【歐洲AI要聞盤點(diǎn)：開發(fā)NAIS-Net新型神經(jīng)網(wǎng)絡(luò)架構(gòu)，訓(xùn)練深度比以往強(qiáng)10到20倍】歐洲人工智能創(chuàng)業(yè)公司NNAISENSE的研究人員已經(jīng)發(fā)布了關(guān)于NAIS-Net（非自動(dòng)輸入——輸出穩(wěn)定網(wǎng)絡(luò)）的詳細(xì)信息，這是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu)，他們宣稱這種架構(gòu)的訓(xùn)練深度是其他網(wǎng)絡(luò)（如殘差網(wǎng)絡(luò)、Highway網(wǎng)絡(luò)）的10到20倍，同時(shí)能夠保證穩(wěn)定性。

物理+人工智能：這個(gè)網(wǎng)絡(luò)的設(shè)計(jì)靈感來源于控制理論和物理學(xué)，它們的結(jié)合讓設(shè)計(jì)人員構(gòu)建出一個(gè)能保證適應(yīng)不同類型的輸入數(shù)據(jù)，針對特定任務(wù)進(jìn)行更深收斂訓(xùn)練的系統(tǒng)。NAIS-Nets縮小了標(biāo)靶的尺寸，能夠快速完成訓(xùn)練，這讓網(wǎng)絡(luò)訓(xùn)練過程中的發(fā)方差變小，以及可重復(fù)性提高成為可能。

規(guī)模：“在不增加網(wǎng)絡(luò)參數(shù)總數(shù)的情況下，NAIS-Nets也可以比ResNet深10到20倍，并且通過堆疊多個(gè)穩(wěn)定的NAIS-Net模塊，進(jìn)行圖形處理深度相關(guān)的模型可以在不需要任何正則化的前提下進(jìn)行訓(xùn)練?！毖芯咳藛T寫道。

結(jié)果：經(jīng)過對CIFAR-100進(jìn)行測試，研究人員發(fā)現(xiàn)NAIS-Net與殘差網(wǎng)絡(luò)的性能相當(dāng)，但方差顯然更低。該架構(gòu)尚未在更大、更像是評估模型黃金標(biāo)準(zhǔn)的ImageNet上進(jìn)行測試。

為什么重要：目前，人工智能技術(shù)中的一個(gè)未解決的難題是，我們并不真正了解它們工作的原理，這從我們以往的經(jīng)驗(yàn)中可以看到，我們在壓縮過程中很難保證方差、概括和性能損失。像NAIS-Nets這樣的方法似乎可以減少我們在這些領(lǐng)域的一些不確定性，這表明，我們在設(shè)計(jì)具有足夠豐富的數(shù)學(xué)證明的系統(tǒng)方面有了進(jìn)步，可以更好地保證一些性能參數(shù)。此外，這還意味著我們能夠創(chuàng)建出機(jī)制更透明的系統(tǒng)，這似乎是未來構(gòu)建更精細(xì)系統(tǒng)的必要基礎(chǔ)。

歐洲國家加入AI革命，避免錯(cuò)過云計(jì)算革命的歷史重演

25個(gè)歐洲國家已經(jīng)簽署了一封合約，宣布有意“聯(lián)合起來”開發(fā)人工智能。這封信的內(nèi)容大意是，簽署方均承諾會(huì)在實(shí)施各自的國家發(fā)展計(jì)劃時(shí)與其他成員國進(jìn)行協(xié)作。

“合作將側(cè)重于加強(qiáng)歐洲人工智能研究中心建設(shè)，在歐洲各地的研發(fā)和資助計(jì)劃中發(fā)揮協(xié)同作用，并就人工智能對社會(huì)和經(jīng)濟(jì)的影響交換意見。此聯(lián)盟成員國將與作為協(xié)調(diào)人的委員會(huì)保持對話，”歐洲委員安德魯斯·阿斯普和瑪麗亞·加布里爾說道。

為什么重要：由于中國和美國的規(guī)模大（數(shù)億人使用同一種語言進(jìn)行口頭和書面交流），以及擁有開展國家級研究的充足資金，中美兩國都具有發(fā)展人工智能的結(jié)構(gòu)性優(yōu)勢。單個(gè)歐洲國家無法與其投資能力相提并論，因此需要聯(lián)合在一起，否則就會(huì)像錯(cuò)過云計(jì)算革命一樣，最終不能形成一家大型AI公司，導(dǎo)致他們在AI時(shí)代下缺乏政治和經(jīng)濟(jì)影響力。

人工智能的未來是SpatialAI，這對于機(jī)器人、無人機(jī)等意味著什么？

SLAM研究員AndrewDavison發(fā)表了一篇論文，研究SLAM（即時(shí)定位與地圖構(gòu)建）技術(shù)的現(xiàn)狀，并根據(jù)當(dāng)前的算法趨勢預(yù)測未來其將如何演變?，F(xiàn)有的人工智能系統(tǒng)想要實(shí)現(xiàn)預(yù)設(shè)的功能，它們需要具備'空間人工智能'（SpatialAI）的功能，以及機(jī)器需要對周遭環(huán)境進(jìn)行理解和歸類的一系列認(rèn)知能力，以便可以有效地采取行動(dòng)。他假設(shè)，這個(gè)空間人工智能系統(tǒng)將成為未來真實(shí)世界人工智能的核心，因?yàn)樗梢浴皩?shí)時(shí)地，主要以可視化輸入和可量化的性能為指標(biāo)，逐步構(gòu)建、維護(hù)一個(gè)通用的、接近度量的場景表示”，這讓人們可以開發(fā)更豐富的AI應(yīng)用程序。

現(xiàn)狀與空間AI之間的差距：隨著學(xué)習(xí)方法和關(guān)鍵功能手寫規(guī)則的應(yīng)用，今天的SLAM系統(tǒng)正在發(fā)生著變化，尤其是構(gòu)建周圍環(huán)境地圖的系統(tǒng)。未來的空間人工智能系統(tǒng)可能會(huì)具備更多的學(xué)習(xí)功能，特別是在解決模糊性或預(yù)測世界變化方面，并且需要在各種不同的芯片架構(gòu)上實(shí)現(xiàn)這一點(diǎn)，以最大限度地提高性能。

許多“空間人工智能”制作的全球共享地圖：一旦世界上出現(xiàn)少數(shù)具有這種空間人工智能功能的系統(tǒng)，它們可能會(huì)將其對世界的insight集中到一張全球共享的地圖中，該地圖將通過所有連接的設(shè)備不斷更新。這意味著，一旦系統(tǒng)識別出它的位置，可能不需要執(zhí)行很多的設(shè)備處理，因?yàn)樗梢詮脑浦蝎@取上下文信息。

這樣的設(shè)備長什么樣？相機(jī)和傳感器設(shè)備將根據(jù)目標(biāo)而變化，例如，“未來的家用機(jī)器人可能在機(jī)身中央安裝一個(gè)導(dǎo)航相機(jī)，并在手腕上安裝一個(gè)專用相機(jī)輔助操作。”這些相機(jī)將包含一個(gè)全球模型，為系統(tǒng)提供持續(xù)更新的位置信息以及周圍世界的語義信息。系統(tǒng)還將用前向預(yù)測場景模型不斷檢查新的信息，以幫助其對環(huán)境中的變化做出預(yù)測和反應(yīng)。在計(jì)算上，這些系統(tǒng)將標(biāo)記周圍的世界并跟蹤，將所有內(nèi)容映射到同一個(gè)空間，進(jìn)行自我監(jiān)督學(xué)習(xí)，以整合新的感官輸入數(shù)據(jù)。最終，如果這個(gè)全球模型變得足夠好，那么系統(tǒng)只需要從其傳感器采集與預(yù)測不同的信息，從而進(jìn)一步提高效率。

測試：這個(gè)想法引發(fā)的一個(gè)棘手問題是，我們?nèi)绾卧u估這種空間AI系統(tǒng)的性能。SLAM基準(zhǔn)測試往往具有局限性，一些研究人員傾向于對SLAM進(jìn)行主觀的、定性的評估。Davison建議使用像SlamBench這樣的基準(zhǔn)測試，它可以測量各種不同處理器平臺的精度和計(jì)算成本方面的性能。在SLAM系統(tǒng)部署的平臺上對SLAM性能進(jìn)行測試也很有必要，因此同一系統(tǒng)在無人機(jī)或機(jī)器人上部署需要進(jìn)行不同的測試。未來，在同一系統(tǒng)內(nèi)用不同參數(shù)來評估性能將是一件好事，例如分割對象、跟蹤環(huán)境變化、評估電源使用情況、測量重定位穩(wěn)健性等。

為什么很重要：這樣的論文對特定AI領(lǐng)域進(jìn)行了整體概述。SLAM功能對于在現(xiàn)實(shí)世界中部署AI系統(tǒng)至關(guān)重要，很可能許多當(dāng)代AI組件將被用于未來的SLAM系統(tǒng)中，這些系統(tǒng)的設(shè)計(jì)?·也將越來越專業(yè)化、學(xué)習(xí)能力更強(qiáng)，并將應(yīng)用于異構(gòu)計(jì)算機(jī)基板上。