研究人员利用 AI 去分析刻板印象的演化过程。研究人员设计了使用词嵌入 (word embeddings)的程序。通常，一串数字代表一个单词的意思，而这些单词的意思是基于文本中的周围其他单词所考量的。例如，如果人们倾向于把女性描述为情绪化的，那么 “情绪” 这个词语会比 “男人” 这个词汇更频繁地出现在 “女人” 的旁边，而文字的嵌入将会把它挑出来——“情绪”的嵌入将会比 “男人” 更加接近“女人”。而这便是对女性的一种偏见。通过对几十年来出版的英语文本进行分析，研究人员发现，几十年来，与能力相关的词汇——比如 “足智多谋” 和“聪明”——正在慢慢变得不那么男性化。但是与外表有关的词语——比如 “迷人” 和“居家”——却依然没有太大的变化。在过去的几十年里，这些词汇的嵌入仍然明显与 “女性” 有关。

因为自动驾驶汽车在旧金山的一条街道上与行人靠得太近，警方给汽车开了张罚单。这辆汽车属于旧金山公司 Cruise，被交警拦下来开了罚单，原因是它没有礼人行横道上的行人。Cruise 公司为其辩护，称数据显示行人与汽车的距离还比较远，它的自动驾驶汽车并没有犯错。当时行人和汽车距离 10.8 英尺，而在此次事故中行人没有受到任何伤害。

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 公路交接处发生致命车祸，车祸发生时汽车启用了自动驾驶（或自动辅助驾驶）功能。根据 ABC 的跟踪报道，此次车祸可能并非是孤例。去年 9 月 21 日发生的特斯拉车祸与上个月的车祸有很多相似之处，幸运的是司机没事，安全隔离带发挥了作用。多名特斯拉司机在网上公布视频，显示自动驾驶控制的汽车偏离了路线。一名特斯拉司机的通勤路线与 Walter Huang 相同，他本周记录下了类似的现象，自动驾驶控制的汽车没有任何警告的突然左转冲向隔离带，迫使他立即接管了驾驶。另一名 Model X 司机也指出他的汽车自动驾驶下在通勤路线的相同地点多次发生突然转向。

上周五早晨苹果工程师 Walter Huang 驾驶特斯拉 Model X 汽车在加州 101 公路和 85 公路交接处发生车祸，汽车撞在了隔离带，期间汽车启用了自动驾驶。而据 ABC 报道，Huang 曾向汽车零售商抱怨自动驾驶曾多次在同一地点转向隔离带。特斯拉发表声明称，“通过恢复车载电脑中的行车日志，对于事故当时可能发生的情况，我们已经了解了更多的信息。在碰撞发生前（ 3 月 23 日周五上午 9 点 27 分之前）的时段里 ，自动辅助驾驶处于使用状态，主动巡航控制中的跟车距离被设置为最小距离。在驾驶过程中，系统发出了数次影像提示和 1 次声音提示，要求驾驶员双手握住方向盘。但在事故发生前的 6 秒内，系统没有检测到驾驶员将双手放在方向盘上。从距离高速公路混凝土隔离带 150 米处，驾驶员的视野就可以清晰看到隔离带，并有 5 秒左右的反应时间。但遗憾的是，行车日志显示，驾驶员并未采取任何行动...在美国，平均每行驶 8600 万英里就有一起致命汽车事故发生。而对于配有自动辅助驾驶硬件的特斯拉车辆，这个数据为平均每行驶 3.2 亿英里（其中包括已知的行人致死事故）。这意味着，如果你驾驶装备自动辅助驾驶硬件的特斯拉车辆，遭遇致死事故的可能性会低于平均值的 3.7 倍...目前，全世界每年有近 125 万人被车祸夺去生命。如果配备与特斯拉同等安全级别的车辆在世界范围内得到广泛应用，意味着每年有大约 90 万人能免于在车祸中失去生命。我们认为自动驾驶车辆的安全水平将比非自动驾驶车辆高出 10 倍。”

加州旧金山的 Rima Arnaout 和她的同事在《Digital Medicine》期刊上发表研究报告，使用卷积神经网络训练 AI 系统去分类超声心动图。超声心动图是人类心脏病专家检查心脏图像的第一步，心脏是个复杂的器官，超声波心动仪需要从多个不同角度拍摄视频，当医生准备分析视频时，他们首先需要确定图像的角度和器官的解剖特性。在实验中，AI 分类的准确率达到了 92%，而人类只有 79%。Arnaout 强调这个 AI 系统还没有准备好取代人类的心脏病专家，最好的技术仍然掌握在人类心脏病专家的大脑中。

前 Google 大中华区总裁现在的著名风险投资人李开复表示，没有多少国家能受益于 AI 革命，绝大部分国家将会面临麻烦。很多人并不赞同他的观点。李开复称，能受益于 AI 革命的国家只有美国和中国，两个国家人口庞大，同时也拥有技术，而其他大国有人口但没技术，也没有 Google、腾讯、百度、阿里巴巴、Facebook或亚马逊。他举例说，如果一个非洲国家主要使用 Facebook 和 Google，那么他们将提供数据给 Facebook 和 Google，帮助对方赚更多钱，而他们的工作仍然会被取代。

伊利诺大学香槟分校的 Naresh Shanbhag 认为，为了满足今天的数据密集任务，是时候改变传统的冯诺依曼架构了。在上个月举行的国际固态电路研讨会上，他和同事提出了新的架构设计，将计算和存储器更紧密的结合在一起。他们的想法不是完全取代处理器，而是给存储器增加额外的功能，使得设备在无需消耗更多电力的情况下变得更智能。为了将 AI 从云端延伸到消费电子设备，这些工程师相信行业必须采用新的设计。传统的架构为了将数据从存储器转移到处理器需要消耗大量电力，转移本身的功耗 10 倍甚至 100 倍于计算，而 AI 是个电老虎。

亚利桑那州坦佩市警方公布了 （另一地址）Uber 自主驾驶汽车撞死行人的录像，录像分为车内和车外两个视角，其中车外录像显示，在漆黑的夜里，一名正推着自行车过马路的女子突然出现在车灯照亮的区域，自主驾驶系统和司机都没有做出任何反应动作，直接撞上去了。这是首例自主驾驶汽车撞死行人的事故。车载激光雷达未能探测到行人是其中一个问题，另一个问题是车头灯照亮区域太狭窄以至于无法做出任何反应，这次事故从目前看来 Uber 需要负主要责任。

根据牛津大学的一项研究，中国在 AI 领域仍然远远落在美国后面。对于中国在 AI 技术上的总体能力， 报告打了 17 分，而美国的得分是 33 分。除了数据，中国在驱动 AI 开发的每一方面都只是跟着美国，包括硬件、研究、算法和商业化。中国面临的最大障碍是硬件如微处理器和芯片。中国已经制定了计划，到 2030 年要成为 AI 的创新中心。中国有 13.8 亿人口，超过 10 亿部智能手机，以及 7 亿网民，但这份名为《Deciphering China’s AI Dream》（PDF）的报告认为，数据不足以让中国赢得 AI 军备竞赛。

Uber 的一辆自主驾驶汽车在美国亚利桑那州坦佩市发生致命车祸，49 岁的 Elaine Herzberg 周日晚上推着自行车穿过马路时被汽车撞死，这是已知首例自主驾驶汽车杀死行人的事故。Uber 的试车驾驶员 Rafael Vasquez 当时正坐在方向盘后。Uber 随后暂停了在其它城市的无人驾驶汽车测试项目。警方表示，初步数据显示在限速 35 英里的区域汽车的时速接近 40 英里。Uber 表示将会完全配合警方的工作，而美国国家运输安全委员会宣布已发起调查。

微软研究团队报告它的 AI 在新闻中文翻译英文的质量和准确性上媲美人类。微软负责语音、自然语言和机器翻译的研究员 Xuedong Huang 称这是在最具挑战性的自然语言处理任务上面取得了一个重大里程碑。他表示在翻译上取得一个重大里程碑尤其令人欣慰，因为它有助于人们更好的理解彼此。微软自然语言处理小组的负责人 Ming Zhou 谨慎的表示前方仍然有很多挑战，系统还需要接受真实新闻故事的测试。为了改进翻译的质量和准确性，研究人员组合使用了深度学习网络、双重学习和 Deliberation Networks，开发了两种新技术——联合训练和一致性规则化。

丰田的雇员利用空闲时间开发出了类人投篮机器人 CUE，以《灌篮高手》里的樱木花道的外形为模型，其命中率接近 100%。朝日新闻的报道称，CUE 利用了人工智能，而参与开发的雇员以前并没有 AI 或机器人的经验，一切都是从零开始。开发团队通过互联网上的材料学习人工智能。CUE 身高 6 英尺 2 英寸，低于 NBA 运动员的平均身高，它的 AI 程序训练了 20 万次。

每当中国举行重大会议期间，政府都会实施更严厉的安检。百度 CEO 李彦宏表示安检给人们的生活带来了不变，他认为未来将不再需要手动检查。中国在 AI 技术方面的进步正改变安检面貌。在两会前夕，科技日报报道称中国上线了天网系统，“今年两会采用的动态人脸识别实时预警系统，可进行人脸捕获、分析、比对和预警，实现动态布控，对两会安全起到了重要保障作用。这套系统被称为人脸识别的‘天网’，因为它一旦开启，无论要搜寻的人身在何处，都能通过动态人脸识别，在数秒内识别 20 亿人，对目标的面部准确定位。这本是科幻片《少数派报告》中的情节，如今正成为日常生活的一部分。这项来自中科院院士、清华大学计算机教授张钹团队的动态人脸识别技术，在硬件计算能力保证的前提下，可实现每秒比对 30 亿次，2 秒钟就能将全世界的人脸比对个遍。”参与摄像头开发的北京星云科技公司 CEO Shi Pengfei 认为 AI 不会完全替代人类，因为人类会伪装外表甚至指纹，所以仍然需要人类安检在场。

得州奥斯汀的研究人员正在开发有自己想法的机器人，他们将 AI 整合到机器里，使机器人能应对真实世界的情况。研究人员的目标是创造出能执行简单指令的机器人，但说起来容易做起来难，至今为止他们只做到让机器人避免碰撞到东西。机器人需要做到识别目标和人，理解而不只是识别人类语音。研究人员说，机器人必须能处理人类带到环境中的动态、噪音和不可预测性。

无人驾驶里的人工智能 写道 "在连接唐山市区和曹妃甸的高速公路上，几辆图森未来科技（TuSimple）的重型卡车飞驰而过。卡车前方装配 10 个摄像头，不断闪烁的侧灯更让这些卡车尤为醒目。实际上，这不是普通的卡车，而是自动驾驶卡车。截至目前，图森未来公司的 L4 级无人卡车已在曹妃甸零事故完成了超过 1 万公里的真实环境路测里程，时速可以达到 90 公里，已经处在世界领先水平。图森未来科技在美国硅谷和北京都设有研发部门，路测也是在亚利桑那州图森市和曹妃甸同时进行。"

百度开发的新 AI 算法只需 3.7 秒长的音频就能克隆任何人的声音。百度研究院的研究人员在预印本网站 arxiv 上的发表了其 Deep Voice 系统的最新进展《Neural Voice Cloning with a Few Samples》（PDF）。除了利用少量样本克隆声音外，系统还能将女性声音转变成男性，英式声音变成美式。百度研究人员表示，这项研究可应用于人机交互的个性化方面。

过去几天，Echo 用户报告听到了亚马逊的数字助手 Alexa 自发发出笑声。亚马逊承认他们已经知道了这个问题，正在着手修复。亚马逊表示，它计划中的修复将包含禁用短语“Alexa, laugh”，改为命令“Alexa, can you laugh?”电商巨人称，后者不太可能造成误报，换句话说前者更可能在 Alexa 监听用户谈话时引发错误判断而突然发出笑声，它以为用户发出了叫它笑的指令。亚马逊发言人称，公司计划改变 Alexa 对用户要求发出笑声的回应，“Sure, I can laughf ”，然后发出笑声。突然发出的笑声对于一个人在家的用户来说是会感到心里发毛的。

在今天的互联网上，你通常会与一个神经网络有互动。神经网络是一种机器学习算法，被广泛用于从翻译到金融建模等领域。它的一大长项是图像识别。Google、微软、IBM 和 Facebook 等公司都使用神经网络去标记图像。但今天的图像识别算法实际上还比较原始，会犯下很多奇怪的错误。比如 Microsoft Azure 的计算机视觉 API 声称这张图像中有羊，但根本没有。如果真的有羊的话，神经网络反而会误判。它也许能识别出田野或山上的羊，如果羊出现在室内，它只能靠猜了，它可能将其识别为猫或狗。

左图是一只猫，右图你能区分下究竟是相同的猫的图像还是一只狗的图像？两幅图的区别在于右图使用了算法进行了微调，让卷积神经网络难以区分图中的东西究竟是什么。卷积神经网络认为图中是一只狗，而绝大多数人类也是这么认为的。这是所谓的对抗图像（adversarial image）的一个例子。对抗图像设计愚弄神经网络使其难以做出正确判断。Google Brain 的研究人员发现，他们开发的对抗图像不仅能愚弄计算机也能愚弄人类。他们的研究论文发表在预印本网站上。研究人员称，他们研究引发了有关卷积神经网络模型和大脑如何工作这一基础性问题的疑问。

强大的神经网络通常需要消耗大量电力，而 MIT 的工程师开发的新芯片将神经网络的功耗减少最多 95%，让移动设备整合神经网络芯片成为可能。今天的智能手机提供了数字助手之类的 AI 应用，但这些 AI 应用所需要的处理能力是通过将云端实现的，设备需要向云端发送数据然后再接收数据，潜在会泄漏用户的敏感数据，因而并非理想的做法。但利用本地的神经网络则可能会迅速将移动设备的电量耗尽。MIT 的工程师通过使用模拟电路在内存中并行计算所有输入来大幅减低功耗。