10月最熱的10篇AI相關(guān)文章，介紹谷歌、OpenAI、MIT等的最新研究，以及AI道德判斷、算法偏見等受關(guān)注話題。

1. 谷歌如何利用強(qiáng)化學(xué)習(xí)來提出正確的問題

當(dāng)搜索引擎找不到你想要的答案時，你會怎么做？你會試著重新組織提問吧。

谷歌正試圖通過新的Active Question Answering(Active QA)智能體來模仿這一點(diǎn)，這是一個使用強(qiáng)化學(xué)習(xí)來訓(xùn)練AI進(jìn)行問答的系統(tǒng)。當(dāng)你提出一個問題時，它會產(chǎn)生很多有相似含義的問題。它會搜索所有問題的答案，然后選擇最好的答案返回給你。

這有助于聊天機(jī)器人取得進(jìn)步。與其讓你在它們不明白的時候重新組織措辭提問，不如讓它們自己去做！

而且，它是開源的。

閱讀：

What’s New in Deep Learning Research: How Google Uses Reinforcement Learning to Ask All the Right Questions— fromJesus Rodriguez

https://towardsdatascience.com/whats-new-in-deep-learning-research-how-google-uses-reinforcement-learning-to-ask-all-the-right-69c172f113c4

2. OpenAI新方法教AI如何學(xué)習(xí)

通常，當(dāng)我們訓(xùn)練AI去執(zhí)行某項(xiàng)任務(wù)時，我們需要用某種方法來告訴它做得有多好，或者至少向它展示一些任務(wù)做得很好的例子。

但是，對于難以評估性能的、高度復(fù)雜的任務(wù)，該怎么做呢？有時候，即使是人類也無法向AI展示如何做某事——比如管理整個城市的交通系統(tǒng)。

OpenAI提出一種新方法使AI能夠?qū)⑷蝿?wù)分解為更小的子任務(wù)，稱為“迭代擴(kuò)增”（Iterated Amplification）。然后，它會要求人類對這些子任務(wù)提供demo?；诖耍梢元?dú)立解決大任務(wù)。

這項(xiàng)技術(shù)還處于非常早期的階段，但由于它來自O(shè)penAI，接下來幾個月應(yīng)該會有更新，保持關(guān)注。

閱讀：

Learning Complex Goals with Iterated Amplification?—?fromOpenAI

https://blog.openai.com/amplifying-ai-training/

3、MIT道德機(jī)器

自動駕駛汽車相關(guān)的一個主要問題是，它們最終將不得不做出連人類都無法做決定的道德選擇。

如果不避讓就會撞上一群人，避讓就會撞上另一個人，它應(yīng)該避開人群嗎？它應(yīng)該保護(hù)乘客，還是保護(hù)行人？它應(yīng)該保護(hù)年輕人還是老年人？盡管這些情況極為罕見，但很顯然，這些情況確實(shí)有可能發(fā)生。

MIT媒體實(shí)驗(yàn)室的這篇文章分析了道德機(jī)器（Moral Machine)的結(jié)果，他們做了一個實(shí)驗(yàn)，調(diào)查了數(shù)百萬人針對這些情況的決策。

答案因國家而異。例如，西方國家的人比東方國家的人更傾向于選擇保護(hù)年輕人。

現(xiàn)在就考慮這些問題是很有必要的，因?yàn)樵谀承r候，汽車制造商和程序員將不得不做這樣的決策：一旦自動駕駛汽車面臨兩個都很糟糕的結(jié)果，它無法拒絕選擇。

閱讀:

Should a self-driving car kill the baby or the grandma? Depends on where you’re from— fromMIT Media Lab

Nature大型調(diào)查：當(dāng)AI遭遇電車難題，它將拯救誰？

https://www.technologyreview.com/s/612341/a-global-ethics-study-aims-to-help-ai-solve-the-self-driving-trolley-problem/

4. 帶答案的圖表

制作有助于理解數(shù)據(jù)集的圖表是很困難的。當(dāng)存在很多變量和數(shù)據(jù)點(diǎn)時，任何可視化的嘗試都可能令人感到混亂、不完整和誤導(dǎo)性。

這篇文章提出一個解決辦法：當(dāng)你做圖表時，問自己一個你想要它回答的問題。

通過確保你的圖表有一個清晰的焦點(diǎn)，可以避免圖形過于籠統(tǒng)——從而導(dǎo)致無用。

在這篇文章中，作者將引導(dǎo)你完成探索一個數(shù)據(jù)集的過程，每次一個問題。其中有些圖表能讓你感覺自己非常了解這些數(shù)據(jù)。

閱讀：

Ask the Question, Visualize the Answer?—?fromFlowingData

https://flowingdata.com/2018/10/17/ask-the-question-visualize-the-answer/

5. 從好奇到拖延

在強(qiáng)化學(xué)習(xí)中，AI學(xué)會與環(huán)境進(jìn)行交互，并在表現(xiàn)良好時獲得獎勵。利用這些獎勵，它能學(xué)習(xí)如何執(zhí)行任務(wù)，例如玩游戲或在迷宮中尋找物品。

但有時候獎勵很難獲取，在得到下一個獎勵之前，AI不知道它是否做得很好。對這種情況的解決方案之一是引入好奇心（curiosity），有好奇心的情況下，AI會因?yàn)榘l(fā)現(xiàn)新事物而獎勵自己。

這通常會產(chǎn)生奇妙的效果，但谷歌AI的研究人員這次嘗試了不同的方法：他們在迷宮中放置了一個具有好奇心的AI，并放了一臺電視機(jī)和遙控器。

猜猜發(fā)生了什么：AI一直呆在電視機(jī)前，不停切換頻道！它學(xué)會了拖延。

這其實(shí)很有道理：對于AI來說，新頻道是一種“新東西”，因此不斷切換頻道對它的好奇心是非常有益的。

也許有時候讓AI過于人性化不是一個好主意:)

閱讀：

Curiosity and Procrastination in Reinforcement Learning— from Google’s AI blog

ai.googleblog.com/2018/10/curiosity-and-procrastination-in.html

6. 如何畫貓？

Quick, Draw!是Google開發(fā)的一個AI小游戲，它要求你隨便畫一些東西，然后AI會識別你畫的東西。這個小游戲產(chǎn)生了一個巨大的數(shù)據(jù)集，來自世界各地的人們繪制了超過5000萬張畫。

這篇文章探討了可視化這個有趣的數(shù)據(jù)集的一種聰明的方法。你知道美國人畫的冰淇淋甜筒是一勺的，而意大利人畫的是三勺嗎？你能想到人們畫瑜伽姿勢會畫出多少種方式嗎？

使用像t-sne和autoencoders這樣的方法，我們可以把這些雜亂無章的圖像轉(zhuǎn)換成地圖。有了它，我們可以探索更多這樣的模式。

閱讀：

Machine Learning for Visualization—from Ian Johnson

https://medium.com/@enjalot/machine-learning-for-visualization-927a9dff1cab

7. 亞馬遜的性別歧視人工智能

亞馬遜最近試圖使用機(jī)器學(xué)習(xí)，通過分析求職者的簡歷來選擇參加面試的候選人。事情進(jìn)行得并不順利。

簡單的說，該算法分析了過去的招聘數(shù)據(jù)——男性的比例普遍過高——得出的結(jié)論是，女性真的不太可能被聘用，因此它將女性的簡歷放在不利的地位。

這是各種各樣推薦系統(tǒng)的常見缺陷，但最近的新聞表明，即使是擁有大量資源的大公司也會上當(dāng)。

好消息是，這種情況已經(jīng)結(jié)束了，所以你大可以提交申請，不用擔(dān)心性別歧視。但這是一個很好的提醒，提醒我們機(jī)器學(xué)習(xí)系統(tǒng)經(jīng)常受到數(shù)據(jù)的影響。

據(jù)路透社報道，亞馬遜棄用了對女性有偏見的AI招聘工具。

閱讀：

Amazon scraps secret AI recruiting tool that showed bias against women— fromReuters

https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G

8. 不確定性問題

有時候，僅僅知道你平均來看擊中了中心是不夠的，你需要知道每一次射擊的結(jié)果離中心有多近。評估置信度對于好的預(yù)測是至關(guān)重要的。

今年1月，數(shù)據(jù)分析師Erik Bernhardsson決定為他所做的每一個預(yù)測提供不確定性估計。

實(shí)驗(yàn)結(jié)束后，他發(fā)表了這份指南，提供了簡單的方法和代碼來估計不確定性。如果你想學(xué)習(xí)如何在不需深入復(fù)雜數(shù)學(xué)的情況下做到這一點(diǎn)，看這篇文章就好了!

閱讀：

The hacker’s guide to uncertainty estimates?—?fromErik Bernhardsson

https://erikbern.com/2018/10/08/the-hackers-guide-to-uncertainty-estimates.html

9. 定制合成人臉

你可能已經(jīng)聽說過生成對抗網(wǎng)絡(luò)(GAN)被用于生成人臉，或改變?nèi)四樀奶卣?，例如使其看起來更年老?/p>

在這篇文章中，作者更進(jìn)了一步。除了生成人臉之外，他的系統(tǒng)還可以學(xué)習(xí)連續(xù)修改任何一種面部特征。

這很厲害。大多數(shù)現(xiàn)有模型只學(xué)習(xí)執(zhí)行一次轉(zhuǎn)換（利用從年輕變成年老，從女人變成男人)：轉(zhuǎn)換的類型和范圍都是固定的。任何改變都需要對模型和新數(shù)據(jù)集全面地進(jìn)行重新訓(xùn)練。

在這個研究中，一旦系統(tǒng)被訓(xùn)練好，你可以很方便地添加新的可修改特性。另外，你可以做任何程度的改變——無論你想讓臉看起來更年輕一點(diǎn)還是更年老一點(diǎn)，都可以做到。

感興趣嗎？請看這個令人印象深刻的演示：

閱讀：

Generating custom photo-realistic faces using AI?—?fromShaobo GUAN

https://blog.insightdatascience.com/generating-custom-photo-realistic-faces-using-ai

10. 發(fā)現(xiàn)假視頻

“我們正在進(jìn)入一個時代，在這個時代里，我們的敵人可以制造讓任何人在任何時候說任何話的視頻，并且讓它看起來像真實(shí)的?！泵绹翱偨y(tǒng)奧巴馬(Barack Obama)從未說過這話。這是一個假視頻演示的。

這只是deepfake(人工智能生成的假視頻)的一個例子。這些假視頻難以置信地令人信服，雖然有些很有趣，但它們也可以被用來實(shí)施欺騙和傳播虛假信息。

在這篇文章中，研究人員解釋了他們發(fā)現(xiàn)的檢測deepfakes假視頻的方法。從檢查人物眨眼的方式到檢查壓縮率，仍有一些信息會暴露deepfakes。

但這場斗爭是永無止境的。一旦發(fā)現(xiàn)了假視頻的缺陷，deepfake的制造者就會采取行動進(jìn)行糾正。為了領(lǐng)先一步，必須持續(xù)研究。

閱讀：

These new tricks can outsmart deepfake videos?—?for now?—?fromWired

https://www.wired.com/story/these-new-tricks-can-outsmart-deepfake-videosfor-now/