众多企业都在使用机器学习技术分析人们的欲望、情感或面部特征。但有研究人员提出了新的问题：机器会学习但它会遗忘吗？作为计算机科学中的新兴领域，机器学习研究者开始探索在 AI 软件中诱发选择性失忆的方法，目标是在不影响模型性能的前提下、从机器学习系统中删除特定人员或数据点的所有痕迹。如果可行，那么这个概念将帮助人们更好地控制数据以及由数据产生的价值。虽然社会上已经有不少声音要求企业删除个人数据，但运营一方其实也并不完全理解自己调试或训练出的算法。此次提出的机器反学习有望找出一条既可产出价值、又能回避隐私问题的发展道路。
举个最典型的例子：有些用户会出于一时冲动而在网上发布一些过激的内容，事后虽然后悔、但却无法彻底抹除。但要实现 AI 遗忘概念，我们可能需要在计算机科学方面做出新的探索。企业投入数百万美元训练机器学习算法掌握了人脸识别与社交帖子排名等能力，但一旦训练完成，机器学习系统就不会轻易让步，甚至训练者自己也不清楚系统是如何掌握这些能力的。在传统上，消除特定数据点影响的可行方法只有从零开始重建系统，但高昂的成本往往令企业难以承受。也许机器反学习技术的出现，能给目前的困境带来一丝转机。

MIT 的研究人员发现，司法系统、银行和商家正一步步依赖算法，做出各种影响人们生产生活的决定。遗憾的是，这些算法有时是有“偏见”的，如当有色人种和低收入阶层者申请贷款或找工作时，甚至当法院决定他们在等待审判前该缴纳多少保释金时，都会因算法问题产生不同的结果。研究人员开发出一种概率编程语言 Sum-Product Probabilistic Language(SPPL)去纠正算法偏见。这种概率编程是编程语言和人工智能交叉的一个新兴领域，旨在使人工智能系统更容易开发。研究者称，SPPL 的工作原理是将概率程序编译成一种称为“和积表达式”的专用数据结构，并进一步使用概率电路实现高效概率逻辑的表达。因此，它为概率推理问题提供了快速、准确的解决方案。例如，对“向 40 岁以上的人推荐贷款的可能性有多大？”这样的问题，SPPL 可以对可能的推荐对象进行收入、信用、工作稳定性等分类方式的概率模型进行编码，可以解决不同肤色及社会经济地位者被推荐贷款的概率差异问题。

2020 年中国发表的 AI 相关主题论文的引用次数首次超过了美国。引用次数被广泛用于衡量论文的质量，高质量的论文通常有更高的引用次数。斯坦福大学的报告显示，从学术杂志上刊登的 AI 相关论文的引用次数来看，中国论文占 20.7%，高于美国的 19.8%。英国信息服务提供商科睿唯安（Clarivate）的统计显示，2012 年以后，中国的 AI 论文为 24 万篇，超过美国的 15 万篇。

过去两周，有两位蔚来车主在启用辅助驾驶时发生致命车祸。那么谁应该承担主要责任？是车主还是汽车制造商？重庆大学微电子与通信工程学院副教授韩庆文表示，蔚来或无需背负法律责任。问题的根源在于，蔚来将这一智能驾驶级别定义为 L2 级辅助驾驶，这给了蔚来很大的回旋空间。L2 级辅助驾驶要求司机握住方向盘随时注意路况。行业研究员张翔认为，对于这种事故，第三方机构没办法进行检测，因为智能汽车的软件代码和硬件系统，包括芯片的内部结构都太复杂，无法得知这个事故是不是由蔚来的软件系统、决策层、感知层或是执行层出问题引发，所以第三方机构没办法检测。虽然在这起事故中，专家学者并不认为蔚来会承担法律责任，但他们一致认为，包括蔚来在内的车企都应正确宣传自动驾驶相关功能，并明确告知消费者相关的风险，让消费者保持警惕。

为游戏行业提供支付服务的俄罗斯公司 Xsolla 使用算法裁掉了 150 名员工，占到了员工总数的大约三分之一，裁员理由是算法判断他们不敬业效率低下。Xsolla CEO Aleksandr Agapitov 在给被解雇员工的邮件中称，“你收到这封邮件是因为我的大数据团队分析了你在 Jira、Confluence、Gmail、chats、documents 和 dashboards 里的活动，标记你为不敬业和无效率的员工。换句话说，当你远程工作时你并不总是在工作中。你们中的很多人可能会感到震惊，但我真的相信你们不适合 Xsolla。”Agapitov 还在接受俄罗斯媒体采访时辩护说，如果一位雇员的数字足迹不达到公司标准那么他们本来就不适合 Xsolla。Xsolla 裁员是过去六个月增长放缓的一个结果，公司领导层计划通过基于算法的裁员将薪酬预算减少 10%，并计划再减少 10% 直到重回正轨。

人类大脑有 860 亿个并行工作的神经元，处理来自处理来自感官和记忆的输入信息，产生人类认知的众多壮举。动物的大脑不具有如此广泛的能力，但数百万年的演化让它们能在特定任务中表现出惊人的天赋。例如蜻蜓只需要 50 毫秒就能对猎物的动作做出反应，它具有极强的敏捷性，能成功捕获 95% 的猎物，一天吃掉数百只蚊子。考虑下处理来自眼睛的视觉信息和肌肉产生移动所需力的时间，蜻蜓的成就无疑令人惊叹。那么我们能否创造模仿蜻蜓大脑的神经网络？美国桑迪亚国家实验室的研究人员认为可以。

根据发表在预印本网站 arXiv 上的一项研究，中科院大学的三名研究人员报告恶意程序能在不被发现的情况下嵌入到机器学习模型的人工神经元中。研究人员认为，随着神经网络的广泛使用，未来这种方法将会广泛用于传播恶意程序。使用真实的恶意程序样本，研究人员替换了 AlexNet 模型最多 50% 的神经元，而同时模型精度仍能保持在 93.1% 以上。研究人员称，利用隐写术他们能在 178MB 大小的 AlexNet 模型结构中嵌入最多 36.9MB 的恶意程序，部分模型测试了 58 种常用杀毒软件，这些安全软件没有检测出病毒。机器学习模型包含了数百万参数和复杂的神经元结构，研究人员发现，改变部分神经元对性能不会产生多少影响。恶意程序在嵌入到神经元时被拆解了，利用一个恶意接收程序可以将其重新组装成功能完整的恶意程序，而恶意程序在这个过程中会被检测出来。

杭州电子科技大学博士生郑锦凯通过可迁移邻域发现算法，提升了跨域场景下的步态识别精度。相关研究成果（预印本）在日前召开的IEEE International Symposium on Circuits and Systems 上公布。近年来，随着人工智能技术的发展，步态识别开始应用在公共场域身份识别中。步态识别，俗称“走姿”识身份，不同人的“走姿”是不一样的，走姿是人的“另一种身份”。另外，人在不同场域的步态也是不一样的，比如在超市里购物步伐偏慢，而在火车站赶车步伐急促，所以跨域步态识别为“走姿”识身份增加了难度。据了解，目前普遍使用的深度学习算法依赖数据标注，换言之，通过步态识别谁是谁，首先得在数据库里知道具体的步态是怎样的。这意味着，标注的准确性和数量直接影响着最终的识别精度。在实际应用中，人们往往受限于这种既昂贵又费时费力的数据标注上。如果数据库里没有具体人的标注数据，那怎么办？为此，郑锦凯提出可迁移邻域发现算法，首先找出高置信度样本，并通过最近邻算法找出这些样本的领域样本，之后通过损失函数拉近高置信度样本与其领域样本在特征空间中的距离，采用从易到难、循序渐进的方式更新深度学习模型。整个过程由近到远、由易到难、由已知到未知，逐渐识别“哪些步态是谁的”，从而锁定目标人物。

Github 开始公测它的 AI 结对程序员 Copilot。这个 AI 助手在开发者写某个函数时能根据上下文补充完剩余代码，就像是一起结对编程。GitHub Copilot 使用了数十亿行代码进行训练，支持广泛的框架和编程语言，其中包括 Python、JavaScript、TypeScript、 Ruby 和 Go 等,。有 alpha 测试者称 Copilot 十次有一次能正确补充开发者想要写的代码，AI 好像真的能读心一样。

Facebook AI Research 与密歇根州立大学的计算机科学家合作构建出一种原型系统，能以 99% 的精度识别 deepfake（利用神经网络伪造的） 图像。系统还能推断用于伪造图像的神经网络架构，比如说这批图像是用模型 A 创造的，而那些图像则是用模型 B 创造的。他们的论文发表在预印本网站 arxiv 上。论文作者之一的 Facebook 研究员 Tal Hassner 称他们的逆向工程方法依赖于发现生成 deepfake 图像背后的 AI 模型的独特模式。

过去几十年计算机科学家创造的 AI 系统只能在受限环境下解决特定问题，离通用 AI 还有一段距离。DeepMind 的科学家现在认为，通用 AI 能通过一个简单而强有力的原则去实现：奖励最大化。他们发表了论文《Reward is Enough》，认为奖励最大化和试错足以发展出与智能相关的行为。AI 的一个分支强化学习（reinforcement learning） 是基于奖励最大化，能引领通用 AI 的发展。DeepMind 的研究人员提出一个假说：奖励最大化的通用目标足以驱动大部分如果不是全部的智能行为。大自然就是如此运作的，复杂有机物不存在自上而下的智能设计，数十亿年的自然选择和随机突变过滤出适合生存和繁殖的生命形式。能更好处理挑战和适应环境的生命生存和繁衍，其余则销声匿迹。这种简单而有效的机制演化出生命的各种能力和技能。

Google 研究人员在《自然》期刊上报告利用 AI 减少设计芯片所需的时间。这一成就被认为有助于加速芯片供应链。芯片的制造已经基本上自动化，但设计仍然依赖于人工过程。工程师和设计师使用计算机辅助设计软件，但这仍然需要几周甚至几个月的时间在可用空间内填满所有的元件。Google 研究人员展示了一个可能性：这个设计过程在 AI 的帮助下可以在不到一天时间内完成。研究人员使用了 1 万张芯片设计图去训练他们的软件，AI 随后学习如何在有限空间、布线和功耗下完成设计图。它完成设计不到 6 个小时，Google 已经将这一方法应用于自己的芯片 TPU（tensor processing uni）。这一方法还需要更多团队的测试，如果有更多的团队能复现成功，那么 AI 设计将成为芯片设计工具箱的重要组成部分。

德国汽车制造商大众考虑按小时付费或一系列付费订阅模式向客户提供电动汽车的自主驾驶功能。真正的自主驾驶功能距离实用还有很长的路要走，目前汽车主要使用的是一些高级的辅助驾驶功能。以特斯拉为例，客户是需要额外付费才能获得高级的辅助驾驶功能，而这个价格通常需要上万美元。大众董事 Thomas Ulbrich 透露该公司正在探索多种付费模式，比如以每小时 7 欧元的费用租赁自主驾驶，客户如果不想自己驾驶三小时，那么可以花费 21 欧元让自主驾驶系统接管。Ulbrich 认为这比特斯拉汽车超过 1 万美元的付费要更“平易近人”。

以色列媒体耶路撒冷邮报引述该国军方官员的话称，最近在加沙地带爆发的以巴冲突是世界首次 AI 战争。以色列国防军情报部队的高级官员称，AI 首次成为战争中的力量倍增器。加沙地带 11 天的战斗中，以色列军队对哈马斯和巴基斯坦伊斯兰圣战组织的目标进行了密集打击，除了依赖已有的情报，军方还在之前几年建立一个 AI 技术平台，对收集到的所有数据进行分析。情报部队 8200 的士兵开发和使用了多个 AI 程序，这些程序被命名为 Alchemist、Gospel 和 Depth of Wisdom。Gospel 利用 AI 向情报部队生成建议，情报部队根据建议制定高价值目标，交给军方实施打击。军方相信使用 AI 有助于缩短战斗时间。

根据联合国安理会利比亚问题专家小组的一份报告，一架携带武器的无人机在没有指定命令的情况下自主猎杀一个人类目标。这次攻击发生在 2020 年 3 月，发动攻击的是土耳其公司 STM 制造的四旋翼无人机 Kargu-2，它携带了炸药，能以撞击的方式发动自杀性攻击。无人机在自主模式下飞行，不需要人类操作人员的控制。这可能是首次无人机自主攻击人类。去年人权观察呼吁立法监管杀人机器人。

中国据报道正在测试 AI 情绪侦测软件，利用 AI 和面部识别软件感知一个人的情绪。相关项目的软件工程师称，情绪侦测相机能探测三米外的目标，它类似测谎仪但更先进。它的 AI 系统在训练之后能侦测和分析面部表情和皮肤毛孔的细微变化，它会产生一幅饼状图，其中红色被用于表示负面或焦虑的精神状态。它主要用于预先判断。

无人机自主飞行的进展令人印象深刻。源自宾夕法尼亚大学的无人机公司 Exyn 开发出了具有 Level 4 自主飞行能力的无人机。无人机能完全脱离操作人员自主飞行，操作人员只需要简单告诉无人机测绘的地点，它就能在没有 GPS、没有通信、没有预先了解目标空间的情况下完成任务。无人机配备了 GoPro、Velodyne 激光雷达，飞行速度最高每秒 2 米，一次飞行能探索 1600 万立方米的空间。它也有不足之处，能感知电线，但可能无法识别钓鱼线那里小的东西，灰尘有时候也会很麻烦。

2019 年 12 月，创业公司 Latitude 发布了文字冒险游戏《AI Dungeon》，演示新形式的人机协作。游戏利用了 OpenAI 的文本生成技术创造出受《龙与地下城》启发的由玩家选择的冒险游戏。当玩家输入一个想要他们的角色执行的动作或对白，算法将会产生下一阶段的无法预测的独特冒险。去年夏天，OpenAI 允许 Latitude 早期使用它更强大的文本生成技术的商业版本。上个月，OpenAI 称它发现《AI Dungeon》也展现了人机协作的黑暗面。监视系统发现部分玩家输入的文字能导致算法产生描述儿童色情的故事。OpenAI 要求 Latitude 立即采取行动。Latitude 上周启用了内容过滤系统。玩家随后抱怨过滤系统过度敏感，输入 8-year-old laptop 都会触发警告信息。

去年 11 月，硅谷创业公司 Cerebras Systems 和美国能源部国家能源技术实验室宣布了它的超大型 AI 芯片 Wafer Scale Engine（WSE)，其晶体管数量达到了 1.2 万亿。芯片制造商通常会把 12 英寸直径的硅锭切割成一块晶圆，然后再切割成数百个独立芯片，而 Cerebras 公司则是直接将一块晶圆加工成一个单一的巨大芯片。本周，Cerebras 宣布了它的第二代芯片 WSE 2，它将于今年第三季度发布。WSE 2 的晶体管数量比第一代多 14 万亿达到 26 万亿，片内缓存达到 40GB，内存带宽 40 PB/s，采用 7 纳米工艺，而上一代使用的是 16 纳米工艺。

AI 的一大瓶颈是训练成本，深度神经网络（DNN）的训练通常是一系列矩阵乘法操作，这是 GPU 非常擅长的工作，但 GPU 尤其是专业级显卡要比 CPU 昂贵得多。Rice 大学的计算机科学家和英特尔的研究人员从 2019 年就开始探讨使用 CPU 训练深度神经网络，他们采取的方法是将 DNN 训练转变成能用哈希表解决的搜索问题，他们的 "sub-linear deep learning engine" (SLIDE) 设计运行在商业 CPU 上。2019 年的研究显示，SLIDE  训练所需时间为 GPU 的 2/7。现在，研究人员利用现代 CPU 的向量化和内存优化加速器改进了 SLIDE 的性能，用 CPU 算法训练深度神经网络比 GPU 快 15 倍。他们的代码发布在 GitHub 上。