月度归档:2017年12月

上财 X 院葛冬冬:运筹学是交叉学科,我们需要看到产业界发生了什么

2009 年,葛冬冬博士毕业于斯坦福大学,师承运筹学泰斗叶荫宇教授。2013 年,他进入上海财经大学信息管理与工程学院,并受命牵头成立管理科学与量化信息研究中心,后在学校大力推动下,筹建交叉科学研究院(X 院),并担任院长。在学校高度支持下,X 院在短短数年时间内便引入何斯迈等学界「红人」担任教职。目前,X 院科研成果累累,与工业界联系紧密,同时,从 X 院走出来的学生很多在斯坦福大学、普林斯顿大学、芝加哥大学、卡耐基梅隆大学等国外一流大学继续深造。短短四年时间,X 院便成为上海财经大学的一道独特风景线。

「每年复旦数学院的前五名学生中,一般会有两个在我们这边学习。今年是前两名,去年是第二、第三名。」X 院院长葛冬冬教授对雷锋网 AI 科技评论直言。

「我当时在复旦读数学,听了葛老师在我们学校的一场讲座。之后慕名来财大找他,想申请在他的门下学习。」目前就读于斯坦福大学,明年就要去 Facebook 工作的一位同学如是说道。她曾在葛冬冬教授门下读研。复旦与财大只有一条马路之隔,借助地理优势,复旦数学系有不少学生慕名来找葛冬冬教授。

除了致力于让学科建设国际化,让更多的人才走向更广阔的天地,葛冬冬教授目前也作为杉数科技的首席科学家,同时活跃于学界和业界。

他是如何在四年时间内把 X 院打造成这样一个在口碑和品质上都得到学生们高度认可的学院?筹建 X 院的初衷是什么,有什么不一样的人才培养模式?而同时投身于学界与业界,他对于科研又有什么不一样的看法?带着这些疑问,雷锋网 AI 科技评论对上海财经大学 X 院院长葛冬冬教授进行了一次专访,以下为访谈内容,雷锋网 AI 科技评论做了不改变原意的编辑整理。

葛冬冬:2009 年在斯坦福大学管理科学与工程系获博士学位,导师叶荫宇教授。在运筹优化和计算机理论科学的国际一流期刊与会议,如 Operations Research, Mathematics of Operations Research, Mathematical Programming, FOCS, SODA, ICML 等发表过多篇论文。主持过国家自然科学基金青年基金,浦江计划等基金。担任过多个国际著名期刊的特约审稿人,参与过波音,谷歌,上海通用等国内外公司的多个优化项目。近期的主要研究课题为稀疏优化、组合优化、健康管理、运营管理、网络与大数据。

Part 1 交叉科学院

运筹学本身就是交叉性学科,我们当时觉得学习学习姚期智先生的模式也挺好的

运筹学本身就是一个交叉学科,它自身的基础理论其实很清晰。运筹学主要的特点是需要联系各个学科,解决实际问题。我们在致力于科研时,特别是接触到一些大的实践性项目的过程中,发现其中交叉的知识点特别多,所以就萌生了需要重视交叉学科的想法。

实事求是地讲,我感觉现在很多问题都会跟多个学科产生交叉,比如说在解决运筹学领域的问题时,你得了解数据科学、人工智能很多方向的知识。而运筹学在历史上跟经济、金融、管理、数学、统计等学科都有很多交叉,所以我们决定成立交叉科学院,把多个学科都放进来,做一个兼容开放的平台。当时就是这么考虑的。

之前也有很多现成的例子,像清华姚期智先生的交叉信息研究院。目前我们财大的教员中,从他们那出来的有陆品燕、王子贺、还有一个要毕业的博士生。我们觉得学习姚先生这个模式也挺好的。

每个研究所的存在都要有一定的合理性,盲目挂牌占名字没有意义

我们交叉科学院的研究水平,从科研上来讲是非常强的。我们老师们今年发表的论文涵盖管理学、运筹学、优化理论、机器学习、应用数学,甚至营销学等各方面的顶级期刊,大家基本上都是奔着国际一流的科研内容去的。

理论和实际两方面是交叉科学院考虑问题的出发点:

  • 我们跟滴滴等经济共享体有合作,又有明大共享经济研究所来寻求合作,因此成立了共享经济研究中心。

  • 学院下属的金融科技研究中心与招商银行、国金证券都有大规模、稳定的合作关系,此外我们长期跟很多金融机构也有合作。近期的这些合作都是针对于金融科技方面的问题,比如说征信、风控、AI 如何跟量化投资结合。

  • 并行优化国际实验室主要负责 leaves 求解器的建设。我们觉得大规模并行优化算法的设计,对机器学习和深度学习很需要的一些底层算法、大规模优化加速算法有重要的意义。随后我们就主动去推动、开发这些算法和软件。并行优化国际实验室现在的这些工作,对行业也有提前的指导意义。

  • 人工智能实验室是我们和杉数科技联合成立的,旨在帮助他们解决目前存在的很多实际问题。例如从顺丰,京东,永辉等企业来的很有意思的问题。

每个研究所都是根据实际问题去考虑,进而设计运行机制。比如金融科技在很大程度上是项目驱动的,因为目前金融领域的容错性很小。虽然目前对金融科技喊的很凶,但在我们看来,这个领域的实际做法比较保守。这里面存在很多新概念,你去做一个与金融相关的系统,用了 AI 技术的,往往是黑箱子,可解释性差,很难往下推。像我们做金融科技,就是先摸着石头过河。

我们覆盖的领域有很多,确实体现了交叉学科的特点。外面有比较值得去做的事情,我们就去做,一边做一边积累经验,根据需求将我们的研究所发展起来。每个研究所的做法都不大一样,都要有一定的合理性,并不是说盲目的挂牌占一个名字。很多研究所就是为了占个位子,那没有意义。

Part 2 人才培养

冠冕堂皇的话不讲,我们离国际水平还存在差距

我们在 X 院的学术建设上是一个比较良性的循环,我们成立的不只是一个学院,更像一个平台和枢纽,连接国内和国际学界。冠冕堂皇地说,就是缩小国内外差距。

我们一直比较鼓励学生去做科研,特别是本科生。但感觉国内整体的科研氛围还是偏弱,至少现在的很多科研都是教师之间互相合作,或者跟国外合作。仅仅依赖跟学生合作,然后指导学生做出很好的东西,我觉得困难。没有培养体系,基础建设没完成,再聪明的学生也很难帮你做事情。

培养体系的差距体现在哪呢?就比如博士培养,这需要一个很成熟的体系——一群水平很高的年轻人集中在一起,有一个完善的体系,每一门课都能高质量地完成,此外还需要一些很好的老师,能够给学生以全世界最高水平的指引。前面提到的这些像一个生态系统,这个生态系统缺一环都建设不好。国内的大学,包括我们自己在内,可能是某一环某两环做的比较好,但是想要达成整个生态系统的良好建设,都有这样或那样的缺陷。

坦白来说,我觉得我们的老师大多数还不具备用全世界一流的眼光来指导学生做事情的能力,包括我本人,我觉得都有一定差距。

尽自己所能来帮助学生,让他们得到更好的发展

国内教育的最大好处是基础训练得很好,是吧?你看数学系的学生,理论学得很好,但不是每个人都会去做纯数学。将学生吸引过来之后,我们会花很多时间跟国外的教授合作,指导学生确立科研方向,培养他们的兴趣,适合的同学,会把他们送到国外去读博士。

我本人算是小城市出来的,在九十年代出国,那时候算很早就出国了,在国外待了十几年才回来。回想起来,出国、去世界名校念书,给我带来彻底的改变。我觉得这种机会确实非常宝贵,非常难得。

人的生活环境不要一成不变。把学生留在身边,可能对你个人帮助更大,对你要做的事情帮助更大。但很多时候不见得就好,至少对我来说,我不觉得是一件很好的事情。这样做至少在我这儿,对某些学生是亏的,我们还是尽可能的希望帮助学生。特别有天赋的学生,或者说比较适合出国继续深造的学生,你何必把他圈在国内呢?他出去待几年,会对他有更大的好处。

前几年我们老师也少,自己培养高质量博士也比较困难,所以我们的做法是把最好的学生从全国各地吸引过来。到目前为止,北大、清华、华东五校,南科大,甚至一些国外的本科或者硕士毕业生,例如Oxford,UCLA,都有学生在我这,通过我们这个平台出国深造。

总有一天条件会成熟,现在我们的老师已经很多了,跟国外的合作也很成熟,这时候我觉得可以招录学生了。今年我们招了相当于是第一批真正的学生——八个硕博连读生。

Part 3 产学研结合

在运筹学和交叉科学这个领域,为了造 paper 而造 paper,没有意义

谈到学界和业界,这是比较大的题目了,下面我说说叶老师(叶荫宇教授)常常给我们谈到的。

叶老师曾表示自己也做了几十年算法的研究,实际上会发现很多算法就是纸上谈兵。说得很好,理论也很漂亮,结果证明得还不错,但其实你自己心里清楚,实用性有时候存疑。虽然从科学研究的角度来说,可以允许这种不实用,但是要有创新性,有前瞻性,来源于生活但又高于生活。

现在很多时候,大家为了造 paper 而造 paper。运筹学和交叉科学具有强烈现实应用背景,你去做这些东西没有意义。

最近这几年,大数据和人工智能兴起以后,很多问题都改头换面,和以前不一样了。如果你还只是坐在这里讲讲十年前、二十年前的那些东西,或者去报纸上看看有哪些案例,再拿出来跟学生去讲,没有说服力的!这些东西学生不信,你也不信,对不对?

我们需要看到产业界发生了什么事情,就像叶老师倡导成立杉数科技,他想观察目前最新的业态,找到一些比较先进的理论,指导大家去适应这个潮流。

我觉得这是一个很好的机会,既然去做这件事情了,你就能清楚地知道产业界在关注哪些实际问题,哪些理论能给他们提供帮助。

时代在变,也出现了很多新的机遇和挑战

另外,最近几年,特别是数据驱动类问题,它们的形态、量级跟以前完全不一样了。这带来了很多新的科研机会,比如说很多时候,整个算法体系需要重构,整个理论体系也需要重构。

在很多领域,很多重要的问题都是非常新的。就像李飞飞在前几天的演讲上所表达的观点——这个领域里最具变革性的成果还有待发现。我觉得她说的其实挺对。

你会发现经济、管理、金融等领域普遍呈现这种情况:新的工具一直在发展,大家也在尝试,这些工具很有效,但根本性的理论却没发展起来。

所以接下来就是产业界推动学界来思考一些新的问题。

此外,对学生的教育也会比较明确。一方面,可以知道学会什么样的技能你的学生才有就业竞争力;另一方面,可以培养学生的科研意识,培养起他对未来不会被淘汰的重要科研的兴趣。

总体来讲,产学研这三者结合会形成一个良性循环。在这个过程中,杉数、顺丰等公司都能得到价值,意识到科研的重要性。下一步他们会扩大科研团队,增加科研投入的力度,从经济上支持高校,形成一个很好的循环。

当然,目前也需要一心投身学界的老师

帮业界做项目,从我们的经验上来看,很多时候会很累。不光是工作量大,会存在很多非创造性的工作。比如说帮企业做项目时,需要跟业务去对接,需要理解他们的业务逻辑,还要关心如何落地。当成果转化成软件,还需要去关心稳定性,抗干扰性,怎么工程化等问题。

这些事情其实跟科研关系不大,所以有些做科研的老师只关心创新性,不愿意从事这种项目,这无可厚非,甚至应该鼓励。而且这也没什么不好,大学之所以为大学,是需要有这样的老师存在的。

在与顺丰、京东、滴滴等大公司合作的过程中,我们请了很多国内外的高校教授帮忙。在这个过程中我们发现,解决问题的能力往往与科研水平还是有关系的。绝大多数情况下,论文写得好的老师对实际问题的理解其实更深刻,给出来的指导会更有用。

Part 4 运筹学与人工智能

回到运筹学,它与机器学习相互促进

机器学习、深度学习底层的算法,在很大程度上都是依靠运筹学来设计的。学科之间需要良好的互动,结合起来促进底层算法的大规模发展。AI 会为运筹学提供很多软件、硬件体系结构上的支持,促进算法效率的快速提升。运筹学优化算法里的结论,也可以帮助 AI 来设计算法。

现在 AI 社区里有很多人在从事算法方面的工作,因为不能光等着运筹学来输出,他们自己也会去设计。特别是深度学习,深度学习本质上就是个非凸优化,在这一领域他们做了很多工作。

运筹学发展到现在,说白了,经历过那么两三次大的算法诞生,对学科产生了很大的推动作用。下一个推动性的算法的产生,我觉得会得益于 AI 。我们能借鉴 AI 提供的一些工具,倒逼运筹学产生新的算法,飞跃解决一些根本性的模型。我们实验室现在从事的研究,就借鉴了很多 AI 方面的想法。

在未来,我认为这个改变很可能会在接下来五年甚至是三年之内发生。这个预言可能有很多人不信,特别是在运筹学领域。但我最近看到一些例子,呈现的结果远远超乎我的想象。我个人的观念大概几个月就刷新一次,而我现在很相信这一点。

说深度学习像中医,并不是否定

叶老师在今年六月份的时候就说过深度学习像中医,当时我们没敢让媒体报导,现在有人挑头出来说它像炼金术,我们就可以说了。当然,我要声明,叶老师说这句话不是否定,而是肯定。深度学习确实能解决问题,它也不是没有理论依据,而理论就像李飞飞说的,『现在我们还处于很早期,正在发展。』

实际上这是个机会,像数据科学,包括机器学习,将来一定是最重要的学科,没有之一。深度学习的实用性,确实推动着各个方面,不光是理论,包括软件和硬件的飞速发展。人工智能和数据科学基本上会主导人类发展的方方面面,但现在基础理论建设并不健全,有很多事情可以去做。我觉得现在是一个黄金时期。

整体说来,大家从事科研的时候,都要去想想,自己现在做的事情跟 AI 有多大的关系,怎么去更好的结合它。你不去结合它,你就一定会被 left out。我们成立 X 院也是这个原因——我们要主动拥抱它,而不能坐等着,被动消极地去 follow。此外,还需要更进一步,自己主动去引导潮流,预言潮流,走到最前列去。

运筹学要发展,要加紧输入新鲜血液

运筹学在今年受重视程度明显提升了,我知道很多公司,像顺丰、滴滴、京东、美团、饿了么等,他们现在对于 运筹学有明确的岗位需求,并且需求也变多了,这一年工资涨了快一倍,这显然是一个非常大的提升。一旦需求变强,我相信就会带动学科培养人才的积极性,发展也会更快。

但是整体来讲,学界的反应会慢一些。

我最近和港中大深圳校区的罗智泉副校长聊了聊,发现他们在运筹学上的建设速度、雄心和规模,用一个词来形容就是非常可怕,如果照目前这个进度,不要说全国第一,亚洲第一都指日可待,他们招了很多全世界重量级学者回来。罗校长有影响力,他也懂行,水平高,有一定的权利来招聘人才,港中大的制度也比较灵活。可以看到,他们的发展会很快。我觉得我们的发展速度跟人家还是不能比,这让我感到很焦灼。我们毕竟是个小学校,对一个学科的重视,再怎么超常规,还是有局限性的。

任何一个地方,如果你还是固步自封,不加紧输入新鲜血液,很快就会掉队的。

(完)

雷锋网

妻子已回国,但贾跃亭仍不见踪影;特朗普炮轰亚马逊:低运费拖累美国邮局;京东X无人超市昨日开业 | 雷锋早报

妻子已回国,但贾跃亭仍不见踪影

雷锋网消息,今日早间,贾跃亭妻子甘薇在微博宣称,已经归国到达北京。但对于贾跃亭是否一同归国一事,甘薇并未提及。

对此,有媒体向乐视汽车官方求证,乐视汽车方面确认此次归国的仅甘薇一人,并表示“甘薇回来该处理的事情一个也不会少”。

国内新闻

京东X无人超市首家社会化门店开业 预计三到五个月盈利

雷锋网12月30日消息,首家京东无人超市社会化门店在山东烟台大悦城七层正式营业。

据京东方面透露,目前无人超市只有一名店员,提供引导服务,更多的进店识别、购物、结算等,均是由技术支撑。包括大数据分析、辅助运营手段、刷脸进店、智能进店、优惠更新、自动结算等,共同搭建京东无人超市全场景“无感知”购物体验。

北京首条无人驾驶地铁开启试乘 单程25分钟

雷锋网消息,昨日,北京首条全自动运行的地铁线路燕房线正式开通,从燕山站到阎村东站单程大约25分钟。

据介绍,燕房线试运行初期,将采取有人监督的无人驾驶模式。“车辆在自动运行的过程中,可以按照80公里/小时的速度平稳行驶,并可以完成休眠、唤醒、开关车门、折返等程序。”

安全方面,燕房线首次配备了站台门的对位隔离功能,一个车内故障,对应屏蔽门不打开。此外列车下部还配有一个“黑匣子”,可以进行障碍物检测和脱轨检测。如果发现可能影响列车运行的障碍物,“黑匣子”仅需1.4秒就可以启动紧急制动。

西城区推共享停车位 搭建北京首个共享停车平台

日前,西城区德胜街道在黄寺24号社区启动共享停车项目,提供20个共享停车位,方便社会车辆停放。

德胜地区单位和小区众多,乱停车问题较为突出,德胜街道与首中投资管理有限公司共同研发共享停车平台——“德胜共享停车”APP,将小区白天闲置的居民停车位拿出来,方便周边社会车辆停放。

据介绍,在德胜地区办事的司机下载“德胜共享停车”APP后,可以通过导航寻找共享停车位,根据车程距离预约共享车位并在线付款。目前停车位每小时收费6元,比周边路面停车便宜4元。

国际新闻

Q3手机芯片市场:高通占有率42%居首 苹果第二超联发科

日前,市场研究公司Counterpoint Research发布了第三季度(Q3)全球智能机片上系统(SoC)市场统计报告。报告显示,按收入计算,高通公司在智能机SoC市场的占有率为42%,位居首位。苹果公司的A系列芯片占有率为20%,排在第二。

另据显示,Q3全球智能机SoC市场收入同比增长19%,突破了80亿美元。高通继续排在第一位,在智能机SoC收入中的份额为42%。

Counterpoint研究总监尼尔·萨哈(Neil Shah)称,芯片行业的重点已经从每颗芯片包含的核心数量,转向使用专用处理器提供的新体验。“苹果和华为海思均推出了配备神经网络处理单元(NPU)的SoC,以处理人工智能任务”。

特朗普炮轰亚马逊:包裹运费低,拖累美国邮局亏损

美国总统特朗普30日再次抨击亚马逊。这次的焦点是邮费。特朗普在推特上表示,美国邮政(USPS)应该向邮寄包裹收取更高的费用。他说:“为什么每年亏损数十亿美元的美国邮政,要向亚马逊和其它公司收取这么低廉的费用邮寄包裹,让亚马逊变得富有而邮政变得愚蠢和贫穷?”

美国邮政总局的年度财报显示,该机构今年损失了27.4亿美元,而自从1971年被拆分为独立机构以来,美国邮政的赤字总额已达到618.6亿美元。2016年,美国邮政总局亏损55.9亿美元,总赤字为559.8亿美元

苹果“让iPhone变慢”引发轩然大波 背后揭幕者竟是一名17岁美国“宅男”

苹果公司承认推出软件更新降低老款iPhone手机效能后,已陆续遭到诉讼、而据一家台媒称,这幕后的揭发者,原来只是一名年仅17岁的美国高中生“宅男”。

这名田纳西州的美国高中生巴尼(Tyler Barney),早前发现自己的iPhone 6s速度变慢,他想应该是与手机锂电池有关。当他等候新iOS系统更新时,顺手拿兄弟的型号较旧,但迟一年才购买的iPhone 6,意外地发现它运作顺畅,因此开始怀疑是电池问题。巴尼之后找到建议,称应更换电池,他照做后手机速度果然有所改善。

于是,他化名在分类网站Reddit贴文,指出怀疑苹果故意让iPhone效能变慢,以免在电池老化时令iPhone突然关机。他的贴文惹来网民疯传,苹果公司最后承认做了手脚。

雷锋网

中国互金协会发布网贷合同要素,金融科技在规范中前行

 

雷锋网报道, 12月29月,经中国互联网金融协会(以下简称“协会”)第一届常务理事会2017年第三次会议审议通过,协会正式发布《互联网金融 个体网络借贷 借贷合同要素》(T/NIFA 5—2017)团体标准(以下简称《标准》)。

据雷锋网了解,在本月初十二届亚洲金融年会上,中国互联网金融协会战略研究部负责人、互联网金融标准研究院副院长肖翔曾透露过该消息。他指出,金融科技主要新兴业态正在规范中发展,标准规范的基础性作用不断加强。

“从中国互联网金融协会2017年的年报数据看,P2P网络借贷平台在逐步减少,行业集中度和地区集中度进一步提升,收益率较低且运行稳定的平台逐渐成为行业的主流。”

据称,《标准》编制的背景是,当前个体网络借贷行业借贷合同中要素内容不规范,甚至掺杂侵害金融消费者权益、违反相关经济金融法率规范的内容,因此协会按照国务院互联网金融风险专项整治工作有关要求,在银监会、人民银行等监管部门的具体指导下,组织陆金所、京东金融等10余家会员单位开展了编制工作。编制过程中,国务院参事室、人民银行、银监会、北京市金融工作局、北京大学、中国科学院大学、中国标准化研究院等政产学研专家对《标准》进行了审查与指导。

《标准》定义并规范了27项借贷合同必备要素,包括合同信息、项目信息和合同条款三个方面。其中,

  • 在合同信息方面,规定了合同名称、合同编号和合同签署方等要素,既明确了借贷双方的主体,又确保了合同的唯一性;

  • 在项目信息方面,规定了借贷双方的身份信息、借款本金、借款利率以及还款方式等要素;

  • 在合同条款方面,规定了还款条款和保障条款,既明确了借款人按时还款的义务,又提出了借款人逾期后的保障措施,确保借贷双方的合法权益。

通过规范个体网络借贷合同要素内容,可促进从业机构加快合规整改的步伐,进一步提升从业机构信息透明度,更有效地保护互联网金融消费者合法权益,促进行业规范健康发展。

据介绍,目前,中国互联网金融协会专门成立了互联网金融标准研究院,已经发布实施了个体网络借贷、互联网消费金融信息披露标准。个体网络借贷资金存管系统规范和业务规范已编制完成,而标准的有效实施离不开相应基础设施建设,上述两项标准将明确资金存管系统在功能、技术、业务和风险管理方面的要求,协助解决当前可能存在的假存管,只存不管等行业问题。

而据雷锋网了解,基于《标准》同步建成的全国互联网金融登记披露服务平台产品登记系统已于12月8日正式上线。该系统致力于解决互联网金融行业产品过度包装、层层嵌套、底层不透明等问题。

雷锋网

2018 年最值得期待的学术进展——致人工智能研究者们的年终总结

雷锋网 AI 科技评论按:2017年马上就要过去了,而 AI 也在2017年中得到了快速发展。研究人员们提出了很多有趣而又富有开创性的工作。而作为 AI 从业人员的我们,也不禁会对明年 AI 的发展有了更多的憧憬。这里,我们为大家奉上机器学习学者 Alex Honcha 所展望的 2018 年最可能产生突破的 AI 领域。

下面是雷锋网对原文的部分编译。

大家好!2017年是机器学习世界中,最有成效和最有创意的一年。大家已经可以看到许多的博客文章,甚至是官方报道,来总结研究和行业突破。我想分享一些不同的东西,通过三篇文章,从下面三个不同的视角分析 AI 方面明年会有什么进展:

  • 作为一个推动行业发展的 AI 研究者(本文)

  • 作为一个将机器学习应用到工业界的开发者

  • 作为一个生活在新世界中的普通人

我在这篇文章中的预测,是基于 2012 年以来学术界和科技巨头实验室的研究思路的演变。我选择了一些处于初步发展阶段的领域,但是它们已经准备充分,可以进行深入研究并可能在 2018 年取得突破性进展,并最终在 2019-2020 年真正地被应用到现实中去。

开源的科研

来自其他科研领域对的人士经常会有一个问题:那些AI的家伙研究的怎么这么快?

首先,大多数机器学习领域的文章并不会在期刊上发表,而是发表在会议上,同时还有即时的 arXiv 预印本,所以研究者可以随时看到最新的研究成果,而不是等到发出文章之后的好几个月。

其次,我们不发布「顺势」的文章:为了使得文章能够发表,我们必须提出最高水平的或者能够与目前最高水平方法相近的新方法。另外,新方法需要在不同的指标下接受检验:速度,准确度,并行执行,数学证明,处理不同大小的数据集等。这使得方法的泛化能力大大提升。

最后,所有的主要文章都开源了算法的实现,所以结果可以被其他人运行,进行多重检验,甚至可以进一步改进。

现代 AI 研究最酷的一件事是以「博客」的形式发表文章,我们可以在 DeepMind、OpenAI、Salesforce、IBM 的博客中看到他们的最新进展,研究结果以清晰易懂的方式展示出来,所以即使是远离科研的人也能够很容易理解这些很「酷」的技术。我个人很喜欢的 Distill pub 就是一个很好的例子。

这些都是真正的科研期刊,但是文章看起来更像是带插画的博客。当然,想要写好这种文章需要大量的工作,但是只有这种形式的才能吸引到更多的人。一般情况下,这些文章可以将结果同时展示给:研究人员,开发者,以及投资者。这种结果展示方式无疑更加高效,我相信在接下来的几年中,有越来越多的研究成果会以这种方式呈现。

无需平行语料库的语言模型

我们考虑这样一个简单的问题:

取 50 本阿拉伯语书,16 本德语书,以及 7 本乌克兰语书,要求你学会将阿拉伯语翻译到到乌克兰语,以及将乌克兰语翻译到德语。

你能够做到吗?我打赌不能。但是机器已经做到了这点!在 2017 年,两个突破性的文章被发表:「Unsupervised Machine Translation Using Monolingual Corpora Only」,「Unsupervised Neural Machine Translation」。机器翻译基本的想法是将意思相似的句子放在一起,训练一些通用人类语言表达空间。这种想法并不新鲜,但是目前最新的方法已经不需要明确的成对的德语-阿拉伯语句子了。


一种多语言表示空间的示例

这几篇文章的作者声称,只要很少的监督,模型翻译的质量就可以急速上升。我预计这项研究会在2018年夏天至年底完成。这种监督,而又不是真正监督学习的思想,将会而且一定会拓展到其他领域。

是时候更好地理解视频了

我们已经创造出了能够超越人类的计算机视觉系统,这多亏了各种更深,更宽,以及更密集连接的网络。

物体检测准确度变化 来自 http://aiindex.org/2017-report.pdf

但是目前的成果仅限于静态图像,然而现实中人类更习惯于用眼睛观察图像序列、视频或者就是真实的世界,所以我们需要将计算机视觉方法应用到视频中,并使得它们能够像处理静态图像那样快。

然而,说实话,在静态图像上检测 1000 个物体会变得非常无聊,而且一点也不 sexy。

在最近的 NIPS 2017 中出版了一些关于下一帧预测视频表征学习的有趣的结果。下面提供了一些大家可以尝试使用和研究的几个模型:改进的注意力模型、在视频中使用光流概念(optical flow)、使用循环结构以高效处理大视频。

http://moments.csail.mit.edu/

https://research.google.com/youtube8m/

多模态/多任务学习

在我们观察周围的世界的时候,我们不仅仅看到了移动的图像:还听到了声音,感受到外面的温度,还能感受到一些情绪。这意味着我们从不同的来源「看到」了我们周围的世界,我们称这种源为模态。而且,即使只“看到”一种模态,比如听到了一段人说话的声音,我们不仅仅是把它像语音识别系统一样翻译成文字,我们也能懂得说话人的性别和年龄,以及交谈的人的情绪。我们能够同时理解不同的事物。我们希望机器也能具有这样的能力。

人类能够从一张图片中得到几百个结论,为什么机器不行呢?

目前并没有很多用于解决多任务问题的数据集,但是牛津大学最近提出了多模态图像识别的数据集和挑战赛。我预计明年会有更多的数据集和结果出现在语音的应用中(比如:年龄,情绪):

http://www.robots.ox.ac.uk/~vgg/decathlon/

人类能够处理超过十个模态,为什么机器不能?

在我决定将多模态学习加入到这篇文章之前,本来想写人工智能在金融方面的应用,但是当我看到下面这个数据集发布之后,我就知道金融交易就再也没有机会加入到这篇文章中了。这个 HoME 数据集包含了很令人震惊的环境, 它包含了视觉,语音,语义,物理,以及与其他物体交互等多种数据。你可以教机器人在一个几乎真实的房间中去看,去感觉,去听每一个东西!

https://home-platform.github.io/

我们可以将所有模态放在一起处理吗?

你是否也好奇,我们能否构建一个超级多模态-多任务模型,它可以根据完全不同的输入解决完全不同的任务?Google研究院就做到了,它们构建了一个可以将图像和文本作为输入的体系结构,并用单个神经网络解决图像识别,分割,文本翻译,解析等问题。我认为这不是解决这类任务的最聪明的办法,但是是一个好的开始!

强化学习:游戏不止

强化学习对我来说是最激动人心和最令人怀疑的领域之一:它可以在没有任何监督的情况下,通过自我博弈取得象棋,围棋和扑克这样复杂游戏的胜利,但是与此同时,强化学习几乎没有任何在真实世界中的应用,比如能够在人工环境中攀爬的3D玩具人物,或者可以移动的机械臂。这也是为什么我认为关于强化学习的研究在明年仍需要继续。我认为会发生两个主要的突破:OpenAI 的 Dota 2(已经 1v 1打败过职业选手),以及 DeepMind 的星际争霸2

我非常确定 DotA 和星际争霸的冠军未来会被 OpenAI 以及 DeepMind 的机器人击败。现在你已经可以使用 OpenAI 的实验环境玩星际争霸2了。

对于那些不喜欢玩游戏的研究者,OpenAI 也有一些有趣的结果:竞争性自我博弈从其他模型中学习学习交流与合作,当然,还有 Facebook 的学习谈判。我希望能够在未来的一到两年中在聊天机器人中看到这些结果,但是目前为止,还有很多研究要做。

Facebook 谈判机器人

AI 需要自我解释

使用神经网络很酷,你可以使用不同层数的神经网络,不同密度的连接在 ImageNet 上得到 0.05 的提升,甚至可以应用在医疗放射图像的分析上,但是如果它们甚至不能自我解释,我们真的可以依靠它们吗?

我想知道,为什么这个网络认为这个图像是狗,为什么认为这个人在微笑,或者为什么说我有一些疾病。

然而,即使神经网络能够给出非常准确的结果,但是它并不能给出上面问题的答案:

AI的解释问题仍然被考虑为一个开放问题,尽管我们已经有了一些成功的应用,例如:从深度神经网络提取基于树的规则(extraction of tree-based rules from deep networks),卷积层的可视化,以及更复杂的概念,例如隐含概念(latent conception),与或图训练,或者生成视觉解释

 图片来自 https://arxiv.org/pdf/1603.08507.pdf

以及目前最好的模型:InterpretNet:

图片来自 https://arxiv.org/pdf/1710.09511.pdf

我们也应该更多考虑贝叶斯方法,它能够跟踪预测的确定性。这一定是明年机器学习的一个热门话题。

AI 安全性:不再是一个小问题

在 AI 解释性之后,要解决的第二个重要任务就是现代机器学习算法的脆弱性,它很容易被对抗性样本攻击。

https://blog.bigml.com/2016/09/30/hype-or-reality-stealing-machine-learning-models-via-prediction-apis/

https://blog.openai.com/adversarial-example-research/

对于这些问题,Ian Goodfellow做出了名为 CleverHans 的原创性工作。以及数据的隐私和基于加密数据进行训练的问题,可以查看来自牛津博士的精彩文章,它展示了一个简单的同态加密神经网络的例子。

我们需要保护 AI 的输入(隐私数据),内部结构(以防被攻击),以及它所学到的东西(确保它的行动的安全性)

然而这些并不是今天人工智能的所有问题,从数学角度来看(特别是在强化学习中),算法仍然不能安全的探索环境,这意味着如果我们现在让物理机器人自由地探索世界,它们在训练过程无法完全避免错误或者做出不安全的行为;同时我们仍然不能完全使我们的模型适应新的分布,模型的泛化能力是一个重要问题,比如基于真实世界数据集训练的网络很难识别手绘的物体;以及许多其他问题,你可以在下面的文章中查看:

https://blog.openai.com/concrete-ai-safety-problems/

DeepMind : Specifying AI Safety Problems(雷锋网 AI 科技评论)

最优化:梯度之外还有什么?

我本人是最优化理论的忠实粉丝,我认为 2017 年最优化方法最好的综述是由 Sebastian Ruder 撰写的:http://ruder.io/deep-learning-optimization-2017/

在这里,我想回顾一下改善一般的SGD+反向传播的几种方法:

  • 合成梯度(synthetic gradient)和其他方法避免复杂的链式规则通过深度网络。

  • 用于强化学习的演化算法(Evolutionary algorithm),使用不可微的损失函数,避免可能的局部最小值

  • 改进SGD,更好的学习率和batch size规划

  • 学习优化,把最优化问题本身当作一个学习问题看待。

  • 不同空间优化,如果在Sobolev空间训练我们的网络会怎么样?

图片来自 http://bair.berkeley.edu/blog/2017/09/12/learning-to-optimize-with-rl/

我相信,通过演化算法解决不可微函数的优化问题,强化学习,以及学习优化技术,将帮助我们更有效的训练AI模型。

3D和图形的几何深度学习(Geometrical Deep Learning)

在 NIPS 上出现这篇演讲之前,我并没有真正意识到这个课题。当然,我知道现实世界的数据通常位于更高维度的空间,并且数据和信息本身拥有自己的几何和拓扑结构。三维物体可以被认为是点云,但实际上他是一个表面(流形manifold),一个具有自己的局部和全局数学(微分几何)的形状。或者考虑图(graph),你可以用一些邻接矩阵的形式来描述它们,但是你会丢掉一些局部结构或者一些图形。其他的多为对象,例如图像,声音,文本也可以从几何角度考虑。我相信我们会从这个领域中的研究得到许多有趣的见解。

所有数据都具有我们无法避免的局部和全局几何信息

可以在这个链接中找到更多的信息:

http://geometricdeeplearning.com/

结论

除了以上讨论的内容,我们还可以谈论知识表示、迁移学习、单次学习、贝叶斯学习、可微计算等等方面,但是实际上,这些领域还没有做好充分的准备,并不能在 2018 年发展到一个全新的阶段。在贝叶斯学习中,我们陷入了数学抽样中;微分计算很酷,但是神经图灵机、DeepMind 的微分神经计算机仍然遥遥无期;表征学习已经是深度学习算法的核心,所以并不值得去写;单次(one-shot)和少次(few-shot)学习同样还没有发展起来,也没有很好定义的评价标准以及数据集。我希望本文中提到的各个主题能够在逐步成熟,并在2019-2020年更多的应用到实际世界中。

除此之外,下面是一些希望大家能够关注的网站,它们能够提供很多最新的研究进展:

OpenAIDeepMindIBM AI ResearchBerkley AIStanford ML GroupFacebook ResearchGoogle Research (为了方便国内爱好者阅读,雷锋网 AI 科技评论也会第一时间编译其中的精彩文章)

via AI in 2018 for researchers,更多人工智能深入报道请继续关注我们

雷锋网

“锂离子电池之父” Akira Yoshino:自动驾驶时代,我们需要更耐久的车用电池

*锂离子电池之父 Akira Yoshino

雷锋网新智驾按:2018 年 1 月 16 日,雷锋网将在美国科技大本营硅谷举办 GAIR 硅谷智能驾驶峰会,我们邀请了数十家中美两地顶尖的自动驾驶团队在峰会现场演讲分享。这将是 2018 年最值得去的智能驾驶峰会。目前圣诞特惠票依然开放预订中,点击 https://gair.leiphone.com/gair/gairsv2018 直达峰会报名地址,与行业顶尖大脑们进行思想碰撞。

“在自动驾驶浪潮到来之前,电池制造商们必须要重新审视他们目前的技术发展战略。”锂离子电池发明者  Akira Yoshino 最近在接受媒体采访时给了行业从业者这样的忠告。

1985 年,Yoshino 研制出了世界首款锂离子电池模型,目前是朝日化学集团的荣誉顾问,朝日化学集团是全球最大的锂离子电池隔膜供应商。

上世纪 80 年代早期,Yoshino 开始在朝日化学的研究室研究聚乙炔,这种导电聚合物是由日本化学家、诺贝尔奖获得者 Hideki Shirakawa 发现的。虽然这种材料大多用于太阳能电池板和半导体,但 Yoshino 敏锐地察觉到诸多需要可充电电池的小型电子设备开始进入市场,而后他便开始了该领域电池的研发。后来,他成功地用聚乙炔材料(之后转变成碳材料)作为阳极打造出了锂离子电池。

可惜的是,日本索尼先朝日化学一步,在 1991 年将锂离子电池商业化落地到了手机上。而后一年,朝日化学联合东芝集团成立一家合资公司,也开始制造和销售自己的锂离子电池。

2014 年,Yoshino 和其他三位工程师一同分享了美国工程学界最高奖 Charles Stark Draper Prize,其对锂离子电池发展所作出的贡献得到肯定。

在 Yoshino 看来,如今,很多电池厂商都聚焦在制造容量更大、续航更长的电池,因为这是电动汽车发展的需求。但是可预见的问题是,在不远的将来,当自动驾驶汽车落地普及,人们对于短途旅行和共享出行的需求会大大增加,那么,电动汽车的电池必须要能够满足车辆每天高频率使用的需求。

“一辆车被 10 个人共享就意味着要运行 10 次以上,电池的耐久性将变得非常重要。” Yoshino 表示。

Yoshino 认为,电池厂商在将主要精力投入到提升电池的能量密度和降低电池成本上时,也需要找到一种能更好地承受不断膨胀、收缩的耐久性材料来制造电池。若无需同时考虑电池能量密度的提升,这项任务并没有那么艰巨,比如,现在钛酸锂可以用作锂离子电池的阳极,改变目前大量使用碳材料的现状。

锂离子电池搭载到车上是全新的应用,我们必须要找到真正适合于车用的电池。Yoshino 表示,“那个时候我们只是觉得 8mm 摄像机市场将会是锂离子电池很好的切入点,后来这类电池开始在手机、笔记本、大型计算机领域逐渐普及,不过,当时没有人想过后来会将锂离子电池用到车上。”

时代变了。

据彭博社预测,到 2040 年,全球销售的新车中将会有 54% 是电动车。而对于更高级别的自动驾驶车辆,全球范围内有望在 2020 年初步实现,而针对自动驾驶车辆量产落地要跨过的技术和法律问题,2030 年之前全部解决的希望不大。

在未来到来之前,有志于制造电动车和量产自动驾驶车辆的企业,以及诸多的电池厂商,还是应该好好考虑一下“锂离子电池之父”Akira Yoshino 的忠告。

Via:雷锋网新智驾

雷锋网

观数科技李科:用修建集市的方法,造出一所大教堂

“去学计算机?天天坐在电脑前,你以后除了去打印店打打字,还能干啥!?”

在卫生系统工作了大半辈子的老李,理所当然的认为自己的儿子就应该当医生,即使不从事这行,也万万不能去干那打印店的营生。

而当年痴迷于计算机的李科,虽然打心底里不喜欢学医,但还是拗不过父亲,乖乖读了医学院,毕业后进了医院工作,一切看起来顺理成章。

那时的李科,丝毫看不出有日后能成为黑客的潜质。

直到2000年,已经工作了半年的他跟父亲提出要辞职参加成人高考,学自己一直感兴趣的计算机专业。这可把老李气够呛,所以出现了文章开头的那句话。这并非是老李“思想落后”,而是在20年前,绝大多数中国人未曾接触过网络,计算机在那时的主要功能就是打字。

不过,当离开安逸环境的的李科,如愿以偿的学了自己梦寐以求的计算机专业时,他发现父亲气头上的那句话也并非全无道理,学校教的都是一些类似 Word 怎么用,内存 CPU 主机是什么的内容,学这些东西,还真就像是在为打印店培养员工。

多年后,当李科再向我提起这段往事时,他早已成为深谙各种黑客技术的“老司机”,而且还创办了一家名为“观数科技”的网络安全公司,主攻大数据安全。

但当他聊起现在正在做的事情,我依然可以感受到,他还是当年那个不走寻常路的人,倔强的做着非主流的事情。

口述|李科       文|郭佳

走这条路,其实很孤独

我做了 10 多年安全了,有个很大的感触,就是现在各行各业都在关注大数据的东西,创业公司也很多,我们之前甚至还做过金融征信方面的大数据业务,但我发现国内很少有人提大数据的安全是其发展的保障。

比如众多公司都会用到的,对大数据进行分布式处理的软件框架 Hadoop ,它在这个领域应该相当于 Windows 在操作系统中的江湖地位,但国内对它的安全性缺乏关注,为什么?

他们只看到通过大数据分析所能带来的巨大意义,但是目前还没有深刻意识到在数据处理过程中的安全同样重要!我们之前可能听 BAT 这边对数据安全强调的多一些,他们会请专门的人做这块的安全,但对于很多其他的企业,他们同样需要这样的服务。

其实我们和BAT这些安全人员的目标一样,就是让所有的数据不能轻易被访问,访问的时候都要有记录,只不过我们做的东西是通用的,要给各行各业做服务。

为什么现在电信诈骗特别多,其中一个很重要的环节就是数据泄露。电信行业部门很多,而且各个部门负责的工作不一样,跨部门的数据调用非常频繁。比方营销部门、收费部门、用户行为分析部门等,都会互相之间调数据,那最后数据到底是谁泄漏的,说不清楚。观数现在要做的事情就是通过安全防护手段来避免类似事情的发生。

既然数据使用过程中是有合规性的需求的,就需要对整套大数据系统进行 4A 统一安全管理(认证、账户、授权、审计)。我们需要在隔离区和公共区建设一个桥梁,相关使用者必须通过身份验证后才能使用其中的数据进行分析,我们要为有可能使用到数据的每个用户配置相应的权限,而且要做到数据使用记录的可溯源。

就像安卓一样,它做得真有多好吗?不见得,大家都会吐槽它的安全,但还是离不开它。

虽然目前 Hadoop 的生态建得非常完善,已经积累了大量的应用,作为一个核心的底层框架已经得到大家的认可,但从它设计之初就没有过多的考虑安全,即使现在有一个新技术比他效率更高,安全性更好,也很难被淘汰。

由于国外的大数据产业发展更完善,所以针对 Hadoop 框架的安全厂商也相继出现了,像 BlueTalon、Zettaset 等,BlueTalon 也在 06 年的 8 月也拿到了 1600万美金的A轮融资,这说明我们做的这个模式在国外被证明是有市场的,但在国内基本是空白的。

我们原来做了十多年的主机加固,知道在什么系统里面面临怎样的风险,该怎么去保护,这些理念和技术是可以尝试在数据分布式上落地的。

目前,各个厂商还处于“试鞋”的阶段,大家原来都不穿鞋,我现在要把鞋卖给他们,其实挺难的,很多人会问,你为什么要做一个大家都听不懂的东西?

走这条路,其实挺孤独。

我们想用修建集市的方法,造出一所大教堂

我当年入安全这个行当,得到过很多人的帮助。

当年我只是一个对计算机很感兴趣的医生,2000 左右开始出现那种网上的聊天室,我一个土生土长的湖南人第一次通过网络跟北上广的朋友聊上了天,先开始新鲜,见着人就聊,后来慢慢开始找到了志同道合的网友。

那时候有个叫“黑客技术”的聊天室,它跟现在的QQ群还不一样,你白天在聊天室聊,晚上大家睡觉就自动解散了,从此这个聊天室就消失了。但黑客技术不一样,它有固定的名称,永远有人在建这个聊天室,而且里面基本上都是同一拨人,里面就讨论技术,不明白的地方可以请教。

我系统学安全知识最多的地方还是在网上的论坛、社区,那时候大家学到些什么,都会在论坛上写文章分享,我那时也写了好些文章,先开始请教别人,后来也会回答别人的问题,那时候大家真的都特别单纯,讨论的都是技术,发现漏洞后也会想方设法的联系厂家。

做安全所需要的东西很杂,要不断的学习,因为它有太多的应用场景了,凭一己之力远远不够。

做针对 Hadoop 框架的安全开源项目,也是同样的道理,随着应用越来越多,单凭自己一家公司是不够的。

当每一天都有更多的数据、用户和应用在加入Hadoop 时,这对整个数据驱动的组织来说是有好处的,但对安全人员来说,如何保护用户的数据访问安全是个大问题,很多对安全要求比较高的企业就要二选一,要么牺牲掉数据的安全性,要么将数据访问者拒之门外。

观数想搞的这个开源项目,就是想对正确的用户和应用程序提供精确的访问级别,在保证安全的同时不影响对数据处理方面的应用。

如何实现?我们现在可以提供统一的账号管理、基于密码的身份认证、支持RBAC(基于角色的权限)的访问控制、日志审计可视化、覆盖大部分大数据组件的 UI 代理和 REST API (满足约束条件和原则的应用程序设计代理)、支持三权分立、支持 HDFS、Hive、Hbase 等组件,预支持的组件有 ES、Kafka、Storm、Spark。

这些基础的安全防护功能,足以打消部分企业在筹建 Hadoop 大数据平台的一些顾虑,也能帮助一些已经建成的 Hadoop 大数据平台提高安全防护能力。

这也是我们名为“螭吻”的开源项目,观数就是想用修建集市的方法,造出一所大教堂。

为什么一定要做自主可控的大数据安全平台

创业之路并不容易,我也会遇到缺钱的情况,而且三天两头会有人找来,给钱让你搞个站,破个邮箱什么的,有人也会经受不住诱惑,但这条路肯定不能走。

即使是做安全,我们也选了一条不那么容易的路。

圈内不少人问过我,国际上已经有开源的大数据安全项目,为什么不拿来修改,而要自己重新做?

我觉得信息安全本就是一个对自主可控要求非常高的领域,就像是我们在花大力气做自己的芯片和操作系统,大数据安全领域也应该有国产自主可控的产品,特别是党政军等保密性要求很高的领域,这样,至少能让国人多一个选择。

国内的大数据方案提供商在搭建基础架构的时候,针对安全需求多数采取使用国外 Apache 开源项目,如:Sentry、Ranger、Knox、Kerberos等,国内在此领域相对处于空白,这些优秀的项目当中没有一个来自于中国。从另一方面看,目前开源组件解决的基本是“点”的问题,很难全面的发挥协同作用,这样其实并不能真正形成有效的方案。

做安全,只是做好自己的产品有时是不够的,做的再好,也不会用你的,因为软件不够,周边没有其他的协同效应,生态差。但是当做好一个产业的培育时,周边就会滋生出很多其他的企业来围绕这个框架做工作。这,才是我所想要的教堂。

重要的事情说三遍,此为雷锋网雷锋网雷锋网原创文章,未经授权禁止转载。

雷锋网

沃尔沃高级副总裁:我们如何看待与 Uber 的合作,以及沃尔沃的自动驾驶未来

雷锋网按:多数车企在与合作伙伴协作的同时,都有自己的自动驾驶规划,沃尔沃也一样。2013 年,沃尔沃在瑞典哥德堡公布了名为“Drive Me”的 100 辆车的用户测试计划,之后,这一计划扩展到了伦敦和中国。

上个月,沃尔沃和 Uber 刚刚签署了一项业内最大的自动驾驶订单,前者将向这家全美最大出行公司出售 24,000 辆 XC90 SUV。而早在此之前,两家就一直在进行自动驾驶方面的合作,由沃尔沃提供车辆,帮助 Uber 扩展其自动驾驶车队。

(2018 年 1 月 16 日,雷锋网·新智驾将在美国硅谷举办 GAIR 硅谷智能驾驶峰会,届时,将有国内外多位自动驾驶行业专家到场,带来丰富的行业干货分享。详情请点击:https://gair.leiphone.com/gair/gairsv2018)

本文由雷锋网编译自 Forbes 作者 Doug Newcomb  对沃尔沃研发高级副总裁 Henrik Green 的专访,其中主要讨论了沃尔沃的自动驾驶规划,与 Uber 的合作,以及这家车企如何实现 2020 年零死亡事故的目标。

Doug Newcomb:你们最早是怎么跟 Uber 接触的?

Green:我们是几年前偶然碰到一起的,之后很快发现在发展自动驾驶方面有共同的兴趣。同时,我们之间也有共同的合作基础和很好的承诺。

Newcomb:和 Uber 合作的好处是什么?

Green:在汽车行业,相对而言,我们的体量比较小,这也正给了我们一些机会。首先,我们可以跑得更快;第二,我们非常清楚自己不可能什么都做,因此需要建立多方面的合作,这可以帮助我们谋得更好的发展。在我看来,这些合作加起来会比全部自己来做要好得多。我们尽力跑得更快,也尽力利用这些合作快速扩张。

Newcomb:Uber 决定购置 24,000 辆 XC90,这可以为沃尔沃带来什么?

Green:我们基本上还是专注于自己的资源和技术,开发具备冗余系统和电子软件架构、适合自动驾驶的车辆。同时,我们也开发自己的面向消费者的自动驾驶系统,并希望到 2021 年可以将 L4 级的自动驾驶技术投入市场。这是沃尔沃为零售客户提供的产品,但是基于同样的基础车辆,Uber 也可以放入他们的自动驾驶软件,为他们的租车系统服务。

就合作而言,我们是基于同样的车辆联合开发,沃尔沃的工程师会全程参与,当然,这之中我们也会互相学习,只不过他们更专注自身的系统,而我们更关注车辆技术。

Newcomb:这 24,000 辆车什么时候可以在 Uber 上提供服务,会在哪儿先上线?

Green:我们会在 2019-2021 年交付车辆,但是具体的上线时间和地点,你还得去问Uber。

Newcomb:和 Uber 合作过程中,你们有过对合作关系影响较大的分歧吗?

Green:关于这点我无法评价。我们在合作中一直关注汽车技术,也一直进展得很顺利。我们在技术方面配合得很好。

Newcomb:与 Uber 的合作和与“Drive Me”有什么不一样?

Green:我们一般从三方面讨论沃尔沃的自动驾驶路线。我们有具备冗余机制、兼容自动驾驶系统的基础车辆,这正是我们在和 Uber 合作的项目;另外,我们和 Autoliv 成立了合资公司 Zenuity ,共同开发面向消费者的自动驾驶应用;第三,“Drive Me”是一个研究项目,更关注人与自动驾驶系统的交互,以及自动驾驶与常规人类驾驶如何安全、舒适地切换。在将技术安全投向市场的过程中,我们认为这是非常重要的。所以,“Drive Me”的主要关注点是人,以及他们如何与各种系统之间交互。

Newcomb:在自动驾驶方面,你们现在还有哪些技术上的挑战,如何去克服?

Green:眼下我们的技术挑战主要来自三方面:我们需要具备自动驾驶架构的车辆,需要自动驾驶大脑,需要有任何场景下都非常安全、流畅的用户交互。如何把这三点都处理好,是目前的挑战所在。

Newcomb:沃尔沃发展自动驾驶汽车的主要目的是什么?

Green:给用户更多时间。

沃尔沃一直努力在做的一件事就是让生活更便捷、更简单,让车辆拥有变得更简单。你可能也听到了很多关于 XC40 以及“月付租车”的信息。

如果把驾驶任务交给自动驾驶系统,可以帮助用户每天节约 20-30 分钟的上下班时间,短期内,这会提供很大便利。从长期来看,我们也相信自动驾驶汽车会成为社会和城市的重要组成部分,促进交通安全,减少交通事故和死亡率。

Newcomb:现在大部分自动驾驶汽车都集中在城市,对于偏远地区,你们有关注吗?

Green:这其实和手机很相似。看地图时,你会最先看哪儿?很多新手机在我郊区的家根本买不到。自动驾驶也是一样。我们应该会在测试过的特定区域发布第一款自动驾驶商业应用,之后这个版图会逐渐下沉。它所覆盖的区域会随着时间快速扩大,至少我希望是。这个路线就是从人口密集区域、靠近大城市的高速公路开始,逐渐向乡村地区延伸。

Newcomb:大约 10 年以前,沃尔沃发布了“ Vision Zero”计划,希望到 2020 年生产出真正的无伤害汽车,现在离这个期限只有两年时间了,这个目标能够实现吗?

Green:当然,这个目标是优先级的,我们也一直在努力,我们会在推出的每个新车型上一步步实现。

Newcomb:但是美国的交通死亡率还在上升,看起来时间已经很紧迫了。

Green:对美国以及整个汽车产业来说,实现零交通死亡率都是一个非常重要的里程碑。在这个指定的时间范围内,我们会推出新的车型。这是我们的目标。如果看一下沃尔沃陆续推出的新车,其实我们发布的每一辆车都在减少事故伤亡方面得到了提升。

雷锋网推荐阅读:

《Uber下单24000辆SUV,联手沃尔沃组建最大规模自动驾驶车队》

雷锋网

2017年自动驾驶行业发生那么多大事,我们觉得这8件最重要

汽车行业正在发生巨变,自动驾驶为行业开辟了一片新大陆。

美国著名智库布鲁金斯学会(Brookings Institution)搜罗了自动驾驶领域各利益相关者在过去三年(2014 年 8 月至 2017 年 6 月)发生的投资和交易行为,自动驾驶共计 160 笔投资,总额达 800 亿美元。

自动驾驶新创公司融到的资金,其中一部分便是来自汽车制造商和供应商疯狂的跑马圈地,因此大手笔收购成为业内常态。

例如在今年,英特尔豪掷 153 亿美元收购 Mobileye;福特 10 亿美元投资的自动驾驶公司 Argo.ai 宣布收购激光雷达公司 Princeton Lightwave;通用汽车收购激光雷达公司通用汽车宣布收购 Strobe ;德尔福 4.5 亿美金收购自动驾驶新创公司 nuTonomy……

与此同时,奥迪推出首款 Level 3 级别自动驾驶车型 A8、凯迪拉克超级巡航(Super Curise)完成脱手驾驶穿越美国之旅、通用汽车 Bolt 无人驾驶测试版车型批量下线。这也让我们看到自动驾驶从概念向产品的逐渐落地趋势。

在整个自动驾驶汽车产业欣欣向荣蓬勃发展之时,2017 年即将过去,雷锋网整理和总结过去一年发生在自动驾驶行业的热门事件,他们上过媒体头条,也刷屏过你的微信朋友圈——正是这若干个「星光时刻」构成了自动驾驶的未来走向。

1、英特尔收购 Mobileye:算法加芯片是通往 AI 未来的关键路径

今年自动驾驶行业最大的收购案是英特尔以 153 亿美金的价格收购 Mobileye,这笔收购案轰动了整个行业。

这一重塑行业竞争格局的收购案背后,折射出的行业趋势是:算法加芯片是通往人工智能未来的关键路径。这表明,在自动驾驶时代,谁同时掌握算法和芯片,谁就能在产业化方面获得巨大的竞争优势。

而英特尔通过对 Mobileye 的收购,将成为前者登陆自动驾驶新大陆的前哨站。

观察人士评价:Mobileye 肯定意识到单纯以计算机视觉技术为主不足以实现无人驾驶。因此希望利用英特尔的技术、资本及其他资源优势来帮助其在未来的自动驾驶领域做得更大,让一个技术型公司最终在恰当的时间站在风口上。

Mobileye CEO Amnon Shashua 在今年 10 月的一次分享中也部分印证了上述判断:我们谈论自动驾驶不是某个产品,而是整个行业。一家公司如何凭借一己之力做完整个行业的事情?所以 Mobileye 需要背靠大公司,借助更多资源来推动自动驾驶。

被收购后的 Mobileye 如何继续站在风口?一是与英特尔研发一种结合英特尔芯片和 Mobileye 技术的新型自动驾驶系统;二是与英特尔、宝马一起在 2021 年推出最高级别(SAE Level 4 /Level 5)的自动驾驶汽车。

而备受期待的 EyeQ 4 芯片和 Mobileye 苦心打造的 REM 产品,明年都将看到成果落地。从 ADAS 到自动驾驶,明年会是 Mobileye 大展拳脚的时刻吗?

2、百度阿波罗计划:行业的「及时雨」

今年 4 月 19 日,百度在上海车展推出「阿波罗计划」,宣布开放自己的自动驾驶技术。简单来说,阿波罗计划是百度将所有与智能驾驶相关的技术打包,然后以阿波罗计划的名义,逐步对外开放。

这样,汽车行业以及自动驾驶领域的合作伙伴(车企、供应商和创业公司)能够使用百度开放的软件平台,硬件参考平台,搭建一套属于自己的自动驾驶系统。

据雷锋网了解,「阿波罗计划」的原型是「数据开源」战略,最初由百度美研的一名工程师向李彦宏提出,这个背后基于两个背景:一是应对去年百度自动驾驶工程师离职潮,数据开源是应对人才流失的唯一办法;二是自动驾驶要获得政府认可,数据需要透明。

百度总裁陆奇正是「阿波罗计划」的操盘手。这个计划的灵感来自谷歌主导的智能手机系统 Android,通过对手机系统开源,让其他手机公司可以对其进行定制。这也是陆奇在各个公开场合所表达的:让阿波罗计划成为「汽车界的安卓」。

到目前为止,阿波罗平台已经获得了 73 家公司支持,不但有中国汽车公司如奇瑞、长安和长城,还有美国科技公司与德国汽车巨头,其中不乏英伟达、英特尔、微软、福特、德尔福、大陆、博世、戴姆勒等鼎鼎大名的公司。

作为中国自动驾驶的中坚力量,百度开放后的自动驾驶世界会变成怎样?对整个产业会造成多大影响?百度可以凭借阿波罗计划打一场自动驾驶技术的翻身仗吗?这些问题,至少在 2017 年我们还没有得到答案。

多数乐观者们认为,「这是一场及时雨」。自动驾驶行业需要「送水人」,传统车企们想进入自动驾驶却面临重重技术壁垒,百度率先对外开放其在自动驾驶领域的核心技术能力,打破了自动驾驶领域的高门槛壁垒,赋力传统车企推进自动驾驶的落地进程。

从自动驾驶的竞争者转型为自动驾驶行业「赋能」的服务者,2018 年,百度的阿波罗计划还能给行业哪些惊喜?这肯定是我们最为期待的。

当然,如果你对百度阿波罗有更多兴趣,2018 年 1 月 16 日,雷锋网在美国科技大本营硅谷举办 GAIR 硅谷智能驾驶峰会上,我们邀请了百度智能驾驶事业群组总经理李震宇,他将出席并带来主题演讲,欢迎报名参与,到时将有机会和他来个面对面交流。详情请访问 https://gair.leiphone.com/gair/gairsv2018

3、德尔福拆分:打造自动驾驶「神经」和「大脑」

虽然德尔福的动力总成系统部门仍然可以保持盈利,带来营收,未来前景也十分明朗,但自动驾驶,移动服务和汽车互联的蓬勃发展让德尔福看到了更多的机会。

今年 12 月 5 日,德尔福宣布完成对其动力总成业务部门拆分。母公司正式改名安波福(Aptiv)公司,而拆分出来的公司叫德尔福科技(Delphi Technology)。通过业务上的分拆,业内人士评价这一举动为「迎合市场,顺势而为。」

分拆之后,安波福将聚焦于互联汽车和自动驾驶汽车业务;德尔福科技则专注内燃技术、软件和控制、以及电气化。

从自动驾驶角度看,安波福将聚焦两个方向:一是针对汽车厂商,主要以 Level 3 级别(SAE)自动驾驶为主;二是继续投入研发 Level 4/5 级别自动驾驶,发力自动驾驶按需出行(Automated Mobility on-Demand,简称 AMoD)服务。

过去两年,安波福已围绕「大脑」和「神经系统」进行了一系列部署

从技术层面讲,安波福将专注于汽车的「神经」和「大脑」的匹配。「神经」主要负责数据的传输,「大脑」主要负责数据的处理分析。

在安波福的理念中,它不是一家商业公司,而是一家科技公司。

现在,安波福在做的便是打造非常重要的尖端科技。从 2015 年收购的自动驾驶软件公司 Ottomatika,到今年收购的自动驾驶初创公司 nuTonomy,这背后反映的一个趋势是软件、算法对于自动驾驶的重要性越来越凸显。

投资、并购、合作、联盟与拆分,这是汽车供应商德尔福在自动驾驶领域布局的 5 个关键词。这也是在自动驾驶时代,汽车供应商德尔福应对汽车创新,率先给出自己的思考。

4、激光雷达:向「新型」传感器进化

除了固态化是激光雷达未来的产品方向外,在 2017 年,激光雷达在应用和落地方面呈现多个发展趋势:

一是多个激光雷达耦合:

今年 CES Asia 上,速腾聚创向外界展示了一套针对高速公路环境下的多激光雷达耦合解决方案。多激光雷达耦合是指多个混合固态激光雷达经过合理设计布局,通过激光雷达联合标定以及数据同步处理,达到自由组合混合固态激光雷达点云密度变化的目的。

实际上,通用、苹果、Drive.ai 等众多研发自动驾驶的公司都在采用这种方式。

二是激光雷达融合摄像头:

今年出现了更多提供多传感器融合技术的供应商。

这里包括 DeepScale(不开发传感器,对外提供参考设计加软件的传感器融合解决方案),但更突出的一类公司是自己在研发传感器并开发传感器融合方案的公司,如位于硅谷的激光雷达公司 Innovusion。

今年 12 月,Innovusion 向雷锋网展示了一款激光雷达与视觉融合半固态激光雷达样机 Hi Def LiDAR。

与视觉的融合是 Innovusion 产品的一大特色——在车内的实时点云上,我们可以看到视野中的每个三维立体的像素点。除了 RGB 信息,每个点都带有空间坐标和反射值信息。同时在软件和硬件层面对传感器进行融合,可以提高系统的运算效率,融合得到的数据也是过去任何一种单一的传感器难以达到的。

第三个趋势,激光雷达公司开始与汽车厂商或 Tier 1 高度捆绑。

今年 7 月,Velodyne 宣布与全球最大的汽车安全公司 Autoliv 签署协议,后者加入 Velodyne 的 Tier-1 生产计划(Tier-1 Manufacturing Program),双方将利用各自优势生产满足汽车厂商需要的车规级激光雷达。在更早之前,Velodyne 已经获得福特联合百度的 1.5 亿美元投资。

除了投资激光雷达公司 Quanergy,德尔福在今年还分别投资了两家激光雷达公司 Innoviz 和 Leddar Tech。TetraVue 在今年拿到了博世的投资;Luminar 拿到了丰田的投资。

通用则直接收购激光雷达公司 Strobe,福特投资的自动驾驶公司 Argo AI 也收购了一家激光雷达公司 Princeton Lightwave。

在国内,禾赛拿到了百度的投资,速腾聚创业更是获得了国内某一线车企的强力支持。

另一方面,提升激光雷达的生产效率、在关键模块上的 ASIC 化并缩减成本已经成为行业共识。今年,Velodyne 和 Quanergy 先后对外表示,预计将在明后两年实现年产百万台规模激光雷达。

从趋势来看,激光雷达已经成为自动驾驶传感器领域竞争最为拥挤的赛道,多家公司先后推出了自己的激光雷达产品。

一方面。机械式激光雷达的竞争显然已经到达巅峰。另一面,新型固态激光雷达的竞争才刚刚开始。作为自动驾驶最不可或缺的传感器,2018 年,这些激光雷达厂商还将带来技术和产品上的哪些新进展,将是所有自动驾驶公司最为关心的问题。

5、退休的 Alphago 成为了「阿尔法巴」

有个段子:全球人工智能最高水准的代表是 Alphago(阿尔法狗),它将代表人类最高智慧的顶尖围棋高手战胜之后,高处不胜寒,便宣布退休。

荣誉退休的阿尔法狗不久来到深圳,突然想再挑战人类的极限。阿尔法狗说,目前持 A 牌驾照的驾驶员代表了人类最高的驾驶水准,所以我想挑战人类的驾驶技术。

于是「阿尔法巴」横空出世。

乌镇互联网大会的前一天,12 月 2 日上午,4 辆名叫「阿尔法巴(Alphabus)」的智能驾驶公交车正式在深圳福田保税区的开放道路进行试运行。

乌镇互联网大会原本是最吸引媒体目光的一次盛会,但在阿尔法巴上路的第二天,各种「震惊体」作标题的文章纷至沓来,热度直逼乌镇那张著名的饭局合照。

「始料未及。」海梁科技董事长助理穆毅告诉雷锋网,海梁科技正是阿尔法巴背后的技术团队。

「没想到媒体会如此轰动,我自己的朋友圈,包括家人的朋友圈,已经被那个事情(「震惊体」文章)刷屏了。」他说,当时很多媒体都来求证这件事情,他们花了好几天时间才对外界解释清楚:阿尔法巴是「有人驾驶、试验线路、只针对特定人群开放。」

更夸张的是,几天后,还有专门从北京、上海等地飞来的民众特地飞来深圳,想要体验这辆「无人驾驶」的阿尔法巴。

作为第三方创新力量的代表,海梁科技董事长胡剑平——这位在公共交通领域有超过 30 年经验的行业老兵向雷锋网表示,阿尔法巴不仅仅是一辆车,更是一套智能驾驶公交系统。未来他的目标是希望将这套智能的驾驶公交系统广泛用于国内的公共交通汽车上。

「我们不是像网络所说『要打响消灭司机的第一枪』,我们真正的愿景是要打响消灭私家车的一枪,就是公共交通优先。」在谈到公司使命时,胡剑平这样告诉雷锋网,「我们不造『富人的玩具』,我们的科技应该普惠普通大众。」

阿尔法巴的余温尚在,以至于雷锋网在好几个公共场合都听到有人讨论此事。明年 6 月,阿尔法巴还将推出 2.0 版,将在 1.0 版的性能和体验上有大幅度提升。

在雷锋网看来,阿尔法巴在深圳路试,是一次伟大的尝试,意味着智能驾驶公交时代序幕拉开,同时也在一定程度上增强了普通大众的接受程度。另一方面,这仅仅是一个开始,要真正实现理想的无人驾驶公交,还需要克服法律法规和技术上的死角。

台湾自动驾驶运营公司 7starlake 总经理丁彦允告诉雷锋网,要想让无人驾驶巴士落地运营,有四个要素需要考量:基础建设的成熟度、系统科技的稳定度、监管法规的配合度和社会大众的接受度。

7starlake 在台北夜间试运营

在丁彦允和团队一年半的努力下,7starlake 在今年 5 月宣布与法国 EaseMile 共同研发的 EZ10 无人驾驶(SAE 自动驾驶标准 Level 4)巴士引进台湾。目前已经在台湾多个地方进行试运营。

放眼全球,自动驾驶的商业化落地已有渐卷全球之势。据彭博社的一份调研报告,自动驾驶项目已经在全球 47 个城市开展运营试点,其中 22 个城市已经开始着手布局自动驾驶的相关政策法规、规划以及治理条例等。

一个趋势是,自动驾驶技术将率先在公共交通领域落地。自动驾驶的推动者认为,自动驾驶汽车作为民众在乘坐巴士、地铁或其他公共交通后,是解决「最后一公里」的交通手段。未来自动驾驶汽车还将取代出租车和公共交通系统,提供移动出行服务。

6、北京自动驾驶政策出台:产业发展从可能向确定转变

12 月 18 日,北京市交通委等 3 部门联合发布《北京市关于加快推进自动驾驶车辆道路测试有关工作的指导意见(试行)》、《北京市自动驾驶车辆道路测试管理实施细则(试行)》两个文件,正式也是首次为北京地区的自动驾驶在开放公路的测试工作提出了管理规范。

此前,从事自动驾驶企业一个难题是不能开展自动驾驶路测,如今颁布的这两个文件是国内第一部关于自动驾驶方面的法规,这带来的一个信号是,将加速自动驾驶产业发展。而政策落地之后,自动驾驶的真正落地将不再遥远。

当然,北京并非首个出台自动驾驶新规、允许无人车在开放道路测试的城市。全球首个允许无人驾驶汽车上路测试的地区是在美国加州——这也是目前是全球无人驾驶汽车测试的主要基地。

2014 年 9 月加州开始颁布无人车路测许可后,截至目前共吸引了 49 家公司前往路测,覆盖传统车企、零部件供应商、科技巨头和初创公司。

2017 年 9 月 6 日,美国众议院一致通过美国首部自动驾驶汽车法案(H.R.3388),而德国则在今年上半年通过了首部自动驾驶汽车法律。

各国政府相继推出与自动计时相关法律条文,在业内看来,这是破冰之举,政府在法律法规层面的跟进,使得产业发展从可能性向确定性的转变。

如今,北京作为首个「吃螃蟹」的城市,率先实现政策落地,这对上海、深圳等国内一线城市的政策出台会有非常大的拉动意义。到明年,可能会有很多城市效仿北京的做法,同时也会出台更多、更具体的规则和标准。

7、百度起诉前员工背后:自动驾驶领域人才流动越发频繁

12 月 22 日早间,百度以「侵犯商业秘密」为由,将其前高级副总裁、自动驾驶事业部首任总经理王劲及其离职百度前就透露的自动驾驶创业项目「景驰科技」告上法庭,并索赔 5000 万元。这成为「国内自动驾驶的第一案」。

在自动驾驶领域,前东家起诉前员工,百度并非首例。

今年 2 月,谷歌旗下自动驾驶公司 Waymo 起诉前高管 Anthony Levandowski。后者曾是 Waymo 的高管,在离职后创办了自动驾驶卡车公司 Otto,随后该公司被 Uber 以 6.8 亿美元收购。

同期,特斯拉将 Autopilot 项目前主管 Sterling Anderson 告上法庭,连带一起卷进诉讼的还有前谷歌自动驾驶项目负责人 Chris Urmson,他在离开谷歌后与 Anderso 创办了自动驾驶初创公司 Aurora Innovation。

在前东家将前员工更告上法庭之前,业界巨头们纷纷对这样的自动驾驶技术公司进行了兼并与收购。

去年 8 月,Uber 收购了自动驾驶卡车新创公司 Otto,该公司创立仅仅 7 个月,就卖出了 6.8 亿美元的价格。通用汽车去年 3 月份买下了自动驾驶初创公司 Cruise Automation,这笔交易到去年 7 月以将近 10 亿美元成交。今年 2 月,福特计划向从前 Uber 成员成立的创业公司 Argo AI 投资 10 亿美元。今年 10 月,德尔福以 4.5 亿美金的价格买下自动驾驶初创公司 nuTonomy。

这些业内顶级工程师们明白,这类大公司愿意花大价钱购买他们一手创立的公司,因为自己才是真正值钱的筹码。许多工程师也看透这一点,他们纷纷出走另立门户,通常一个仅有十几名员工的自动驾驶新创公司短时间之内就能卖到数亿美元。

随着近两年自动驾驶蓬勃发展,这一领域的人才流动也越发频繁。

据 Autonews 的报道:前特斯拉 Autopilot 团队成员 Andrew Gray(上图为他个人履历),在特斯拉的两年职业生涯后,他于 2015 年 9 月加入 Cruise Automation。在通用宣布收购 Cruise Automation 之前,Gray 转投 Otto,而在 Uber 收购 Otto 后,他又成为了 Uber 自动驾驶工程师。

这个例子仅是自动驾驶人才流动的缩影。对于某些工程师来说,他们也许更加偏爱初创公司,但这类公司最终的结果也难逃被大公司「吞并」的命运。

8、特斯拉研自研 AI 芯片:掌握自动驾驶主动权

2016 年 1 月,芯片界的传奇微架构工程师 Jim Keller 加入特斯拉,出任副总裁,负责 Autopilot 自动驾驶系统的软件和硬件。

Jim Keller 曾先后参与 Alpha 21164 和 21264 两款处理器的设计。他是 AMD Athlon K7 架构的关键人物,AMD K8 的首席架构师;他主持设计了苹果 A4、A5 两代移动处理器。加入特斯拉之前,他是 AMD Zen 核心负责人。

今年 12 月,特斯拉 CEO Elon Musk 首次对外证实研发 AI 芯片一事。特斯拉自研自动驾驶芯片,反映的是随着自动驾驶的蓬勃发展,计算需求由通用转向专用,由训练走向落地。

对于量产的自动驾驶车而言,计算核心必须是嵌入式的,不仅要满足计算性能,同时要满足低功耗需求,成本也要可接受。

这意味的是,自动驾驶系统所需要的芯片,由原本不计代价、不惧高功耗追求绝对算力的 GPU,走向低成本、低功耗、高性能的 ASIC。

在 Jim Keller 加入特斯拉之前,雷锋网听到一个说法是,Jim Keller 打算自主创业,筹划创建一家 AI 芯片公司。但后来这位芯片大神不知为何改变了主意,跑去给 Elon Musk 打工。这也让特斯拉成为独享 AI 芯片的汽车公司。

对特斯拉而言,尤其是在自动驾驶时代,自研芯片是成为自动驾驶垂直整合企业的重要一步,它对特斯拉意义重大:

首先,控制芯片的研发和生产就能减少特斯拉对供应商的依赖,在关键时刻不会被掣肘。

其次,自研芯片,特斯拉可以根据不同的需要定制自己想要的产品。

第三,一旦 AI 芯片量产,它还能成为特斯拉的一大利润来源,既可以售卖,也可以将相关技术授权给其他公司。

最后,在自动驾驶产品体验上也能更上一个台阶。业内最好的例子就是苹果,它对软件、硬件和服务进行了完美的垂直整合,这也是安卓系统一直望尘莫及的。

特斯拉有了自动驾驶专用 AI 芯片的加持,会不会离 Elon Musk 曾在公开场合表示的「全自动驾驶将在两年内实现」的愿望又更进一步?

PS:最后,是一则硬广。

想了解更多自动驾驶未来发展趋势、想和全球顶级的自动驾驶专家面对面交流吗?

2018 年 1 月 16 日,雷锋网在美国科技大本营硅谷举办 GAIR 硅谷智能驾驶峰会,我们邀请了数十家中美两地顶尖的自动驾驶团队在峰会现场演讲分享。这将是 2018 年最值得去的智能驾驶峰会。

目前圣诞特惠票依然开放预订中,点击 https://gair.leiphone.com/gair/gairsv2018 直达峰会报名地址,与行业顶尖大脑们进行思想碰撞。

雷锋网推荐阅读:

风起云涌!2017 自动驾驶行业大事记

雷锋网

Geoffrey Hinton、Andrew Moore、吴恩达等人总结 2017 AI 大事件

雷锋网 AI 科技评论按:近年来,人工智能似乎成为了业内讨论最广泛的科学技术,尤其是在 2017年,人工智能已然是业内关注的焦点。有的人认为,具有超级智能的机器人可以威胁人类、接管世界;也有的人觉得,人类对人工智能的恐惧被夸大了。

因此,当 2017 年即将过去的时候,外媒 Axios 对人工智能圈内的一些知名人物进行了一次采访,看看在他们的眼里,今年最重要的人工智能大事件都是些什么吧。雷锋网 AI 科技评论把他们的呈现介绍如下。

Rodney Brooks,Rethink Robotics 公司创始人

对我来说,今年最重要的人工智能时间,其实是我在电视上看到的一个广告。那是在2017年12月17日礼拜天,当时电视上正在播放美国橄榄球大联盟比赛,其中一个广告是该联盟自己拍摄的,说他们正在使用机器学习技术来分析球迷的想法。广告的结尾,美国橄榄球大联盟展示了自己在亚马逊 AWS 服务上部署的机器学习技术。这是大约三个礼拜之前的一个事情,我觉得它的意义在于,现在机器学习和人工智能技术已经被「炒」的很多了,预计很快就能给橄榄球球迷带来一定影响了。

吴恩达,Landing.AI 首席执行官

 AlphaGo 展现出了强大的计算和数据处理能力,但是卡纳基梅隆大学开发的德州扑克人工智能程序 Libratus 则感觉更具创新。从技术观点来看,这个结果令人感到很惊喜。

Andrew Moore,卡纳基梅隆大学计算科学学院院长

Libratus AI 战胜了四位顶级德州扑克选手,这次胜利是非常重要的,因为这意味着人工智能技术有了极大的提升,已经可以考虑对手可能故意误导等手段了。在一个对信息真实性审查越来越严格的世界里,我们看到新一代人工智能对原始事实开始表现出怀疑,这真的是太神奇了。

Geoffrey Hinton,多伦多大学

我认为,2017年,人工智能在很多方面都取得了很大的进展,但是却没什么突破,比如 2014 年就开始说要在机器翻译里应用神经网络,而 AlphaGo 其实也是2016年的。

在我看来,令人印象最深刻的事情有这么几个:

1、神经架构搜索:它使用神经网络实现自动化设计神经网络的「黑魔法」,现在已经开始应用了;

2、使用注意力的机器翻译,无需循环神经网络或卷积;

3、围棋领域里的 AlphaGo 升级版 AlphaGo Zero,它很快就学会了如何以人类的方式下围棋,而且已经成为了目前最好的人工智能围棋引擎。

Greg Diamos,百度高级研究员

今年,给我印象最深刻的就是斯坦福大学的研究人员团队,他们开发出了首个人工智能「放射科医生」,它可以检测心律失常,然后告知人类医师检测结果。我认为,随着技术的发展,人工智能在医疗领域里的应用会越来越多,这令我感到非常惊讶。

Azeem Azhar,Peer Index 创始人 The Exponential View 策展人

2017 年的人工智能大事件,我会选择两件事,他们都非常重视人工智能技术的应用,而且也都能解决一些过去被人们忽视的问题。

第一个是微软研究院的凯特•克劳福德(Kate Crawford),她介绍了机器学习算法是如何出错的,这个问题会加强和扩大现有的人工智能偏见。

第二个是由剑桥大学阿德里安•维尔德(Adrian Weller)发表的一份论文,其中提到了如何建立算法系统,这些算法系统可以反映出人类对公平的直觉如何。我们必须对凯特•克劳福德和阿德里安•维尔德所提到的问题加以重视,并且刺激科技行业接受。

Terah Lyons,Partnership on AI 执行董事

今年,人工智能还是给我们带来了一些令人心痛的时刻,因为在某些边缘化问题上,人工智能的表现似乎并不太好。比如最近,Kristian Lum 就表示从事机器学习的同事有性骚扰行为,这需要在人工智能领域里引起重视,而且多样性问题绝不是一个侧面表现。

科技行业里的性别歧视似乎越来越猖獗,这对人工智能领域也非常有害,甚至会带来灾难性的后果,其中最重要的原因,就是很多排他性的设计会带来比较严重的问题,而人工智能可以很容易地把问题进一步扩大,并且延伸很多糟糕的人类偏见。

我们所有人都有义务把包容性作为创新首选,特别是在人工智能这样一个有潜力带来巨大利益的领域。2018 年,在人工智能尝试解决的所有重大挑战中,包容性应该是要排在第一位的。

Been Kim,谷歌大脑研究科学家

今年,我认为比较受欢迎的最大趋势,是人工智能可以尝试应对一些可解释性的问题,这意味着我们有了一种可以帮助人类理解人工智能模型的方法。

在今年举办的 ICML 上,就设置了人工智能解释性教程和一些相关的研讨会。此外,在 NIPS 大会上,也有研讨会和人工智能解释性的介绍,明年 CVPR 大会和 FATML 会议也都会有相关议程。

Richard Socher, Salesforce首席科学家

也许,2017年最令我感到印象深刻的事情,就是来自于本月初召开的 NIPS 大会上。伦理,成为了人工智能研究领域里最令人印象深刻的核心主题之一。我有必要提醒大家,人工智能是否能够获得成功,重点在于信任、透明和平等的价值观。

VIA axios,雷锋网 AI 科技评论编译

雷锋网

与梅奥诊所合作, Clew Medical 使用 AI 来预测重症病人的并发症

美国每年住院的重症监护患者超过500万,约30%的患者无法活下来。早期诊断能够提高护理质量和效率,而效率的提高又可降低发病率和死亡率。此外,早期治疗还能缩短患者的住院时间,并把对患者的长期损害降到最小,因为长期损害在患者出院很长一段时间后仍可能对其造成影响。

随着AI技术在医疗领域的不断投入,利用AI来提供病人临床恶化的早期迹象对于医生或者创业公司来说也成为了一个重要的思路。

重症监护患者尤其容易出现肾和肝衰竭、心脏骤停、休克、器官功能衰竭和败血症等并发症问题,尽管重症监护室投入了大量资源,但上述情况还是会发生。以色列大数据医学调研公司Clew Medical就是其中一家公司,他们推出其AI预测分析平台,对重症监护环境中威胁生命的并发症的早期预测进行研究。

雷锋网了解到,Clew Medical于2014年在以色列成立,公司开发的系统对医院重症监护病房收集的医疗信息进行分析,对可能发生危及生命的现象提供早期预警,并为住院病人的护理决策过程提供支持。联合创始人Gal Salomon表示,在一家普通的医院,重症监护室通常是医院最小的部门,仅占约9%的床位,却占用了医院31%的预算。

简而言之,Clew的思路是使用实时数据和机器学习技术来提供病人临床恶化的早期迹象,然后将信息放置在一个易于阅读的界面中,其中一些数据每隔几毫秒就采集一次。

据雷锋网了解,此前,Clew在其相关性研究中所用的数据来自特拉维夫大学附属Sourasky医学中心以及美国数家医院在2007-2014年间收集的患者信息,其中前者约收集了8000名患者的信息。

上述匿名信息通过高级数学算法进行清理、过滤和分析,创建模型,对重症监护患者病情恶化和/或并发症进行早期预测。“借助准确预测临床病情的模型,医务人员能够提高医护水平,并根据每个患者的不同需求对症下药。

Salomon说,“这种能力对重症监护室来说绝对是至关重要的。即使只是在可能发生并发症的数小时内趁早发现问题,也能把病人从死亡线上拉回来,并大大降低发病率,而发病率在患者出院很长一段时间后仍可能会影响患者的治疗效果。”

“如今,大多数可用的系统都可以通过人口健康模型或预先设定的基于规则的警报来提供基本的预测,”Gal Salomon表示,“Clew的平台能够使用大量的数据来生成针对患者的预测。而且,由于系统利用了先进的机器学习技术,我们的预测模型可以随着时间的推移而不断发展和完善。“

雷锋网了解到,Clew加入了一批在医疗和保健环境中使用AI的创业公司,其中包括使用AI从扫描中识别疾病的Zebra Medical Vision 和使用AI为癌症患者提供重要资源的Belong。除了识别风险最高的患者之外,系统还能识别患者预期的医疗结果的偏差,帮助确定患者的护理水平是否应该改变,并协助资源分配。

“我们最初的部署是针对一线医疗中心,”Salomon表示。“目前,我们在位于明尼苏达州罗彻斯特市的梅奥诊所,特拉维夫医疗中心(1500张病床,以色列最大的学术医疗中心)运行的概念系统已经得到验证,也在美国的几家医院里部署我们的系统。这一领域的规定是一个不断变化的目标,而且正在迅速发展。

那么Clew的下一步是什么?

“公司最初的重点是ICU的设置,但是,在高灵敏度的环境下证明了我们系统的有效性,Clew正在扩大它的产品范围,包括围手术期、ER部门、综合医院楼层等,”Salomon说。“系统也可以从病人的床边部署,实时同步到一个集中的临床指挥控制中心。”

雷锋网