AI一周热闻：华为豪掷3.3亿剑桥买地，自建光芯片工厂；比特大陆IPO失败，组织架构调整...

导读

华为豪掷3.3亿剑桥买地，自建光芯片工厂
苹果春季发布会无硬件发布，转型之心迫切
比特大陆IPO失败，组织架构调整，王海超任CEO
特斯拉起诉小鹏汽车员工窃取商业机密
英伟达发布GauGAN，线条色块秒变逼真图像
用机器学习防止偷猎，保护生物多样性
语言模型可能比你想象的更聪明
佐治亚理工学院研发出无人机和人类合作灭火算法
谷歌发布新基准Audio de-ID，让音频日志去个人信息更容易
gym-gazebo2发布，可测试强化学习算法性能

华为豪掷3.3亿剑桥买地，自建光芯片工厂

近日，华为创始人任正非日前在接受BBC采访时称，华为计划在英国剑桥大学建设芯片工厂，占地500英亩，在爱丁堡等地建立芯片研究中心，其中100英亩计划设立研发部门和园区。他还表示，如果美国不信任华为，华为将更大规模地把投资转到英国。

最近几个月，在美国“压力”之下，斯坦福和牛津等多所美英精英大学先后取消了与华为的联系，并拒绝接受华为资助。“我们与大学的合作，尤其在基础研究方面，不仅不会停止，还会增加，”华为董事徐文伟在接受采访时表示。他首次披露华为每年在资助及与大学建立合作关系方面的支出超过3亿美元。

据了解，光芯片即光通讯模组，是光器件的核心元件，基于受激辐射原理，主要用于光电信号转换等。在光通信建设中，光器件、光模块代表着光通信行业的核心竞争力，并在5G传输网络扩容中拥有广阔市场。

“在光芯片上，我们是领导全世界的，我们建工厂就是为了将来出口到很多国家去。我们英国工厂可以接受英国的监控，经过英国监控的芯片卖到西方国家，为什么不可以呢？这样就不在中国生产了。中国也生产芯片，可能只卖到中国和一些相关能接受的国家去。” 任正非说。

苹果春季发布会无硬件发布，转型之心迫切

3月26日，苹果在史蒂夫·乔布斯(Steve Jobs Theater)剧院举行春季特别活动——好戏开幕(It’s Show Time)。在两个小时的发布会期间，苹果没有发布任何一款硬件产品，而是连续推出了新闻、信用卡、游戏、电视和原创内容流媒体等五项服务平台产品，从中可以看到起转型的迫切心情。但是由于监管和市场等原因，这些新服务大多只面向北美市场，暂时都和中国市场无缘。

在会上，苹果推出5项服务平台产品，分别是：

Apple News+：每月9.99美元无限阅读的新闻订阅服务，其中包括了300多本知名报刊杂志；
Apple Card：苹果联合高盛和Mastercard，在Apple Wallet应用中推出Apple Card虚拟信用卡（也有实体卡），无需年费也没有各种手续费（通过Apple Pay返现2%，从苹果购物返现3%，实体卡返现1%），更有消费数据分析功能。苹果信用卡将于今天夏天正式发布。
Apple Arcade：游戏订阅服务Apple Arcade，玩家可以以订阅价格享用100多款新游戏和独家游戏（具体价格尚未公布）。
Apple TV Channels：流媒体电视订阅服务，用户可以根据各自需求喜好订阅不同的视频内容服务，价格尚未宣布。
Apple TV+：原创内容视频平台Apple TV+，为此苹果还请来了斯皮尔伯格、奥普拉、安妮斯顿、杰森·莫玛（Jason Momoa）等诸多炙手可热的一线好莱坞明星，到发布会现场助阵。

上述游戏和流媒体服务将于今年5月上线。

比特大陆IPO失败，组织架构调整，王海超任CEO

比特大陆周二发布内部信，表示这一轮IPO申请将于近日失效，但不会放弃上市，未来在合适的时间还将重启上市工作。同时，比特大陆还宣布了组织架构调整，王海超担任公司CEO，詹克团继续担任公司董事长，吴忌寒继续担任公司董事。

内部信中，比特大陆重新审视了公司的业务：聚焦在数字货币和人工智能芯片以及基于此的产品和服务；成立了蚂蚁矿机、算丰芯片、AI算力、蚂蚁矿池、BTC.COM、自营算力等业务线。

特斯拉起诉小鹏汽车员工窃取商业机密

近日，特斯拉在旧金山联邦法院提起诉讼，指控其自动驾驶团队的前工程师曹光植窃取特斯拉自动驾驶系统Autopilot的源代码。2018年，曹光植从特斯拉离职并加入小鹏汽车。

3月22日，小鹏汽车针对上述诉讼做出了回应。小鹏汽车方面表示，在曹光植入职前后，小鹏汽车都没有发现存在特斯拉所声称的任何可能违规行为。目前，小鹏汽车已针对此事启动进一步调查。

紧接着，小鹏汽车创始人何小鹏发声回应称，特斯拉和小鹏汽车都是创新公司，都在针对自动驾驶做自主研发，只有竞争才会使技术进步，用户受益。

英伟达发布GauGAN，线条色块秒变逼真图像

近日，英伟达推出图像生成软件GauGAN，可以把线条和色块自动生成逼真的图像，以假乱真。

预印本论文地址：https://arxiv.org/pdf/1903.07291.pdf

在训练数据上，英伟达利用Flickr上的100万张图像来训练神经网络。这款软件可以合成数十万个对象及其与现实世界中其他对象的关系。

这项成果背后的黑科技是空间自适应的归一化，这种条件归一化通过空间自适应学习转换使用输入语义布局来调制激活，可以在整个网络中有效地传播语义信息。

目前，为了获得实时结果，GauGAN必须在Tensor计算平台上运行。不过，英伟达应用深度学习研究副总裁Bryan Catanzaro表示，未来经过一些修改后，GauGAN可以在几乎任何平台上运行，包括CPU上，但生成的结果可能需要几秒钟时间才能显示。

用机器学习防止偷猎，保护生物多样性

南加州大学、生物多样性关键区秘书处、世界自然基金会、野生动物保护协会和乌干达野生动物管理局的研究人员和工作人员利用机器学习提高了护林员防止偷猎的效率。

该项目由南加州大学与乌干达、柬埔寨易受偷猎地区的护林员合作，分析了偷猎事件的历史记录，并建立预测模型，以预测可能的偷猎地点。

结果令人鼓舞：研究人员在乌干达伊丽莎白女王国家公园（QENP）进行系统早期测试后，继续在乌干达默奇森瀑布国家公园（MFNP）和柬埔寨的Srepok野生动物保护区（SWS）进行系统测试。在MFNP，护林员利用该系统检测到38个地点发生偷猎。此外，观察结果显示”在高风险地区猎活动数量最多，在低风险地区最少”，这表明研究人员开发的算法正在学习有效的模式。研究人员还在柬埔寨的SWS公园中部署了该模型，并再次观察到被归类为高风险的算法区域具有较高的偷猎率。

影响：为了了解这种技术的影响，我们将现场测试的结果与护林员的典型观察结果进行比较。

在2018年的柬埔寨SWS公园中，护林员每个月没收的陷阱平均数量为101，相比之下，在使用机器学习系统的当月，他们清除了521个陷阱。

重要性：机器学习方法使我们能够为世界构建感知和响应基础设施，随着这些技术的样本效率和准确性提高，我们将能够更好地构建可以帮助我们进行管理的系统。将机器学习用于保护生物多样性令人深感欣慰。

：赶走偷猎者：在不确定性下进行非法野生动物偷猎预测和巡逻规划现场测试评估（https://arxiv.org/abs/1903.06669）。

语言模型可能比你想象的更聪明

“NeuroSpin中心”认知神经影像部门、Facebook AI研究院和阿姆斯特丹大学的研究人员分析了在较长时间尺度上对语言结构建模的能力时，LSTM如是何跟踪某些类型信息的。作者写道，这个分析的目的是探索“这些通用序列处理设备是否可以在其训练数据中发现语言的真正结构特性，或者是否可以通过基于机会主义表层模式的启发来解释”。

研究人员研究了一种预训练模型，“它由650维嵌入层，两个650维隐藏层和一个词汇量为50,000的输出层组成”。他们在一组被称为“数字协议任务”中评估这个模型，设置难度逐渐提高，来测试主谓一致性。

有时会聚集在一起的神经元：在分析过程中，他们注意到LSTM已经开发了“两个’祖母’单元，用于跨越干扰介质，将数字特征从主语传递到动词”。他们发现，这些单元有时会帮助网络在特定的棘手情况下作出决定：“当主语和动词接近时，LSTM会用更加分散的机制来预测数字，而祖母数字单元只在更困难的远距离情况下才发挥关键作用“。

他们还发现，其中一个单元会“编码嵌入式短语的存在，该短语将主要分离主谓依赖关系，并且与长距离数字单元具有较强的传出联系，这表明网络依赖于真正的句法信息来调整一致性特征渗透”。

重要性：“值得注意的是，简单地在原始语料库数据的语言模型目标上训练LSTM会导致单个单元携带特殊的语言信息。我们发现，其中三个单位形成一个高度互动的本地网络，构成了执行长距离数字一致性的“神经”电路的核心部分。“他们写道。LSTM语言模型中的一致性不能完全由表层启发式解释，并且网络在某种程度上学会了构建和利用基于结构的句法表示，类似于那些推测支持人类句子处理的表达。”

最有趣的是，当训练这些网络时，出现了明显的复杂性，似乎验证了关于相对简单的网络的能力的一种说法——给定足够的计算力，就会开发出非常复杂的功能。

：LSTM语言模型（Arxiv）中数字和语法单元出现（https://arxiv.org/abs/1903.07435）。

佐治亚理工学院研发出无人机和人类合作灭火算法

佐治亚理工学院的研究人员开发了一种算法，可以让人类和无人机合作灭火，无人机可以从大火上方分析火灾，并将这些信息传递给消防员。他们写道：“这个算法通过准确估计潜在火焰传播动力学来克服现有工作的局限性，从而实现无人机智能协调，以支持地面人类消防员。”

研究人员使用FARSITE软件模拟野火火势蔓延，该软件已被美国国家公园管理局和林务局广泛使用。他们使用自适应扩展卡尔曼滤波器（AEKF）来预测火灾可能蔓延到的地方。他们开发的基本系统可以进行模拟，以协调无人机和人类的行动，使无人机学会智能地告知人类有关火焰蔓延的信息。他们还部署了一个“人类安全模块”，可以预测人类的安全程度，以及随着时间变化，他们所在的地点是否仍然安全。

重要性：我认为在未来十年内，我们将会看到人类和无人机团队共同应对野火或建筑火灾变得更加普遍，这样的论文展示了我们可以如何使用自适应软件系统来提高救援人员的安全性。

：人类—机器消防队的安全合作（https://arxiv.org/abs/1903.06847）。

谷歌发布新基准Audio de-ID，让音频日志去个人信息更容易

医疗数据是机器学习研究人员最难获得的数据类型之一，因为它包含了太多个人身体健康信息。这意味着，人们需要研发工具从医疗数据中删除这些个人信息，以便人们可以在其之上构建二级应用程序。另一方面，近年来越来越多的医疗服务实现了数字化，导致数字医疗相关数据量的增长，我们需要从中把个人信息删除，才能用于机器学习研究。

现在，谷歌的研究人员正试图通过发布Audio de-ID，在音频领域解决这个问题。这是一个衡量取消识别音频日志成功率的新指标，也是评估系统的评估基准。该评估基准测试了谷歌的数据集模型，该数据集由“Switchboard”和“Fisher”数据集组成，包含在数据中标记和打上标签的个人健康信息（PHI），并挑战了模型自动从数据集中切割个人身份信息。

从音频日志中提取个人信息：从音频日志中删除个人身份信息是一项棘手的任务。谷歌的pipeline工作原理如下：“首先使用[音频语音识别]从音频生成转录，通过运行基于文本的[命名实体识别]标记，然后使用ASR（自动语音识别技术）确定的对齐的标记边界编辑[个人健康信息]。我们的标记器依赖于最先进的技术来解决识别音频转录本中的实体音频NER（命名实体辨别）问题。我们利用可用的ASR技术，并将其对齐组件用于音频。

重要性：论文中的（初步）基准测试结果表明，音频语音识别性能是“实现与文本de-ID大致相当结果的主要障碍”，这表明，开发出更强大的ASR模型，我们自动清理数据集的能力将提高，并将其用于更多任务。

数据集：https：//g.co/audio-ner-annotations-data（目前显示404）

：音频去个人信息：新的实体识别任务（https://arxiv.org/abs/1903.07037）。

gym-gazebo2发布，可测试强化学习算法性能

Acutronic Robotics的研究人员发布了gym-gazebo2软件，人们可以用它来开发和比较强化学习算法在“ROS 2”和“Gazebo”软件平台上模拟的机器人的性能。Gym-gazebo2包含仿真工具、中间件软件和’MARA’机器人的高保真模拟，由Acutronic Robotics开发。

Gym-Gazebo2组成部分：该软件由三个主要软件组成：ROS 2、Gazebo和Gym-Gazebo2。Gym-Gazebo2可以通过docker容器安装，这样可以简化设置。

MARA，MARA，MARA：最初，Gym-Gazebo2有四种环境，基于Acutronic Robotics的Modular Articulated Robotic Arm（MARA）系统。这些环境是：

MARA：将抓手移动到目标位置agent获得奖励。
MARA Orient：将抓手移动到目标位置和特定方向代理获得奖励。
MARA碰撞：和MARA获得奖励的方式相同，但如果机器人与任何东西发生碰撞，则会受到惩罚。
MARA Collision Orient：代理获得奖励的方式与MARA Orient相同，但如果与任何东西发生碰撞，将受到惩罚。

（值得注意的是，这些环境非常非常简单：真实世界的机器人任务往往涉及更多的多步骤场景，通常还有其他约束。但是，这些环境可能有助于在开发早期验证给定方法的性能。）

免费算法：除了gym-gazebo2之外，Acutronic Robotics还发布了一系列算法ros2learn（基于OpenAI Baselines），以及一些预先构建的实验脚本，用于在’MARA’上运行PPO、TRP和ACKTR等算法机器人平台。

重要性：机器人技术即将被AI彻底改变。随着全球研究人员多年研发，深度学习技术日趋成熟，可以应用于机器人来解决以前不可能或非常昂贵且编程复杂的任务。像gym-gazebo2这样的软件可以让我们更容易地在高保真模拟中验证算法。

ros2learn GitHub代码：

https://github.com/AcutronicRobotics/ros2learn/tree/master/experiments/examples/MARA

gym-gazebo2 GitHub代码：https://github.com/AcutronicRobotics/gym-gazebo2

：gym-gazebo2，一个使用ROS 2和Gazebo（Arxiv）进行强化学习的工具包（https://arxiv.org/abs/1903.06278）

作者 Jack Clark 有话对 AI 前线读者说：我们对中国的无人机研究非常感兴趣，如果你想要在我们的周报里看到更多有趣的内容，请发送邮件至：jack@jack-clark.net。

参考链接：

https://jack-clark.net/2019/03/25/making-better-healthcare-ai-systems-via-audio-de-identification-teaching-drones-to-help-humans-fight-fires-and-why-language-models-could-be-smarter-than-you-think/