雷鋒網 AI 科技評論按：本文作者 Antoine Moreau 來自一家數據公司，自去年開始他便每月整理一份 AI 最佳網文榜單，覆蓋的文章主題包括深度學習、強化學習、自然語言處理等熱門的人工智慧細分領域。2019 年 1 月過去不久，他也整理出了一份一月 AI 最佳網文榜單，並發布在 Medium 網站上。雷鋒網 AI 科技評論編譯如下。
歡迎大家前來閱讀 2019 年第一個月份的 AI 最佳網文榜單。我們是巴黎的一家致力於開發敏捷數據（Agile data）的公司。我們本月榜單中的文章主題涵蓋強化學習、自然語言處理、人工智慧立法等。如果大家想要跟著這些教程進行實際操作，建議準備好一個 Python 環境。首先不妨來看一個本月的笑話：
「當收到的大部分正面反饋都是挖苦的時，研究人員很難對深度學習算法進行訓練。」
1.當 AI 在繪畫時，它在想什麼？
原文：《神經網絡能夠像我們人類一樣學習組織其概念中的世界》，A neural network can learn to organize the world it sees into concepts—just like we do，文章發布於 MIT Technology Review
閱讀地址：https://www.technologyreview.com/s/612746/a-neural-network-can-learn-to-organize-the-world-it-sees-into-conceptsjust-like-we-do/
GAN 畫出的第一幅畫在藝術拍賣會上進行了拍賣。
生成式對抗網絡（GAN）是能夠產生現實輸出的算法。例如，生成式對抗網絡過去常被用於生成臉部以及對名人的視頻進行篡改。它們畫出的第一幅畫甚至還在藝術拍賣會上進行了拍賣。
來自 MIT 和 IBM 的聯合 AI 實驗室意識到，繪畫 GAN 可以向人類提供神經網絡怎樣學習和思考的信息，並且他們確實發現了神經元簇可以學習表示特定的元素（例如樹、牆、門等）。這些算法通過自主學習來將像素組織到合理的部分中。
該團隊發布了一個叫做 GANpaint 的 APP，為觀測這一現象帶來了可能。通過激活神經網絡中特定的神經元簇，你可以在圖畫中畫出門、樹或者雲。這個 demo 非常棒！
不過如果你試圖在天空中畫一扇門，這是無法實現的——因為這個生成式對抗網絡也學到了：在天空中畫一棵樹、一扇窗或門是沒有意義的。
這項操作值得一試，大家不妨動手嘗試一下。
2.Tensorow 2.0 邊做邊學（Learning by Doing）
原文：《Tensorow 2.0 的深度強化學習》，Deep Reinforcement Learning with TensorFlow 2.0，文章發布於 Roman Ring
閱讀地址：http://inoryy.com/post/tensorflow2-deep-reinforcement-learning/
Tensorow 團隊最近發布了 Tensorow 2.0 版本。這個新版本作為一個重要的裡程碑被引入，主要聚焦於簡易性和易用性。
如果你希望改進自主提出的想法，你可以前往閱讀這篇文章，它描述了得益於深度強化學習（DRL）實施所帶來的新特徵。我也特別附上了這篇文章的連結，以幫助大家理解 Tensorow 2.0 主要發生了哪些變化。
Tensorow 2.0 依舊還在測試階段，但是你已經可以嘗試使用這個版本，同時回答這個問題：Tensorow 2.0 是否便捷了你的生活？
3. 使用深度學習來預測股價走勢
原文：《使用深度學習的最新進展來預測股價走向》，Using the latest advancements in deep learning to predict stock price movements，文章發布於 Towards Data Science
閱讀地址：https://towardsdatascience.com/aifortrading-2edd6fac689d
當生成式對抗網絡在生成逼真的數據時，你是否曾想過使用它們來生成股價的未來價格走勢？這就是這篇文章的作者嘗試實現的事情！
GAN 很少應用於預測未來的股價。此外，本文作者嘗試利用其他的深度學習以及最先進的算法來改進其模型的性能。你可以閱讀關於 BERT 的文章以及關於強化學習和卷積的情感分析... 這項進展真的很棒！
同時，文中也有一些 Python 的代碼片段，大家請做好準備！
4. 使用亞馬遜的理解醫療來處理敏感的健康數據
原文：《使用亞馬遜的理解醫療來識別和處理敏感的健康數據》，Identifying and working with sensitive healthcare data with Amazon Comprehend Medical，文章發布於 AWS Machine Learning Blog
閱讀地址：https://aws.amazon.com/fr/blogs/machine-learning/identifying-and-working-with-sensitive-healthcare-data-with-amazon-comprehend-medical/
醫療領域是人工智慧領域頗受關注的細分領域。最近，它在癌症以及阿爾茨海默病症檢測取得了非常好的結果... 但是醫療機構經常因為需要遵守受保護的健康信息法規而放緩人工智慧在該領域的發展步伐。
得益於亞馬遜的理解醫療（Amazon Comprehend Medical），該領域的發展也變得更容易些。Amazon Comprehend Medical 是新的 AWS 服務，使用機器學習來提取醫療數據，準確率非常高。例如，該算法可以提取私人的醫療信息。由於這個服務能夠禁止識別一些敏感數據或對其進行匿名處理，它對於醫療領域來說意義重大。
5. 自然語言處理的最新模型
原文：《應用於自然語言處理的現代深度學習技術》，Modern Deep Learning Techniques Applied to Natural Language Processing
閱讀地址：https://nlpoverview.com/index.html
在該項目中，你可以找到處理自然語言處理（NLP）的最新方法的更新後的演示。它解釋了例如詞嵌入、卷積神經網絡（CNN）以及循環神經網絡（RNN）等深度學習模型是怎樣更好地「理解」人類話語的。
同時，你還能找到參考數據集以及機器翻譯、情感分析以及問答等關鍵 NLP 任務的最佳結果的概述。
我肯定會考慮它作為我的新 NLP 寶典。
6. 對抗黑客的機器學習
原文：《人工智慧 VS 黑客》，Articial Intelligence vs. the Hackers，文章發布於 Bloomberg
閱讀地址：https://www.bloomberg.com/news/articles/2019-01-03/artificial-intelligence-vs-the-hackers
某個機器學習算法最近檢測到一位攻入羅馬尼亞一家大型零售商的雲帳戶的黑客。
此前「基於規則」的專為對抗特定攻擊而設計的技術，無法處理新出現的襲擊類型。此外，這些技術的嚴格性會屏蔽和標記合法的用戶。
開發的新型人工智慧軟體能夠適用於防範黑客不斷進化的戰術。這些算法從基於登錄、用戶行為以及以前攻擊的大量數據中學習，它們能夠更準確地區分合法用戶和非法用戶。
7. 不斷生成複雜和多樣的學習環境和對應的解決方案
原文：《POET：通過 Paired Open- Ended Trailblazer 不斷生成愈加複雜和多樣的學習環境以及對應分解決方案》，POET: Endlessly Generating Increasingly Complex and Diverse Learning Environments and their Solutions through the Paired Open- Ended Trailblazer，文章發布於 Uber Engineering
閱讀地址：https://eng.uber.com/poet-open-ended-deep-learning/
來自 Uber 人工智慧實驗室的團隊一直致力於解決 open-endedness 問題。他們受到地球似乎處於永無止境的進化中的啟發，而這一啟發可以比作「釋放後的創造性天才」。他們的想法就是生成一種永遠不會停止學習愈加複雜和新穎的算法。
利用 Uber 人工智慧實驗室開發的 POET（Paired Open-Ended Trailblazer）算法，一個隨機實例化的智能體首先要面對的是一個複雜的環境；然後從第一個環境中生成更複雜的環境，之後該智能體會逐步接受訓練。
研究者對這種算法的熱情在於，它可以訓練穩健的智能體來解決人類尚未認識到的問題。
8.AlphaStar：理想的星際爭霸 II 隊友
原文：《AlphaStar：主宰實時策略遊戲星際爭霸 II》，AlphaStar: Mastering the Real-Time Strategy Game StarCraft II，from DeepMind’s Blog
閱讀地址：https://deepmind.com/blog/alphastar-mastering-real-time-strategy-game-starcraft-ii/
《星際爭霸 II》是一款科幻電子遊戲，它被認為是最具挑戰性的實時策略遊戲之一。而正是這一點激勵了 DeepMind！開發出 AlphaGo 的這家公司最終成功訓練出一個能夠擊敗世界上最強大的專業星際玩家之一的人工智慧。下面就讓我為大家介紹一下 AlphaStar。
AlphaStar 是人工智慧的裡程碑成果！事實上，雖然人工智慧算法在很多電子遊戲（如 Mario，Atari 等）中取得了很好的結果，但它們始終都還無法應對星際爭霸這款遊戲的複雜性。
為了在《星際爭霸 II》中獲得好結果，DeepMind 的研究人員建立了一個首度通過對人類遊戲進行監督學習來完成訓練的深度神經網絡，然後，得益於強化學習（RL）技術，模型的性能得到了提高。
如果我要玩《星際爭霸 II》，我毫無疑問會竭盡全力讓 AlphaStar 成為我的隊友！
9. 回首谷歌人工智慧實驗室 2018 這一年
原文：《回首谷歌 2018 年的研究成果》，Looking Back at Google’s Research Efforts in 2018，文章發布於 Google AI Blog
閱讀地址：https://ai.googleblog.com
如果你對 2018 年人工智慧的相關新聞了解不多，那麼這篇發表在谷歌人工智慧博客上的文章正是為你而寫的。這篇文章對谷歌去年所領導的研究進行了完整的總結。無論如何，谷歌這一年都稱得上是多產的！在這篇文章中，大家可以閱讀到 AI 的社會效益、自然語言理解、感知、量子計算以及發布的開源數據集。
我不知道你對於這篇文章有什麼感想，但就我而言，我非常期待看到谷歌在 2019 年給我們帶來了什麼。
10. 首個 MIT 人工智慧國會
原文：《人工智慧，法律以及我們的未來》，AI, the law, and our future，文章發布於 MIT News
閱讀地址：http://news.mit.edu/2019/first-ai-policy-congress-0118
2019 年一月初，科學家和政策制定者齊聚麻省理工學院。共同探討人工智慧規範。
他們都認同人工智慧對於解決人類至今無法解決的問題的潛力：治癒癌症，幫助保護瀕危物種等。
但他們的討論本質上都是關於如何讓人工智慧不失去控制。他們研究了人工智慧所帶來的倫理和社會問題。例如，他們解決了智能機器將大量取代工人的風險。
這篇文章匯總了演講者的大量語錄以及與會者所得出的結論。閱讀科學家和政策制定者對未來生活以及人工智慧的見解，這真的非常有趣。
我們非常希望大家喜愛我們本月的 AI 最佳網文榜單，也非常歡迎大家在評論區中給我們反饋或者對今後的文章提建議。我們下個月見！
往期 AI 最佳網文榜單：
十二月份：https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Fblog.sicara.com%2F12-2018-best-ai-new-articles-this-month-79aa681b4a27十一月份：https://blog.sicara.com/11-2018-best-ai-new-articles-this-month-a219efa105ba-8cf1a554e161十月份：https://blog.sicara.com/10-2018-best-ai-new-articles-this-month-a219efa105ba九月份：https://blog.sicara.com/09-2017-best-ai-new-articles-this-month-df0f2088543d八月份：https://blog.sicara.com/08-2017-best-big-data-new-articles-this-month-8aa97b466cf0
Via：https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Fblog.sicara.com%2F01-2019-best-ai-new-articles-this-month-8e2113fbd17b 雷鋒網 AI 科技評論編譯。