AI趋势周报第124期：整合产官学各界资源，全球最大机器可读的武汉肺炎资料集开源释出

重点新闻(0313～0319)

艾伦AI研究院     武汉肺炎    开放资料    Kaggle挑战赛 

AI2联手微软、白宫和美国国卫院，开源释出武汉肺炎研究资料集

由微软共同创办人成立的艾伦AI研究院（AI2）联手微软研究院、白宫科技办公室（OSTP）、美国国卫院（NIH）的国家医学图书馆，以及其他组织，共同释出武汉肺炎开放研究资料集COVID-19 Open Research Dataset（简称CORD-19），内含2万9千多篇新型冠状病毒相关研究论文，其中1万3千多篇为全文可浏览。AI2表示，这是机器可读的最大型新冠病毒语料库，而释出资料集的用意，是希望全球研究员可藉自然语言处理（NLP）技术和AI，从中找出新洞察，来对抗疫情。

该资料集收录同侪审核、正式刊登的论文，以及在bioRxiv、medRxiv等档案收藏服务中的文章，且每周更新一次。此外，资料分析平台Kaggle也举办了CORD-19挑战赛，已根据WHO新冠病毒研究蓝图和美国国科院研究主题，列出几项关键问题，作为挑战任务，每项任务的奖金为1,000美元。Kaggle希望借此鼓励开发者，找出对抗疫情的关键资讯。（详全文）

  BERT     自然语言    模型评比  

哪款BERT比较优？BERTLang网站告诉你

意大利博科尼大学团队日前发表BERT Lang Street网站和研究论文，要来帮开发者评比各种BERT语言模型和多重语言模型mBERT的效能。自2年前Google发表双向编码自然语言模型BERT以来，大幅改善自然语言理解能力写下了自然语言处理（NLP）里程碑。之后，Google也利用104种语言的语料库，训练出多重语言模型mBERT，作为通用的语言理解模型。不过，现阶段针对mBERT和各语言BERT模型的评比，几乎没有明确的比较。

于是，博科尼大学团队架设了BERTLang网站，来提供每个模型的架构和领域表现等评比。目前，团队已针对18种语言、29项任务，测试了30个特定语言的BERT模型，也得到了177种测试结果。其中，在所有29项任务中，特定语言的BERT模型表现皆比mBERT要好。这些结果，都已公布于网站供开发者查询。（详全文）

  Google     深度学习    行销  

目标打开DNN黑盒子！Google开源JAX函式库Neural Tangents

Google日前释出JAX软件函式库Neural Tangents，要来解开深度学习黑盒子。团队指出，近来深度学习网络（DNN）在自然语言、对话代理等任务表现大幅进步，有人会怀疑，为何DNN参数过度设置，却善于归纳？其中一个关键是，DNN的宽度增加时，模型表现就越规律、越容易理解。

不过，要无限增加DNN宽度，仍有些挑战，像是需要深厚的数学知识，且要对每个架构分别设计。为此，Google开源Neural Tangents，开发者可轻松定义、训练和评估宽度无限（Infinite）的DNN；进一步来说，无限宽DNN是指，由架构决定内核函数的高斯过程（GP），而Neural Tangents可提供卷积、池化、残差连接、非线性特性等组件，让使用者建立类神经网络。Google实验发现，有别于常规训练，实验模型的学习动力在封闭形式下，可完全控制，开发者更可借此理解模型行为。（详全文）

  Google    立体物件辨识       行动装置  

行动装置也可即时辨识3D物件！Google释出辨识模型工作流程Objectron

Google物件辨识模型工作流程MediaPipe增加新的辨识流程Objectron，可即时在行动装置上辨识3D物件。Google表示，目前成熟的影像辨识技术多半是2D物件辨识，也就是从画面中，以边界框（Bounding box）框出2D物件。但如果延伸到3D，就能了解物件的大小、位置和方向，更可运用至机器人、自驾车、图片检索和AR等领域。

不过，要从平面影像辨识3D物件仍然有挑战，比如缺乏训练资料或多样性等。为此，Google利用AR来建立3D资料集，并利用自家机器学习工作流程框架MediaPipe，来开发Objectron模型。Objectron可在画面中，以3D边界框框出常见的立体物件，并估算其大小、姿态。其中，为提高工作流程效率，系统每隔几帧才会执行推论。Google也先释出针对鞋类和椅子的Objectron辨识模型，未来要将辨识类别扩大至更多物件。（详全文）

  Google    量子运算     机器学习函式库  

整合量子运算和机器学习，量子机器学习函式库TensorFlow Quantum正式开源

Google联手滑铁卢大学、X公司和福斯集团，共同释出量子机器学习开源函式库TensorFlow Quantum（TFQ）。该函式库是TensorFlow的扩充，可结合量子运算和机器学习。

TFQ底层整合了TensorFlow和噪声中等规模量子（NISQ）算法框架Cirq，其中，TFQ的关键功能在于可同时训练、执行许多量子电路，这是因为，TensorFlow能在电脑丛集中平行化运算，也能在多核心电脑上模拟较大的量子电路。Google指出，未来目标是要让TFQ能透过Cirq，在真正的量子处理器上执行量子电路，比如Google内部正在开发的Sycamore量子系统。（详全文）

台铁管理局   轨道扣件     影像辨识  

夜间人工巡轨有新方法，台铁改导入AI自动揪出脱落的轨道扣件

台铁管理局联手交通部运输研究所，共同开发出轨道扣件缺失辨识系统，透过摄影机和深度学习软件，来自动辨识铁轨上的扣件安装情况，辅助人工巡视作业。

目前，台铁轨道扣件巡检仍采夜间人工目视，但因目视角度和巡检车车速问题，难以快速进行。于是，台铁与交通部运研所合作，选定特定铁轨区间，来收集训练影像资料。之后，团队再以Yolo v3来训练深度学习模型，来检查轨道扣件是否脱落。此外，团队也用GoPro，于夜间巡检车时速30公里时，录制70公里的轨道扣件影像，验证模型辨识准确率为86.7％。双方指出，未来还要进一步改善模型，最终要达到无人巡检。另一方面，团队也开发云端功能，可透过Google地图来定位扣件脱落之处，方便进行维修。（详全文）

Pixel 4   动作感知     Google  

解密Pixel 4动作感知关键！记录数百万次手势建立雷达解读ML模型

Google日前揭露自家最新Pixel 4系列手机的Motion Sense技术，该技术让用户不需触碰手机，就能隔空以手势来控制音乐播放或静音来电。这是因为，Motion Sense采用Soli短程雷达感测器和特别设计的机器学习算法，来解读Soli讯号。

在手机顶端内建Soli天线，可处理时序性讯号，再输入至Soli机器学习模型，来分类手势。为训练这套模型，团队找来数千名志愿者，记录数百万个手势，并配对侧录的雷达讯号，来训练模型。Google用TensorFlow训练模型，同时也克服手机低电量的挑战，发展特殊的讯号处理技术，来解决声音震动对Soli系统的影响，使其能与周围的通话元件共存。（详全文）

模糊测试     基准测试      FuzzBench  

把关模糊器品质，Google开源释出基准测试服务FuzzBench

Google日前开源释出模糊测试器（Fuzzer）的基准测试服务FuzzBench，要来提供用户严谨的模糊测试，降低采用障碍。模糊测试是一种抓臭虫技术，透过自动或半自动产生另一个程式的乱资料，来测试程式可能出现的异常状况。Google内部就用了不少模糊测试器如libFuzzer和AFL等，也揪出了数以万计的臭虫。

虽然目前有许多模糊器的研究，但仍难以评估模糊器是否能实际派上用场。因此，Google的OSS-Fuzz团队建立了FuzzBench，用户只需不到50行程式码，就能整合Fuzzer和FuzzBench，可进行24小时的实验。之后，FuzzBench会根据实验资料，深入分析并产生报告，来比较不同Fuzzer的效能，包括统计测试，让用户了解Fuzzer之间的效能差异。（详全文）

图片来源／TensorFlow、Sam\'s Club、微软

 AI趋势近期新闻 

1. Alphabet生医研究子公司Verily正打造武汉肺炎分类工具

2. Nvidia研究团队用AI教机器人拿物品给人类

3. 加州大学柏克莱分校发现新方法，可改善大型Transformer的训练和推论

4. Amazon自家无人商店科技上市开卖

资料来源：iThome整理，2020年3月