AI大事件 | OpenAI员工离职创立机器人新公司，spaCy v2.0.0发布

呜啦啦啦啦啦大家好呀，又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么？大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？文摘菌带你盘点过去一周AI大事件！

新闻

Waymo的无人驾驶汽车已奔驰在亚利桑那州凤凰城的大路上

来源：WWW.RECODE.NET

链接：https://www.recode.net/2017/11/7/16614780/alphabet-driverless-cars-phoenix-arizona

Alphabet的自动驾驶汽车的公司——Waymo，日前推出了真正的无人驾驶汽车并首次在凤凰城的部分公共道路上完成了实验。

人工智能研究人员离开OpenAI创立机器人新公司

来源：WWW.NYTIMES.COM

Pieter Abbeel是前伯克利教授和OpenAI的资深研究员，包括他在内的三个研究人员日前离开了OpenAI并创建了自己的智能机器人公司。该公司得到了各方总计700万美元的投资。

文章&教程

神经网络如何建立对图像的理解

来源：DISTILL.PUB

链接：https://distill.pub/2017/feature-visualization/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

特征可视化是一个很强大的工具，但在实际工作中却需要涉及到很多细节。在本文中，作者研究了特征可视化的主要问题并探讨了解决这些问题的一般方法。

进化稳定策略

来源：BLOG.OTORO.NET

链接：http://blog.otoro.net/2017/11/12/evolving-stable-strategies/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

这篇文章将带你了解如何将进化策略应用于强化学习问题，以及如何找到稳定的策略。实验代码可以在GitHub上找到。

深度学习（斯坦福）+视频

来源：STATS385.GITHUB.IO

链接：https://stats385.github.io/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

近些年深度学习的成就大多是经验性的。这门在斯坦福的课程回顾了深度网络近些年来的工作，并试图建立了理论框架。

基于神经机器翻译的完全并行文本生成

来源：EINSTEIN.AI

链接：https://einstein.ai/research/non-autoregressive-neural-machine-translation?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

本文介绍了一种神经机器翻译系统，能够以完全并行的方式一次生成整个句子，克服了现有神经网络模型的局限性。

代码，项目&数据

Tangent：源代码调试的衍生物

来源：RESEARCH.GOOGLEBLOG.COM

链接：https://research.googleblog.com/2017/11/tangent-source-to-source-debuggable.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

Tangent是一个用于自动区分的开源Python库。与现有的机器学习库相比，Tangent是一个源到源系统，能够生成Python代码。

进化策略工具

来源：GITHUB.COM

链接：https://github.com/hardmaru/estool?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

本文介绍了不同的进化策略的实现，如GA、PEPG，CMA-ES和OpenAI的ES并且使用了一个通用接口。

spaCy v2.0.0发布

来源：GITHUB.COM

链接：https://github.com/explosion/spaCy/releases/tag/v2.0.0?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

提供了神经网络，超过7种语言的13个新模型，更便捷的训练，自定义接口，以及许多API的改进。

NeuralKart

来源：GITHUB.COM

链接：https://github.com/rameshvarun/NeuralKart?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

一个在Mario Kart这款游戏上实现的实时的 AI，使用了CNN、离线搜索、DAGGER等技术。

爆款论文

用深度学习和树搜索快速思考（更新版本）

来源：ARXIV.ORG

链接：https://arxiv.org/abs/1705.08439?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

专家迭代法是一种新的强化学习算法，它将问题分解为单独的规划和泛化任务。通过树搜索建立新的策略，并用一个深度神经网络概括这些策略。随后，利用神经网络策略指导搜索，对树搜索进行了改进。

块稀疏递归神经网络

来源：ARXIV.ORG

链接：https://arxiv.org/abs/1711.02782?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

通过两种不同的方法实现RNNs的块稀疏：在层中精简块的权重和使用群组正则化创造零权重块。该研究表明，使用这些技术，可以创建稀疏度范围从80%到90%且精度损失更小的块稀疏RNNs，大约10倍降低了这些模型的大小。

原文发布时间为：2017-11-14

本文作者：文摘菌

本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“大数据文摘”微信公众号