动态 | 2019 年 1 月 AI 最佳网文榜单最新出炉！

2019 年 2 月 9 日 AI科技评论

AI 科技评论按：本文作者 Antoine Moreau 来自一家数据公司，自去年开始他便每月整理一份 AI 最佳网文榜单，覆盖的文章主题包括深度学习、强化学习、自然语言处理等热门的人工智能细分领域。2019 年 1 月过去不久，他也整理出了一份一月 AI 最佳网文榜单，并发布在 Medium 网站上。雷锋网 AI 科技评论编译如下。

欢迎大家前来阅读 2019 年第一个月份的 AI 最佳网文榜单。我们是巴黎的一家致力于开发敏捷数据（Agile data）的公司。我们本月榜单中的文章主题涵盖强化学习、自然语言处理、人工智能立法等。如果大家想要跟着这些教程进行实际操作，建议准备好一个 Python 环境。首先不妨来看一个本月的笑话：

「当收到的大部分正面反馈都是挖苦的时，研究人员很难对深度学习算法进行训练。」

1.当 AI 在绘画时，它在想什么？

原文：《神经网络能够像我们人类一样学习组织其概念中的世界》，A neural network can learn to organize the world it sees into concepts—just like we do，文章发布于 MIT Technology Review

阅读地址：https://www.technologyreview.com/s/612746/a-neural-network-can-learn-to-organize-the-world-it-sees-into-conceptsjust-like-we-do/

GAN 画出的第一幅画在艺术拍卖会上进行了拍卖。

生成式对抗网络（GAN）是能够产生现实输出的算法。例如，生成式对抗网络过去常被用于生成脸部以及产生名人的伪造视频。它们画出的第一幅画甚至还在艺术拍卖会上进行了拍卖。

来自 MIT 和 IBM 的联合 AI 实验室意识到，绘画 GAN 可以向人类提供神经网络怎样学习和思考的信息，并且他们确实发现了神经元簇可以学习表示特定的元素（例如树、墙、门等）。这些算法通过自主学习来将像素组织到合理的部分中。

该团队发布了一个叫做 GANpaint 的 APP，为观测这一现象带来了可能。通过激活神经网络中特定的神经元簇，你可以在图画中画出门、树或者云。这个 demo 非常棒！

不过如果你试图在天空中画一扇门，这是无法实现的——因为这个生成式对抗网络也会学到：在天空中画一棵树、一扇窗或门是没有意义的。

这项操作值得一试，大家不妨动手尝试一下。

2.Tensorow 2.0 边做边学（Learning by Doing）

原文：《Tensorow 2.0 的深度强化学习》，Deep Reinforcement Learning with TensorFlow 2.0，文章发布于 Roman Ring

阅读地址：http://inoryy.com/post/tensorflow2-deep-reinforcement-learning/

Tensorow 团队最近发布了 Tensorow 2.0 版本。这个新版本作为一个重要的里程碑被引入，主要聚焦于简易性和易用性。

如果你希望改进自主提出的想法，你可以前往阅读这篇文章，它描述了得益于深度强化学习（DRL）实施所带来的新特征。我也特别附上了这篇文章的链接，以帮助大家理解 Tensorow 2.0 主要发生了哪些变化。

Tensorow 2.0 依旧还在测试阶段，但是你已经可以尝试使用这个版本，同时回答这个问题：Tensorow 2.0 是否便捷了你的生活？

3. 使用深度学习来预测股价走势

原文：《使用深度学习的最新进展来预测股价走向》，Using the latest advancements in deep learning to predict stock price movements，文章发布于 Towards Data Science

阅读地址：https://towardsdatascience.com/aifortrading-2edd6fac689d

当生成式对抗网络在生成逼真的数据时，你是否曾想过使用它们来生成股价的未来价格走势？这就是这篇文章的作者尝试实现的事情！

GAN 很少应用于预测未来的股价。此外，本文作者尝试利用其他的深度学习以及最先进的算法来改进其模型的性能。你可以阅读关于 BERT 的文章以及关于强化学习和卷积的情感分析... 这项进展真的很棒！

同时，这里也有一些 Python 的代码片段，大家请做好准备！

4. 使用亚马逊的理解医疗来处理敏感的健康数据

原文：《使用亚马逊的理解医疗来识别和处理敏感的健康数据》，Identifying and working with sensitive healthcare data with Amazon Comprehend Medical，文章发布于 AWS Machine Learning Blog

阅读地址：https://aws.amazon.com/fr/blogs/machine-learning/identifying-and-working-with-sensitive-healthcare-data-with-amazon-comprehend-medical/

医疗领域是人工智能领域颇受关注的细分领域。最近，它在癌症以及阿尔茨海默病症检测中取得了非常好的结果... 但是医疗机构经常因为需要遵守受保护的健康信息法规而放缓该领域的发展步伐。

得益于亚马逊的理解医疗（Amazon Comprehend Medical），该领域的发展也变得更容易些。Amazon Comprehend Medical 是新的 AWS 服务，使用机器学习来提取医疗数据，准确率非常高。例如，该算法可以提取私人的医疗信息。由于这个服务能够禁止识别一些敏感数据或对其进行匿名处理，它对于医疗领域来说意义重大。

5. 自然语言处理的最新模型

原文：《应用于自然语言处理的现代深度学习技术》，Modern Deep Learning Techniques Applied to Natural Language Processing

阅读地址：https://nlpoverview.com/index.html

在该项目中，你可以找到处理自然语言处理（NLP）的最新方法的更新后的演示。它解释了例如词嵌入、卷积神经网络（CNN）以及循环神经网络（RNN）等深度学习模型是怎样更好地「理解」人类话语的。

同时，你还能找到参考数据集以及机器翻译、情感分析以及问答等关键 NLP 任务的最佳结果的概述。

我肯定会考虑它作为我的新 NLP 宝典。

6. 对抗黑客的机器学习

原文：《人工智能 VS 黑客》，Articial Intelligence vs. the Hackers，文章发布于 Bloomberg

阅读地址：https://www.bloomberg.com/news/articles/2019-01-03/artificial-intelligence-vs-the-hackers

某个机器学习算法最近检测到一位攻入罗马尼亚一家大型零售商的云帐户的黑客。

此前「基于规则」的专为对抗特定攻击而设计的技术，无法处理新类型的袭击。此外，这些技术的严格性会屏蔽和标记合法的用户。

开发的新型人工智能软件能够适用于防范黑客不断进化的战术。这些算法从基于登录、用户行为以及以前攻击的大量数据中学习，它们能够更准确地区分合法用户和非法用户。

7. 不断生成复杂和多样的学习环境和对应的解决方案

原文：《POET：通过 Paired Open- Ended Trailblazer 不断生成愈加复杂和多样的学习环境以及对应分解决方案》，POET: Endlessly Generating Increasingly Complex and Diverse Learning Environments and their Solutions through the Paired Open- Ended Trailblazer，文章发布于 Uber Engineering

阅读地址：https://eng.uber.com/poet-open-ended-deep-learning/

来自 Uber 人工智能实验室的团队一直致力于解决 open-endedness 问题。他们受到地球似乎永无止境的进化的启发，而这一启发可以比作「释放后的创造性天才」。他们的想法就是生成一种永远不会停止学习愈加复杂和新颖的算法。

利用 Uber 人工智能实验室开发的 POET（Paired Open-Ended Trailblazer）算法，一个随机实例化的智能体首先要面对的是一个复杂的环境；然后从第一个环境中生成更复杂的环境；之后该智能体会逐步接受训练。

研究者对这种算法的热情在于，它可以训练稳健的智能体来解决人类尚未认识到的问题。

8.AlphaStar：理想的《星际争霸 II 》队友

原文：《AlphaStar：主宰实时策略游戏星际争霸 II》，AlphaStar: Mastering the Real-Time Strategy Game StarCraft II，from DeepMind’s Blog

阅读地址：https://deepmind.com/blog/alphastar-mastering-real-time-strategy-game-starcraft-ii/

《星际争霸 II》是一款科幻电子游戏，它被认为是最具挑战性的实时策略游戏之一。而正是这一点激励了 DeepMind！开发出 AlphaGo 的这家公司最终成功训练出一个能够击败世界上最强大的专业星际玩家之一的人工智能。下面就让我为大家介绍一下 AlphaStar。

AlphaStar 是人工智能的里程碑成果！事实上，虽然人工智能算法在很多电子游戏（如 Mario，Atari 等）中取得了很好的结果，但它们使用都无法应对星际争霸这款游戏的复杂性。

为了在《星际争霸 II》中获得好结果，DeepMind 的研究人员建立了一个首度通过对人类游戏进行监督学习来完成训练的深度神经网络，然后，得益于强化学习（RL）技术，模型的性能得到了提高。

如果我要玩《星际争霸 II》，我毫无疑问会竭尽全力让 AlphaStar 成为我的队友！

9. 回首谷歌人工智能实验室 2018 这一年

原文：《回首谷歌 2018 年的研究成果》，Looking Back at Google’s Research Efforts in 2018，文章发布于 Google AI Blog

阅读地址：https://ai.googleblog.com

如果你对 2018 年人工智能的相关新闻了解不多，那么这篇发表在谷歌人工智能博客上的文章正是为你而写的。这篇文章对谷歌去年所领导的研究进行了完整的总结。无论如何，谷歌这一年都称得上是多产的！在这篇文章中，大家可以阅读到 AI 的社会效益、自然语言理解、感知、量子计算以及发布的开源数据集。

我不知道你对于这篇文章有什么感想，但就我而言，我非常期待看到谷歌在 2019 年给我们带来了什么。

10. 首个 MIT 人工智能国会

原文：《人工智能，法律以及我们的未来》，AI, the law, and our future，文章发布于 MIT News

阅读地址：http://news.mit.edu/2019/first-ai-policy-congress-0118

2019 年一月初，科学家和政策制定者齐聚麻省理工学院。共同探讨人工智能规范。

他们都认同人工智能对于解决人类至今无法解决的问题的潜力：治愈癌症，帮助保护濒危物种等。

但他们的讨论本质上都是关于如何让人工智能不失去控制。他们研究了人工智能所带来的伦理和社会问题。例如，他们解决了智能机器将大量取代工人的风险。

这篇文章汇总了演讲者的大量语录以及与会者所得出的结论。阅读科学家和政策制定者对未来生活以及人工智能的见解，这真的非常有趣。

我们非常希望大家喜爱我们本月的 AI 最佳网文榜单，也非常欢迎大家在评论区中给我们反馈或者对今后的文章提建议。我们下个月见！

往期 AI 最佳网文榜单：

十二月份：

https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Fblog.sicara.com%2F12-2018-best-ai-new-articles-this-month-79aa681b4a27

十一月份：

https://blog.sicara.com/11-2018-best-ai-new-articles-this-month-a219efa105ba-8cf1a554e161

十月份：

https://blog.sicara.com/10-2018-best-ai-new-articles-this-month-a219efa105ba

九月份：

https://blog.sicara.com/09-2017-best-ai-new-articles-this-month-df0f2088543d

八月份：

https://blog.sicara.com/08-2017-best-big-data-new-articles-this-month-8aa97b466cf0