芝加哥大学 SAND 实验室发布了保护个人隐私的系统 Fawkes，源代码采用 BSD 3-Clause 许可证托管在 GitHub 上，相关论文(pdf)将发表在下个月举行的 USENIX Security 2020 在线会议上。Fawkes 是运行在本地计算机上的算法和软件工具，可以让用户伪装照片，限制其被用于面部识别。Fawkes 能对照片进行处理，对其进行像素级别的细微改变，而这种改变人眼无法识别出。研究人员将这种方法称为“image cloaking”。用户可以正常使用伪装后的照片，在社交网络中进行分享，可以发送给朋友。但是当有人收集这些公开的人脸照片去构建面部识别模型，伪装后的照片将会构建出高度扭曲的人脸。这种伪装效应难以探测，不会在模型训练中显示错误。如果人脸识别系统试图利用这个模型来识别你，它将会失败。

训练最新 AI 系统需要惊人的计算资源，这意味着囊中羞涩的学术界实验室很难赶上富有的科技公司。但一种新的方法可以让科学家在单台计算机上训练先进的 AI。2018 年 OpenAI 报告每 3.4 个月训练最强大 AI 所需的处理能力会翻一番，其中深度强化学习对处理尤为苛刻。现在，南加州大学和英特尔实验室的研究人员找到了一种方法，在实验室使用的高端计算机上训练深度强化学习。他们的论文（预印本）发表在上周的机器学习国际会议上。需求是发明之母，论文主要作者 Aleksei Petrenko 是南加州的研究生，英特尔的实习生。在实习结束之际他无法再访问芯片巨人的超级计算机，继续未完成的深度强化学习项目。因此他和同事决定寻找方法在简单系统上继续工作。

AI 研究机构 OpenAI 于 5 月 29 日公布了其下一代文本生成神经网络 GPT-3 的研究论文。GPT-3 的训练规模是上一代 GPT-2 的 117 倍，它是如此之大，以至于无法运行在传统计算机上，目前主要通过邀请测试的方法提供 API 供测试者使用。测试者最近发布了多篇文章，演示了 GPT-3 出色的文本生成效果，如图灵测试，一篇还算通顺的文章读到结尾你才知道前面都是 AI 生成的。Sharif Shameem 利用 GPT-3 开发了一个布局生成器，能根据你描述的任何布局生成 JSX 代码。尽管如此，它的成功率可能还是不适合生产应用使用。

浙江大学和微软亚洲研究院的研究人员使用网上抓取的歌曲数据进行训练，开发出能唱中文、粤语和英文歌曲的语音合成系统 DeepSinger。研究报告（PDF）发表在预印本网站 Arxiv.org。这项研究可用于在录音完成之后对歌曲进行修改或增添，无需歌手重新演唱，但它也可能带来假唱的问题，让歌手唱他们从未唱过的歌。研究人员称，网上抓取的歌曲质量通常参差不齐，DeepSinger 使用了由 89 名歌手 92 小时的歌曲数据集进行训练，通过将歌唱与伴奏分离、歌词歌曲对齐、过滤和建模等多个步骤，最后能合成出高质量的 AI 歌曲。

保尔森基金会下属的麦克罗波洛智库(MacroPolo)一新项研究估计，知名 AI 学术会议神经信息处理系统大会去年接受和发表的论文中，约 30% 来自曾在中国读大学的研究人员，比任何其他国家大学毕业的作者贡献的论文都要多。这项研究也发现，他们中的大多数在美国生活，为美国的公司和大学工作。这项研究表明，他们正在帮助美国在一个具有重要战略意义的领域占主导地位。人工智能技术将让未来的计算机能做决定、识别人脸、发现罪犯、挑选军事目标，以及驾驶车辆。多项研究表明，在美国学习人工智能的中国公民很可能会留在美国。这些数字没有下降的迹象，但一些组织表示，中美之间最近的紧张关系已经开始影响人才流动。

IBM CEO Arvind Krishna 宣布公司将不再销售面部识别服务，呼吁对使用面部识别展开一场全国性的对话。他在一份声明中称，IBM 坚决反对也不容忍将任何技术，包括其它供应商的面部识别技术，用于大规模监视、种族定性、侵犯基本人权和自由，或任何不符合其价值观以及信任和透明原则的用途。IBM 认为，现在是时候对国内执法机构是否以及如何使用面部识别技术进行全国性对话。ACLU 则在一份声明中称，我们需要投资帮助消除数字鸿沟的技术，而不是投资建立监视基础设施的技术，这些技术会加强警方滥用暴力和结构性种族主义。

自动驾驶汽车能彻底消灭车祸吗？对美国交通事故的分析认为，自动驾驶汽车能防止约三分之一的车祸，酿成其余车祸的错误自动驾驶系统在应对上并不强于人类。研究组织 The Insurance Institute for Highway Safety (IIHS)分析了美国 5000 多起交通事故，它认为并非所有的人为错误可通过摄像头、雷达或其它传感器来消除。绝大多数车祸是由于更复杂的错误造成的，如对其公路上其他人行为的错误假设，相对于公路条件车速过快或或过慢，或做出不正确的规避操作。还有很多车祸是由多个错误导致的。但能防止约三分之一的车祸就已经是安全方面的巨大改善了。

一则在社交媒体上广泛传播的视频（Twitter）显示，一辆卡车翻到在路中间，周围行驶的汽车纷纷绕过，但有一辆 Tesla Model 3 却朝着翻到的卡车直冲上去。事故发生在台湾的国道一号上，天气以及明亮度都非常好，但处于自动加速（或确切的说是辅助加速）的特斯拉汽车未能探测到前方的大型矩形物体。如果是司机在操纵汽车，几乎不太可能会发生对前方巨大障碍物视而不见的情况，但特斯拉的辅助驾驶系统主要使用摄像头探测路障，而浅色的大型物体对其系统的识别能力是一大挑战，此前就发生过类似的致命事故。最新的这起事故中，司机表示他以为汽车会自动刹车，结果发现汽车并没有减速但要手动刹车时间已经来不及了。

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。