蒋思源 路雪 刘晓坤参与

Science评论「抵制Nature子刊」事件:为什么AI研究者热爱arXiv与OpenReview?

前几周,很多热爱开放式学术环境的研究者联合抵制了 Nature Machine Intelligent 期刊,他们不仅谴责了封闭式获取的订阅期刊,同时还呼吁开放获取的学术环境。Science 今天发表了一篇文章分析了计算机科学对开放获取与开放评议的巨大需求,这种需求不仅因为研究领域的高速发展,同时还因为 arXiv 和 OpenReview 等而成功。

零成本的数字出版方式可以帮助应对人工智能论文的爆炸式增长。

计算机科学诞生于反叛的黑客文化,这是一种活在人工智能出版文化中的精神。该新兴领域越来越多地转向会议论文和免费的公开评审网站,回避传统渠道。这种倾向在对高调 AI 期刊 Nature Machine Intelligent 的抵制运动中表现得淋漓尽致。截至 5 月 15 日,大约 3000 人(大部分是学术界计算机科学家)签署了一份请愿书,承诺不提交、评审或编辑 Nature Machine Intelligent(NMI)的任何文章,NMI 是出版商 Springer Nature 计划在 2019 年 1 月启动的新期刊。

这份由多位 AI 领域的著名学者签署的请愿书,不仅仅是对开放获取的学术环境的呼吁。它不仅谴责了封闭式获取的订阅期刊(例如 NMI),还包括那些向作者收取费用的出版社:开放获取的期刊是免费阅读的,但需要研究者付费才能发表文章。而签署者呼吁更多的「零成本」开放获取期刊。于上个月发动该抵制运动的俄勒冈州立大学计算机科学家 Thomas Dietterich 称,该抵制运动的目的是为缺乏资源的科学家「降低研究进展的门槛」。对于传统出版而言,AI 领域的进展太过迅速,AI 在取得重大成就或造成重大危害方面的潜力都需要开放性,他说,「将我们的研究论文挡在收费墙之外将使公共监督更加困难。」

康奈尔大学物理学家、arXiv 创始人 Paul Ginsparg,对他所称的「原则性立场」表示欢呼。但他补充道,「我个人对于订阅模式并不抱有敌意。」并且他认为请愿书的签署人可能对于零成本期刊抱有不切实际的希望。服务器是很便宜,但「系统化的质量管理是需要大量人力,这会消耗很大的成本。」

Springer Nature 在期刊规划上并没有退缩,其发言人 Susie Winter 在伦敦发表声明:「目前,我们认为产出像 Nature 这样高度精选的期刊,并确保长期可持续性可成为最广泛社区的资源,最公平的方式就是让读者分摊相关费用。」Dietterich 称他并未抵制 Springer Nature 的旗舰刊物 Nature,因为计算机科学家不会在综合期刊上发表文章。(在 Nature 杂志上发表 AlphaGo 最新研究论文的 Google DeepMind 是个例外,尽管多名 DeepMind 员工签署了那份抵制声明。)

Dietterich 称,非营利组织的期刊,如 AAAS 的 Science 和 Science Robotics、IEEE 和 ACM(美国计算机协会)的期刊也没什么问题,这是因为他们的愿景和低费用。

人工智能的崛起

根据 SCOPUS 数据库的一项研究,尽管有期刊抵制,但人工智能领域的论文数大约是 1996 年的 10 倍。

在计算机科学中,大多数活跃的成果都不会发表在期刊中。通常情况下,论文会发表在 arXiv 并免费提交到学术会议,在学术会议中这些论文会得到一些形式的同行审议:评审、接收或拒绝。Facebook 首席 AI 科学家 Yann LeCun 表示由于期刊的审核速度慢,计算机科学家更倾向于在 arXiv 上发表研究成果。此外,麻省理工学院的计算机科学家 Leslie Kaelbling 说:「对于计算机科学领域的学术成果,大会论文取代期刊论文成为最理想的发表方式。」

AI 现在不仅是开放获取,同时还开放评议。2013 年,马萨诸塞大学的计算机科学家 Andrew McCallum 发布了 OpenReview,该网站允许作者提交会议论文并邀请评议人公开发表他们的评论和决定,其他人也能添加评论。主要的 AI 会议已经开始使用这个网站,McCallum 说关于网络论战和软评论的担忧并没有出现。此外,还有一些「神奇」的东西出现了,例如对 2013 年一篇关于数据分析的论文,来自计算科学领域外的数学家指出证明中的一处错误,并分享了如何修正它的意见。McCallum 说:「这就是科学该有的样子,不是吗?」他补充道,他和 Ginsparg 正在讨论如何使用 OpenReview 为 arXiv 论文提供独立评议模块,因为 arXiv 目前并不包含评议功能。

Kaelbling 称 AI 研究激增给现有的论文发布带来了很大压力,OpenReview 等网站通过扩散评议以及抑制低质量的论文提交稍微改善这种情况。NIPS 请 Kaelbling 帮助寻找 2750 位评议者评议会议提交论文。「但是我很确定找到 2750 位合格的 NIPS 评议者非常困难,这太疯狂了。」

AI 论文发布的热潮可能不可持续,但是这令人兴奋,McCallum 说道。他讲了一个故事,他的同事在 arXiv 上发布了一篇关于计算机视觉的论文。数月内,基于这篇论文的其他论文也发布在 arXiv 上。当其中一篇论文出现在某个会议上,作者不只是谈论自己的论文,还谈论一年来的进展。这更像是「让我带你们回顾一下该科学研究的来龙去脉。」McCallum 称,「这种情况在封闭的出版界不会发生。」 

原文链接:http://www.sciencemag.org/news/2018/05/why-are-ai-researchers-boycotting-new-nature-journal-and-shunning-others

产业期刊论文arXivNatureScience
相关数据
英特尔机构

英特尔是计算创新领域的全球领先厂商,致力于拓展科技疆界,让最精彩体验成为可能。英特尔创始于1968年,已拥有近半个世纪产品创新和引领市场的经验。英特尔1971年推出了世界上第一个微处理器,后来又促进了计算机和互联网的革命,改变了整个世界的进程。如今,英特尔正转型成为一家数据公司,制定了清晰的数据战略,凭借云和数据中心、物联网、存储、FPGA以及5G构成的增长良性循环,提供独到价值,驱动日益发展的智能互联世界。英特尔专注于技术创新,同时也积极支持中国的自主创新,与产业伙伴携手推动智能互联的发展。基于明确的数据战略和智能互联全栈实力,英特尔瞄准人工智能、无人驾驶、5G、精准医疗、体育等关键领域,与中国深度合作。面向未来,英特尔致力于做中国高价值合作伙伴,在新科技、新经济、新消费三个方面,着力驱动产业协同创新,为实体经济增值,促进消费升级。

https://www.intel.com/content/www/us/en/company-overview/company-overview.html
相关技术
DeepMind机构

DeepMind是一家英国的人工智能公司。公司创建于2010年,最初名称是DeepMind科技(DeepMind Technologies Limited),在2014年被谷歌收购。在2010年由杰米斯·哈萨比斯,谢恩·列格和穆斯塔法·苏莱曼成立创业公司。继AlphaGo之后,Google DeepMind首席执行官杰米斯·哈萨比斯表示将研究用人工智能与人类玩其他游戏,例如即时战略游戏《星际争霸II》(StarCraft II)。深度AI如果能直接使用在其他各种不同领域,除了未来能玩不同的游戏外,例如自动驾驶、投资顾问、音乐评论、甚至司法判决等等目前需要人脑才能处理的工作,基本上也可以直接使用相同的神经网上去学而习得与人类相同的思考力。

杨立昆人物

杨立昆(法语:Yann Le Cun,英语:Yann LeCun,1960年7月8日-)是一位计算机科学家,他在机器学习、计算机视觉、移动机器人和计算神经科学等领域都有很多贡献。他最著名的工作是在光学字符识别和计算机视觉上使用卷积神经网络 (CNN),他也被称为卷积网络之父。他同Léon Bottou和Patrick Haffner等人一起创建了DjVu图像压缩技术。他同Léon Bottou一起开发了Lush语言。

安德鲁·麦卡勒姆人物

Andrew McCallum是马萨诸塞州阿默斯特大学计算机科学系的教授兼研究员。他的主要专业是机器学习,自然语言处理,信息提取,信息整合和社交网络分析。

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)

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)。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

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。

暂无评论
暂无评论~