2016 年初，Instagram 的工程师们碰上一项棘手的任务。管理层担心用户会错过消息流中最重要的内容，要求工程师修改算法：不再按时间顺序展示朋友发的帖子，而是根据用户个人喜好对时间线的排序进行调整。Facebook 的动态消息正是采用了这样的算法。全世界身价最高的一群工程师花了大量时间才将 Facebook 的这个算法开发成功，它决定了 Facebook 的 20 亿用户能看到什么内容。如果 Facebook 存在的意义就是告诉我们接下来看什么，那么不断向用户推送这些内容的人工智能无疑就是这家公司最重要、有时也是最具争议的知识产权。这种为了提高用户参与度而精心挑选、排序的消息推送是策略的产物，也许有朝一日，历史学家会将其视为一座里程碑，将它摆到与蒸汽机同样重要的位置上。不过人们也发现，这套旨在吸引用户注意力的设计会被别有用心的人利用，即便正常运作，也可能对我们的民主制度产生不利影响。

当一个市场被一家企业主导的时候会发生什么？这家企业显然会采取各种措施获取尽可能多的利润。NVIDIA 的 GPU 被广泛用于 AI 领域，被用于加速数据中心。它的消费者级显卡 GeForce 和企业级显卡如 Quadro 和 Tesla 架构相似，但价格天上地下，因此可能会有企业将消费级显卡用于 AI 应用部署到数据中心。但现在 NVIDIA 被发现更新了它的 GeForce 驱动许可证，禁止将其部署到数据中心。许可证 2.1.3 条款规定，“No Datacenter Deployment. The SOFTWARE is not licensed for datacenter deployment, except that blockchain processing in a datacenter is permitted.”

在英国，持有儿童色情是一项重罪。从扣押的设备寻找定罪证据显然不能靠人工一个个文件夹查。伦敦警察厅的数字取证部门使用图像识别软件去搜索设备。它去年搜索了 5.3 万个设备。但它的图像识别软件不足够先进，甚至无法区分裸照和沙漠照片，因此会把计算机上的沙漠屏保识别为皮肤颜色，而众所周知 Windows 的一个著名屏保就是沙漠图像。英国警方准备求助于互联网巨头，利用亚马逊或 Google 或微软云计算服务提供的庞大算力来分析图像和视频。警方数字取证部门的主管认为在两到三年内训练有素的 AI 将能识别出儿童色情。

通用汽车旗下自动驾驶子公司 Cruise 提交到加州汽车管理局的报告称，该公司的一辆自动驾驶汽车今年早些时候在旧金山与摩托车发生了相撞事故。摩托车手还能走开，但据报因为肩痛而被送到医院治疗。Cruise 称，在场的警察判断事故责任主要在摩托车手。报告称，自动驾驶汽车在单行线三车道的中间车道上行驶，当汽车注意到左边车道有空隙后开始转换车道，但随后因为前车减速空隙变小而回到原来的车道。这时一辆摩托车从中右车道的两辆汽车中间行驶到中间车道，擦过自动驾驶汽车的边，摇晃之后摔倒。Cruise 称汽车的行驶时速是 12 英里，而摩托车时速 17 英里。

在各方对人工智能的探索日益白热化之际，中国三巨头百度、阿里巴巴和腾讯(BAT)比硅谷竞争对手拥有一项明显优势——数据。百度、阿里巴巴和腾讯在国内和海外建立专家实验室，聘请顶级工程师。和谷歌等美国同行一样，他们利用机器学习进入了一些较新的领域，包括自主驾驶、医疗诊断、用于支付验证的面部识别，以及可用语音操作的 AI 功能硬件。淘宝网允许用户通过图片进行搜索，利用深度学习找到相同或类似的商品。分析师们表示，该行业在利用 AI 方面仍处于起步阶段，但是这类应用暗示了中国如何可能居于全球领先地位，特别是随着企业加快利用相关技术。中国还产生在规模和易于获取程度上远超其他地区的数据。

我们正逐渐习惯于这样一种生活： 向 Siri 询问天气，通过 Google Assistant 搜索，叫 Alexa 购物和点歌，让 Cortana 查邮件。当然你未必会同时使用四种智能语音助手。开发这些 AI 应用的企业都是互联网和科技行业的巨头，对普通人而言创造一个 AI 应用似乎遥不可及。然而利用现成的高性能计算设备你事实上可以创造出一个触手可及的 AI 原型或雏形。

Google AI 子公司 DeepMind 的研究人员本月早些时候发表论文，宣布他们的 AI 程序从 AlphaGo Zero 进化到了 AlphaZero，利用自对弈增强学习在数小时内打败了顶尖的国际象棋和日本将棋程序。那么 AlphaZero 是否代表着 AI 领域的一大突破？一位 AI 研究人员认为 DeepMind 的研究存在很多可质疑的地方。首先 AlphaZero 运用的方法不是新的，自对弈增强学习已经存在了几十年，蒙特卡罗树搜索也不是什么新事物。如果要指出进步之处，那就增强学习和蒙特卡罗树搜索的组合更可靠了。DeepMind 没有公开它的 AI 系统源代码，因此难以检验和重复它公布的结果。它的竞争对手 Stockfish 则是一个开源的国际象棋程序，在对战中 DeepMind 没有使用 Stockfish 的最新版本，更重要的是它运行在普通的 PC 上，而 AlphaZero 运行的是专门设计的处理器 TPU，效率远甚于传统 CPU。比赛设置也非常不公平，每一步只给出一分钟的思考时间，AlphaZero 速度更快能思考更多走法，而 Stockfish 明显在运算上处于劣势。

在上海举行的 Google 开发者大会上，搜索巨人宣布成立 AI 中国中心，这是该公司在亚洲成立的第一个 AI 研究中心，将招募中国本地人才。Google 的绝大多数服务在中国至今仍然遭到屏蔽，而且看不出有解禁的可能。Google Cloud AI and Machine Learning 首席科学家李飞飞在官方博客上称赞了中国在 AI 领域的优势：过去三年 ImageNet 挑战赛的三支获胜团队主要由中国研究人员组成；2015 年 Top 100 AI 期刊内容中国研究人员贡献了 43%；当 Association for the Advancement of AI 发现其年度会议与中国新年重叠时它改变了日期。李飞飞称，无论 AI 的突破发生在硅谷还是北京，它都能让世界上每个人的生活变得更好。她说，AI 科学无国界，它的受益也没有国界。Google 发言人称该公司在中国有两个办公室，大约 600 名雇员，其中一半工作在全球产品上。

Google 旗下的 AI 子公司 Deepmind 发布了 AlphaGo 教学工具。AlphaGo 团队核心成员黄士杰在其 Facebook 账号上介绍说，“本教学工具总共收录了约 6000 个近代围棋史上主要的开局变化，从 23 万个人类棋谱中收集而来。所有盘面都有 AlphaGo 评估的胜率，以及 AlphaGo 推荐的下法。 所有 AlphaGo 的胜率与推荐下法，AlphaGo 都思考将近 10 分钟（1000 万次模拟）。每一个开局变化，AlphaGo 都固定延伸 20 步棋。加上 AlphaGo 的下法，整个教学工具约有 2 万个分支变化，37 万个盘面。受限于投稿“自然”杂志的时程，本教学工具使用的版本是 AlphaGo Master。希望大家享受 AlphaGo 教学工具中的创新下法，也能从中有所收获。”

对于 AI 的发展来说，理解视频中的动态行为是接下来的关键发展方向，这对于 AI 用其软件理解世界至关重要，也有助于 AI 在医疗、娱乐和教育等领域的广泛应用。 解释视频的 AI 系统，包括自动驾驶汽车中的系统，常常依赖于识别静态框架中的对象，而非对行为进行解释。 但对 AI 来说，能理解猫为何会骑着 Roomba 扫地机器人在厨房与鸭子追逐嬉戏，才是彰显其能力之处。 因此，科学家面临的下一个挑战可能是教会机器不仅理解视频包含了什么内容，还要理解镜头中发生了什么。这可能带来一些实际的好处，比如带来强大的搜索、注释和挖掘视频片段的新方法，也可以让机器人或自动驾驶汽车更好地理解周围的世界如何运转。

被解雇的技术员工从聊天机器人那里寻求心理治疗。被称为 Wysa 的聊天机器人利用了人工智能，承诺“忠诚、给予支持和非常私密”。一位遭到解雇的印度 IT 外包技术服务经理称，他从机器人那里感受到了倾听和理解，他现在从原公司的竞争对手那里找到了一份新的工作。Wysa 由一对夫妻团队 Ramakant Vempati 和 Jo Aggarwal 开发，利用自然语言处理去理解和分类对话，然后用治疗师制定的富有同情心的方案来回答问题。Aggarwal 说，聊天机器人提供了一只有同情心的耳朵，不做判断的倾听，将对话者导向积极面，对话会让人感到自然而真实，所有咨询服务都是匿名和免费的。该公司主要通过授权 AI 技术给企业级客户获利。

Google AI 子公司 DeepMind 的研究人员本周在预印本网站 arxiv 发表论文（PDF），称他们的 AI 程序从 AlphaGo Zero 进化到了 AlphaZero，通过自对弈在数小时内打败了最出色的国际象棋和日本将棋程序。AlphaGo Zero 是通过强化学习方法训练花了 40 天时间成为超越人类的最强大围棋选手。AlphaZero 应用了类似但更通用的算法，它只掌握最基本的棋类规则，然后通过自对弈反复训练强化学习逐渐进化。它用了 8 小时超越了打败李世石的版本 AlphaGo Lee，用了 4 小时打败了最出色的国际象棋程序 Stockfish，用了 2 小时打败了将棋程序 Elmo。AlphaZero 和 AlphaGo Zero 一样都只使用 4 个 TPU。

将原子视为字母分子视为单词，IBM 的 AI 软件利用翻译语言的方法去预测有机化学反应的结果。这项研究可能有助于加速新药的研发。过去五十年，科学家尝试训练计算机模拟化学反应，让计算机帮助预测有机化学反应的结果。但有机化学极端复杂，对其的模拟被证明既耗费时间也不精确。现在，IBM 的研究人员将语言翻译技术应用于有机化学。IBM 苏黎世研究院的 Philippe Schwaller 称，AI 程序的模拟精确度能达到 80%，目前 AI 能处理的最大分子由大约 150 个原子组成。研究人员表示没有理论上的理由 AI 不能工作在更大的分子上。

在中国测试人工智能前沿应用的时候，科大讯飞成了中国科幻野心与这种技术的反乌托邦黑暗可能性的一个令人信服的例子。科大讯飞主持的一个实验室正在为中国国内的安全部门开发语音监听能力。与政府的这种紧密关系可能会让科大讯飞及其他中国公司在这个新兴领域获得优势。专家说，中国政府的财政支持为中国企业提供了大量的资源，中国没有得到严格执行的、未经实践检验的隐私法让公司能获得大量的声音、面孔和其他生物识别数据，这些数据能帮助公司发展这方面的技术。中国 “没有西方企业所面临的严格的隐私法，中国公民也不反对他们的数据被收集，因为（可以这样说），政府监控是中国的现实，” 研究公司 Sanford C. Bernstein 的分析师们今年 11 月在一份报告中写道。“数据是金，”密歇根州立大学研究生物统计学的教授 Anil Jain 说。“如今，你无法（在没有数据的情况下）设计出准确可靠的识别任何东西的系统。”

Google AI 已经能发明自己的加密算法，现在它还能创造自己的 AI 了。Google Brain 团队今年早些时候公布了 AutoML，能自己生成 AI 的 AI。研究人员尝试用 AutoML 创造出性能打败人类 AI 的子 AI。他们使用了强化学习的方法自动化机器学习模型的设计，AutoML 作为一个控制器神经网络创造一个执行特定任务的子 AI 网络。这个被称为 NASNet 的 子 AI 的任务是从视频里实时识别目标如人、汽车、交通灯、手提包和背包。AutoML 会评估 NASNet 的表现，然后使用获得的信息开发改进版本，重复这一过程数千次。研究人员用 NASNet 测试了 ImageNet 图像分类和 COCO 目标识别两大数据集，在 ImageNet 的测试中 NASNet 的正确率达到了 82.7%，比人类的最新结果高 1.2%，效率高 4%，计算需求也更少。

上个月初日内瓦举行的联合国致命自主武器系统会议没有取得进展，俄罗斯在会议上公开表示它不会遵守任何对杀人机器人的禁令。这次会议的与会国尝试定义自主武器系统和制定相关限制。俄罗斯在一份声明中表示，由于缺乏自主武器系统的工作样品，因此很难制定此类武器的禁令。俄罗斯国防承包商据报道已经在开发利用人工智能判断和射击目标的武器系统。俄罗斯被认为从年初开始就一直在拖延，它甚至不希望举行会议。

间谍卫星及其商用卫星每天拍摄了数十 TB 的卫星图像，而人类分析师只能从卫星图像中筛选出高价值的目标如核设施和导弹。这就是为什么美国情报机构资助了自动识别卫星图像中感兴趣目标的 AI 挑战赛。挑战赛从 7 月开始，参赛者用世界最大的卫星图库数据集训练机器学习算法，该数据库由 U.S. Intelligence Advanced Research Projects Activity 提供。10 名决赛选手将能在 12 月底在一个秘密的卫星图像数据集里测试他们的 AI 算法。美国情报机构想要用 AI 自动处理目前由人类完成的四分之三的工作负荷。

扫地机器人 Roomba 的制造商 iRobot 正在测试软件让机器人能理解所有的房间。Roomba 采用的方法是尝试将混乱的占用网格变得有用。占用网格是一种二元地图，代表着一个给定的空间被东西占用或没有东西。Roomba 在扫地过程中会根据遇到的情况将信息加入到占用网格，比如墙壁、桌脚或鞋子。扫地机器人创造的占用网格无法精确代表你的房间。下一步是利用 CPU 将占用网格以一种人类能理解的方式分割到不同房间，一旦完成机器人将能以根据最有效的路径制定计划。iRobot 开发的方法叫 RoomsSeg。

多年来，投行招募顶尖的程序员来帮助他们的交易员用软件执行交易策略。现在，它们找到了更好的方法：让程序员变成交易员，由程序员接管交易。但在另一方面，金融行业的经理们也正在努力帮助他们的雇员适应这一未来趋势。咨询公司 EY 正鼓励他们的雇员自学 AI 和其它相关主题以避免被淘汰。美国银行和富国银行也都表示正考虑如何帮助雇员个人发展。随着金融行业用计算机系统处理各种事情，没有什么职业会不受影响。在高盛公司，程序员多年来已担任着日益重要的角色，而这一转变正在加速。高盛正在争抢有技术和定量背景的应聘者。

Google 工程师 Jeff Dean 最近在硅谷和中国的演讲中，专门提到一个名为 AutoML 的项目。ML是机器学习(machine learning)的缩写，指的是通过分析数据来学习如何完成某种特定任务的计算机算法。AutoML 指的是一种学习如何构建其他机器学习算法的机器学习算法。它能在构建人工智能系统时在一定程度上不需要人类，许多人认为这是技术产业的未来。它属于人工智能研究一个重要趋势的一部分。专家将其称为“学会学习”或“元学习”。 许多人相信，这种方法会极大地加快网络及现实中人工智能的发展。这些方法不能完全取代人工智能研究人员。专家仍需做大部分重要的设计工作。但它要实现的是以少数专家的工作来帮助其他更多的人搭建自己的软件。