针对《评人工智能如何走向新阶段》一文，继续发布国内外的跟贴留言457-465条如下：

457，常识推理攻关进展

人工智能要变得像人一样聪明常识推理能力是必备的

机器缺乏常识推理，何时到了破局的时候？！这是迄今为止一直困扰人工智能50多年的难题。

OpenAI于去年发布GPT—2，它是一个具有15亿参数的通用语言模型，该模型生成的句子流畅惊人，几乎可以假乱真，在语言模仿上有较大进展，但它缺乏基本常识。

常识是无法穷尽不成文的规则，是一种广泛可重复使用的背景知识，几乎人人都有，大多数常识知识是隐性的，建立常识库（把现实世界的事实记录下来）以此实现自动化常识推理第一步，但做起来困难之大难以想像。

一般解决常识推理有两条路：符号推理和深度学习。关于符号推理，研究人员尝试将常识翻译成计算机语言—逻辑，期望在常识推理上带来突破，花了不少力气取得极其有限进展。另一条路，研究人员使用神经网络进行深度学习，模拟生物大脑中相互连接的神经元层，在不需要程序员事先指定的情况下学习模式。纯粹以知识为基础的符号推理方法并不真正为常识推理问题带来突破；而基于神经网络的深度学习方法又如何呢？在过去几十年间经过大量数据训练的越来越复杂的神经网络，已经变革了计算机视觉和自然语言处理领域的研究，然而虽然神经网络具有较强的智能能力以及灵活性，但这些系统仍会犯很多常识性错误。

艾伦人工智能研究所研究员、华盛顿大学计算科学家叶锦才（YejinChoi）及其同事提出了自动知识图谱构建模型COMET(CommonsenseTransformers)，融合了G0FAI式的符号推理和深度学习两种人工智能方法。COMET在处理超出其内置常识以外（即覆盖性）有不错表现，在解决脆弱性问题上也可圈可点。但深度学习有一个根本性限制：统计不等于理解。

要想让计算机建立真正的常识，需要利用语言本身以外的媒介，如视觉感知或具象感觉。另外还要挖掘神经语言模型的潜力。

补充一点：计算机同样也需要常识，一般而言，没有常识计算机就无法完全理解自然语言，也无法进行视觉和规划任务。

458，浪潮连续三年领跑中国AI服务器市场

近日国际调研分析公司IDC公布了《2019年中国AI基础架构市场调查报告》：

2019年中国AI服务器市场规模23.3亿美元（全球市场规模99亿美国，中国市场占全球市场的23.5%）同比增长57.9%（2倍于全球市场增速）。

其中浪潮保持强势领跑，连续三年（2017~2019）市场份额均超过50%，稳居第一。

中国AI服务器市场各企业所占份额：

浪潮50.80%
华为18.40%
曙光4.90%
新华三3.6%
戴尔3.2%
联想3.1%

459，四足机器狗巡逻公园

新加坡公园部署机器狗巡逻，提醒人们保持社交距离。这是由美国波士顿动力公司制造的STOP遥控机器人。

460，深度学习神通广大！

深度学习是当前人工智能领域最重要、也是被业界公认最有效的一种算法。

同门兄弟：机器学习、深度学习、强化学习、……

专长应用领域：语音识别、图像识别、围棋比赛、自然语言处理、自动驾驶

（AlphaGo背后的核心技术是深度强化学习）

关键应用领域：六代（战斗）机、全新抗生素（解决原有抗生素耐药性问题）、天气预报、医疗诊断、基因科学、抗疫黑科技、安全防假

广泛应用领域：物理、化学、机械、能源、医疗、材料等传统行业的创新亊业

采用AutoML、AIExplorables等新出现的工具，可降低深度学习技术门槛，便于深度学习推广应用

硬件领域：基于深度学习开发的芯片统称AI芯片（与神经拟态芯片相区别），各种专用AI芯片的涌现，为深度学习大规模应用提供了算力支持。

与各种技术互动：物联网、量子计算、区块链、5G等相关技术的发展，也为深度学习在产业的渗透提供了诸多便利。

打破黑盒子：将深度神经网络置于自监督学习（训练）之下，可改变深度学习黑盒子操作的缺陷，变不可理解、不可解释为可，从而打破天花板，提升深度学习功效。

461，深度神经网络降噪取得重大突破

清微智能受邀参加国际语音旗舰会议并讲演

近日，由清华大学和清微智能技术团队合作的论文：《PAGAN-一种用于语音增强的自适应生成对抗网络》。

语音降噪是常见的语音应用，电子设备降噪问题已经成为一种刚需。但由于噪声的产生是隨机的，产生原因和特性也相当复杂，因此只有适宜的语音增强技术才能达到较理想的降噪效果。

该论文研发一种用于语音增强的自适应生成对抗网络，对降噪问题中频域处理过程中导致相位不匹配的问题，提出一种用对抗网络的方法，生成网络使用频谱信息，对抗网络使用时域信息，以得到更好的频域降噪中的相位匹配。

研发降噪的背景是深度神经网络（DNN），它在语音增强方面效果明显。

深度神经网络凭借强大的数据驱动、计算模型的不断更新迭代，且能够适应不同应用场景，为改善音频体验提供了更多可能性。

该论文被第45届国际声学、语音与信号处理会议（ICASSP2020）录用并被邀演讲。

ICASSP是语音领域高等级的国际会议，在语音识别、语音合成等方面汇集了全球领先的理论研究与技术应用成果。

被邀大会分享内容代表着研究内容在国际语音领域处于尖端水平。

本论文中采用的CGRA技术是一种可以根据算法和应用重构硬件资源的新型芯片架构技术，灵活性、通用性强，可以完美适配不断变化的新的算法，可灵活支持各种语音处理算法。

462，优选AI开源框架、AI专用芯片打造AI开源医疗诊断系统

研发基于深度学习的开源医疗诊断解决方案，离不开研发、优选AI开源框架和AI医疗专用芯片。目前著名的AI开源深度学习框架有：谷歌的TensorFlow（已发展到2.0版，并与Kerras融合）、亚马逊的MXNet、脸书的Pytorch、微软的CNTK、百度的飞桨（PaddlePaddle）、旷视的MegEngine，以及贾扬清（现加入阿里集团）Caffe（已发展到2.0版）。

如选TensorFlow，适于工业化部署，如选Pytorch，快速验证模型效果好，如选Caffe，考虑表达、速度和模块化来设计的框架（早期机器视觉的算法是基于Caffe框架的）。

百度飞桨开源框架是国内开发最早、最成熟的框架，今年春天并被选用作为新冠肺炎的检测模型。

今年4月底英伟达与伦敦囯王学院共同宣布研发的MONAI的AI开源框架版本（有人说这个框架是针对医疗保健研究人员的需求进行优化的，是为医学影像研究者量身打造的）。

国内外企业如华为、阿里、腾讯、英特尔、英伟达等研发了一批AI医疗专用芯片。

这就为研发构建AI开源医疗诊断系统创造了条件。

463，从“危机”中找“机遇”

人工智能将如何改变IT企业的运营方式

IBM高级副总裁RobThomas在IBM“ThinkDigital线上大会”上致辞，主题是：AI和自动化将如何改变你的工作方式？

他说在此新冠肺炎疫病流行的当下，我们都在探寻如何应对这场危机，研发将会起到加速器作用的技术。正如“危机”中有“机”，挑战也可能带来了“机遇”。

在抗疫战斗中他举出将人工智能注入工作流程的“火炬手企业”的数据，营收和利润增长了165%。他说，我们注意到：凡是像利用IT技术一样积极采用人工智能（AI），并利用AI改造业务流程的公司，都取得了非凡的业务成果。

随后他邀请一批合作伙伴（客户），如Box、Slack的CEO，在会上共享他们利用AI改造业务流程促进了业务发展的成果。

464，改进脉冲神经网络的时间神经编码的新的训练方法——精确的突触效率调整方法

脉冲神经网络（SNN）是第三代神经网络，在认知任务（例如模式识别）中表现出色。

在生物海马体中发现的时间神经编码机制使SNN拥有比具有其他编码方案的网络更强大的计算能力。但是这种时间编码方法要求神经元以离散化的方式处理信息，这大大降低了学习效率。为了保持时间偏码机制的强大计算能力，并克服其在SNN训练中的低效率，提出了一种新的训练方法，即精确的突触效率调整方法，受到灵长类动物视觉系统的选择性注意机制的启发，我们的算法仅选择目标脉冲时间作为关注区域，而忽略了非脉冲时间的电压状态，从而大大减少了训练时间。此外我们的算法采用了基于输出神经元电位与SNN触发阈值之间的电压差的代价函数，而不是传统的按照时间精确的时间间隔进行触发。

（文载IEEE）

465，探索SNN节能硬件实现

普渡大学研究生院探索生物类似的尖峰神经网络（SNN）的节能硬件实现。讨论SNN系统主要亮点是：①解决基于网络芯片（NOC）的SNN引起的连接性问题，②使用随机函数发生器（BRNG）提出随机CMOS二进制SNN。