本周AI热点回顾：机器人写稿同样拥有著作权、大脑中竟存在“分布强化学习”

01

中国AI写作第一案宣判，机器人写稿同样拥有著作权

一秒出快讯，一分钟内出分析文章，只要有需求，一年写出几十万篇文字作品都不在话下，这就是 AI 写作机器人，目前被广泛应用在一些媒体、金融、分析机构，甚至在文学创作和设计领域，比如写诗、写小说、自动制图、绘画等等。

那么问题来了，这些不是人的 AI 创造出来的文字或内容作品有著作权么？未经允许挪用算不算违法？

日前，AI 写作第一案宣判了。受理并判决这个案件的是深圳市南山区人民法院，判决文书中写道：

“涉案文章由原告主创团队人员运用Dreamwriter软件生成，其外在表现符合文字作品的形式要求，其表现的内容体现出对当日上午相关股市信息、数据的选择、分析、判断，文章结构合理、表达逻辑清晰，具有一定的独创性，而且由原告主持的多团队、多人分工形成的整体智力创作完成了作品，整体体现原告对于发布股评综述类文章的需求和意图，是原告主持创作的法人作品。”

所以这个号称“ AI 写作第一案”的判决告诉我们，虽然是 AI 写作，但是一篇内容生成的背后也倾注了不少技术人员和创作人员的研发努力和编排创意，那这就算是人家平台的原创内容和劳动果实，未经允许擅自利用那就是侵权了。

这个案件可能会为今后的类似案件提供参考意义，因为，AI程序辅助内容创作如今已是十分普遍。

信息来源:  MIT科技评论

http://www.mittrchina.com/news/4649

02

首个活体机器人诞生：青蛙细胞生成，超级计算机设计

全球首个用细胞做成的活体机器人，已经诞生了。

不是设想，不是科幻，是实实在在登上顶级期刊的科学研究。

而且不用金属、塑料打造，采用青蛙表皮细胞和心脏细胞重组。

这就是顶级期刊《美国科学院院报》(PNAS)最新发表的惊人研究，来自美国佛蒙特大学和塔弗茨大学团队。

这个名叫Xenobot的“异形机器人”，长度不到1毫米，是非洲爪蛙心脏细胞（收缩细胞）和表皮细胞（被动细胞）的结合。结合的依据，是佛蒙特大学的超级计算机集群Deep Green设计出来的模型。研究人员在这个具有20000台笔记本电脑计算能力的集群上演算了一种进化算法。在反复试验当中，用类似自然选择的方式，将性能较差的模型设计剔除。这两种细胞都是研究人员从爪蛙胚胎干细胞中分化得到的。不同于金属、塑料打造的机器人，Xenobot是完全可生物降解的，并且还具有自我修复能力。

这项研究由佛蒙特大学计算机科学系教授约书亚·邦加的团队主导。论文一作是山姆·克里格曼。佛蒙特大学博士研究生，致力于进化机器人的研究。通讯作者约书亚·邦加教授博士毕业于苏黎世大学，现在是佛蒙特大学计算机科学系教授，形态演化与认知实验室负责人，研究重点是进化机器人技术，进化计算和物理模拟。

研究者们认为，Xenobot的特性展示了其未来无限的可能性。它们可以被用来清理海洋中的微塑料污染，定位和消化有毒物质，或者进入人体血管，精准输送药物、清除动脉壁上的斑块等等。但或许，这样的一个“异形”机器人，会让你想起科幻电影《异星觉醒》：一个单细胞就能毁天灭地。

信息来源：量子位

https://mp.weixin.qq.com/s/mX0t4lGAIKCD0TsmqRreEg

03

CCF 2019颁奖大会举行，飞桨总架构师于佃海获“杰出工程师奖”

1月11日，中国计算机学会（CCF）2019颁奖大会在北京举行，这是国内计算机领域备受瞩目的年度会议之一。颁奖会上，百度深度学习平台飞桨总架构师于佃海荣获“CCF 杰出工程师奖”，以表彰他在机器学习的大规模产业应用方面做出的重要贡献。中国工程院院士高文现场为于佃海颁奖。

“CCF 杰出工程师奖”设立于2016年，每年评选一次，每次获奖人数不超过两名，授予在计算机工程技术及应用领域有突出成就和重要贡献者。于佃海获此殊荣，彰显着对他本人为 AI 领域贡献的认可，也让业界对他所致力的百度开源开放平台飞桨有了更深刻的认知。

 “飞桨平台，作为功能完备的开源开放深度学习平台，它的使命和意义已不局限于一个公司。”现场于佃海发表获奖感言，“作为一名中国的 AI 工程师，我认为有责任有义务把中国人自己的深度学习平台做到最好。闻说双飞桨，AI 当自强。”

2008年，于佃海从北京大学硕士毕业后加入百度，长期从事机器学习相关的技术研发应用和平台建设工作，他也是百度第一个大规模分布式机器学习训练系统的构建者，推动百度搜索排序进入机器学习时代，也是百度最早一批深度学习技术研究人员。

2018年，百度飞桨团队升级成为百度深度学习技术平台部，于佃海被任命为飞桨总架构师。飞桨以百度多年的深度学习技术研究和产业实践为基础，集深度学习框架、基础模型库、端到端开发套件、工具组件和服务平台于一体，是全面开源开放、技术领先、功能完备的产业级深度学习平台。IDC 最新报告显示，在中国深度学习平台市场中，百度飞桨与谷歌、Facebook 名列前三，共同占据中国近80%市场份额。

04

大脑中竟存在“分布强化学习”，靠多巴胺驱动

多巴胺是人们所熟悉的大脑快乐信号。如果事情的进展好于预期，大脑释放的多巴胺也会增多。在人脑中存在奖励路径，这些路径控制我们对愉悦事件的反应，并通过释放多巴胺的神经元进行介导。例如，在著名的巴布洛夫的狗实验中，当狗听到铃声便开始分泌口水时，这一反应并非已经获得了奖励，而是大脑中的多巴胺细胞对即将到来的奖励产生的一种预测。

近日，DeepMind 的研究人员通过使用分布式强化学习算法发现，每个多巴胺神经元对奖励的预测很不相同，它们会被调节到不同水平的「悲观」和「乐观」状态。研究者希望通过这套算法研究并解释多巴胺细胞对大脑的行为、情绪等方面的影响。

DeepMind与哈佛大学新研究证明了大脑中存在“分布强化学习”，而大脑中的强化学习是通过“快乐之源”多巴胺驱动。和AI系统类似，大脑不是以“平均值”的方式预期未来可能的回报，而是以“概率分布”的方式来预期。解决奖励预测问题的一个重要突破是时间差学习（TD）算法，该算法不会去计算未来的总回报，而只是尝试在下一个时刻预测即时奖励。

这种奖励机制的预测与人类自身的一些行为很类似，比如，学生努力学习来应对考试，其奖励回报是考试成绩可能会更高。总体而言，预测当前行为的未来回报，是这种算法的核心机制。

新的研究采用了一种分布式强化学习算法，与标准 TD 非常类似，被称为分布式 TD。标准 TD 学习单个预测（平均期望预测），而分布式 TD 学习一系列不同的预测。而分布式 TD 学习预测的方法与标准 TD 相同，即计算能够描述连续预测之间差异的奖励预测误差，但是每个预测器对于每个奖励预测误差都采用不同的转换。这份研究成果昨日登上了《Nature》。

信息来源：

https://mp.weixin.qq.com/s/gMZkzs4naGz8kqymxGC_dA

05

北大造出超逼真 AI 换脸框架，顺便搞了个伪人脸检测器

以 Deepfake 为代表的 AI 换脸技术营造出的“以假乱真”的效果让人感到细思极恐，不过现有的一些生成工具还不能达到完全逼真的换脸效果，有的存在不少破绽，有的换脸效果很不自然，能轻易让人识别出来。

人脸识别的“利矛与坚盾”同时出炉！微软亚洲研究院和北京大学最近联合发表2篇重量级学术论文，提出了FaceShifter和FaceX-Ray——前者是一种高保真、能够感知遮挡的AI“换脸工具”，后者则是针对伪造人脸图像的通用检测工具，在取得业界领先的性能的同时，所需数据量也少得多

利矛：高保真度换脸工具FaceShifter

研究人员提出了一个新的两部分架构，称为FaceShifter，可以实现高精度和遮挡条件下的换脸。第一部分通过充分，自适应对目标属性进行挖掘和集成，生成高清换脸图片。使用新的属性编码器，提取多级目标的人脸属性，利用自适应注意力非正规化（AAD）层的新生成器整合人脸合成图片的特征和属性。

 

架构的第二部分主要解决面部遮挡问题，这部分包括一个新的启发式错误确认细化网络（HEAR-Net）。训练后，可以以自监督的方式恢复图像的异常区域，无需任何手动注释。在新面部图像上进行的大量实验表明，与其他方法相比，本文模型生成的换脸图片结果不仅在感观上更真实、更具吸引力，而且还保留了原图像更多的特征。

坚盾：面部假图像检测工具Face X-ray

典型的换脸合成方法包括三个阶段：1）检测面部区域；2）合成期望的目标面部 3）将目标面部融合到原始图像中。现有的对面部合成图像检测通常面向第二阶段，并基于数据集训练有监督的每帧二进制分类器。这种方法可以测试数据集上实现近乎完美的检测精度，如果遇见训练时没见过的假图像，性能会出现明显下降。

与现有方法不同的是，Face X-Ray不需要事先知道操作方法或人工监督，而是生成灰度图像，显示给定的输入图像是否可以分解为来自不同来源的两个图像的混合。研究人员声称，这种方法是可行的，因为大多数方法在将已改变的面部混合到现有背景图像的过程中，有一个步骤是相同的。每个图像都会从硬件（如传感器和镜头）或软件（如压缩和合成算法）中引入的自己独特的标记，并且这些标记在整个图像中趋向于类似呈现。

研究结果表明，Face X-Ray 能有效地识别出未被发现的假图像，并能可靠地预测混合区域。研究人员指出，这个方法依赖于一个混合步骤，因此可能不适用于完全合成图像，可能被对抗性样本骗过。不过，这确实是迈向通用化面部伪造图像检测工具的有希望的一步。

信息来源：

https://mp.weixin.qq.com/s/gGCyMq4PM_Whv-Ssiwt-HA

06

中科院「木兰」开发者为夸大行为道歉

此前，据中国新闻网、中国青年报等国内多家媒体报道，中国科学院计算技术研究所（简称中科院计算所）1 月 15 日正式对外发布该所计算机体系结构国家重点实验室编译技术团队自主研发、面向新一代人工智能和物联网应用的「木兰」编程语言体系，并推出「木兰」开源软件包，供全球用户免费下载获取。据报道称，该编程语言由编译组完全自主设计、开发和实现。与之配套的编译器与集成开发工具也完全由团队自主实现的，是真正掌握核心技术的编程语言。但机器之心并未在中科院计算所官网找到相关信息。

该消息一出便引起外界的广泛关注和众多网友的质疑。在知乎上，有不少开发者下载使用之后发现，解包后的木兰语言其实就是建立在 Python 之上，将 Python 构建的环境、包和项目都编译成一个可执行文件。

近日，针对国产编程语言「木兰」被质疑「换皮 Python」一事，「木兰」语言研发团队负责人、中科院计算所编译实验室员工刘雷 1 月 18 日在科学网上发布《刘雷关于「木兰」编程语言的情况说明》一文，承认其在接受记者采访中存在夸大成分，对「在网络上造成的不良影响」表示「郑重道歉」。刘雷表示，编程语言生态的建设需要数年的漫长周期才会逐渐成熟，目前物联网应用行业生态土壤并不丰沃，因此「木兰」的产业应用积累还不够。

信息来源：

https://mp.weixin.qq.com/s/X4gqgpr16eON1AA-qwL-Lg

07

本周论文推荐

Few-shot Learning: A Survey（小样本学习）

作者：Yaqing Wang,Quanming Yao

论文概要：“机器会思考吗”和“机器能做人类做的事情吗”是推动人工智能发展的任务。尽管最近的人工智能在许多数据密集型应用中取得了成功，但它仍然缺乏从有限的数据示例学习和对新任务的快速泛化的能力。为了解决这个问题，我们必须求助于机器学习，它支持人工智能的科学研究。特别地，在这种情况下，有一个机器学习问题称为小样本学习(Few-Shot Learning，FSL)。该方法利用先验知识，可以快速地推广到有限监督经验的新任务中，通过推广和类比，模拟人类从少数例子中获取知识的能力。它被视为真正人工智能，是一种减少繁重的数据收集和计算成本高昂的培训的方法，也是罕见案例学习有效方式。随着FSL研究的广泛开展，我们对其进行了全面的综述。我们首先给出了FSL的正式定义。然后指出了FSL的核心问题，将问题从“如何解决FSL”转变为“如何处理核心问题”。因此，从FSL诞生到最近发表的作品都被归为一个统一的类别，并对不同类别的优缺点进行了深入的讨论。最后，我们从问题设置、技术、应用和理论等方面展望了FSL未来可能的发展方向，希望为初学者和有经验的研究者提供一些见解。

论文地址：

https://www.zhuanzhi.ai/paper/c7a2464c0865b9602a4103fb44659858