From Import AI
本期因为比较忙的原因，大部分都交给小D做了，更新晚了，很抱歉。
阿里巴巴应用强化学习来优化在线广告：
......游戏和机器人是很酷，但最稀有的研究论文是研究那些在赚钱的现实系统的...
中国电商和AI巨头阿里巴巴发表了关于一项强化学习技术的一系列细节，这项技术可以进一步地优化的付费搜索实时竞拍中的广告。该算法，M-RMDP (Massive-agent Reinforcement Learning with robust Markov Decision Process) 提高了广告的效果，并降低了每个广告客户的潜在花费，同时提供了一个新的经验性的验证，强化学习是可以应用于高度调谐过的，基于规则的启发式系统的，比如这里说的在线广告中的。
值得注意的是，谷歌在这个领域只发布了很少的论文，这表明阿里巴巴在这个具有战略性领域发表论文的原因有如下两个。
它认为，它在这一领域还落后于谷歌和其他的一些公司
通过发表论文，就能够吸引到那些想与阿里巴巴合作的研究者们。
M-RMDP的主要贡献是，模拟了随着需求量起伏变化而在不同拍卖状态之间的转换。
方法及规模：
阿里巴巴表示，它设计的系统是用来处理它所谓的“大规模智能问题”的，而这个问题是为了设计一个可以确实处理“成千上万智能体”的强化学习方法。论文中，用了1000个CPU和40个GPU作为训练的基础设施。
结果：
选择了阿里巴巴的搜索拍卖平台两天的数据来进行训练和测试，通过模拟测试集中的反应来测试其系统的有效性。一旦它已经用这种线下测试证明了其方案的有效性，然后就开始进行在线测试。他们发现M-RMDP方法显着地提高在广告效果方面的广告主们的投资回报率。
为什么重要：
看看现在强化学习的用在实际中的例子，最引人注目的还是各种视频游戏或棋盘游戏的应用，或者执行相当简单任务的机器人，而用于实际赚钱任务的还很少。所以看到强化学习做一些具体和实际的事情，是一个好的转变。
更多：Deep Reinforcement Learning for Sponsored SearchReal-time Bidding (Arxiv).
中国官方媒体呼吁人工智能开发的合作：
...新华社评论说，中国在人工智能上的崛起是一种好事，而不是威胁...
新华社试图批评一些关于中国AI崛起的冷战术语，回击那些说中国AI“抄袭”的声音，并呼吁进一步合作和减少竞争。 新华社报道，iFlyTek首席执行官刘庆峰在CES上向新华社表示，海量数据集、算法和专业人才是人工智能的必备组合，“需要全球性合作”和“没有公司可以发挥其霸权”。
更多：Commentary: AI development needs global cooperation, not China-phobia (Xinhua).
中国AI创业公司商汤科技加入麻省理工学院的“Intelligence Quest"：
...资金加政治的一揽子计划...
中国人工智能巨头商汤科技加入麻省理工学院人工智能研究与开发联盟'MIT Intelligence Quest'，该公司专注于面部识别和自动驾驶汽车，并与本田，高通等大公司签署战略合作伙伴关系。在麻省理工学院最近的一次AI大会上，商汤科技的创始人汤晓鸥做了一个简短而精彩的演讲，讨论这个合作伙伴关系。“我认为通过这样的合作我们一定会甚至超越深度学习，深入未知领域。”汤说。
数据增长：
商汤科技正在优化的面部识别算法，使用更大的数据量，该公司在2016年，通过6000万张照片将面部识别的精确度提高到“1 / 100万”，然后在2017年通过20亿张照片的数据集将其提高到“1 / 1亿”。
假总统：
他还简短地演示了一个商汤科技的合成视频项目，该项目演变了奥巴马总统对特朗普总统演讲的镜头，而且反过来也做了一次。可以在这里观看视频（视频）view on Twitter here (Video).。
更多:
MIT and SenseTime announce effort to advance artificialintelligence research (MIT).
Adobe研究人员试图给机器人更好的方向感，使用“Adobe Indoor Nav”数据集:
…+:用Tango手机和商品机器人自动收集数据…
Adobe的研究人员发布了Adobe Indoor Nav，这是一个旨在帮助机器人在现实世界中导航的数据集。在24个单独的“场景”中包含3544个不同的位置，虚拟机器人可以学习导航。每个场景对应一个真实世界的位置，包含一个三维重建，通过点云，360度全景视图，和从一个小型地面机器人的角度的前后左右的视图。这些数据集结合起来，为人工智能研究人员提供了一套开发机器人导航系统的环境。研究人员写道:“拟议的设置是一种有意简化的现实世界机器人视觉导航，既没有移动障碍也没有持续驱动。”
重要性：
对于现实世界的机器人人工智能系统来说，要想变得更有用，它们必须能适应新位子，并找到如何导航特定目标周围方法。这项研究表明，我们离实现这一能力的理论突破还有很长一段路要走，但它确实包含了一些令人鼓舞的迹象，让我们有能力将必要的数据收集过程自动化，以创建需要开发基线的数据集，以评估新的算法。
数据采集:
研究人员使用联想Lenovo Phab 2 Tango，手动扫描每一个场景，创建3D点云，然后自动分解为特定障碍物的地图，以及3D地图。一款名为'Yujin Turtlebot 2'的机器人将这些地图连同它的机载激光扫描仪、RGB-D相机和360摄像头，一起在场景中进行导航，并拍摄了一系列高分辨率的360张照片，然后将其拼接成一个连贯的场景。
结果:
研究人员通过创建能够在场景中导航的基线智能体来证明数据集。他们的A3C智能体与一个LSTM网络成功地导航了任何一个情景的定位到另一个定位，而且常找出只比理论上最小步骤的多几步的路线。研究人员还展示了这一技术的一些潜在延伸，以进一步提高性能，比如增加机器人在判断中所包含的空间信息的数量。
更多:
新的xView数据集标志着地缘政治的新时代，因为各国都试图自动分析这个世界：
美国国防研究人员发布数据集和相关竞赛推动卫星图像分析的发展...
美国国防部的国防创新部门实验室（DIUx）、DigitalGlobe还有美国国家地理空间情报局的研究人员发布了xView。这是一个数据集和其相关的竞赛，用于评估人工智能方法对高空卫星图像进行分类的能力。 xView包含60个类别的100万个不同对象，分布在1,400平方公里的卫星图像上，最大地面样本分辨率为0.3米。该数据集旨在测试图像识别的各个领域，包括：学习效率，细粒度类别检测和多尺度识别等。比赛包括10万美元的奖金，以及计算点数。
为什么重要：
地球开始仔细看向了自己。随着SpaceX，Rocket Labs等新型火箭的发射变得更便宜，电子技术的发展使得硬件更好了，于是更多的初创公司开始放置自己的卫星，随着这样的趋势关于地球的可用数据量也将增加几个数量级。如果能弄清楚如何使用AI技术分析这些数据集，我们就可以更好地对地球变化做出反应，并为补救自然灾害而筹集资源。更远点说，为了更好地装备军队等组织，让他们了解其周围的世界，并据此计划和采取行动。于是高度资讯化地缘政治的新时代即将到来......
数据详情：
xView包括许多具有父类和子类的对象，例如具有包括帆船和油轮的子类的“海运船”。其他类别包括固定翼飞机，乘用车，卡车，工程车辆，铁路车辆和建筑物。 “xView在物体探测和卫星图像空间中提供了一个大型，多类，多地点的数据集，该数据集有PASCAL VOC的基准性能，COCO的质量控制方法以及其他各种数据集的贡献” 他们写道。数据集中最常见的一些物体包括建筑物和小型汽车，还有些稀有的物体包括像伸臂堆垛机和拖拉机，以及油轮等。
基线结果：
研究人员通过实施Single Shot Multibox Detector meta-architecture（SSD）模型，并通过三种数据集变体进行测试而创建了分类基线。这三种数据集变体分别是，标准xView、多分辨率的还有通过图像增强的多分辨率的。从多分辨率数据集的训练中发现了最好的结果，货机的准确性高达67％以上。这些分数绝大多数都非常低，所以很期待如果将更加复杂的基于深度学习的方法应用在这个问题上会是什么结果。
军用标准的数据精度：
“我们为了达到一致性，在单一设施中进行了所有标注，遵循详细的指导原则，输出受到多项质量控制检查。”作者写道。其他AI研究人员如果能够负担得起，也是可以达到同样高的标准（笑）。
更多： xView: Objects in Context in Overhead Imagery (Arxiv).
获取数据集：xView官网 .
艾伦研究所获得1.25亿美元研发常识AI：
...一个开放的，现代化的，注入ML的Cyc实际上可以发挥作用吗？ …
符号系统的人工智能方法的口碑很差——它们在上世纪八九十年代风靡一时，但在投入了大量资金之后，由于采用了基于深度学习的人工智能方法，几乎没有什么大的成功。这一领域的主要项目是 Doug Lenat's Cyc ,就像只是拥有融合的力量,离重大突破可能还需要几年，也许是30年。但这并不意味着符号系统是毫无价值的，它们可能只是被低估了，需要复兴——许多人告诉我，符号系统一直在使用，但它们通常是私有的或秘密的(即军事)。但是，证据仍然不足。这很有趣,Paul Allen(原微软创始人之一)在三年内投资1.25亿美元到他的艾伦人工智能研究所，推出亚历山大项目,一项倡议旨在创建一个知识库,融合机器阅、语言和视觉项目，拥有人工标注的“常识”语句。
基准：
“这是一个非常宏大的长期研究项目。事实上，我们只是开始建立一个标杆，所以我们可以在这方面的评估进展，” 在GeekWire采访时，eAI’2的CEO奥伦·奥尼说，“为了到坚定，可靠，更广泛的系统，我们确实需要这样的背景知识，这种常识性的知识体系。
更多: Allen Institute for Artificial Intelligence to PursueCommon Sense for AI (Paul Allen.)
更多: Oren Etzioni interview (GeekWire).
俄罗斯研究人员使用深度学习通过卫星图像来诊断火灾造成的损失：
...简单的技术突出了人工智能工具的普遍性以及更容易获得卫星图像用于灾难应对...
莫斯科斯科尔科沃科学技术大学的研究人员公布了他们是如何应用机器学习以自动分析2017年加利福尼亚野火的卫星图像的细节。研究人员使用了Ventura和Santa Rosa国家的DigitalGlobe卫星图像，在火势扫过之前和之后创建了图片数据集， 包含约1,000座建筑物（760座未损坏建筑物和320座烧毁建筑物），然后使用预先训练过的ImageNet网络进行微调，学习将烧毁建筑物与未烧毁建筑物进行分类，准确率为80％至85％左右。
重要性:
这样的东西很有趣，主要是因为节省了时间，因此一旦您注释了数据集，就可以相对容易地训练新模型，以便根据新技术改进分类。像这样的技术需要用到的另一个组件，频繁更新的卫星图像，但是在这个领域里已经有一些创业公司像Planet Labs等，所以这看起来很有可能。
更多: Satellite imagery analysis for operational damageassessment in Emergency situations (Arxiv)
