日本旧的《道路交通法》禁止驾驶人员在驾驶中操作智能手机和注视车载导航仪，本周五通过的新修正案将自动驾驶排除在上述规定的适用对象之外。修正案以紧急时切换为手动驾驶为前提，将解禁智能手机操作等 “开车一心二用”。车辆驾驶员此前还需承担遵守交通规则等 “安全驾驶义务”，禁止喝酒、睡觉、吃东西和读书没有明确的法律上的规定。在修正案中，吃东西等没有明令禁止，但事故发生时司机有可能被控违反安全驾驶义务。喝酒和睡觉则仍然被严令禁止。修正案还要求通过车辆配备的装置记录行驶状态，保存数据。

风险投资公司 MMC 发表报告（PDF），它分析了 2830 家被归类为 AI 的欧洲创业公司，只有 1580 家公司符合其描述，五分之二的公司在其产品中没有发现使用任何 AI 的证据。MMC 检查了每一家公司的材料、产品、网站和产品文档。研究负责人 David Kelnar 没有给出这些公司的名字，他认为许多创业公司其实知道被错误归类，但它们没有动机去修正，因为这潜在可能会导致投资减少。

上周，非营利性人工智能研究公司 Open AI 声称，它的文本生成器 GPT2 可能会被滥用，因此决定不公开其细节（PDF）。Open AI 称，AI 产生的文字，从质量到数量到适应范围，都远远超出了设计者的预期。其它类似的 AI 文字编写程序相比，它没有使用此类系统经常露出的马脚，比如写着写着忘了在写什么，或夹杂一些莫名其妙的词汇等。研究负责人 Dario Amodei 表示，GPT2 从两个方面具有革命性的突破。一是它的数据储藏能力巨大，是现有最前沿的 AI 文本生成器数据储量的 12 倍。这使得它能更好的理解掌握写作文风，笔法和意图。但其他人认为，Open AI 是在夸张，它只是改进了文字生成器的机器学习模型而已。

百度的开发者利用百度大脑开放的动物识别技术，造出智能猫窝，在探测到猫接近时打开门，不放狗进来，因为它只识别猫。 猫脸门禁能准确识别 174 种不同种类猫咪，经过一系列图片训练，AI 猫窝不光可以识别猫，甚至还能看出猫咪有没有生病、有没有做绝育。利用 EasyDL 平台，通过图片训练，系统最终成功实现猫口炎、猫鼻支、猫皮肤病、猫外伤 4 种常见猫病的识别。通过训练流浪猫打耳标图片，实现识别猫是否绝育。当摄像头上传数据后，300 毫秒内就可以判定猫生病或者未绝育，帮助流浪猫得到有效救助。

机器学习能帮助揭示人类祖先的线索。根据发表在《Nature Communications》期刊上的一项研究，科学家利用机器学习分析古人类基因组数据，从人类基因组中发现了未知人类祖先的证据。一个已经灭绝的人类种群与亚洲和大洋洲的智人有过杂交，在现代人类 DNA 中留下了痕迹。这个神秘人种可能是来自尼安德特人和丹尼索瓦人的杂交后裔，类似在西伯利亚丹尼索瓦洞穴内发现的一个有 9 万年历史的少女化石，这个化石被认为是第一代尼安德特人和丹尼索瓦人杂交后裔。

Yoshua Bengio 是深度学习技术的缔造者之一，而深度学习是面部识别、自然语言处理、翻译和推荐算法取得进步的基础。Bengio 对中国将 AI 用于监视和政治控制表达了担忧，他在接受采访时表示这就像 1984 中的老大哥，越来越令人感到可怕。中国除了利用监控探头和面部识别跟踪公民，还在建立社会信用体系去引导公民的行为。Bengio 认为应该严格监管面部识别。此外，大型科技公司控制的数据量也日益成为一个问题。他认为创造某种非盈利机构或法律框架去控制数据的使用可能是一种解决方案，公民能控制自己的数据，同时限制其用途。

区分计算机和人类的图灵测试——Google 的 reCAPTCHA 系统进入到了这样一个阶段，人类开始对其避而远之，因为它太难了。为什么 CAPTCHA 变得越来越难？因为机器学习在基础性的文本、图像和语音识别任务上的表现与人类已经不相上下，甚至有过之无不及，以至于增加机器人程序识别难度的 CAPTCHA 对人类也越来越难。新的 CAPTCHA 混入了文化元素和游戏元素，计算机难以理解，但人类也是，人类并非笨而是因为人类之间在语言、文化习俗和经验上也存在巨大差异。图灵测试让人类也越来越难以证明自己是人类了。

上周，DeepMind AI AlphaStar 在与世界排名 44 位和 13 位的职业选手 Dario Wunsch 和 Grzegorz Komincz 之间展开的《星际争霸 2》人机大战中以 10 比 0 获胜。但分析人士认为这次人机大战并不公平。AlphaStar 的微操确实令人印象深刻，但许多操作对人类玩家是不太可能做到的，而这对机器人程序来说却是稀疏平常。举例来说，AlphaStar 同时在屏幕的两个对立面操纵单位。虽然为了公平起见，DeepMind 限制了 AlphaStar 的速度，但仍然远远超过人类。通过使用 API 它的点击精度也比人类玩家高得多。API 也给予 AlphaStar 对整个战场有着近乎上帝的视野。

官媒报道了浙江绍兴用 AI 监控厨房，识别出违规行为后就向管理人员发出警告。技术提供方杭州祐全科技发展有限公司总经理聂立功表示，人工智能通过深度学习厨师在操作场所不穿工装、砧板混用、垃圾桶不加盖等 8 种不规范行为和专间洗手消毒、环境清洁等 4 种规范行为的大量体征和动作，构建了行为运动状态模型数据云。在接入该智能系统的首家餐饮单位绍兴市咸亨酒店厨房区，当操作场所出现上述规范或不规范行为时，人工智能便利用监控进行实时识别、抓拍，并立即向管理员手机 APP 示警。同时，违规行为在现场显示屏同步曝光，在企业负责人电脑端也可实时展示。

YouTube 和 Twitch 直播了 AI 和人类顶尖电竞职业选手之间展开的一系列《星际争霸 2》人机大战，结果 DeepMind AI AlphaStar 以 10 比 1 打败了世界排名 44 位和 13 位的职业选手 Dario Wunsch 和 Grzegorz Komincz。DeepMind 的 David Silver 在直播中表示，这一时刻令人兴奋，我们首次看到 AI 能战胜职业玩家。DeepMind 开发了五个版本的 AI 程序 AlphaStar，使用人类玩家的数据进行训练，然后五个 AI 在竞技场上互相对战，领先的 AI 积累了相当于 200 年的游戏经验。AlphaStar 的成功也有其局限性，它只使用一张地图和单一游戏种族（神族）。虽然程序是运行在一个 GPU 上，但训练时它使用了 Google 云端的 16 块 v3 Tensor Processing Units。

研究人员在《Nature Medicine》期刊上发表论文，描述了名叫 Face2Gene 的智能手机应用的技术特点。它依靠机器学习算法和类脑神经网络对先天性和神经发育障碍患者照片中的面部特征进行分类。利用从图片中推断出的 “经验”，对可能的诊断进行定位，并提供可能的选项列表。研究负责人、马萨诸塞州波士顿数字健康公司 FDNA 首席技术官 Yaron Gurovich 表示，以标准化方式描述显型能力的增强，为未来的研究和应用，以及识别新的遗传综合征打开了大门。“它展示了如何将先进的算法，比如深度学习，应用到一个具有挑战性的领域。”

DARPA 的一个新项目旨在创建一个机器学习系统，能从日常的无数事件和媒体片段中识别出其中的联系。该项目被称为 KAIROS，代表 Knowledge-directed Artificial Intelligence Reasoning Over Schemas。我们日常所经历事件中的关联性对人类而言十分简单，但对机器来说就不那么容易搞清楚了。举例来说，你要买东西，你会走进商店，选择商品，拿到收银台，扫描，支付，然后离开商店。买东西的流程是一种我们能识别的模式，但计算机对此却难以理解。DARPA 的计划就是创建能理解这种模式的 AI。

AI 过去几年取得了令人瞩目的成就，以 DeepMind 的 AlphaGo 为例，它先后击败了当今最顶尖的围棋选手，而它的演进版本 AlphaZero 能在只掌握最基本的棋类规则的情况下通过自对弈成为棋类游戏的最强者。AI 的成功部分来自于深度神经网络，而深度神经网络的基础则始于 30 年前提出的误差反向传播学习算法（backpropagation）。在廉价但更强大的硬件帮助下，深度神经网络产生的某些结果比专家更出色。那么深度神经网络是否可能预示了强人工智能？DeepMind 的联合创始人 Demis Hassabis 不这么看。他认为强人工智能离我们还很遥远。游戏或棋类游戏某些方面非常简单，状态之间的转换模型明确且易于学习，而真实世界的 3D 模型和真实世界本身是难以弄明白的。他说，现有的 AI 系统首先需要学会看然后再学会玩，而人类能更快的学会玩游戏。

自动驾驶汽车是大势所趋，但真正的全自动驾驶离我们还有很长的距离。美国将自动驾驶汽车定义为五个层次，等级一意指汽车基本上是由人驾驶，车内只装置巡航控制系统等简易安全系统。等级二的汽车拥有转向控制或停车辅助，可由电脑控制方向盘功能的部分自动化系统。达到等级三的汽车已经可以高度自动化，由无人驾驶系统操控汽车，但在遭遇困难情况时将停止自动驾驶功能。例如当暴风雪或暴雨造成相机和雷达失效时，电脑会要求人接手驾驶。等级四是汽车接管绝大部分驾驶功能，等级五则是全自动驾驶，电脑能在所有交通状况下取代人类驾驶操控汽车。研究指出，全自动驾驶功能还需要数十年的光阴，人们暂时不应该抱持过高的期望。

Loop Ventures 发表了年度智能音箱 IQ 测试报告，向 Google Home/Google，HomePod/Siri，Echo/Alexa 和 Cortana 询问了 800 个相同的问题，根据智能助手是否能理解问题以及是否能提供正确答案进行评分，问题旨在全面测试智能音箱的能力，涵盖了地点如最近的咖啡店，购物，导航、信息和指令等五类。结果显示，所有智能助手都比前一年有进步，而 Google 仍然是表现最出色的。Google 理解了所有 800 个问题并正确回答了 86% 的问题，Siri 错误 3 次正确回答了 75% 的问题，Echo 错误了 8 次正确回答了 73%，Cortana 错误了 5 次正确回答了 63%。相比之下，2017 年的成绩是：Google 错误率为 19%，Siri 47% ，Alexa 37%，Cortana 44%，显然 Siri 的进步最为显著。

Nvidia 的研究人员在预印本网站 arXiv.org 上发表论文（PDF），描述了一种生成和混合图像（特别是人脸）的新架构，可以“带来更好的插值特性，而且也能更好地解析变化的潜在因素”。研究人员利用机器学习去生成逼真的人脸，逼真到我可能永远不会再相信一个机器或人类是真实的。新系统的灵感源自所谓的风格转移，也就是对图像（比如说一张画）的重要风格特征进行提取，并应用到另一张图像的创作当中，如果一切顺利的话，最终得到的图像应该跟原来的拥有类似外观。研究人员还发布了一个面部数据集。

Waymo 的商业自主驾驶出租车服务上周三正式启动，但在 48 小时后没有看到多少人使用该服务的迹象，也没有人在社交媒体上谈论它。被称为 Waymo One 的出租车服务还不是真正的无人驾驶，还有司机坐在方向盘后面，它更像是测试的继续而不是真正的商业性服务。过去两年一直跟踪 Waymo 测试的记者 Ryan Randazzo 报告，该公司的自主驾驶汽车还没有真正做好无人操作的准备，在处理复杂交通问题时仍然挣扎不已，远不如人类司机。

Google AI 子公司 DeepMind 的研究人员去年宣布他们的 AI 程序进化到了 AlphaZero，利用自对弈强化学习在短时间内打败了顶尖的国际象棋和日本将棋程序。在只知道基本规则的情况下，AlphaZero 靠自对弈精通了围棋、国际象棋和日本将棋。本周，DeepMind 在《科学》期刊上发表了他们的通用强化学习算法论文（预印本PDF），确认和更新了去年的结果。论文描述了 AlphaZero 如何快速的学习三种棋类游戏成为史上最强的棋手，尽管它只知道基本规则没有其它该领域的知识。

Nvidia 演示了利用 AI 而不是传统的建模或图形渲染引擎去实时绘制虚拟世界。新的方法利用了条件生成神经网络去分析现有的视频，然后将 3D 元素应用到新的环境里。Nvidia 称这项技术大大简化了 3D 虚拟世界的创造，因为通过视频训练的 AI 能自动将建筑物、汽车、树木等元素渲染到新 3D 世界里，不再需要艰苦的场景元素建模过程。如图所示，AI 生成的视频不是太清晰，其优点在于实时生成。研究人员发布了一则视频（YouTube）演示了 AI 视频渲染和场景替换（将研究人员自己的肖像替换原视频中的人物）。

一名特斯拉司机在自动驾驶启用的情况下睡着了，为了停下这辆车，加州公路巡警追逐了他七分钟。警官是在凌晨 3 点 30 分左右注意到这辆直行的 特斯拉 Model S 汽车，由于司机没有任何回应，警方不得不设法让自动驾驶系统放慢速度，最终停下来。特斯拉拒绝置评，Consumer Watchdog 认为此事再次证明特斯拉的自动驾驶误导了消费者，让他们以为自动驾驶是真的能自动的驾驶，无需人干预。但实际上特斯拉汽车的自动驾驶更多是一种辅助性驾驶。