Google 子公司 DeepMind 开发的 AI 神经网络取得了一项重大突破——AI 能根据蛋白质的氨基酸序列判断其三维结构。这一突破有望大大加快新药的开发过程。科学家们花费了数十年时间试图弄清一个问题：最开始为链状的化合物的蛋白质，如何折叠成三维形状？这些形状决定了其行为。即使是识别单个蛋白质的形状也可能需要数年时间，但 DeepMind 表示，其 AlphaFold 系统能够在数天内提供准确结果，精度在一个原子的宽度以内。对蛋白质及其行为方式的了解，有望帮助研究人员研究几乎所有疾病，包括新冠。

牛津大学人类未来研究所高级研究员 Toby Ord 认为，本世纪发生自然灾害的几率不到两千分之一，然而如果考虑人为灾难，这种可能性会增加到惊人的六分之一。其中一种可能的情况是 AI 创造的全球极权主义。未来研究所主任 Nick Bostrom 在他的《单例假说》中解释了如何利用 AI 或其他强大技术形成一个全球政府，以及它可能无法被推翻的原因。如果单一决策是极权主义的，人类文明将是暗淡的。曾经即使是在制度最严格的国家，新闻也可以从其他国家流入，人们也可以选择流亡。全球性的极权主义统治会彻底消灭这些希望。在过去，监视需要数十万人参与，例如东德每 100 个公民中就有一个人是线人。但现在这可以通过技术实现。

在大多数应用中，类人机器人在多大程度上优于传统机器人尚不完全清楚，但有一个领域人们会更乐于与类人机器人打交道，那就是娱乐。迪士尼研究院、加州理工、伊利诺伊香槟和 Walt Disney Imagineering 公司的研究团队正试图创造更逼真的人机互动，他们着力于一个特殊的方面：眼神交流。他们的研究报告发表在 IROS 上。研究人员在论文中称，他们试图通过人与机器人之间的目光凝视创造出一种生命幻觉。

在一次国际象棋竞标赛中，前六名有五人因作弊被取消资格。在另一场比赛中，10 岁参赛者的父母拒绝接受他们的孩子以世界第一的水平下棋的证据。这些事件并非是孤立的。新冠疫情爆发之后，国际象棋比赛转到了网上。但随之而来的一个问题是，强大的国际象棋程序可以让参赛选手以超出其水平进行比赛，国际象棋比赛面临一场作弊危机。为了反击作弊程序，顶级比赛越来越多的要求参赛棋手必须同意接受多个摄像头的监视，允许主办方远程访问计算机，限制离开屏幕，甚至在某些情况下允许派人去检查房间，在比赛期间和选手同居一室。如果一名选手多次可疑的看望别处，跟踪眼睛的程序就可能发出警告。世界最大的国际象棋在线网站 Chess.com 表示今年的新增用户数 1200 万，而去年只有 650 万。作弊率则从去年的 5000 到 6000 增加到 1.7 万。

AI 研究机构 OpenAI 开发的文本生成神经网络 GPT-3 过去几个月引发了广泛关注，而软件巨人现在宣布它获得了 GPT-3 语言模型的独家授权。GPT-3 能生成接近人类书写水平的文本，被认为是目前最先进的语言模型。微软表示，它将利用 OpenAI 的技术创新为客户开发和交付 AI 解决方案。微软将在其产品和服务中利用 GPT-3。

Daniel Voshart 是电影业的一位 VR 专家，因为新冠疫情他的工作项目都暂停了，所以他开始做一些个人爱好项目，他最近完成的一个项目是为罗马帝国的 54 位皇帝创造照片级的肖像，销售这些肖像的印刷版。出乎他意料的是，首批 300 幅肖像在短时间内就售罄了。为了创造罗马皇帝的肖像，他组合使用了多种软件和资源，主要是叫 ArtBreeder 的在线程序，该程序利用了名为生成式对抗网络的机器学习方法。Voshart 向 ArtBreeder 输入了来自雕塑、硬币和绘画的罗马皇帝图像，然后根据历史描述使用 Photoshop 进行调整，再将调整后的图像输入回 ArtBreeder，重复多次，最后得到了最佳的照片级图像。

在 DARPA 的 AlphaDogfight 近距离空战格斗模拟测试中，Heron Systems 公司开发的 AI 飞行员以 5 比 0 大败美国空军的顶尖飞行员。不过 AI 真正取代人类飞行员还有很长的路要走。Heron Systems 的 AI 程序用了约一年时间开发，该公司的项目联合负责人 Ben Bell 说，在 Trial 1 前一周，他们的程序还不十分擅长飞行。人类飞行员称，AI 在战斗模拟中极具攻击性，能持续转弯展开打击，有着超人般的瞄准能力。该公司计划在年底公布 AI 强化学习过程的部分细节。DARPA 的 Air Combat Evolution (ACE）项目的测试设计降低空中作战任务的风险，探索人类和 AI 飞行员如何分享战斗机的飞行控制，最大化任务成功率。ACE 的总体概念是让人类飞行员从单一平台的操作人员转为任务指挥官，除了操作战斗机，还要指挥无人机编队协同作战。

照片中的光影组合起来有时候会让人眼产生人脸的错觉，但并不是照片中真的存在人脸。Reddit 专门有一个频道展示此类的照片。摄影师 Jomppe Vaarakallio 拍摄了一幅会让人产生人脸错觉的照片，他用 Topaz Labs 公司的 Gigapixel AI 软件对照片进行了一下处理，结果神奇的事情发生了：软件莫名其妙的向照片添加了知名演员 Ryan Gosling 的头像。他重新用软件处理了一下，发现结果相同。关闭软件的人脸识别功能，Gosling 的脸才消失。

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。