AI大事件丨中国的AI启动资金超过美国等
呜啦啦啦啦啦小伙伴们大家好呀，沉寂一个春节的AI大事件又开始更新啦！过去的一周中AI圈都发生了什么？大佬们讨论了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？快快跟随文摘菌盘点过去一周AI大事件！
新闻
JupyterLab已上线
来源：BLOG.JUPYTER.ORG
JupyterLab是面向研究人员和数据科学家的流行笔记本工具Jupyter的下一代基于Web的界面。随着最新版本的发布，JupyterLab现在可以用于日常研究工作。
中国的AI启动资金超过美国
来源：WWW.THEVERGE.COM
链接：
https://www.theverge.com/2018/2/22/17039696/china-us-ai-funding-startup-comparison?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
根据CB Insights的数据，在对AI初创公司的资助上，中国已经超越美国成为世界第一大国。2017年中国占全球人工智能启动资金总额的48％，而美国仅为38％。
恶意使用AI报告发布
来源：MALICIOUSAIREPORT.COM
链接：
https://maliciousaireport.com/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
该报告调查了可能的恶意使用人工智能技术带来的潜在安全威胁，并提出了预测、预防和减轻这些威胁的方法。它的内容主要来自于2017年2月在英国牛津举行的为期2天的研讨会。戳这里下载报告。
Uber发布AI Residency项目
来源：ENG.UBER.COM
链接：
https://eng.uber.com/uber-ai-residency/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Uber AI Residency是一项为期一年的研究强化培训项目，预计将于今年夏天开始。Uber人工智能实验室从类似的计划中获得了灵感并创建了Uber人工智能居住系统，以帮助即将到来的研究人员加速他们在机器学习和人工智能研究和实践方面的职业生涯。
文章&教程
用计算机视觉评估心血管危险因素
来源：RESEARCH.GOOGLEBLOG.COM
研究者们使用深度学习算法对来自284,335名患者的数据进行训练，该算法最终能够从12,026和999名患者的两个独立数据集中以惊人的高准确度预测来自视网膜图像的心血管危险因素，并且可以在71％的时间内将吸烟者的视网膜图像与非吸烟者的视网膜图像区分开来。
深度学习的结构（视频）
来源：WWW.ABIGAILSEE.COM
链接：
http://www.abigailsee.com/2018/02/21/deep-learning-structure-and-innate-priors.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Yann LeCun教授和Christopher Manning教授进行了一次有趣的讨论：“我们应该在深度学习系统的体系结构中建立什么先验知识？”
用于演进语义发现的动态词嵌入
来源：BLOG.ACOLYER.ORG
链接：
https://blog.acolyer.org/2018/02/22/dynamic-word-embeddings-for-evolving-semantic-discovery/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这篇文章实践了用于语义发现的动态词嵌入，这种技术可以让使用者跟踪词的含义，并观察语义随时间的变化。
用少量样本进行语音克隆
来源：RESEARCH.BAIDU.COM
链接：
http://research.baidu.com/neural-voice-cloning-samples/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
百度的发布的新成果试图从少数语音中学习说话人的特征，通常称为“语音克隆”。
代码，项目&数据
多代理深度确定性策略梯度（OpenAI）
来源：GITHUB.COM
链接：
https://github.com/openai/maddpg/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这是实现论文Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments提出的MADDPG算法的代码：它被配置在多代理粒子环境（MPE）中运行。
用于构建端到端对话系统的开源库
来源：GITHUB.COM
链接：
https://github.com/deepmipt/DeepPavlov?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这是一个开源会话AI库的Alpha版本，建立在TensorFlow和Keras之上，专为NLP、对话系统和复杂对话系统的实现和评估而设计。
爆款论文
人类思想的机器理论
来源：ARXIV.ORG
链接：
https://arxiv.org/abs/1802.07740?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
ToMnet通过单独观察代理的行为和使用元学习来构建它所遇到的模型。通过这个过程，它获得了一个强大的行为人先验模型，以及仅使用少量行为观察就能够丰富地预测行为人特征和心理状态的能力。作者将ToMnet应用于在简单的gridworld环境中运行的代理，表明它学习了来自不同人群的模型随机性、算法和深度强化学习代理。
多样性是你需要的全部
来源：SITES.GOOGLE.COM
这篇文章介绍了一种方法，通过使用最大熵策略实现最大化信息理论目标来在没有奖励功能的情况下学习有用技能。作者表明，在各种模拟机器人任务中，这个简单的探索目标可以导致无监督地出现各种技能，如步行和跳跃
独角兽：通过一个通用、关闭策略的代理实现持续学习
来源：ARXIV.ORG
链接：
https://arxiv.org/abs/1802.08294?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
在研究领域中，一些真实世界的领域最好被描述为一个单一的任务，但对其他人来说，这个观点是受限的。相反，一些任务的复杂性与代理人的能力不断增加。在持续学习中（也称为终身学习）没有明确的任务边界或课程。作者提出了一种称为Unicorn的新型代理体系结构，该体系结构表现出强大的持续学习能力，并且在建议的3D域上胜过了几个标准代理。代理通过联合表示和学习多项策略来实现这一目标，即使用并行的关闭策略学习设置。
实现端到端的口头语言理解
来源：ARXIV.ORG
链接：
https://arxiv.org/abs/1802.08395?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
作者在他的论文中介绍了关于口语理解的端到端学习系统的研究。采用这种方法，可以直接从音频特征推断语义，而不需要文本表示。这项研究表明，训练出来的模型可以取得相当好的结果，并证明该模型可以直接从音频特征中捕获语义。