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。

人类很容易通过直觉就知道简单动作序列之间的因果性，但对于机器算法而言，因果性仍然是一大挑战。机器学习，尤其是深度神经网络，擅长于从海量数据中识别微妙的模式，但它们很难像人类那样做出因果推断。这是机器学习难以推广到更广泛领域的一个原因。Max Planck Institute for Intelligent Systems、Montreal Institute for Learning Algorithms (Mila) 和 Google Research 的研究人员最近在预印本网站发表论文探讨了这一问题。研究人员指出，今天机器学习的成功很大程度上是对独立收集且恒等分布的数据集的大规模模式识别。但随着环境日益复杂，尤其是对自动驾驶来说，缺乏对因果性的理解使得 AI 难以预测和处理新的情况。这是为什么在数百万英里的训练之后，自动驾驶汽车仍然会犯奇怪而危险错误的原因。主流机器学习算法因其可扩展性而受到青睐，但基于统计规律而不是因果性进行训练的算法是很容易失效的。

英国工会联盟一份新报告显示，英国急需出台新的法律保护措施，规范人工智能(AI)在职场的应用，防止劳动者被算法雇佣或解雇。新冠疫情加速了高科技管理工具的应用，雇主越来越多地使用人工智能来帮助他们远程招聘、筛选裁员候选人、确定绩效评级、分配工作并监控居家办公的员工的工作效率。英国工会联盟认为，劳工法未能跟上新技术的推广步伐，并希望雇主、科技公司和政府采取行动填补空白。

美国国防部高级研究计划署（DARPA ）的 Air Combat Evolution (ACE）项目旨在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。在去年 8 月的 AlphaDogfight 测试中，AI 控制的 F16 战斗机在近距离空战格斗模拟中以五比一大败人类飞行员。在今年 2 月的 Scrimmage 1 空战格斗测试中，AI 充当了僚机，两架蓝队飞机协同打败一架红队飞机。在 AlphaDogfight 测试中，AI 战斗机只使用机枪，新模拟测试引入了可攻击远程目标的导弹。随着测试的进一步深入，模拟的场景将越来越类似实战。DARPA 计划最终让 AI 飞行员能以自主的形式执行空中格斗任务。

《自然》期刊上周发表了 IBM AI 研究院的一篇论文（PDF），描述了与人类展开辩论的 AI 项目 Project Debater。Project Debater 在 2019 年与人类辩论冠军 Harish Natarajan 展开了辩论，主题是学前教育是否应该补贴。每一方在没有互联网连接的情况下给 15 分钟的准备时间，Project Debater 使用的是自己的内部内容数据库。每一方给 4 分钟的演讲时间和 2 分钟结束陈词。裁判判定 Natarajan 赢得了辩论，但 Project Debater 也令人眼前一亮，它能形成合乎逻辑的陈述和论点。项目网站提供了整个辩论过程的视频。

MIT 的科学家利用深度学习在智能手机快速生成了逼真的彩色三维全息图。研究报告发表在《自然》期刊上。这项研究可应用于虚拟现实和增强现实。全息图是一种让二维视窗看起来像三维场景的图像，而全息显示器能创造出人眼不会感到疲劳的三维图像。虽然企业在全息显示的硬件开发上取得了进步，但为这些设备生成全息数据仍然是一大挑战。全息图需要编码大量的数据以产生深度的错觉，生成全息视频通常需要超算的算力。为了普及全息视频，科学家尝试了很多方法减少计算量，但现有的方法主要是降低图像质量实现的。MIT 的研究人员利用卷积神经网络学习如何从有深度信息的图像中产生新的全息图。新的系统只需要不到 620KB 的内存，能在消费级 GPU 上每秒生成 60 张分辨率 1,920 x 1,080 的彩色三维全息图，在 iPhone 11 Pro 上的速率是 1.1，而 Google Edge TP 是 2。未来生成实时的全息图将是可能的。

为了证明 AI 驾驶比人类司机更安全，Waymo 模拟了亚利桑那州近十年发生的数十起致命车祸，假设车祸中的汽车之一由 AI 驾驶会发生什么。模拟结果显示，如果 AI 驾驶车祸中的任意一辆汽车，基本上可以完全避免死亡。这一研究旨在证明 AI 驾驶比人类驾驶更安全。全世界每年有数百万人死于车祸，自动驾驶汽车公司一直努力说服监管机构允许在公路上行驶完全自动驾驶汽车。但今天能在公路上行驶的自动驾驶汽车数量十分有限，无法提供更多统计数据，因此 Waymo 转向了模拟实际发生的车祸。

本田公司成为第一家销售 SAE Level 3 自动驾驶系统的汽车公司。它将在日本市场上销售 100 辆单价超过 10 万美元的 Honda Sensing Elite。目前市场上销售的汽车最多只配备 Level 2 自动驾驶系统如特斯拉的 Autopilot 系统，Level 2 只具有半自动能力，而 Level 4 具有全自动驾驶能力，Level 3 是朝着全自动驾驶的重要一步，意味着汽车基本具备了自动驾驶能力，跟根据周围的环境做出决定，允许司机双手脱离方向盘，在显示屏上看看视频。当然让汽车完全由 AI 控制并不安全，本田仍然建议司机注意周围环境。

蓝色巨人推出了基于 AI 的方法重编程旧的应用以运行在今天的计算机平台上。新的方法被称为 Mono2Micro 和 Application Modernization Accelerator(AMA)，给予应用架构师新的工具去更新遗留应用程序，从中提取出新的价值。未来有一天，AI 可能会将 COBOL 写的应用程序自动翻译到 Java。IBM 研究院混合云服务总监 Nick Fuller 谨慎的指出，最新的 AI 方法只能将非模块化的大应用程序的遗留机器码分解为独立微服务，而翻译到编程语言仍然是目前还需要解决的根本难题。

新华社报道，西北大学的科研团队正依托人工智能等新技术，研发“猴脸识别技术”，用于识别秦岭地区的数千只川金丝猴。与人脸识别技术相似，猴脸识别技术通过提取金丝猴面部特征信息，建立秦岭金丝猴个体的身份信息库，最终扫描、比对、识别。“猴脸识别技术完全成熟后，我们可将其装在野外布设的红外相机中，系统可自动认猴、命名，搜集它们的行为。”研究团队成员张河说。目前，猴脸识别技术处于实验推广阶段，可识别约 200 只秦岭金丝猴。“每只金丝猴，我们采集了七八百张图像样本，识别成功率达到 94%。”张河说。

《连线》发表文章谈论了成立不久的北京智源人工智能研究院，介绍了多个正在研发的项目，以及 AI 进步带来的道德伦理问题。文章称，人大教授文继荣在该研究院做兼职，领导一个团队开发类似 OpenAI 的 GPT-3 的新语言模型。他计划组合机器学习和事实数据库，用大量的图像、视频和文字进行训练，希望创造一种对物理世界有着更深入理解的算法。吸引文教授加入智源的一个地方是它有着惊人的计算资源。他的语言模式是智源多个旨在取得基础性进步的 AI 项目之一。这些突破有望对政府提供直接的帮助。文说，他的语言系统能作为智能助手帮助公民完成在线任务如申请签证、驾照或营业许可。政府也能从其它方面受益于语言模型的进步，如扫描社交媒体内容。与此同时，官员也在担心 AI 可能会侵蚀国家权力。研究院的多个项目旨在对 AI 的商业使用设定限制，抵御道德伦理方面的挑战，遏制大型科技公司的权力。

AI 是一种计算密集型任务，据估算，训练一个 AI 模型所产生的碳足迹与制造五辆汽车并在其整个寿命期内所产生的碳足迹相当。为什么 AI 需要消耗如此多的能量？传统的数据处理工作在数据中心内完成，如视频串流、电子邮件和社交媒体。AI 对计算要求更高，它需要阅读大量的数据直到它能理解，也就是它被训练了。相比人类的学习 AI 的训练是非常低效的。现代 AI 使用人工神经网络，模拟人脑神经元的数学计算。神经元之间的连接强度是被称为权值的网络参数。一开始网络的权值是任意的，会一直进行调整直到输出结果与正确答案相同。训练一个语言网络的常用方法是输入大量的文本，将部分文字掩盖起来，让它猜出掩盖的文字。一开始模型产生的答案是错误的，但在多轮的调整之后，改变后的连接权值开始识别数据中的模式，网络最终变得很精确。最近出现的一个语言模型叫 Bidirectional Encoder Representations from Transformers (BERT)，它使用了来自维基百科和英语书籍中的 33 亿个字进行训练，BERT 用数据集训练的次数不是一次，而是 40 次。一名普通儿童学会讲话只需要在 5 岁前听到 4500 万字，其数据是 BERT 的三千分之一。前不久引发轰动的 GPT-3 语言模型其网络有 1750亿个权值。