去年 12 月在與 Google 的合作之下，美國太空總署（NASA）成功發現了兩顆過去被忽略的行星，但在浩瀚無垠的宇宙中仍有太多行星等待著被發現，為了讓探索太空的速度加快，Google 宣布開源搜尋系外行星的代碼，讓所有對太空探索有興趣的人都可以幫上忙。2009 年時，NASA 發射克卜勒太空望遠鏡來搜索太陽系外的行星，但由於相隔距離太遠，天文學家並無法直接觀測、而是只能夠透過「凌日」現象（Transit photometry）來推論其存在：當一顆系外行星通過恆星前方時，恆星的亮度會暫時性的下降。▲系外行星的「凌日」現象。（Source：Google Blog）當然，其他天文和儀器現象也可能導致恆星亮度降低，像是聯星系統、星斑、克卜勒太空望遠鏡上的宇宙射線或儀器上的雜訊，學者必須透過觀測顯示的亮度差異、時間間隔等相關信號進行評估。▲其他現象造成的恆星亮度下降情況。（Source：Google Blog）經過 4 年觀測 15 萬顆恆星後，克卜勒為天文學家收集了大量數據──遠遠超過人力可以有效搜尋的數據。為了讓搜尋行動能夠更有效率，天文學家只得專注在那些最有希望的目標，期望在 3 萬個強列訊號中發現 2,500 顆系外行星。但這也意味著還有 12 萬個較弱信號未經過分析，而其中任何一個都可能代表一顆系外行星。為了不浪費這個寶貴的天文數據，Google 的研究人員先是用 NASA 研究員已標記的 1.5 萬筆系外行星的數據訓練了演算法，教會了演算法該如何在數據中透過一些「特徵」來確認系外行星的存在。而在那之後，Google 的研究人員用它分析了 700 個弱信號，Shallue 和他的同事便發現了兩個過去被忽略、全新的系外行星：克卜勒 80g 和克卜勒 90i。Google負責行星搜尋項目的 AI 高級工程師 Christopher Shallue 表示，他們已經在 Github 上將系外行星搜尋的代碼開源，其中還包含了如何使用它的說明。簡單來說，只要你有興趣，任何人都可以下載並協助在克卜勒數據中尋找系外行星。儘管代碼和相關克卜勒數據對任何人都開放，但它並不是簡單的「隨插即用」──如果你有 Google 機器學習軟體 TensorFlow 和 Python 的編碼經驗，對於想成為發現那顆全新系外行星的「行星獵人」將會很有幫助。Shallue 表示，公布代碼除了要讓大眾了解到神經網路如何發現行星，也希望能鼓勵找出對克卜勒數據進一步的分析方式，替未來更複雜的搜尋工具鋪平道路。 Google’s Open Source AI Lets Anyone Hunt for...
IC 設計大廠聯發科 14 日在北京舉行曦力 Helio P60 手機晶片的發表會，並邀請多家 AI 合作夥伴參與，展示手機 AI 創新應用。由於 Helio P60 是聯發科首款內建多核心人工智慧處理器及 NeuroPilot AI 技術的新一代智慧型手機晶片，而且也是目前市場上首款內建 AI 技術的手機晶片，領先競爭對手，使得市場消費者對 Helio P60 有所期待之外，也使得生態系合作夥伴也加入共襄盛舉。聯發科技無線通訊事業部總經理李宗霖表示，AI 技術正在快速進入消費者的日常生活。做為終端 AI 的推動者，聯發科技非常自豪能為 AI 在各種終端設備的應用和普及提供開放性平台和優異的硬體架構。目前，Helio P60 整合了來自中國的騰訊、商湯、虹軟、曠視等多家 AI 廠商的方案，在手機安全、拍照、人臉辨識等方面均達到業界領先水準。聯發科技將繼續與合作夥伴一起打造 AI 生態系統，共創 AI 未來。與聯發科攜手共同打造 AI 生態系的中國企業或團隊，有騰訊安全團隊、製作影像軟體的騰訊天天 P 圖、人工智慧平台公司商湯科技、人工視覺發展公司曠視科技、以及人工視覺解決方案處理商虹軟等。聯發科指出，未來公司將堅持開放性 AI 平台策略，與眾多 AI 合作夥伴一起提供軟、硬體整體解決方案，打造 AI 生態系統。而目前 Helio P60 是聯發科技 AI 策略在智慧型手機領域的首款落地產品，以合理的價格將高階旗艦手機才有的功能帶給更多消費者，將徹底改變消費者對於智慧型手機的期待。（首圖來源：聯發科官網）
豐田汽車的大數據新創公司 Toyota Connected 14 日宣布將為 Avis 提供 1 萬輛聯網汽車。同時，Avis 計劃在 2020 年前建立一個完全互聯的車隊，簡化租賃過程。據外媒報導，兩家公司的合作關係將從今年延長至 2021 年。這筆交易是 Avis 汽車租賃公司總體目標中的一部分，該協定的目標是到 2020 年在全球建立全面互聯的租賃車隊。Toyota Connected 北美分公司首席執行長柴克‧希克斯（Zack Hicks）聲明表示：「豐田公司的行動服務平台將增強 Avis 租賃車隊的互聯性和可視性，並為用戶提供更多的控制權和便利性，以提升他們的租賃體驗。」根據兩家簽署的協定，Avis 將使用豐田的行動服務平台改善車隊管理，並幫助加快或自動化車輛註冊及結帳處理時間。豐田汽車公司發言人說：「該平台的應用程式介面（API）將即時向 Avis 公司及用戶提供行駛里程、油箱油量和車輛位置等資訊。」Avis 聲明表示：「聯網的豐田汽車預計將於今年 9 月上市，屆時將會有相當數量的車輛進入公司車隊。」（本文由 雷鋒網 授權轉載；首圖來源：Flickr/Mike Mozart CC BY 2.0）
繼在語音辨識和機器閱讀領域取得優秀成績，由微軟亞洲研究院與雷德蒙研究院的研究人員組成的團隊 15 日宣佈，研發的機器翻譯系統在通用新聞報導測試集 newstest2017 的中翻英測試集，達到可與人工翻譯媲美的水準。這是第一個在新聞報導的翻譯品質和準確率上可以比肩人工翻譯的翻譯系統。newstest2017 新聞報導測試集由產業界和學術界的合作夥伴共同開發，並於去年秋天在 WMT17 大會發表。為了確保翻譯結果準確且達到人類的翻譯水準，微軟研究團隊邀請了雙語語言顧問將微軟的翻譯結果與兩個獨立的人工翻譯結果進行了比較評估。微軟技術院士，負責微軟語音、自然語言和機器翻譯工作的黃學東稱，這是對自然語言處理領域最具挑戰性任務的一項重大突破。「在機器翻譯方面達到與人類相同的水準是所有人的夢想，我們沒有想到這麼快就能實現。」他表示，「消除語言障礙，代表人們的溝通進步，這非常有意義，值得我們多年來為此付出的努力。」▲ 黃學東。機器翻譯是科研人員攻堅了數十年的研究領域，曾經很多人都認為機器翻譯根本不可能達到人類翻譯的水準。雖然此次突破意義非凡，但研究人員也提醒大家，這並不代表人類已經完全解決了機器翻譯的問題，只能說明我們離終極目標又更近了一步。微軟亞洲研究院副院長、自然語言計算組負責人周明表示，WMT17 測試集的翻譯結果達到人類水準很鼓舞人心，但仍有很多挑戰需要我們解決，比如在即時的新聞報導測試系統等。微軟機器翻譯團隊研究經理 Arul Menezes 表示，團隊想要證明的是：當一種語言對（比如中─英）擁有較多的訓練資料，且測試集中包含的是常見的大眾類新聞詞彙時，那麼在人工智慧技術的加持下機器翻譯系統的表現可以與人類媲美。跨時區跨領域合作，四大技術為創新加持雖然學術界和產業界的科研人員致力於機器翻譯研究很多年，但近兩年深度神經網路的使用讓機器翻譯的表現取得了很多實質性突破，翻譯結果相較於以往的統計機器翻譯結果更加自然流暢。為了能夠取得中─英翻譯的里程碑式突破，來自微軟亞洲研究院和雷德蒙研究院的三個研究組，進行了跨越中美時區、跨越研究領域的聯合創新。▲ 劉鐵岩。其中，微軟亞洲研究院機器學習組將他們的最新研究成果──對偶學習（Dual Learning）和推敲網路（Deliberation Networks）應用在此次取得突破的機器翻譯系統。微軟亞洲研究院副院長、機器學習組負責人劉鐵岩介紹，「這兩個技術的研究靈感其實都來自於我們人類的做事方式。」對偶學習利用的是人工智慧任務的天然對稱性。當我們將其應用在機器翻譯時，效果就好像是通過自動校對來進行學習──當我們把訓練集中的一個中文句子翻譯成英文之後，系統會將相應的英文結果再翻譯回中文，並與原始的中文句子進行比對，進而從這個比對結果中學習有用的回饋資訊，對機器翻譯模型進行修正。而推敲網路則類似於人們寫文章時不斷推敲、修改的過程。透過多輪翻譯，不斷地檢查、改善翻譯結果，從而使翻譯的品質大幅提升。對偶學習和推敲網路的工作發表在 NIPS、ICML、AAAI、IJCAI 等人工智慧的全球頂級會議，並且已被其他學者推廣到機器翻譯以外的研究領域。▲ 周明。周明帶領的自然語言計算組多年來一直致力於攻克機器翻譯，這一自然語言處理領域最具挑戰性的研究任務。周明表示：「由於翻譯沒有唯一的標準答案，它更像是一種藝術，因此需要更加複雜的演算法和系統去應對。」自然語言計算組基於之前的研究積累，在此次的系統模型中增加了另外兩項新技術：聯合訓練（Joint Training）和一致性規範（Agreement Regularization），以提高翻譯的準確性。聯合訓練可以理解為用反覆運算的方式去改進翻譯系統，用中英翻譯的句子對去補充反向翻譯系統的訓練資料集，同樣的過程也可以反向進行。一致性規範則讓翻譯可以從左到右進行，也可以從右到左進行，最終讓兩個過程生成一致的翻譯結果。可以說，兩個研究組分別將各自所在領域的累積與最新發現應用在此次的機器翻譯系統中，從不同角度切入，讓翻譯品質大幅提升。在專案合作過程中，他們每週都會與雷德蒙總部的團隊開會討論，確保技術可以無縫融合，系統可以快速反覆運算。沒有「正確的」翻譯結果newstest2017 新聞報導測試集包括約 2 千個句子，由專業人員從線上報紙樣本翻譯而來。微軟團隊對測試集進行了多輪評估，每次評估會隨機挑選數百個句子翻譯。為了驗證微軟的機器翻譯是否與人類的翻譯同樣出色，微軟沒有停留在測試集本身的要求，而是從外部聘請了一群雙語語言顧問，將微軟的翻譯結果與人工翻譯比較。驗證過程之複雜也從另一個側面展現了機器翻譯要做到準確所面臨的複雜性。對於語音辨識等其它人工智慧任務來說，判斷系統的表現是否可與人類媲美相當簡單，因為理想結果對人和機器來說完全相同，研究人員也將這種任務稱為模式識別任務。然而，機器翻譯卻是另一種類型的人工智慧任務，即使是兩位專業的翻譯人員對於完全相同的句子也會有略微不同的翻譯，而且兩個人的翻譯都不是錯的。那是因為表達同一個句子的「正確的」方法不止一種。 周明表示：「這也是為什麼機器翻譯比純粹的模式識別任務複雜得多，人們可能用不同的詞語來表達完全相同的意思，但未必能準確判斷哪一個比較好。」複雜性讓機器翻譯成為一個極有挑戰性的問題，但也是一個極有意義的問題。劉鐵岩認為，我們不知道哪一天機器翻譯系統才能在翻譯任何語言、任何類型的文本時，都能在「信、達、雅」等多個維度上達到專業翻譯人員的水準。不過，他對技術的進展表示樂觀，因為每年微軟的研究團隊以及整個學術界都會發明大量的新技術、新模型和新演算法，「我們可以預測的是，新技術的應用一定會讓機器翻譯的結果日臻完善。」研究團隊還表示，此次技術突破將被應用到微軟的商用多語言翻譯系統產品中，從而説明其它語言或詞彙更複雜、更專業的文本實現更準確、更地道的翻譯。此外，這些新技術還可以被應用在機器翻譯之外的其他領域，催生更多人工智慧技術和應用的突破。對偶學習（Dual Learning）：對偶學習的發現是由於現實中有意義、有實用價值的人工智慧任務往往會成對出現，兩個任務可以互相回饋，從而訓練出更好的深度學習模型。例如，在翻譯領域，我們關心從英文翻譯到中文，也同樣關心從中文翻譯回英文；在語音領域，我們既關心語音辨識的問題，也關心語音合成的問題；在圖像領域，圖像識別與圖像生成也是成對出現。此外，在對話引擎、搜尋引擎等場景中都有對偶任務。一方面，由於存在特殊的對偶結構，兩個任務可以互相提供回饋資訊，而這些回饋資訊可以用來訓練深度學習模型。也就是說，即便沒有人為標注的資料，有了對偶結構也可以做深度學習。另一方面，兩個對偶任務可以互相充當對方的環境，這樣就不必與真實的環境做交互，兩個對偶任務之間的交互就可以產生有效的回饋信號。因此，充分地利用對偶結構，就有望解決深度學習和增強學習的瓶頸──訓練資料從哪裡來、與環境的交互怎麼持續進行等問題。論文網址：https://papers.nips.cc/paper/6469-dual-learning-for-machine-translation.pdf▲ 對偶無監督學習框架。推敲網路（Deliberation Networks）：「推敲」二字可以認為是來源於人類閱讀、寫文章以及做其他任務時候的一種行為方式，即任務完成之後，並不當即終止，而是會反復推敲。微軟亞洲研究院機器學習組將這個過程沿用到了機器學習中。推敲網路具有兩段解碼器，其中第一階段解碼器用於解碼生成原始序列，第二階段解碼器通過推敲的過程打磨和潤色原始語句。後者瞭解全域資訊，在機器翻譯中看，它可以基於第一階段生成的語句，產生更好的翻譯結果。論文網址：https://www.microsoft.com/en-us/research/publication/deliberation-networks-sequence-generation-beyond-one-pass-decoding/▲ 推敲網路的解碼過程。聯合訓練（Joint Training）：這個方法可以認為是從來源語言到目的語言翻譯（Source to Target）的學習與從目的語言到來源語言翻譯（Target to Source）的學習的結合。中英翻譯和英中翻譯都使用初始並行資料來訓練，在每次訓練的反覆運算過程中，中英翻譯系統將中文句子翻譯成英文句子，從而獲得新的句對，而該句對又可以反過來補充到英中翻譯系統的資料集中。同理，這個過程也可以反向進行。這樣雙向融合不僅使得兩個系統的訓練資料集大大增加，而且準確率也大幅提高。論文網址：https://arxiv.org/pdf/1803.00353.pdf▲ 聯合訓練：從源語言到目標語言翻譯（Source to Target）P(y|x) 與從目標語言到源語言翻譯（Target to Source）P(x|y)。一致性規範（Agreement Regularization）：翻譯結果可以從左到右按順序產生，也可以從右到左進行生成。該規範對從左到右和從右到左的翻譯結果進行約束。如果這兩個過程生成的翻譯結果一樣，一般而言比結果不一樣的翻譯更加可信。這個約束，應用於神經機器翻譯訓練過程中，以鼓勵系統基於這兩個相反的過程生成一致的翻譯結果。▲ 一致性規範：從左到右 P(y|x,theta->) 和從右到左 P(y|x,theta<-)。 機器翻譯：中英新聞翻譯方面達到與人類媲美的水準 Microsoft Translator Try & Compare Microsoft Translator 微軟推出 Presentation Translator...
蘋果（Apple）的 Siri 可說是語音助理的先行者，但如今 Amazon 旗下的 Alexa 才是語音助理界的霸主。為何 Siri 會浪費多年的優勢，甚至整整晚了 Amazon 快 4 年才推出智慧音箱 Homepod？科技媒體《The Information》訪問了十多位已離職的蘋果員工，試圖為這個問題找出答案。《The Information》的報告指出，在 Siri 跟著 iPhone 4s 推出時還不成熟，也引發了員工之間的爭論。內部對於 Siri 的理想型態有不同的認知，有些人認為 Siri 應該成為快速準確的資訊提供者，另一派則想要 Siri 變成能處理複雜任務的助手。當時負責 Siri 的團隊由創造 iOS 的 Scott Forstall 帶領，但當時他還要分神於其他計畫，包括那時候即將推出的 Apple Maps。於是 Scott Forstall 找來了 Richard Williamson 幫忙領導 Siri 團隊。好幾位蘋果前員工都表示 Williamson 做了一些 Siri 團隊不贊成的決定，像是每年只改善一次語音助理的功能。不過 Williamson 否認他當時有做出這項決定，他宣稱決定是由他的下級做的。Williamson 指出剛發表的 Siri 完全是一場災難，軟體充斥各種錯誤且龜速運轉。他認為這些問題應歸咎於原本的 Siri 團隊，與他無關。Forstall...
日經新聞 15 日報導，優步（Uber Technologies）將開始對外販售自動駕駛系統，期望藉由將自家研發的自駕系統提供給更多廠商使用，促進自駕普及，而優步正和豐田汽車（Toyota）展開協商，豐田計畫在自家多功能休旅車（Minivan）搭載優步的自駕系統。據報導，自動駕駛技術的研發競爭益發激烈，而優步計劃藉由對外販售自駕系統、增加實驗車輛數量，藉此對抗跑在前頭的 Google 母公司 Alphabet 旗下單位 Waymo。報導指出，優步自動駕駛部門負責人 Eric Meyhofer 表示，「做為新事業，將開始對外販售自駕系統。這是統合光達（LiDAR）、相機、感測器等情報進行處理的系統，不包含車體、電池」。豐田副社長友山茂樹本週拜訪了位於賓夕法尼亞州匹茲堡的優步自動駕駛研發據點，和優步 CEO Dara Khosrowshahi 進行了會談。豐田正著手自行研發自動駕駛的核心技術，不過在共享等移動服務用專用車款部分，豐田已表明將活用優步、中國滴滴出行等外部技術進行研發。豐田 3 月 2 日宣布，將在 2018 年 3 月下旬前在日本東京設立研發人工智慧（AI）等自動駕駛技術的新公司「Toyota Research Institute Advanced Development」（TRI-AD）。除豐田之外，豐田集團企業 Aisin、Denso 也將對 TRI-AD 進行出資（出資比重為豐田 90%、Aisin / Denso 各 5%），三方已締結備忘錄，將攜手進行自動駕駛的技術研發，預估三方今後將砸下約 3,000 億日圓進行投資。豐田計畫在 2020 年開始推出自動駕駛車，目標在 2020 年實現可在高速公路行駛的自動駕駛技術，2020 年代前半（2025 年前）擴大至一般道路，目標確立相當於「Level 4」的技術，可在限定區域實現完全駕駛。（本文由 MoneyDJ新聞 授權轉載；首圖來源：Uber）
SAS 台灣總經理陳愷新在 15 日媒體茶敘中提到未來發展策略時表示，近年產業間的人工智慧技術應用多停留在預設規則的回應，如聊天機器人，並未真正發揮 AI 的價值，而 SAS 將朝向預測機械意外甚至人類行為意圖的應用方向發展，展現更好的應用。陳愷新表示，SAS 近期與王道銀行合作，利用 AI 技術來進行客戶潛質分析的應用，讓機器以半監督式學習演算法處理高度複雜的自然語言，有效的做出客群探勘。甚至還能將更進階的演算法拓展至洗錢防制、反詐欺等關聯複雜且需即時防制的犯罪行為探索，還有協助製造業預警未知異常等應用。陳愷新指出，SAS 目前算是世界前十大的軟體公司，從 40 年前對 AI 演算就有著力，但受限於當時硬體技術尚未完備，進展有限，然而近年來 AI 技術百花齊放，SAS 當然也更積極進行研發，並展現出真正的生產力。目前 SAS 的 Analytics for IoT 技術，可以透過收集感測器的數據，即時計算機器運作情況及可能產生的錯誤，透過預測風險避免造成更大的損失。SAS 業務支援部副總經理陳新銓強調，這樣的技術可以很普遍的應用在製造業，依 SAS 目前的成功案例，運用 AI 的方法論可以降低設備停機時間近 6 倍，預測在現有環境因素下何時會發生意外，而像是在半導體製程上，運用影像辨識來尋找瑕疵，也能大大縮短作業時間，且這樣自動化偵測技術不僅在研發及製造上，還包括後端的客戶服務等都能有所應用。 （Source：SAS）非結構化資料是關鍵雖然目前這樣的技術在國外應用較廣泛，不過實際上亞洲方面相關業務成長也相當不錯。陳愷新表示，台灣的金融業者已紛紛開始引進機器學習，不過如王道銀行的案例又略有不同。除了基本年齡、性別、職業等結構化資料外，如社群上的常見關鍵字，及用戶客訴時的用詞等內容，也都可以成為分析對象，透過對非結構性資料的分析，更好的描繪出客戶的面向及意圖。王道銀行資深協理劉美美也指出，以往大家都僅仰賴歷史交易及關鍵字來做統計，然而結合非結構化與開放資料探勘，才能更了解客戶需求，加速掌握市場脈動領先同業。例如王道銀行透過各方面的資料分析，了解到虛擬寶物是其活躍客戶最關注的標籤，所以令公司能迅速的推出相關專案，進一步再帶動辦卡戶數與單筆消費金額提升。未來會更深入 AI 布局，建立客戶 DNA，預測客戶的下一步。不過未來更重要的不僅如此，SAS 還打算進一步發展高度自然語言處理，不僅監測異常的金融交易數據，還包括透過各種影音資料，了解人類的行為，預測犯罪的可能，並應用在洗錢防制、反詐欺等金融內控領域。目前也正與國內各大行庫合作，透過機器學習建立新的內控系統，更積極的防範不法行為。（首圖來源：shutterstock）延伸閱讀： 微軟 AI 又一里程碑：微軟中翻英機器水準「媲美人類」 VMware 用雲端技術，協助王道銀行、鼎泰豐數位轉型 SAS：5 年內企業仰賴的人工智慧是「大 A 小 I 」 玉山銀行引進機器學習，SAS 及台大將成助力
南韓全力朝向人工智慧（AI）大國邁進，各領域企業無不加緊腳步研發，這也反映在相關專利的申請案件暴增。根據南韓智慧財產局表示，2017 年 AI 半導體專利達 391 件，對比 2013 年的 32 件，近 4 年成長超過 10 倍，且速度逐年加快，2014 年有 59 件、2015 年成長三成至 77 件，2016 年更是倍增至 167 件。（Businesskorea）進一步分類，新專利絕多數屬於非記憶體半導體，比重接近八成（79%），當中有 42% 應用在機器學習，如新世代 AI 晶片有著類似人類的神經結構，相關應用正如雨後春筍般出現。Future Today Institute 創辦人 Amy Webb 在剛發布的年度科技趨勢報告上指出，AI 發展有如現代軍武競賽，中國憑藉著 7.3 億網路人口，加上傾國家資源支持，有望成為世界第一強權。（pandaily.com）報告表示 2018 年辨識科技、AI 助理、AI 專用晶片應用普及，預告智慧型手機末日將近，取而代之的是智慧型手錶、智慧眼鏡與其他穿戴式裝置。（本文由 MoneyDJ新聞 授權轉載；首圖來源：shutterstock）
人工智慧技術越來越多應用到資訊安全、軍事國防領域，科技公司與國防部門的合作也越來越多，美國國防部在人工智慧技術的研發和應用同樣需要科技公司的幫助，特別是矽谷知名的科技公司，需要面對的問題是 Google、蘋果、Facebook 等公司是否願意與國防部合作。2018 年 3 月 15 日前美國國防部副部長 Robert O. Work 透露，他將與新成立的美國安全中心合作，由負責國家安全的華盛頓智囊團主導，招募大量前政府僱員、學者和商業公司代表，美國安全中心的主要任務是連接美國聯邦政府和大型科技公司，探索如何妥善應用人工智慧技術。Robert O. Work 也表達了美國在人工智慧技術的發展可能會落後其他國家的擔憂，外界對美國在這領域做了什麼非常關注，中國的目標是在 2030 年成為人工智慧領域的領先者，將投入數十億美元用於技術研發，美國許多政府官員和科技業人士都認為美國可能落後。國防和情報界長期以來在推動科技發展的過程中發揮重要作用，並與矽谷科技公司有密切的合作關係，個人電腦製造商 Hewlett-Packard 聯合創辦人 David Packard 還曾擔任國防部副部長。近幾年美國國家安全部門與矽谷科技公司的關係日漸惡化，2013 年前美國國安家全局承包商僱員 Edward J. Snowden 洩露的文件顯示情報部門的大規模監聽計畫，包括多家科技公司的用戶，導致矽谷科技公司對美國國家安全部門的態度發生了巨大的轉變。特別是兩年前蘋果公司拒絕應美國國防部要求解鎖加州槍擊案嫌疑人的 iPhone 後，雙方陷入更多爭議。擔憂人工智慧技術被濫用國防部在人工智慧技術的應用更需要矽谷科技公司的幫助。矽谷聚集大量人工智慧技術人才，招募了大量相關領域科學家，最重要的原因是矽谷科技公司提供高達數百萬美元的薪酬，這是政府部門無法提供的。Robert O. Work 的工作主要是美國國防部的人工智慧技術應用專案 Maven，與卡內基美隆大學計算機學院院長 Andrew Moore 合作招募 18 人特別工作小組，Andrew Moore 認為大量美國技術人才都在為大型科技公司工作，矽谷幾乎吸收了所有頂尖人才，誰來培養下一代人工智慧專家，誰來主管政府的技術研發工作？即使美國擁有全球最頂尖的科技公司，但如何讓他們參與國家安全事務，還是個未知數。國防部與 Google 的合作說明矽谷科技公司與國家安全部門之間面臨的挑戰，Google 公司前董事長 Eric Schmidt 曾擔任國防創新委員會主管，該委員會與聯邦政府合作，建立與人工智慧產業的合作關係。目前美國國防部仍然與 Google 保持合作關係，比如利用人工智慧技術分析無人機拍攝的影片，這也是 Robert O. Work 領導的團隊工作一部分任務，但部分商業機構的員工對公司仍在為軍事部門工作感到憤怒。目前 Google 擁有全球最頂尖的兩個人工智慧研究所，分別是位於加州的 Google...
大數據及人工智慧除了在商業市場活動有用，還可以協助準確預測櫻花開花時期。日本一間公司利用大數據、AI 人工智慧，預估櫻花開花狀態的 6 個階段，且開花預測地點的數量，更由 2017 年 137 處增至 1 千處。日本京都市的島津商業系統公司 3 月 16 日發表為氣象情報網站「天氣☆JAPAN」（お天気☆JAPAN）提供的櫻花開花預測地點數目，從 2017 年 137 處增至 1 千處。該公司把大數據餵給人工智慧系統學習，為 1 千處開花地點建構開花預估模組，以往系統只會提供「開花」、「滿開」等 2 階段資料，而今年則會分成 6 個階段準確表示，有「開花」、「開花五成」、「開花七成」、「滿開」、「開始落下」、「終結」。這些資料會每日更新 4 次，比 2017 年整季才更新 4 次，更新頻率顯著上升，方便賞櫻的人出門前掌握正確資料。公司發言人更表示，2017 年電腦系統過去 10 年的平均誤差在 2 日內的比率是 50%，新系統可把預估櫻花開花的準確度提升至 75%。實際資料方面，他們預測 2018 年日本櫻花比往年更早開花，東京比往年早 5 日在 3 月 21 日開花、大阪比往年早 5 日在 3 月 23 日開花，最遲開花的青森在 4 月...