本周AI热点回顾：机器狗要去福特当工程师；人脸黑产攻击一秒被擒；德扑AI大比分击败顶尖人类选手...

点击左上方蓝字关注我们

01波士顿动力机器狗获新工作，这次要去福特当工程师

据外媒报道，福特公司宣布为位于美国密歇根州的 Van Dyke 工厂租赁了两台波士顿动力生产的机器狗，机器狗将会以 3mph（约合 4.8km/h）的速度在工厂车间里四处游走，对工厂进行扫描，以帮助工程师收集相关数据，并且产生新的数字模型。

在机器狗应用之前，工厂的扫描更新过程耗时更长，成本也更高。而机器狗则可以通过编程沿着特定路径行进，且在不同的地形上有不同的步态，如果摔倒，还可以调整自己的姿势。另外，Fluffy和Spot也被编程和人类员工保持安全距离，避免潜在伤害，其电池可以保持工作约两个小时。

这两台机器狗分别配备了5个摄像头和一台激光扫描仪，可以对工厂车间进行360度扫描，还能游走、伏地，爬楼梯。据了解，两台机器狗将于8月初上岗。

信息来源：百度AI
02活体检测+合成图鉴别面前，人脸“照片活化”黑产攻击一秒被擒

如今，随着人脸技术的日趋成熟，新兴娱乐文化得到了极大的推动，尤其是随着 DeepFake、FaceSwap 等人脸编辑及生成技术的发展，虚拟主播、人脸合成带给人们全新的体验，但同时也给信息安全带来了潜在威胁。有人通过“换脸”技术进行色情视频生成、虚拟政治人物讲话等，造成严重不良影响；更有网络黑产使用人脸“黑科技”非法牟利。

近日，各大媒体纷纷报道的人脸“照片活化”，便是黑产对个人身份信息造成泄露危害的新技术手段。据调查了解，黑产卖家出售的“照片活化”工具，可将人脸照片修改为执行“眨眨眼、张张嘴、点点头”等操作的人脸验证视频。

那么这些“照片活化”、“换脸”后的人脸信息能否被更高级的 AI 或者人脸识别拦截呢？其实，国内有不少企业都在做着这方面的尝试，以国内 AI 技术领先的百度为例，百度大脑人脸识别已经能够提供6种离线/在线活体检测服务，支持有动作、语音、唇语、RGB 静默活体、3D 结构光深度静默活体、近红外静默活体等多种防作弊手段，商家或者用户可灵活组合使用这些技术服务来满足各类场景需求，保障业务安全。

通过调取百度大脑活体检测服务，“照片活化”或“换脸”软件所生成图片的活体分数值、合成图分值结果均可判定此类人脸图片并非“真人”，属于活体攻击行为。

信息来源：百度AI03秉承工匠精神，3步定位飞桨报错原因，你也来试试？飞桨工程师们一直期望产品可以给开发者带来一点点工作上的愉悦。报错信息对调试分析至关重要，飞桨工程师也一直在持续地进行改进和优化。

飞桨开源框架1.7及之后版本断然不会出现这么繁杂的报错信息了。

飞桨报错信息总体上分为两种：一种是直接在Python层拦截报出的错误，这种问题一般比较直观，根据Python原生的报错栈即可以定位程序中的问题，和大家使用Python写程序报错分析的流程一致；一种是飞桨的C++ core中的报错，这种报错包含的信息量较大。下面我们以此类报错信息的为例，解读分析过程。

报错信息为四段式结构，由上至下依次为Python默认错误信息栈、C++错误信息栈、飞桨Python错误信息栈（仅声明式编程模式）、核心错误概要。

Python默认错误信息栈：执行Python程序默认记录的执行路径，对定位报错位置很有帮助。这是Python本身特性，此处不展开介绍。
C++错误信息栈：程序在Paddle C++ core中的错误路径，即为模块paddle.fluid.core中的程序执行路径，这部分信息对开发者帮助有限。但当开发者通过Issue向飞桨开发人员提问时，提供C++报错栈的信息将有助于开发人员快速定位问题。（目前C++错误信息栈仅支持Unix平台，Windows平台暂不支持）
Paddle Python错误信息栈：为什么这里还有一个Paddle Python错误信息栈呢？因为在声明式编程模式（静态图）下，模型编译和执行是分离的。执行时报错的路径由Python默认程序栈记录，但这并不能告知用户具体出错的程序位置，因此对于算子类型的API，飞桨额外记录了编译时的执行路径，帮助开发者定位具体代码出错的位置，该部分信息对于调试具有较大意义。
核心错误概要：信息包含错误类型、错误特征、概要提示、出错文件名与行号、出错算子名等，这些信息不仅有助于开发者理解错误，也有助于迅速定位错误。

为什么如此重要的错误概要放在最后，而不是最前面呢？飞桨开发同学考虑到开发者在终端执行程序的场景较多，为了便于用户在程序执行完后能够马上看到最重要的提示信息，才将其置于最后。

如果大家发现报错信息不准确、不直接、不易读等问题，也欢迎通过Issue及时反馈给我们。让我们期待飞桨的易用性能够进一步提升，成为功能强大、令开发者工作愉悦的国产开源深度学习框架。

信息来源：飞桨PaddlePaddle
04Facebook开发玩德州扑克的AI，大比分击败顶尖人类选手！

最近，Facebook 的研究人员开发了一个名为「Recursive Belief-based Learning」（ReBeL)的通用人工智能框架，德州扑克玩的相当溜。其声称这个框架在单挑无限制的德州扑克游戏中明显优于人类表现，而且使用的领域知识比之前任何扑克人工智能都要少。

他们断言 ReBeL 是开发通用多代理交互技术的一种方法，该算法可以部署在大规模、多代理环境中，预期的应用范围也很广，从拍卖、谈判、网络安全到自动驾驶都能用上。

目前，将强化学习与搜索相结合，在人工智能模型训练和测试方面，已经取得了一些进展。强化学习代理是通过最大化回报来学习的，而搜索是从开始到目标状态的导航过程。但是之前的组合方法在应用于不完全信息的游戏如扑克(甚至是石头、剪子、布)时就不那么奏效了，因为它做出了一些在这种情况下不成立的假设。

ReBeL将「游戏状态」的概念进行了扩展，它包括了代理基于常识和其他代理的政策对他们可能处于何种状态的置信度。

ReBeL通过自我强化学习训练了两个网络：一个价值网络和一个政策网络。它在自我对弈中使用两种模型进行搜索。结果是一种简单，灵活的算法，研究人员声称该算法能够在大规模的两人不完全信息游戏中击败顶尖的人类玩家。

出于对作弊的担心，Facebook 团队决定不发布用于扑克的 ReBeL 代码库。相反，他们将 Liar’s Dice 的实现开放了。Facebook的研究人员相信ReBeL将使得德州扑克在强化学习研究领域更受欢迎。信息来源：新智元05LSTM终获「正名」，IEEE 2021神经网络先驱奖授予LSTM提出者Sepp Hochreiter

自 2018 年图灵奖授予 Yoshua Bengio、Geoffrey Hinton 和 Yann LeCun 三位深度学习先驱之后，LSTM 之父 Jürgen Schmidhuber 就此在社交网络上展开了一波又一波的论战，极力肯定和推广长短期记忆网络（LSTM）在人工神经网络和深度学习领域的巨大作用。

如今，LSTM 终于获得了学界的认可。近日，奥地利人工智能高级研究所（IARAI）宣布其创始人、LSTM 提出者和奠基者 Sepp Hochreiter 教授获得了 IEEE CIS 2021 年神经网络先驱奖（Neural Networks Pioneer Award），以表彰他对长短期记忆网络（LSTM）的发展做出的卓越贡献。