名叫 GPT-2 的深度学习网络最近因为能根据几段提示就产生一整篇看起来合理的文章而名声大振。AI 研究员 Gary Marcus 于是对它进行一番测试，输入了一句话“What happens when you stack kindling and logs in a fireplace and then drop some matches is that you typically start a …”如果它足够聪明的话后面的文字显然是“火（fire）”，但 GPT-2 的回答是“ick”。Marcus 对此并不感到意外，常识推理是 AI 领域的一大难题，困扰了 AI 研究人员数十年。他把结果发布在 Twitter 上，还加了表示“笑死人”的缩略词（LMAO)。GPT-2 也许有令人影响深刻的语言模仿能力，但它缺乏基本常识。华盛顿大学的 AI 研究员 Yejin Choi 在几分钟后看到了 Marcus 的帖子，她正准备发表演讲谈论利用 GPT-2 的系统 COMET（预印本）去执行常识推理。她将 Marcus 写的句子输入到 COMET，它产生了 10 个推断，前两个都与火相关。COMET 将常识推理设想为一种对新输入产生可信但可能不完美的反应的过程，而不是通过查阅类似百科全书的庞大数据库去做出无懈可击的推论。它尝试将两种基础上差异巨大的方法融合进 AI。

新冠疫情普及了佩戴口罩，增加了算法精确识别人脸的难度。中国科学报 3 月报道称，为保障全国复工复产，以 BAT、商汤科技、云从科技等为代表企业开发出诸多戴口罩人脸识别产品，近日这些产品陆续投入使用。以前的人脸识别主要是针对全脸进行扫描，疫情暴发后，研发人员考虑了戴口罩的情况，加强了对眼睛、眉毛等重点区域的识别。但根据《连线》的报道，其有效性参差不齐。一名北京居民说，她不需要摘下口罩就能用支付宝识别人脸，很方便；但住在北京的 Gartner 分析师 Daniel Sun 说，在使用人脸识别支付时他必须远离人群摘下口罩。他认为 Covid-19 不会减少人脸识别算法的使用。提供人脸识别技术的日本电气公司 NEC 对佩戴口罩的人脸识别准确性比较谨慎，表示开发算法的实验室会测试佩戴口罩的人脸识别，因为在流感季节亚洲地区佩戴口罩十分常见。

大部分 Covid-19 预测是基于过去的疫情如 SARS 或 MERS 的数据。现在 MIT 的一群工程师开发了一个机器学习模型，使用 Covid-19 疫情数据和神经网络去判断隔离措施的有效性，更好的预测病毒传播。研究报告发表在预印本网站上。预测传染病扩散的绝大部分模型被称为 SEIR，将人群分类为“易感”、“暴露”、“感染”和“康复”四组。MIT 研究人员在此基础上加入了隔离，如果被感染的人处于隔离中，那么病毒将不会传播给其他人。他们的模型发现，像韩国这样的地方，政府迅速采取干预措施去实现强有力的社会隔离，那么病毒的传播将会更快的抵达稳定阶段。而美国和意大利这样比较缓慢的采取政府干预措施的地方，Covid-19 的有效繁殖数更长时间停留在 1 以上，这意味着病毒会继续以指数传播。在目前的社会隔离措施下，意大利和美国将在 4 月 15 日-20 日之间到达稳定阶段。模型显示社会隔离能有效的将病毒的繁殖数从 1 以上降低到 1 以下。

研究人员创造了一种新软件，借用达尔文进化论“适者生存”等概念构建了人工智能程序，在没有人类输入的情况下，后者也能一代又一代地改进。这个程序在几天内重复了数十年来的人工智能研究，设计者认为，有一天它可能会带来人工智能的新方法。 研究人员构建人工智能算法通常需要时间。以神经网络为例，这是一种常见的机器学习方法，用于翻译语言和驾驶汽车。这些网络能模仿大脑结构，并通过改变人工神经元之间的连接强度，进而从训练数据中学习。而更小的神经元亚回路能执行特定任务，例如识别路标，研究人员需要花几个月时间研究如何将它们连接起来，使其不间断工作。近年来，科学家通过使部分步骤自动化加快了这一过程。但这些程序仍然依赖于将人类设计的现成线路拼接在一起。这意味着产出仍然受到工程师的想象力和偏见的限制。Google 计算机科学家 Quoc Le 和同事开发了一个名为 AutoML-Zero 的程序，这个程序可以只使用高中生都知道的基本数学概念，在零人为输入的情况下开发人工智能程序。

美国计算机协会的 2019 年计算机奖授予了 DeepMind 的计算机科学家 David Silver，以奖励他在计算机博弈领域取得的突破性进展。David Silver 是伦敦大学学院教授和 DeepMind 的首席研究员，他领导开发了打败围棋世界冠军的 AI 程序 AlphaGo。AlphaGo 被视为 AI 研究的一个里程碑，它最初由人类专业棋手训练，用增强学习（reinforcement learning）改进性能。他随后开发的 AlphaZero 算法不再需要人类数据或先验经验，而是完全靠自己学习，演示了博弈方法的通用性。David Silver 获得 25 万美元的奖金。

欧盟委员会公布了严格监管人工智能（AI）的计划。相比于美国，欧洲对待 AI 的态度更为谨慎，欧盟官员希望通过监管赢得消费者信任，进而帮助欧洲竞争，推动 AI 的更广泛应用。该委员会希望针对医疗、交通或刑事司法等领域的 AI“高风险”使用，制定有约束力的规则。确定风险的标准将包括以下考虑因素：比如某人是否会受到伤害——被一辆自动驾驶汽车或医疗设备伤害；或者一个人是否对机器决策的影响几乎无发言权，比如 AI 能何时被用于招聘或执法。欧盟委员会还希望通过人工监管来阻止不可预测的 AI“黑匣子”。这些规则还将用于管理训练 AI 系统的大型数据集，以确保这些数据集是合法获取的、可追溯的，并且足够广泛。法律将确定谁对 AI 系统的行为负责——使用它的公司或者设计它的公司，高风险的应用程序在部署到欧盟之前必须符合这些规则。特斯拉和 SpaceX CEO Elon Musk 最近也呼吁对先进的 AI 的开发进行监管。

1997 年 IBM 的深蓝战胜了国际象棋大师卡斯帕罗夫（Garry Kasparov），上周卡斯帕罗夫重返当年深蓝战胜他的地方，接受采访谈论了 AI 和人类相对于机器的优势。卡斯帕罗夫说，回到旧地他现在已经心平气和，毕竟那场比赛不是一种诅咒而是一件幸事，他成为了一个重要事件的一部分。22 年前他的想法有所不同。发生的事件已经发生了，输了就是输了。重要的是如何应对错误，如何应对消极经验。1997 年的比赛是不令人愉快的，但这帮助他理解人机协作的未来。人类曾经认为自己在国际象棋、围棋和日本将棋等棋类游戏中是不可战胜的。但随着 AI 程序越来越强大，在这些棋类游戏中人类都被打败了。但这并不意味着生命已经结束，我们必须找到方法将失败转变为优势。卡斯帕罗夫说，他总是说自己是第一位工作受到机器威胁的知识工作者。人们谈论 AI 快速涌来摧毁我们的生活，其实这种改变并不快。每一种技术在创造新工作前都会摧毁旧的工作。美国只有 4% 的工作需要人类的创造力，这意味着 96% 的工作是僵尸工作。几十年来，我们训练人类像机器人一样行动，现在却抱怨这些工作受到了机器的威胁。我们需要寻找能发挥人类长处的工作。更重要的是不是抱怨而是快速前进，我们需要新的行业，需要构建基础，比如全民基本收入去帮助那些落在后面的人。

过去几十年，没有多少新抗生素发展出来。绝大多数新批准的抗生素都是现有药物的轻微变种。目前筛选抗生素的方法成本昂贵，需要大量的时间投入，而选择范围却往往狭窄。现在，MIT 研究人员利用机器学习算法，识别出了一种强大的新抗生素化合物，在实验室测试中它杀死了许多世界上最可怕的致病菌，其中部分致病菌能抵抗所有已知的抗生素。研究报告发表在《细胞》期刊上。研究人员开发的机器学习计算机模型能在数天内筛选数亿化合物。除了发现被称为 halicin 的新抗生素，研究人员还发现了多个非常有希望的候选抗生素，他们计划展开进一步的测试。研究人员相信他们的模型能用于设计新的药物。类似的筛选化合物机器学习模型已经存在，但效率不高，研究人员开发的新神经网络能自动学习表征，将分子映射成连续向量预测其性质。研究人员设计模型去寻找能让分子有效杀死大肠杆菌的化学特征，使用 2500 个分子进行训练，之后用模型去筛选包含 6000 个化合物的分子库。模型识别出一个化合物具有很强的抗菌活性，其化学结构不同于已知的抗生素。另一个机器学习模型分析显示它对人类细胞的毒性很低。研究人员用《2001 太空奥德赛》中的虚构人工智能系统将其命名为 halicin。

Google 的图像标记 AI 工具 Cloud Vision API 不再用性别二元（男或女）去标记图像中的人。搜索巨人以 AI 的道德准则为由做出这一改变，它将以中性的“人”去标记图像中的人。Google 称不可能只凭借一个人的外表去推断其性别，因此“为避免制造或加强不公平偏见”而移除性别标记。Google 在其讨论论坛邀请开发者对此发表评论。有开发者对此表达了反对意见，认为这是政治正确。还有许多人批评了 Google 的做法。

2018 年 3 月 23 日周五上午 9 点，苹果工程师 Walter Huang 驾驶特斯拉 Model X 汽车在加州 101 公路和 85 公路岔口发生致命车祸，撞上了分隔岛，车祸发生时汽车启用了自动驾驶（或自动辅助驾驶）功能。上周，美国国家运输安全委员会公布了一系列文件，提供了这起致命车祸的更多细节。文件证实，Huang 曾多次经历相同的故障，自动驾驶多次突然转向分隔岛，但每次 Huang 都及时恢复对汽车的控制。文档还显示，在这次致命车祸发生期间，Huang 可能没有留意汽车，但现有数据还不足以证明。Huang 喜欢玩一个叫“三国”的游戏，日志显示他在上班通勤期间会使用该应用。文件还显示，另一个可能的因素是维护公路的官员失职，发生车祸的地点已经多次发生事故。

《科学》报道，即使用最快的超级计算机模拟复杂的自然现象也要花上几个小时。而作为一种能够快速模拟的算法，仿真器无疑提供了一条捷径。发表在 arXiv 上的一项研究（PDF）表明，人工智能可以很容易地生成精确的仿真器，可以将所有科学领域的仿真加速数十亿倍。这种技术被称为深度仿真器网络搜索（DENSE），它依赖于斯坦福大学计算机科学家 Melody Guan 开发的一种通用神经结构搜索。它在网络的输入和输出之间随机插入计算层，用有限的数据测试和训练生成的线路。如果添加的计算层可以提高性能，那么它很可能被选用在未来的仿真器变化中，而重复这个过程可以改进仿真器。研究人员使用 DENSE 技术开发了 10 个仿真器，分别用于物理、天文、地质和气候科学领域。DENSE 的仿真器表现出色，其速度比其他模拟器快 10 万到 20 亿倍。而且，这些仿真器非常精确：天文仿真器的结果与全模拟的一致性超过 99.9%，在 10 次模拟中，神经网络仿真器比传统仿真器要好得多。

《火车进站(Arrival of a Train at La Ciotat)》（YouTube）是电影史上最著名的影片之一，这部在 1896 年上映的 50 秒无声短片展现了一辆火车在蒸汽机车的牵引下，驶进法国小镇 La Ciotat 火车站的情景。电影由卢米埃尔兄弟拍摄。125 年之后，Denis Shiryaev 利用神经网络将这部经典影片放大到 4K（YouTube）。Shiryaev 使用了 Topaz Labs 开发的商业图像编辑软件 Gigapixel AI，该软件允许将图像按比例放大 600%，为了避免放大后的图像模糊软件会在图像中加入真实的细节。神经网络在分析了大量成对的图像之后学会如何在新图像中填充细节。Shiryaev 的 4K 视频仍然是黑白的，下一步自然是给视频添加颜色了。

无论你知不知情，你正源源不断的为 AI 算法供应数据。全世界的企业、政府和大学使用公民的医疗记录、购物历史和社交媒体数据去训练机器学习软件。这些数据可以重建追溯到个人。匿名将不复存在。为了恢复一定程度的隐私，欧洲和加州的隐私法提供了被遗忘的权利。但要让一个训练过的 AI 模型遗忘你它需要在去掉你的数据之后重新训练一遍。这是一个耗时耗电的过程。最近发表的两篇论文提供了方法更高效的从 AI 模型删除数据。一篇来自斯坦福大学，另一篇（预印本）来自多伦多大学。

勤劳是美德，懒汉的手是魔鬼的玩物...无数的谚语都在提倡工作，工作是事实上的现代宗教。然而在 AI 的时代，我们真的可能会技术性失业，无工作可做。我们总是被告知生命的一个重要意义和目的是工作，碰到陌生人时第一个问题通常是“你是做什么的”。但如果这种现代宗教是统治阶级灌输的迷汤，我们其实可以更少的工作，而未来的世界也许没有工作？这一观念不仅面临经济上也面临政治和心理上的挑战。为了自我价值为了社会地位而奋斗，我们为此被训练了太长时间，都忘记了享受。从有薪工作过渡到休闲需要各个方面的规划，需要某种基本收入提供支持，我们将需要重新考虑有意义的生活究竟是什么。未来也许是乌托邦，也许是破产。

计算机能驾驶汽车，打败围棋和世界象棋的冠军，甚至还能写文章。今天的 AI 革命很大程度上是来自于被称为“卷积神经网络”（convolutional neural networks，或 CNN）的技术进步。CNN 擅长学习和识别二维平面数据中的模式。但如果数据集不是基于平面几何，而是类似 3D 动画中使用的不规则模型，或者是自动驾驶汽车绘制周围环境时生成的点云，CNN 的效果不是很好。2016 年左右，名叫几何深度学习的新学科试图帮助 CNN 摆脱平面。现在，研究人员提出了一种新的理论框架，让 AI 能看见更高的维度。它被称为规范卷积神经网络（gauge-equivariant convolutional neural networks 或 gauge CNN），它 不仅能探测 2D 像素阵列，还能探测球体和非对称曲面物体中的模式。规范 CNN 与物理学有着深层的联系。

深圳南山法庭裁决，AI 生成的文章受到版权保护。此案的原告是腾讯公司，被告是一家上海公司，腾讯指控被告未经授权拷贝了它的 AI 程序 Dreamwriter 生成的文章。法庭裁决被告侵犯了腾讯的版权，应当承担民事责任。法庭命令被告向腾讯赔偿 1500 元的经济损失。Dreamwriter 是腾讯在 2015 年开发的自动写作程序。本案涉及的是 2018 年 8 月 20 日发表的一篇金融报道，法庭认为文章的结构是合理的，逻辑是清晰的，具有一定的原创性。

Alphabet 旗下的自主驾驶公司 Waymo 透露，其自主驾驶汽车公路测试里程数突破了 2000 万英里，遥远领先于所有竞争对手，而它是在 2018 年 10 月突破 1 千万英里里程，仅用时 18 个月里程数就翻了一番。其它自主驾驶公司的测试里程数多只有 100 万英里，其中之一是 Uber，但该公司因为涉及自主驾驶的致命车祸而被迫暂缓测试。俄罗斯搜索引擎 Yandex 和中国搜索引擎百度都在去年宣布其测试里程数突破了 100 万英里。尽管 Waymo 在测试上领先，但该公司距离向公众提供自主驾驶服务仍然还有很长的路要走。

抵抗是徒劳的。华纳兄弟成为最新一个采用 Cinelytic 公司 AI 项目管理系统的电影工作室。华纳将在是否批准开拍电影的阶段利用 AI 系统指导决策。AI 未必能预测哪一部电影将会大爆 10 亿美元的票房，但能减少在低价值重复性任务中投入的时间。利用其全面的数据，它能在数秒内评估电影计划或明星价值，而人类做同样的工作可能需要数天时间。它无法做创意性的决策，这项工作仍然依靠人类。

在亚马逊宣布整合 Alexa 语音助手的设备突破 1 亿之后，Google 宣布它的语音助手 Google Assistant 活跃用户超过了五亿。Google 还透露了 Google Assistant 即将推出的新特性，包括：用更自然的类似人类的声音为用户朗读文章和网页，未来该功能还将扩展到朗读电子邮件；通过与海信和 TCL 等电视厂商合作，Google Assistant 将能关闭电视；其它还有重新设计的快速拨号，屏幕上的即时贴，以及新的注重隐私的语音指令。Google 希望有更多电视厂商能安装用于远声场语音识别的麦克风。

围绕 AI 的炒作已经达到了荒谬的程度，而对 AI 的批评没有比 Molly Sauter 的《Instant Recall》一文更入木三分了。Sauter 认为，机器学习本质上是保守的，讨厌变化。如果你以“Hey darling”开头给伴侣发短信，那么下一次当你输入“Hey”时它会自动加上“darling”，即使你其实想发的是分手短信。如果你输入一个以前没有输入过的词或短语，那么自动完成建议会提示你统计学上所有用户最常用的短语。这种保守性渗透到了每一个算法推断系统：搜索冰箱或一双鞋，那么这一记录会一直伴随着你从一个地方到另一个地方，即使你已经买过了冰箱或鞋子。在 YouTube 上看了几部视频了解下白人民族主义或地球是平的阴谋论，那么算法会推荐类似的视频去增强你的“兴趣”。机器学习擅长关联但不擅长因果，它不太可能产生可靠的推断意图方法。这是人类学的基石：没有对话意图是不可知的。而机器学习所寻找的是与已建模的东西相似的东西：相似的汽车相似的面孔。这种保守性会让机器学习变得有害。如果你让机器学习系统预测应该逮捕谁，那么它会建议警察去逮捕与过去被捕的人相似的人。所以预测犯罪系统预测的不是犯罪而是警察习惯的治安管理。世界各地技术人员所持的一个糟糕的经验主义意识形态是断言数据不会撒谎，因此所有基于数据的政策能脱离政治进入证据的范围：假装数据能告诉你社会需要或想要的结果，但实际上数据是帮助你得到你想要的结果。