AI每日精选
AI每日精选10条
大公司新闻
国网辽宁物资公司携手中兴通讯建设东北首个5G智能仓库从国网辽宁物资公司了解到，日前该公司与中兴通讯签署战略合作协议，双方计划在 5G 行业应用创新工作中深度合作，以推进国网辽宁物资公司物资集中储备中心库自动化改造项目为契机，持续深化 5G 智能仓储创新应用开发，联手打造东北首个 5G 智能仓库。（辽宁日报）
华为在哈萨克斯坦成功测试5G移动服务日前，华为技术哈萨克斯坦有限公司与哈萨克斯坦电信公司在哈首都努尔苏丹联手建造了一块 5G 试验区，并使用最新一代 5G 智能手机测试 5G 移动服务，取得良好效果。测试期间，华为工作人员使用包括华为 Mate20X5G 和华为 MateX5G 在内的多款智能手机测试 5G 网络数据传输速率。在单个用户设备情况下，测得的峰值传输速率达到 1.8Gbit/s。（中新社）
Uber将于11月在德克萨斯州达拉斯开始测试自动驾驶汽车9 月 19 日消息，Uber 将于 11 月在德克萨斯州达拉斯开始测试自动驾驶汽车。这些车辆将由达拉斯市中心的人类驾驶员开始运营，收集地图数据。
产品与应用
百度地图发布「语音定制功能」，20分钟即可为用户定制个人语音包9 月 19 日，百度地图正式发布「语音定制功能」，内部代号「百雀灵」。据百度地图方面介绍，这是全球首个地图语音定制产品，用户只需在百度地图 App 上录制 20 句话，20 分钟左右即可生成个人完整语音包，并在百度地图的景区智能语音导览、智能语音交互、导航等全部场景使用。
小马智行与广汽合作打造基于Aion LX车型的L4级无人车近日，小马智行与广汽集团达成合作，在 Aion LX 车型正式量产上市前，共同打造全球首款基于该车型的 L4 级自动驾驶车辆。该款 L4 级车型将被应用于双方的无人驾驶示范运营中，并面向公众提供自动驾驶移动出行服务。此前，2018 年 2 月，广州小马智行科技有限公司和广汽集团建立战略合作伙伴关系，在自动驾驶技术、无人驾驶示范运营等领域展开合作。
第一批量产沃尔沃优步自动驾驶基础车型下线9 月 19 日消息，第一批量产的沃尔沃自动驾驶基础车型在沃尔沃汽车瑞典图什兰达工厂下线，将交付优步用于进一步的车辆测试，预计于下半年投入大规模生产。今年 6 月，沃尔沃汽车与 Uber 联合开发并推出了一款自动驾驶基础车型 XC90，该车型配备了沃尔沃汽车的安全技术，使优步能够安装由其研发的自动驾驶系统，为用户提供自动驾驶共享服务。
研究与技术
斯坦福大学联合 Facebook 人工智能研究所推出可视化分析工具包 VizSeq数据科学家常常依靠度量标准来评估机器翻译，文本摘要以及图像字幕机器学习算法。然而，相关指标并不总是与人工评估的结果保持一致。为了解决这一问题，斯坦福大学和 Facebook AI Research 的研究人员提出一个可视化分析工具包 VizSeq，用于对一系列文本生成任务进行实例和语料库级别的测试。论文传送门：bit.ly/2m1kkFO（VentureBeat）
苏黎世新研究：人工智能探测暗物质苏黎世联邦理工物理系和计算机科学系的科学家们今日发表论文用人工智能探测宇宙中的暗物质，联手改进通过人工智能估算宇宙暗物质含量的标准方法。他们使用最先进的机器学习算法进行宇宙学数据分析，这些算法与 Facebook 和其他社交媒体用于面部识别的方法有很多共同之处。他们的研究结果最近发表在科学杂志「物理评论」中。
加州大学欧文分校研究团队利用机器学习预测大型野外火灾加州大学欧文分校的一个多学科研究人员小组创建了一个机器学习模型，以预测自着火以后出现大型野外火灾的可能性。研究团队提出的决策分类器模型使用单个数据集来预测火灾是否会在大约 50％的时间内发生大火。研究人员使用了 2001 年至 2017 年之间阿拉斯加大型火灾数据库中 1,100 多次阿拉斯加火灾事件的数据对 AI 进行了平均天气报告范围内的空气湿度数据培训。该模型表现超越了依赖多个天气变量的研究人员测试的更为复杂的模型。（Venture Beat）
谷歌 NeurIPS 2019 新研究：通过胶囊解码器进行无监督的对象发现近日，谷歌公布了一篇被 NeurIPS 2019 收录的新研究，「通过胶囊解码器进行无监督的对象发现」。以下是该研究的完整摘要：一个对象可以被看作是相互关联的部分的几何组织。由于固有的几何关系是视点不变的，因此明确使用这些几何关系来识别对象的系统自然应该对视点的变化具有鲁棒性。研究人员提出了一种无监督的胶囊网络版本，其中一个用于查看所有部分的神经编码器能够被用于推断物体胶囊的存在和姿势。研究团队通过向后传播通过一种解码器来训练编码器。该解码器使用姿势预测的混合来预测每个已经发现的零件的姿势。这些部件以通过使用能够推断出部分及其仿射变换的神经编码器以类似的方式直接从图像中被发现。相应的解码器将每个图像像素建模为仿射变换部分做出的预测混合。研究人员在未标记的数据上学习对象及其部分胶囊，然后聚集对象胶囊存在的向量。经过实验，研究团队获得了无监督分类在 SVHN 分类的最先进结果（55％）并在 MNIST 也获得了接近最优异的结果（98.5％）。
