Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

机器之心
机器之心翻译
王淑婷 路雪编译

DeepMind首次披露旗下AI专利申请情况，引发热议

谷歌旗下的人工智能研究公司 DeepMind 近年来提交了一系列国际专利申请，这些申请现已首次公布。这些申请涉及现代机器学习的一些基本方面，因此对任何从事商业化人工智能领域的人都具有潜在的意义。此消息一经公开，就在 reddit 网站上引发热议。有网友表示：你不能对数学公式申请专利！

关于 DeepMind

DeepMind 是一家总部位于伦敦的顶尖人工智能研究公司，成立于 2010 年并于 2014 年被 Google 以 4 亿英镑收购。2017 年，DeepMind 研发了一款人工智能 AlphaGo，能够在围棋比赛中击败世界冠军。

DeepMind 创始人 Demis Hassabis 博士曾在一篇文章中介绍了其人工智能方法（地址：https://www.theverge.com/2016/3/10/11192774/demis-hassabis-interview-alphago-google-deepmind-ai）。Demis Hassabis 博士很受欢迎，被《卫报》形容为「人工智能超级英雄」和「天才」，被《金融时报》形容为「现代学者」，还被《伦敦晚旗报》（《Evening Standard》）形容为「伦敦巨擘」。他甚至上了 BBC 广播节目《荒岛唱片》。

DeepMind 专利申请

DeepMind 目前公布的专利申请包括：

从申请日期来看，在 2016 年 9 月至 12 月期间几乎每周 1 份申请。专利申请自优先权日期起 18 个月后公布，因此 2016 年 12 月以后提出的申请都尚未公布。

快速阅读这些申请可以发现，其权利要求书通常实现了标题中所承诺的广泛性，并且在不涉及基本算法的情况下，要求 ML 平台用于解决一般问题，而不限于特定的应用领域。例如，「WO 2018/048945」的条款 1 涉及卷积网络（现代意义上的神经网络大多是卷积网络）处理任意序列，即音频、文本等任何时序数据。「WO 2018/081089」的条款将此应用于以翻译为目的的文本序列。虽然还有其他人工智能方法可以获得类似的结果，但该应用涵盖了一类基本方法。

当然，DeepMind 并不是第一家在人工智能领域申请专利的公司。众所周知，人工智能在专利申请中是一个庞大且迅速扩展的领域。然而，DeepMind 的申请非常重要，因为他们是领先的人工智能研究公司，而且权利要求书的范围很广。这些申请并没有显示出明确的商业产品或目的，而是旨在覆盖广泛的人工智能技术。

申请与专利

与反专利博客的普遍看法相反，专利申请并不等同于授予的、可强制执行的专利。DeepMind 的申请仍处于非常早期的审查阶段，将在 DeepMind 寻求授权的每个司法管辖区对其专利性进行审查。意料之中的是，在较新的领域，国际检索报告（ISR）（针对一些申请发布）没有引用大量已有技术。事实上，许多用于新颖性和创造性步骤的被引用文档似乎是 DeepMind 自己在 arXiv 上发表的论文。但是，DeepMind 将不得不通过论证或条款限制来克服审查员基于这些文件提出的异议。此外，在许多司法管辖区（尤其是欧洲和美国），机器学习系统的专利申请虽然可能，但并非是一件简单的事情。

「不作恶」

DeepMind 研究人员在学术期刊上广泛发表论文，公司的既定目标是支持和加速更广泛的人工智能研究。DeepMind 创始人 Hasabiss 博士认为，人工智能有潜力「成为科学家部署的一种元解决方案，改善我们的日常生活，让我们都能更快更有效地工作。如果我们能够广泛而公正地运用这些工具，营造一个让每个人都能参与并从中受益的环境，我们就有机会促进整个人类社会的发展。」因此在公关层面，DeepMind 高度强调其合作态度和开放性。这种做法是可以理解的，因为人工智能学术界对开源之外的事物都怀有敌意，而且 DeepMind 需要不断吸引这一领域最好的研究人员。

令人感兴趣的是，DeepMind 的专利申请消息将如何在人工智能社区和大众中流传；比 DeepMind 更注重商业化的公司在这方面没有获得公众的理解。谷歌当然是众所周知的高产专利申请人，包括在人工智能领域。相比之下，DeepMind 呈现出来的存在意义是为研究人员和整个人类发展人工智能。当然，获得适当的知识产权保护有助于实现这一目标。但是，DeepMind 最新披露的专利申请与「人工智能最终属于整个世界」的使命声明有何契合之处？这也许是下次采访 Hassabis 博士的话题。


原文链接：http://ipkitten.blogspot.com/2018/06/deepmind-first-major-ai-patent-filings.html

产业Deepmind
1
相关数据
机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.
阿尔法围棋技术

阿尔法围棋是于2014年开始由英国伦敦Google DeepMind公司开发的人工智能围棋程序。AlphaGo是第一个打败人类职业棋手的计算机程序，也是第一个打败围棋世界冠军的计算机程序，可以说是历史上最强的棋手。 技术上来说，AlphaGo的算法结合了机器学习（machine learning）和树搜索（tree search）技术，并使用了大量的人类、电脑的对弈来进行训练。AlphaGo使用蒙特卡洛树搜索（MCTS：Monte-Carlo Tree Search），以价值网络（value network）和策略网络（policy network）为指导，其中价值网络用于预测游戏的胜利者，策略网络用于选择下一步行动。价值网络和策略网络都是使用深度神经网络技术实现的，神经网络的输入是经过预处理的围棋面板的描述（description of Go board）。

来源： Deepmind
机器人技术技术

机器人学（Robotics）研究的是「机器人的设计、制造、运作和应用，以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类：固定机器人和移动机器人。固定机器人通常被用于工业生产（比如用于装配线）。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器；另外还有能够实现感知能力的软件，比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成，这也是人工智能领域最早的终极目标之一。

来源：机器之心
神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心
卷积神经网络技术

卷积神经网路（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层（对应经典的神经网路）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路，卷积神经网路需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据，它可以被认为是以一定时间间隔采样的一维网格，又如图像数据，其可以被认为是二维像素网格。

来源：Goodfellow, I.; Bengio Y.; Courville A. (2016). Deep Learning. MIT Press.维基百科
强化学习技术

强化学习是一种试错方法，其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划（Dynamic Programming）。流行的强化学习方法包括自适应动态规划（ADP）、时间差分（TD）学习、状态-动作-回报-状态-动作（SARSA）算法、Q 学习、深度强化学习（DQN）；其应用包括下棋类游戏、机器人控制和工作调度等。

来源：机器之心
登录后评论
暂无评论
暂无评论~
返回顶部