Data Studio的產品,以集成并快速統一來自不同來源的數據。 通過提供數據和分析服務,數據科學家不必擔心要做所有的工作。 業務分析人員可用拖放式畫布來導入數據並嘗試進行機器學習模型而無需編程。 然後,他們可以將AI模型和數據服務發佈到可能調用這些服務的下游應用程序。 Abbo表示MLOps(machine learning operations)和DataOps(data operations)需要融合。 將數據,IT,機器學習,業務分析師和應用程序整合到一個平台上。 數據工程師專注於聚合數據並提供服務。 然後,數據科學家使用它來創建模型並將其發布。 然後,業務分析師可以使用他們選擇的工具來插入機器學習模型庫。 「如果你是程序員,則可以使用編程語言發布我們的微服務。 但是,如果你是業務分析師或平民數據科學家,則無需編程。 […]