DeepMind 悄悄放出了一篇新論文，介紹了「AlphaZero」。一開始以為 DeepMind 也學會炒冷飯了，畢竟「從零開始學習」的 AlphaGo Zero 論文 10 月發表，大家已討論許多遍了。可定睛一看，這次的 AlphaZero 不是以前只會下圍棋的人工智慧了，它是通用的，西洋棋、日本將棋也會下，所以去掉了名字裡表示圍棋的「Go」；不僅如此，圍棋下得比 AlphaGo Zero 還好──柯潔得知 AlphaGo Zero 之後已經感嘆人類是多餘的了，這次圍棋棋士可以牽著西洋棋選手再痛哭一次了。從技術角度講，一個通用的強化學習模型比之前夠簡單的專門下圍棋的模型表現更好？「沒有免費的午餐」定律難道失效了？AlphaGo 一路進化中，我們見證了 DeepMind 工程師對深度強化學習本質的思考和嘗試，也看到不斷最佳化帶來的無需先驗知識、降低資源消耗、提高訓練速度等可喜的技術進步。從使用人工特徵、出山之戰全勝打敗樊麾、發表第一篇論文的 AlphaGo Fan，到 4：1 擊敗李世乭、在 50 塊 TPU 上執行、紀錄片已上映的 AlphaGo Lee，再到烏鎮 3：0 擊敗柯潔、只用 4 塊 TPU 就打碎人類所有擊敗 AlphaGo 幻想的 AlphaGo Master 之後，我們又等到了拋棄人工特徵、拋棄所有人類高手棋局，全靠自學成材超越 AlphaGo Master 的 AlphaGo Zero。在我們覺得 AlphaGo Zero 已是盡善盡美的圍棋之神時，DeepMind 出人意料帶來更通用、能下各種棋類，且圍棋表現更上一層樓的通用強化學習模型──AlphaZero。過往幾版 AlphaGo Zero 大家想必都頗熟悉了，不過還是簡單回顧一下，方便和新的 AlphaZero 對比。AlphaGo...
2016 年，南韓棋王李世乭敗於人工智慧（Artificial Intelligence，AI）AlphaGo，開啟大眾對於自己的工作是否會被機器人取代的憂慮。美國智庫皮尤研究中心（Pew Research Center）2017 年調查 4,100 名美國人對此看法，超過 7 成的受調者擔心電腦將會搶走自己的飯碗。事實上，擔心是沒有意義的，因為有些工作必定會被電腦取代。麥肯錫公司（Mckinsey & Company）研究 7 項知識工作者領域（工程師、科學家、教師、分析師等）後，預見 2025 年，將會有 1.1 億至 1.4 億的全職人員被取代。然而，難道人類創造人工智慧對工作者來說只有威脅，沒有助益嗎？創新工場董事長兼首席執行長李開復曾說：「AI 幫我們做重複性工作、釋放我們去做更多該做的事。」以下列出 8 種工作者需強化的技能，幫助大家在未來做出更有價值的工作抉擇。1. 判斷哪些數據最有用，協助電腦發揮最大效益《下一個工作在這裡！》指出，未來需要的人才，是兼具業務與技術腦袋的人。比方說，在設計資訊系統初期，他們知道哪些數據對業務有益，就設計出能得到這些數據的系統；系統開始執行後，他們也會觀察電腦做出的決策是否優良，並隨之更新與改進。這種人才最能幫助電腦發揮最大功效。北美最大卡車運輸、物流供應業者施奈德國家公司（Schneider National Inc.），每天要運送快 2 萬輛車次的貨物。為了妥善管理，他們很早就引入自動化系統。由於「系統的數據品質」、「司機何時能出勤」、「貨櫃集散站壅塞狀況」等地方的數據往往與真實情況有出入，且電腦無法判別，所以原本負責規劃司機排班的管理者崔維斯‧托倫斯（Travis Torrance）每天早上查看完電腦規劃的排班表後，接著檢查數據來源是否優良，再看一下司機到班的時間會不會拖到出車時間，以及集散地是否擁擠等，諸如此類的檢查與調配是電腦做不到的事，自然是人能勝出之處。2. 強化人獨有的「非認知」能力人與動物最大的差別，在於認知理解能力，而人與機器最大的差別就在於「非認知」能力。《發現 7 種 IQ》作者霍華德‧嘉納（Howard Gardner）說，包括智商在內，人總共有 8 種智慧形式，像是人際智慧、內省智慧等，這些都是電腦無法做到的「非認知」技能。好比說，電腦比人擁有更多的資訊，傳授知識的老師可能會被電腦取代；但是，老師在引導、關懷、啟發學生這方面的工作，是電腦無法勝任的。所以在未來，善於發揮「非認知」能力的人，絕對不會被淘汰。值得注意的是，密西根大學研究指出，與 20、30 年前相比，目前大學生同理心水準下降 40%，倘若人類不提升電腦沒有的軟實力，恐怕真的很難有立足之地。3. 學程式語言，增強思考能力美國前副總統艾爾‧高爾（Al Gore）說：「在這個時代想成功，具有程式設計的能力是很關鍵的。」他的意思不是要大家變成下一個 Facebook 的創造者，或是要拿程式能力找工作，而是對正在發生事物背後的原因，要有著基本的理解。舉例來說，執行長不需要寫程式，但如果他懂程式，才能理解程式訊息，這不論在考量風險或營運決策上都有益處。比爾‧蓋茲（Bill Gates）也說：「學習程式語言，將幫助你思考更好。」程式語言有非常多種，學習者可以從自己想要完成的任務下手。比如說，對自己公司網頁常常出狀況而感到不滿的工作者，可以選擇 JavaScript，幾乎所有跟網站有關的工作都會運用到這種語言。同時，網路上有許多學習資源，例如，史丹佛大學就與 Coursera 以及 Udacity 等網路學習平台合作，提供許多課程。所以，只要具備足夠動機，學會程式語言絕對不是問題。4. 跨文化溝通力：完成組織任務的最重要技能麥肯錫顧問公司研究指出，印度在網路普及後，預計在 2025 年為世界帶來 5,500 億至 1...
即便不太關注智慧手機的用戶，也或多或少在網路和線下體驗店看過「驍龍」這個名字。從驍龍 800、801、820 到驍龍 835，驍龍幾乎成了每代 Android 旗艦的標準配備。驍龍 845，就是明年 Android 旗艦的標配。驍龍 845 依舊沿用 835 平台「4 + 4」架構，即 4 個大核心加上 4 個小核心的設計。其中大核心最高主頻為 2.80GHz，小核心最高主頻是 1.80GHz。至於是不是基於 ARM 的 A75 + A55 架構自訂，高通沒有給明確答案。此外，驍龍 845 還擁有 Hexagon 685 DSP 和 Spectra 280 ISP，Adreno 630 的 GPU 比之前效能提升 30%、功耗降低 30%、顯示速度提升 2.5 倍。同時整合了 X20 LTE modem，支援 Quick Charge 4.0 快充技術。驍龍 845 最終未用 7nm 製程，轉而採用三星最新的...
今年 9 月，CNBC 曝光特斯拉和 AMD 聯合研發自動駕駛用的 AI 晶片，同時援引消息人士爆料，稱兩者研發的 AI 晶片已有樣品，現準備投入測試，同時詳細列舉特斯拉該專案的重要負責人，包括「晶片教父」Jim Keller 及一大批 AMD 晶片老將。但當事兩家公司一直沒有正面回應合作傳聞，所以這件事一度被圈內人認為是謠傳。今年神經資訊處理系統大會（Conference and Workshop on Neural Information Processing Systems，著名的 NIPS 大會），特斯拉 CEO Elon Musk 與公司人工智慧部門主管 Andrej Karpathy、自動駕駛硬體工程副總裁 Jim Keller 聚在一起，進行了一場爐邊談話，Musk 現場親口承認 Jim Keller 正領導特斯拉開發自己的 AI 晶片，這將大大助力特斯拉打造「世界上最好的 AI 自訂硬體」。當然，在 Musk 口中，並沒有聽到有關 AMD 的字眼。據了解，Jim Keller 是 2016 年初加入特斯拉，今年 6 月接替 Chris Lattner 成為特斯拉自動駕駛硬體和軟體負責人。Keller 是出了名的晶片架構師，先後在 AMD 和蘋果任職，他在 AMD 期間，設計出 K7 和 K8 等知名架構，2008 年加入蘋果後，研發出 iPhone 的 A4 和...
Google 28 日舉辦 MadeWithAI 2017 亞太區媒體活動，提出 Google 推動人工智慧（AI）發展的 3 大方向，並強調機器學習將面臨各種挑戰，包括如何讓機器學習模型更普及。Google 資深研究員狄恩（Jeff Dean）表示，Google 持續推動人工智慧發展的3大方向包括：為使用者打造出更貼近需求的 Google 產品、幫助企業和開發者持續打造創新服務與應用、為研究人員提供可望解決人類難題的工具。狄恩認為，人工智慧就是讓機器具備智慧，或是進而讓機器能夠像人類一樣解決特定問題。人工智慧的研究很久以前就已經開始，直到最近才有一些突破，這些突破的成果仰賴於機器學習（Machine Learning）。他特別舉例，圍棋擁有驚人的 10 的 170 次方種可能的棋盤布局，基本上很難靠人力寫出所有可能的布局程式。因此，基於機器學習系統的 AlphaGo 採用的是比較人性化的方案，從數十萬局人類棋手的對弈學習如何下棋，並慢慢找出棋局規則。2015 年，Google 開放了自行研發的機器學習架構 TensorFlow。TensorFlow 是一個大規模的機器學習系統，可支援各種應用，並幫助 Google 的產品如 Google 相簿以及 Google 翻譯變得更好用。除了產品服務的提升，Google 也讓研究員以及企業透過這項工具來建構它們自己的 AI 應用，加速機器學習研究的時程。狄恩說，TensorFlow 在 2 年內已經成為最受歡迎的線上機器學習資料庫，它在 200 多個國家被下載了超過 790 萬次，並且越來越多人採用 TensorFlow 做為研究和產品工具。狄恩表示，機器學習的發展雖仍在發展初期，但在分類（Classification）、預測（Prediction）和語言理解能力（Language Understanding）有了不錯的發展。舉例來說，機器學習可根據被訓練的資料來做分類定義，這在分類影像中的物件、人物和地點非常有幫助，因此導入 AI 的 Google 相簿能讓照片搜尋更快速，AI 導入的 Google 地圖在缺乏圖資的區域也能提供使用者導航服務。狄恩說，做為 AI 第一的企業，Google 雖然有了一些進展，但還是有許多需要克服的難題，其中就包括了讓機器學習模型更普及，以及確保...
人工智慧（AI）和機器人的衝擊一如工業革命，預測 2030 年時，將消滅 4 億個就業機會，不過要是政府砸錢投資基礎建設，並協助民眾重新受訓就業，將可創造出足夠工作，消弭科技威脅。金融時報報導，麥肯錫全球研究院（McKinsey Global Institute，MGI）28 日報告稱，當前科技足以讓半數工作自動化，企業可用更少的員工處理更多工作。MGI 估計，到了 2030 年，當前工時有 15% 可被自動化取代，將摧毀 4 億份職缺。如果公司採用 AI 和機器人的速度快過預期，消失職缺可能加倍，已開發國家有三分之一的工作將不復存在。面臨此一嚴重威脅，MGI 認為政府需要撒錢投資，規模大到類似第二次世界大戰後協助歐洲重建的「馬歇爾計畫」。如果政府願意大砸銀彈，投資基礎建設和職訓，2030 年為止，可望創造出 5.55 億至 8.9 億個工作，足以達到完全就業，徹底抵銷 AI 流失的工作。MGI 合夥人 Michael Chu 表示，有派看法是未來 20 年所有工作機會都將消失，此種預測過於悲觀，但是 AI 帶來的挑戰仍極為龐大。政府需要下定決心，提供更多職訓計畫，讓失業者能迅速就業。科技浪潮中，中產階級最受威脅，政府需協助他們保住薪資。Thomson Reuters 報導，澳洲四大銀行之一「澳大利亞國民銀行（NAB）」2 日宣布，因應數位自動化轉型，未來 3 年將裁員 6 千人並創造 2 千個職缺，淨流失的 4 千人大約相當於目前員工總數的 12%。英國金融時報 8 日報導，德意志銀行執行長（CEO）John Cryan 在受訪時表示，德銀目前雇用 97,000 人，較多數大型銀行高出一倍。根據德銀在 2015 年底發布的 5 年重整計畫，直接聘雇員工當中將有...
Adobe 27 日透過影片公布下世代 Photoshop CC 一部分新功能，影片中 Adobe Photoshop 產品經理介紹使用機器學習技術的「選取對象」（select subject）功能。只需輕輕一按，就可以選取影像中的人物、動物等。一直以來，Photoshop 用戶在選取人物或其他對象時都頗麻煩，不論用魔術棒還是套索工具，都需要耗費不少時間。此次 Adobe 公布的功能似乎能輕鬆解決用戶的煩惱。透過「選取和記號」按鈕，再點擊影像的任何位置，軟體就能自動辨識並選取影像中的主體對象。用戶可進一步編輯選取對象或背景。不過從影片看來，這功能離完美還有點距離。當一些動物的毛髮與周圍色彩相近時，Photoshop 沒辦法完美分辨出毛髮和環境。如下兩圖所示，這隻小熊背上的白色毛髮就沒有辨識出來。這技術是由 Adobe 的 AI 平台 Sensei 支援。2016 年 11 月，Adobe 發表了基於深度學習和機器學習的開發平台 Sensei，除了照片，Sensei 在影片和文字方面也可以發揮智慧輔助功能。目前，Adobe 並未明確表示什麼時候發行下一版 Photoshop CC。發行之前，Adobe 仍有時間完善此功能。（本文由 雷鋒網 授權轉載；圖片來源：影片截圖）
Thomson Reuters 28 日報導，根據美國智庫「新美國安全中心」（CNAS）專家 Elsa Kania 發表的報告，中國在科技領域已經不比美國差，可能已有能力在人工智慧（AI）項目超越美國。 Alphabet Inc 執行董事長施密特（Eric Schmidt）日前在 CNAS 舉行的會議表示，未來 5 年美國在 AI 領域還能領先中國，但隨後可能就處於相同水準。美國國家情報總監辦公室旗下「情報高等研究計劃署」（IARPA）舉辦的第一屆臉部辨識準確度獎金挑戰賽（FRPC），首獎由上海新創公司「依圖」（YITU Technology）抱走。依圖 11 月 15 日宣布成為微軟（Microsoft）策略夥伴。依圖的 AI 臉部辨識技術將與微軟 AZURE 雲端運算平台整合，依圖資料庫配對系統可在 3 秒內搜尋超過 10 億筆紀錄。雅虎財經 26 日報導，美國億萬富翁、NBA 達拉斯小牛隊老闆 Mark Cuban 在 RealVision Television 接受 Hayman Capital 避險基金經理人 Kyle Bass 專訪時表示，如果美國讓其他國家取得 AI 領先優勢，那麼一切將「為時已晚」（shit out of luck，SOL）。中國國家發展改革委 11 月 27 日印發《增強製造業核心競爭力：3 年行動計畫（2018~2020 年）》通知，強調要加快發展先進製造業，推動網路、大數據、AI...
自駕車的研發過程中，經驗是關鍵因素，能保障技術安全，並為汽車最終上路做好充分準備。這就是為什麼 Google 一直努力讓 Waymo 成為世界上最有經驗的自駕車。就在 27 日，Waymo 的道路測試資料又迎來新的里程碑。27 日，Waymo 在官方部落格發表消息，自駕車在公用道路行駛測試已累積超過 400 萬英里（約 640 萬公里），相比之下，美國平均每個司機要達到這個里程數需花費近 300 年。這數百萬英里的行駛經驗對 Google 達到下一個里程碑（實現世界上第一輛真正完全的自駕車）至關重要。400 萬英里的路測可讓自駕車熟悉各種複雜的場域。對路上遇到的每種情況，可進一步透過實驗模擬或私人車道測試來豐富經驗。Waymo 成為「老司機」，這些數字不容忽視：6：相比第一個百萬英里耗費約 18 個月，Waymo 最後 100 萬英里只花了 6 個月，且這個速度還將進一步加快。23：Waymo 已在 23 座美國城市進行測試，路過舊金山及灣區所有橋梁，也體驗過聖克魯斯山脈的山丘和亞利桑那州的沙塵暴。20,000：受部分公用道路環境啟發，Waymo 另外在私人測試車道練習了 20,000 個獨特場域。在 91 英畝的私人測試環境，除了要面對罕見的行駛情況（如遇到從帆布袋跳出來的人或躺在板上的滑板者），還要處理常見的碰撞情況（如車翻出車道）。25 億：僅 2016 年，Waymo 就透過模擬系統模擬行駛了 25 億英里以加快學習速度。模擬系統中，每天超過 25,000 輛虛擬自駕車反覆體驗類似實際道路會遇到的惡劣環境，有時甚至會把實際行駛的所有環境都重新模擬學習一遍。經過週期性的學習，自駕車可充分掌握傳授的必需駕駛技能。據了解，目前 Google 已可幫助汽車解鎖整個地理區域，相信過不了多久，Waymo 就可沿著任意路線帶著人們上班、上學或購物，這項技能將大大嘉惠更多人。 Waymo’s fleet reaches 4 million self-driven miles （本文由 雷鋒網 授權轉載；首圖來源：Waymo）延伸閱讀：...
亞馬遜雲端服務公司（Amazon Web Services）29 日在「AWS Re:Invent」會議發表 5 項新的機器學習服務以及一款專為開發商設計的深度學習無線攝影機「AWS DeepLens」。Amazon SageMaker 是一項全方位管理服務，讓開發商與數據科學家能夠快速地建構、訓練、部署與管理自己的機器學習模型。AWS DeepLens 是全球第一款能夠執行即時電腦視覺模型的無線攝影機、客製化設計的硬體每秒可執行超過 1 千億次的運算，開發商可藉此取得機器學習的實作經驗。例如，AWS DeepLens 可用來辨識汽車車牌上的車號，觸發家庭自動化系統後打開車庫大門。此外，AWS DeepLens 也可在察覺家中小狗坐上沙發後傳送簡訊給飼主。AWS 並且發表 4 項新的應用服務、讓開發商可以打造出模仿人類認知的應用：Amazon Transcribe 可以將語音轉換為文字；Amazon Translate 可以在不同語言間進行翻譯；Amazon Comprehend 可以用來打造出理解自然語言的應用；Amazon Rekognition Video 是一項可即時、批次分析影片的電腦視覺服務。AWS 指出，目前已有 NFL、Intuit、Thomson Reuters、DigitalGlobe、Hotels.com、ZipRecruiter、華盛頓郵報（Washington Post）、Motorola Solutions、Infor、Elementum、iSentia、RingDNA 以及奧蘭多市（City of Orlando）使用上述新服務。IDC 11 月 27 日指出，2021 年全球管理雲端服務支出預估將達 628 億美元，5 年平均複合年增率（CAGR）逼近 18%。亞馬遜財報顯示，AWS 第 3 季（截至 2017 年 9 月 30 日）淨銷售額年增...