虽然历遭抵制,Nature机器智能子刊最终上线

2017 年底,Nature 宣布将于 2019 年初推出全新在线期刊《Nature Machine Intelligence》。刚刚,这一子刊的第一期正式上线。

据 Nature 介绍,《Nature Machine Intelligence》是一个专门的线上刊物,以便尽快发布研究文章,使读者能够在文章发布在专门期刊前数周看到。该期刊内容类型多样化,包括原始研究论文和分析、新闻 & 评述、评论、观点、特征和信件这些能够阐明特定领域中重大进展且覆盖热门话题的内容。

其实,Nature 增设机器智能子刊并非一帆风顺。众多学者与工业界人士在 2018 年初初曾签署了一份声明,声称他们将不会向 Nature 的新期刊《Nature Machine Intelligence》提交论文、提供评审或编辑服务,其中包括了很多我们耳熟能详的名字,如 Yoshua Bengio、Yann LeCun、Gary Marcus、Jeff Dean、Ian Goodfellow、Sergey Levine…… 

这主要是由于这份刊物的文章发表形式仍然遵从传统学术期刊的封闭、文章作者付费提交审核的模式。很多人认为在如此重要的期刊上施行不符合机器学习领域内普遍存在的开放原则是一件无法接受的事情。

但如今,《Nature Machine Intelligence》的第一期还是如期到来,《Nature Machine Intelligence》介绍了 7 篇新研究,读者可在线浏览(能够看到完整论文内容)。

以下为此期刊发刊的编者按:

人工智能、机器人技术和机器学习在各个领域都占据着重要位置,《Nature Machine Intelligence》的推出旨在激发不同学科之间的合作。

几个世纪以来,最聪明的人一直为了理解人类思想而思考,许多关键问题仍未得到解决。这并没有阻止我们试图打造模仿人类思想和行为的机器。这种智能机器的视角影响了我们思考人性的方式。更普遍的是,从工业革命到数字时代,追求模仿人类部分智能并执行有用任务的机器在塑造支撑社会变革的技术方面发挥了关键作用。

智能机器的发展似乎正在加快步伐,因为我们经常听到关于人工智能(AI)革命的说法。然而,与报道相反,我们并没有目睹某种技术奇点:过去几年引人注目的进步在很大程度上是数十年持续研究的延续。例如,1994 年在巴黎进行的测试中已经证明了自动驾驶汽车可以自主地与其他交通工具共享道路。在 20 世纪 90 年代早期,人们就知道机器学习将具有很大的工业用途。一架远程操作的自动化飞船降落在火星上并于 1997 年发回了照片。

这并不是说 AI 的影响并没有随着时间的变化而发生转变。这种转变背后有几个因素推动,例如计算机处理能力的提高,但也许最重要的是自 20 世纪 90 年代末以来大量数据的可用性。这些发展反过来又是由于能大规模收集数据的移动设备的普及、共享数据的能力提升以及加速增长的存储容量。因此,当有足够的数据来训练系统时,可以识别复杂数据模式的深度学习在 2012 年左右取得了显着的突破。深度学习被认为是人工智能的一种形式,因为它与人类的学习方式相似。事实上,在过去的几年中,深度学习在人们擅长的任务表现卓越:例如战略游戏、人类专家级别的医学诊断、语音识别和语言翻译。

一方面,这种形式的 AI 被视为「弱人工智能(narrow AI)」,因为深度学习系统通常是针对特定任务进行训练的。然而,各个领域的科学家们越来越意识到,深度学习的影响一点也不「弱」:一个 AI 应用可能为一个领域带来变革,它们能解决基本问题,并实现快速进步。例如自动寻找新材料、识别粒子物理学和天体物理学的重要信号数据、发现遗传和表现型之间的联系、在显微图像中对细胞组织进行分类等等。

随着每一项先进技术的出现,我们需要仔细查验技术滥用和不良社会影响的风险。由于 AI 是一种去中心化的现象,因此伦理问题对 AI 更为重要。在这些去中心化的 AI 中,大量权力被交给了那些能够自然地获取大量数据的公司和机构,因此围绕 AI 开发和使用的伦理道德问题越来越受到重视。这些担忧催生了更广泛的工作,包括制定法律、原则和标准,推动以人为本的 AI 使用,并启动研究 AI 社会影响的项目。

毫无疑问,人类对理解和模仿智能的愿望将继续激发技术和科学创新。《Nature Machine Intelligence》将致力于融合不同的领域,并在人工智能、机器人技术、认知科学和机器学习等领域开展新的合作,进一步发展对人类有启发和使用价值的智能机器。期刊最初将重点放在三个主题上:关于构建智能机器的算法和硬件方面的工程和研究;将智能机器(如深度学习系统)应用到具体领域和主题的研究,例如物理、生物和医疗等;最后是研究智能机器对社会、工业和科学的影响。

第一期《Nature Machine Intelligence》中的每一类都有各自的特色。在一篇文章中,Etienne Burdet 等人报告了第一类工作,开发了自适应人机协作算法。Kenneth Stanley 等人概述了将深度学习与进化算法相结合的方法。对于第二个主题,深度学习目前最流行的应用之一是医学,而 Edmon Begoli 等人研究了该领域对不确定性量化的需求。在一篇评论中,Stephen Cave 和 Seán ÓhÉigeartaigh 讨论了人工智能中道德问题的不同时间尺度,这属于第三类。

人工智能领域中,基准测试竞赛的结果非常重要。《Nature Machine Intelligence》创新地开设了「Challenge Accepted」栏目,其中是有关人工智能、机器人和数据科学数据竞赛结果的报道。Nature 认为,这一举措可以让年轻的研究人员更有机会展示自己的技能,并为解决科学和工业领域的各种实际问题提供解决方案。

人们对于机器智能的追求将以多种方法激发灵感,提供对人工智能技术的洞察力,并刺激可能导致未来社会变革的技术和科学创新。现在,是参与对话的时候了。


参考链接:https://www.nature.com/articles/s42256-018-0014-z

理论机器智能Nature
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

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。

弱人工智能技术

弱人工智能(weak AI),也被称为窄AI,是专注于某一特定狭窄领域任务的人工智能。 相对于可以用来解决通用问题的强(泛)人工智能,几乎目前所有的人工智能都属于弱人工智能的范畴I。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

基准技术

一种简单的模型或启发法,用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

推荐文章
暂无评论
暂无评论~