AI一周热闻：美官方回应“间谍芯片”辟谣；飞猪否认大数据“杀熟”；中兴再遭罚

AI 前线导读：

- 美官方回应亚马逊、苹果辟谣遭中国“间谍芯片”渗透

- 马斯克发推暗讽 SEC，股价下跌市值减少 10 亿美元

- 中兴监察官任期延长至 2022 年

- 飞猪否认大数据“杀熟”

- Facebook 发布 PyTorch 1.0 开发者预览版

- 英国军方最新论文表明，AI 技术很难被应用于战争领域

- DeepMind 结合深度学习和图形网络开发更智能的 AI 代理

- 美国防部公布 2042 年无人系统发展规划

- 深度学习技术的进步是否真有意义？

- 多家大型企业构建 AI Benchmark 测试，华为海思排名第一

- 加利福尼亚州考虑出台《图灵测试法》

更多干货内容请关注微信公众号“AI 前线”（ID：ai-front）

10 月 6 日，美国国土安全部（DHS）首次对亚马逊、苹果否认被中国“间谍芯片”侵入做出回应，在官网表示“没有理由怀疑”苹果、亚马逊和 Supermicro 否认本周早些时候彭博发布报道中的指控。

此前，彭博商业周刊报道称，包括苹果、亚马逊、超微（SuperMicro）等公司的供应系统遭“中国情报部门”渗透，生产的设备被植入微型芯片，芯片可以连接攻击者控制的计算机，从而寻找指令和代码。

对此，亚马逊和苹果均回应称服务器或中国数据中心未发生修改。

据外媒报道，在联邦法官周四要求特斯拉 CEO 伊隆·马斯克（Elon Musk）和美国证券交易委员会（SEC，the U.S. Securities and Exchange Commission）解释为何法庭应该批准双方达成的和解提议之后，马斯克发推文暗讽证券交易委员会：

“就是想知道喂肥空头的委员会（推特原文为‘the Shortseller Enrichment Commission’，缩写 SEC 和美国证券交易委员会的缩写 SEC 一样，编者注）正在做不可思议的工作。这名改得精妙！”

马斯克嘲讽的另一个原因，是美国证券交易委员会（SEC）要调查特斯拉的产能盈利预期，这个行为激怒了马斯克。

在马斯克发表该推文后，特斯拉股价在周四的盘后交易中又下跌 5.88 美元，跌幅为 2.09%，报收于 275.95 美元。按照周四收盘价计算，特斯拉市值已降至 480.8 亿美元。

马斯克与联邦证券交易委员会在上周六达成和解，旨在解决马斯克在 8 月 7 日在推特上误导投资者的指控，作为和解内容的一部分，马斯克和特斯拉将分别支付 2000 万美元的罚金，且马斯克将在 45 天内卸任特斯拉董事会主席，并在 3 年内不得担任该职务。

当地时间 10 月 3 日，美国德州联邦法官称中兴通讯违反缓期处罚规定，决定延长考验期至 2022 年。

10 月 4 日，中兴通讯港交所发布公告，因公司、附属深圳市中兴康讯电子有限公司及美国商务部工业与安全局于 2018 年 6 月达成的替代和解协议 (SSA) 所述的行为，德克萨斯州北区美国地方法院于 2018 年 10 月 3 日 (美国时间) 签发命令，修改法院于 2017 年 3 月 22 日批准生效的协议所列载的对公司的监察条件。法院对监察条件的修改包括以下主要条款：

延长法院任命的监察官的任期至 2022 年 3 月 22 日；授予监察官与 SSA 约定的特别合规协调员享有的相同的、可以接触与遵循《2018 年出口管制改革法案》、《出口管理条例》和命令相关的特定文件、信息、设施和人员的权限。

去年，中兴在美国一家联邦法院认罪，承认其违反美国对伊朗制裁措施，非法向伊朗运送美国商品和技术，当时中兴与美国政府达成和解协议。根据和解协议，中兴于 2017 年 3 月向美国政府支付了 8.9 亿美元罚金，并且当时还面临 3 亿美元的附加处罚。而作为认罪条件，中兴当时同意开除 4 名高级管理人员，并对其它 35 人进行处罚。

针对知名作家王小山炮轰飞猪旅行 App 利用大数据杀熟一事，飞猪官方微博回应称，“飞猪敢于承诺：从来没有，也永远不会利用大数据损害消费者利益。”

王小山此前发布微博表示，飞猪旅行平台工作存在大数据“杀熟”的问题，称其查看购票记录发现，从利马到布宜诺斯艾利斯的机票，同一航班，别家卖 2500 元，飞猪卖给他的售价却高达 3211 元。

另外，王小山还指出飞猪 App 存在欺诈消费的嫌疑。

飞猪方面表示，此事飞猪方已与王小山沟通解释，价格不同是航司自身变价导致，飞猪从来不会，也永远不会利用数据坑蒙消费者。

近日，Facebook 宣布发布深度学习框架 PyTorch 1.0 开发者预览版，包括一些列工具和集成，使其与 Google Cloud、AWS、Azure 的机器学习服务更为兼容。

ARM、Nvidia、高通、英特尔也在内核库集成和跟踪推理运行时的工具中添加了 PyTorch 支持。

PyTorch 1.0 主要有三大更新：

• 添加了一个新的混合前端，支持从 Eager 模式到图形模式的跟踪和脚本模型，以弥合研究和生产部署之间的差距。

• 一个经过改进的 Torch 分布式库，可以在 Python 和 C++ 环境中实现更快的训练。

• 添加了针对关键性能研究的 Eager 模式 C++ 接口，将在测试版中发布。据悉，PyTorch 1.0 于 5 月在 F8 开发者大会上首次公布，并与 Facebook 的 Caff2、ONNX 进行了更深入的整合。

英国国防科学与技术实验室发表的最新论文，可能令很多人工智能研究人员松一口气。英国国防科学与技术实验室、克兰菲尔德国防与安全博士培训中心以及 IBM 公司研究人员对现有人工智能技术进行了调查，并思考如何将其与英国国防机构相结合。此份报告让渴望部署人工智能技术的大型军事机构有了清醒的认识，强调此类技术在实际部署（例如采购）以及功能实现方面的难题（相当一部分军事行动场景要求人工智能系统有能力学习与更新，从而有效处理稀疏 / 关键数据）。

当前问题: 目前的 AI 系统缺少军方部署场景下所必需的一系列关键性功能，例如进行系统配置以始终避免某些具有“严重后果”事件的能力（对于军方而言，因错误理由而发射火力武器无疑不可接受）; 以弹性方式对抗来自其它势力（包括防御方或侵略方）的系统武器化举措 ; 能够利用规模极小或者稀疏的数据有效实施作战 ; 能够在多方合作伙伴（例如其它部队）之间进行 AI 系统拆分，从而确保系统在作战行动结束后恢复为主权控制形式 ; 以及将这些系统部署至作战部队可能面对的各低恶劣的、低计算能力行动环境当中等。

高期望值: “如果要避免以往曾经出现的问题，则必须非常谨慎地管理利益相关者的期望，以确保他们对人工智能技术的需求信号是务实且具备可行性的。”

数据决定一切: 与其它大型政府机构一样，军方也存在一种不良倾向，即乐于将大部分 IT 系统分包给其它方，这往往导致此类系统：a) 持续投入大量成本b) 较为脆弱c) 极难实现后续扩展。这些因素的存在令人工智能在各类军事部署场景中的实际应用变得极为困难。研究人员们写道：“遗留合同的存在以商业约束条件的形式，令国防装备计划很难快速将人工智能纳入集成与开发范畴。”

采购问题: 英国国防部亦需要调整自身采购方式，从而最大限度增加作为人工智能系统对象的中小型企业数量。然而，从中小型企业处采购方案亦会给军方带来额外的复杂性因素。一旦此类中小型企业停止提供服务或者陷入破产，那么用户方将很难处理后续服务问题，这亦给企业本身带来沉重负担。

重要意义: 人工智能的军事用途在地缘政治层面具有广泛规模、重要性及影响力。由于缺乏理论保障且表现不均，人工智能事故亦有可能引发各类问题。因此像英国国防部这样的军事机构做出的此次思考尝试，无疑令人感到振奋。

了解更多: A Systems Approach to Achieving the Benefits of Artificial Intelligence in UK Defence (https://arxiv.org/abs/1809.11089)。

DeepMind 研究人员尝试通过将最新深度学习技术与该公司近期在图形网络及关系网络领域的成果相结合，希望开发出更为智能的 AI 代理。由此生成的系统依赖于一套新型模块——“关系转发模型”（简称 RFM）。该模型拥有高于纯深度学习的效能，这意味着将深度学习与结构化程度更高的方法加以融合是一种提升效能表现的可行方法。

工作原理: RFM 模块由图形网络编码器、图形网络解码器与图形兼容 GRU 共同构成。三者相结合，这些组件共同建立起一种以关系方式表示结构化信息的方法，并可根据环境变化（或者在理论上借由其它规模更大的结构化系统的输入内容）进行信息更新。

测试: 研究人员通过协作导航、硬币游戏和狩猎三种不通过方式测试该方法，“将 RFM 模块嵌入至强化学习代理当中，后者能够学习如何以快于基准代理的方式进行彼此协调，这有望在单代理强化学习场景下强化其联想能力。”

研究人员利用神经关系推理（简称 NRI）与顶点注意力交互网络（简称 VAIN）将对不同系统的效能进行比较，发现他们的方法较原有方法具备更佳的表现。他们还训练出不同版本，即尝试不使用关系网络而仅使用前馈网络，并发现系统功能消失。这种消融性表明，两种组分在系统性能中皆扮演着至关重要的角色。

重要意义: 此项研究是 DeepMind 将图形网络与深度学习相结合工作的进一步延伸，提供了一种将结构化数据表示与可区分学习系统相结合的方法，意味着人工智能研究人员有望将系统灵活性与传统象征方法内的问题规范及推理属性进行对接。

了解更多: Relational Forward Models for Multi-Agent Learning (https://arxiv.org/abs/1809.11044)。

美国国防部已经公布了截至 2042 年其（非保密）无人系统发展路线图。此份报告确定了美国国防部接下来将要重点关注的四大核心领域，分别为：互操作性、自主、网络安全与人机协作。

观点: 美国国防部 2017 年在无人系统中的投入高达 42.45 亿美元（其中包括采购与研究投入，二者比例大体相同）。这是相当可观的一笔资金支出，如果我们假设投入力度保持不变（根据通货膨胀调整），那么国防部无疑会将很大一笔资源用于无人系统研究。

短期优先事项: 国防部为其无人系统计划制定的短期优先事项包括：采用标准化及 / 或开放架构 ; 逐步转向模块化、可互换组件 ; 在系统评估、验证与认证方面投入更多资金 ; 制定“数据传输”战略，从而处理来自此类系统的大量数据 ; 等等。

自主类优先事项: 国防部将为无人机的自主运作设置更多优先事项，包括在短期内增加与私营部门间的协作，而后在中期（2029 年）加入增强现实与虚拟现实系统，而后到 2042 年建立具有“高度自主能力”的持续感知平台。关于对此类系统进行武器化这一棘手难题，国防部方面表示其希望能够在中期到长期之间为人类士兵提供一种“武装僚机 / 队友”，但火力控制手段仍然保留在人类手中。

自主问题: 这份报告指出，“尽管安全性、可靠性与可信性仍是人工智能类系统领域的研究重点，但人工智能也必须能够克服重要的感知与信任问题，这亦成为其得到广泛接受的前提。在未来的研究当中，自主能力的实现效率与效能有望摆脱现有法律与政策、信任问题与技术挑战的限制，最终迎来全面提升。”

重要意义： 当前人工智能技术的成熟意味着其被引入军事领域只是个时间问题，而不再属于是非问题。此次公布的文件让我们了解到军事机构对于人工智能技术兴起的关注，而且值得注意的是，技术社区内关于人工智能系统稳健性 / 安全性的某些问题也已经被纳入国防部的官方规划当中。

阅读完整报告: Pentagon Unmanned Systems Integrated Roadmap 2017-2042 (https://news.usni.org/2018/08/30/pentagon-unmanned-systems-integrated-roadmap-2017-2042)。

加州大学洛杉矶分校计算机科学系主任 Adnan Darwiche 最近提出一系列理由，表示对深度学习能否真正扩展并建立起真正的智能系统持怀疑态度。他的核心理由在于：“主流科学直觉地认为，这样一种不需要明确建模或者复杂推理的方法，足以再现人类的智能。”

曲线拟合: 他提出的第二点反对理由，在于人们不应对神经网络技术过于兴奋，因为此类技术的核心在于曲线拟合。相反，我们应试着眼于基于模型的方案，或者构建混合型系统。

时间是个问题: “深度学习的存在时间还不够长，因此研究人员还无法充分解决与之对应的核心问题：基于功能的方法在应用于新的、更为广泛的场景时，效果如何？其与那些具有针对性的、特别是要求采取更严格限制条件的方法相比，又存在怎样的优势与短板？”

曲线拟合无法自我解释: 另一个问题在于，这些技术无法进行自我解释。在他看来，这进一步证明了深度学习社区仍有必要继续关注基于模型的方法，因为其中包括更多假设及 / 或手动编写的部分。“基于模型的解释同样非常重要，因为其能让我们对某种现象拥有「理解」或「控制」能力。

重要警告: 这篇文章实际上是对深度学习 AI 社区浮夸风气的反击。作者想要针对的状况是一味将深度学习吹捧为人工智能技术的未来。这是业界第一次有如此具有话语份量的参与者公开发声。这篇文章的主要动机，源自作者对当前大多数媒体在人工智能报道内容的不满，此类报道往往过于夸张且充满轻信痕迹。更重要的是，据我所知人工智能社区内的参与者并不是在故意夸大，这一切实际上源自新闻媒体与相关技能腐败等更深层次的经济学原因。

重要意义: 这样的批评观点很有价值，因为其鼓励人工智能社区提出质疑之声。但是，我认为未来的更多批评应该更多关注技术的最新动向，并引入更多具有时效性的研究成果。例如，其中提出的一些反对意见似乎已经被自然语言处理技术的最新成果所反驳，即表明“曲线拟合”系统也能够进行推理。

了解更多: Human-level intelligence or animal-like abilities (https://dl.acm.org/citation.cfm?id=3281635.3271625&coll=portal&dl=ACM)。

…人工智能产业化的另一个标志，就是新的基准测试方案催生出标准，而标准又反过来刺激市场发展…

苏黎世联邦理工学院、谷歌、高通、华为、联发科以及 ARM 的研究人员为了更好地分析不同智能手机上的 AI 软件效能，共同创建出“AI Benchmark”并对超过 1 万台设备进行了测试。

AI Benchmark 是一组针对移动设备的九项测试，专门用于测试目标设备的机器学习效能、可用硬件 AI 加速器、芯片组驱动程序以及当前 Android 设备中的内存限制。

AI Benchmark 的组成部分: 此项基准测试包含九个深度学习分项测试，包括图像识别能力、人脸识别能力、Image Super-Resolution 测试、图像语义分割、 一般性图像增强能力，以及内存限制测试等。

结果: 研究人员们在基准测试当中测试了“超过 1 万台移动设备”，其中九个分项测试的评估核心在于比较网络运行所需要的时长（以毫秒为单位）。研究人员将九项测试的结果混合在一起，共同构成综合性“AI-Score”，前五强智能手机型号（包括芯片组与得分）排名如下：

#1: 华为 P20 Pro (海思麒麟 970, 6519)

#2: 一加 6 (骁龙 845/DSP, 2053)

#3: HTC U12+ (骁龙 845, 1708)

#4: 三星 Galaxy S9+ (Exynos 9810 Octa, 1628)

#5: 三星 Galaxy S8 (Exynos 8895 Octa, 1413)其中令我最感兴趣的一点，在于排名最高的手机采用了海思芯片中的特殊 AI 加速器。考虑到麒麟芯片源自中国，这也证明了中国在这一领域已经取得显著进步。同样值得注意的是，谷歌的“Pixel”手机并未能进入前五名（不过确实挤进了前十名）。完整测试结果请参阅 AI Benchmark 官方网站（http://ai-benchmark.com/）。

了解更多: AI Benchmark: Running Deep Neural Networks on Android Smartphones (https://arxiv.org/abs/1810.01109)。

加利福尼亚州参议院正在考虑出台一项法案，规定以误导性方式利用机器人冒充人工身份提供采购或投票建议属于违法行为。该项法案似乎主要侧重于某些特定用例，特别是社交媒体机器人层面。这项拟议法律计划于 2019 年 7 月正式生效。

重要意义: 这项法律指出了一个重要问题，而且随着人工智能系统在模仿人类方面的日益增强，这个问题的重要性也将不断提升，对人工智能方案的身份识别成为一个非常重要的议题。

了解更多: California Senate Bill 1001（https://leginfo.legislature.ca.gov/faces/billTextClient.xhtml?bill_id=201720180SB1001）。

作者 Jack Clark 有话对 AI 前线读者说：我们对中国的无人机研究非常感兴趣，如果你想要在我们的周报里看到更多有趣的内容，请发送邮件至：jack@jack-clark.net。

原文链接：

https://jack-clark.net/2018/10/08/import-ai-115-what-the-dod-is-planning-for-its-robots-over-the-next-25-years-ai-benchmark-identifies-2018s-speediest-ai-phone-and-deepmind-embeds-graph-networks-into-ai-agents/