AI趋势周报第86期：微软发表文字转语音新成果，只要少数样本就能训练出准确度99.84％的模型

重点新闻(0524～0530)

微软     语音辨识    非监督式学习  

微软发表新文字转语音技术，只要200个样本就能训练出准确度99.84％的模型

微软日前发表一款文字转语音AI，利用非监督式学习和200个音频样本（总共约20分钟长）及其文字档，就能开发出准确度高达99.84％的文字转语音模型。

研究员表示，这项研究的关键在于采用了Transformer类神经网络架构；Transformer的特别之处在于其注意力（Attention），能让每个输出值与每个输入值相连，而且能动态调整权重。另一方面，研究员使用了开源的LJSpeech资料集，随机取其中的200个音频与相应的文字档作为训练资料集，并采用去噪自动编译器来重建受损的音频和文字档。研究员表示，利用这小型语料库打造出的AI，其测试时的表现比另外3个AI基准模型还要好，准确度可达99.84％，尽管生成的语音仍带有些许的机器腔。（详全文）

  三星     3D建模    对抗生成网络  

不必3D建模，三星的AI可以直接让图像“动”起来

位于莫斯科分部的三星AI中心近日发表一项研究成果，透过自家设计的模型，只需几张脸部表情的影像，就能让静态的人物肖像做出表情或开口说话，而且不必依赖3D建模等传统方法。

在这项研究中，三星团队首先以VoxCeleb2影片资料集来进行元训练，再利用3套类神经网络来打造这个系统，包括负责将帧映射到向量的嵌入式网络、负责将脸部特征映射到合成影片的生成器网络，以及评估生成影像真实性的鉴别器网络。研究员也以玛丽莲梦露、爱因斯坦和蒙娜丽莎等著名人物肖像来实验，因此，现在大家可以看到照片中的玛丽莲梦露或爱因斯坦开口说话了，甚至是在画作中的蒙娜丽莎也有不同的表情，而且研究人员在蒙娜丽莎身上套用了来自3个不同人的模型，创造出3位个性迥异的蒙娜丽莎。（详全文）

  视觉模型    脸书    深度学习框架  

脸书开源用于视觉和语言模型的深度学习框架

脸书最近开源释出能支援视觉和语言领域的深度学习框架Pythia。Pythia建立于脸书自家的开源框架PyTorch上，其模组化和随插即用的设计，方便研究人员能快速建置、复制和检测AI模型。Pythia框架的功能包括参考工具，能显示之前模型的基准测试结果，并快速评估新模型的效能。

Pythia框架是为视觉和语言任务设计，像是与视觉资料相关的回答问题模型，以及自动为影像产生标题的模型。此外，该框架也支援分散训练和多种资料集，还能自订损失函数、指标、排程和优化器。（详全文）

  KCL    Nvidia     AI医疗 

伦敦国王学院联手Nvidia，要打造医疗AI平台来改善英国医疗体系的影像判读流程

伦敦国王学院（KCL）联手Nvidia，要打造一款医疗AI平台，来简化、加速英国国家医疗体系（NHS）专科医生判读医疗影像的流程。该专案为KCL长期计划的一部分，旨在改善NHS心脏科、神经科和肿瘤科等12个领域的临床流程，以及病患照护等层面。

目前，KCL正部署算力为2 petaflops的Nvidia DGX-2超级电脑，来完成该专案的第一阶段，之后将利用Nvidia Clara AI工具套件和第三方类神经网络框架（如NiftyNet），来开发影像判读系统。另一方面，KCL研究员和Nvidia也将与英国数家NHS主要医院合作，来整合技术开发与临床应用，也方便未来快速部署到其他医疗机构。为保障资料隐私，此次专案将采联合学习（Federated Learning，也称为分散式机器学习）来开发算法，让各机构的资料不必向外传输，透过医院内部的资料即可自行开发AI算法。而这些各家开发的模型，除了能精准反映该区域的病患特性，NHS也可整合这些模型，来发展为层面更广的模型。（详全文）

  JINS    AI店员    机器学习  

不怕选错！AI店员帮你挑眼镜

日本平价眼镜连锁品牌JINS日前宣布引进JINS Brain AI智慧判读服务至台湾分店，来帮台湾消费者“挑眼镜”。该服务由日本总部的JINS Brain实验室开发，他们利用半年的时间，让3千位不同年龄的男女店员来看30多万张不同脸型配戴不同框型眼镜的照片，并评断每张照片的配戴适合度，再利用这些资料来训练机器学习模型，开发出一套JINS Brain AI智慧判读系统。

现在，消费者只要对着店内iPad屏幕试戴眼镜，系统中的AI男店员或AI女店员就会在几秒内告知适合度百分比，帮助消费者挑选合适的眼镜。目前，JINS台湾分店已有4家开始提供免费的Brain AI智慧判读服务。（详全文）

MIT    RoboRaise     机器人 

不需下指令，MIT打造出能与人类合作抬起物体的机器人

麻省理工学院电脑科学暨AI实验室（CSAIL）最近发表能与人类合作抬起物体的机器人，该机器人系统RoboRaise是利用肌电图检查（EMG）感测器，来监控人类的二头肌和三头肌运动，算法会不断侦测人类手臂高度的变动和上下的手势，来调整自身的动作，与人类一同合作抬起物体。

MIT的研究团队使用RoboRaise系统执行一系列的任务，包括捡起物体、组装模拟的飞机零件等。在实验过程中，人类可透过手臂动作（如抬举、伸缩）来控制机器手臂的活动，而机器手臂的活动范围可精准至数英寸；此外，机器人还可正确回应人类70%的手势。研究团队希望，未来在系统中加入更多肌肉或不同类型的感测器，增加机器人的活动自由度，最终目标是要机器人能够完成更复杂的任务。（详全文）

微软   对话机器人    SDK  

微软更新对话机器人开发框架SDK，提供适应性对话框灵活解决问答

微软更新了其用于建立文字对话机器人的开发工具Bot Framework SDK，帮助企业建立能确实解决用户问题的机器人与虚拟助理，提升客服体验。Bot Framework SDK加入了适应性对话框，能让开发者根据情境和事件，来动态更新对话流程。开发者可自定义行动（Action），而行动可包含一系列的步骤，这些步骤是由对话中发生的事件结果定义；这样的设计对于切换或中断对话内容时，格外好用。

Bot Framework SDK还提供了模组化对话功能，微软称之为技能（Skill）。开发者可将拼凑不同技能，来形成完整的对话体验，而技能包括了跨应用程序的语言模型、对话框以及卡片，目前预览版本的技能则有电子邮件、日历和兴趣点。中央对话机器人可以由企业各团队维护的子机器人组合而成。（详全文）

耐能     AI芯片      CNN  

耐能新款低功耗AI芯片KL520能支援多种CNN模型，今年第四季出货抢攻边缘运算市场

耐能（Kneron）日前推出一款AI芯片“KL520”，主打低功耗、高效能，结合自家研发的可重组式AI神经网络技术（RANN）与模型压缩技术，并搭载自家设计的神经网络处理器（NPU），来支援多种机器学习框架与CNN模型。耐能研发的RANN，可以根据不同CNN模型的运算结构进行重组，来减少运算复杂度、提高效能。另一方面，KL520可支援主流框架和第三方算法，比如TensorFlow、Keras、Caffe，也支援运用上述框架所开发的CNN模型，如ResNet、Yolo、MobileNet等，也能客制化支援少见的模型。

KL520还具模型压缩技术，透过迁移式学习、量化、剪枝、蒸馏等四种方式，在模型精度的损失小于0.5%的情况下，将模型中较不影响表现的小网络拿掉，来压缩模型。Kneron目前已落地应用于手机、IoT、家居、安防等场景，预计今年Q4放量出货。（详全文）

摄影／翁芊儒    图片来源／三星、JINS、MIT

 AI趋势近期新闻 

1. 美国空军和MIT推出AI加速器计划，聚焦于国家级安全挑战

2. Google打造肺癌预测模型，表现超越人类放射科医师

3. 为突破AI能力限制，脸书要教机器人在真实世界中自主学习

4. IBM要让Watson协助农夫导入智慧农业

资料来源：iThome整理，2019年5月