Deep Mind新发现；高效的深度学习训练数据标注平台；呼之欲出的自动驾驶网约车服务；乡村道路自动驾驶

选文&评论 | 李韩超 丁建峰

校对&编辑 | 许峰

泡泡机器人推广内容组编译作品

Deep Mind新发现：AI能自动学习到类似大脑的GPS系统来实现自身导航

在机器学习领域，谷歌一直扮演着领头羊的角色，这次，来自Deep Mind团队的一篇论文又再次引爆了整个学界。美国时间5.9日，《Nature》刊登了Deep Mind和University College London的最新发现：通过虚拟迷宫训练的AI寻路系统意外地学习到了类似于脑内发现的神经“GPS系统”的架构——网格细胞(Grid Cell)结构，并可指导AI系统找到走出迷宫的最优路径。这项研究暗示了人造神经网络如何受到生物学的启发，可能用于探索仍然神秘的大脑方面。但是这个想法应该谨慎对待，因为我们还未能完全知道大脑是如何工作的，以及神经网络的功能往往难以解释。

网格细胞于2005年首次被发现，这些细胞排列成三角形网格，似乎为动物提供了一种将自身定位于物理空间的方式。理论神经科学家一直都想研究网格细胞的具体工作机理，但在实验室真实动物身上关闭网格细胞并不可能做到。这项研究从另一方面证明了网格细胞在包括人类在内的动物在环境中定位并寻找路径方面的重要作用。同时深度学习可以自己学习到这种网格细胞结构，提供了一种可以控制的虚拟“老鼠”，或许能为大脑的导航机制研究提供一种全新的研究思路。

LightTag：高效的深度学习训练数据标注平台

深度学习现在非常火爆，几乎任何研究问题都可以用深度学习来改进，但深度学习也被称为数据驱动的技术，即高度依赖训练数据，深度学习的一个重要瓶颈就是数据：得到的结果只与所输入的标注数据一样好。然而，问题在于标注数据是费力的，并且由于这是人类团队执行的工作，所以它容易出现不准确和不一致。来自国外的初创公司LightTag推出的文本标注平台由于其基于团队的工作流程，巧妙的用户界面以及内置的质量控制就尝试缓解深度学习中的数据问题。

LightTag平台可以自动执行管理项目的工作，包括为贴标签者分配任务，并确保有足够的重叠和重复以保持高精度和一致性。 ”每家公司都有非结构化的巨大文本数据集（客户关系管理记录(CRM），电话记录，电子邮件等）。 深度学习使得挖掘该数据在算法上是可行的，但要使用深度学习，我们需要使用标记的数据集来训练模型。 大多数公司不能外包标签上的文字，因为数据太复杂（生物学，金融等特定行业的数据），敏感（CRM记录）或两者都有（医疗记录）”，创始人Tal Perry说到，为了解决这个问题，LightTag提供了SaaS之外的内部版本。尽管创办不久，LightTag已经得到了一些硅谷的大型科技企业的订单，包括一家能源公司用来分析石油钻机在特定深度钻探输出的日志报告以此预测可能出现的问题，还有最近LightTag与一家医学影像公司实验了标注与MRI扫描相关的报告。

Drive.ai公司计划启动自动驾驶网约车服务

根据媒体报道， Drive.ai公司决定今年夏天在美国启动自动驾驶网约车服务。该项服务计划在德克萨斯州Frisco的公共道路上，推出一种按照用户需求而提供运输的自动驾驶车辆服务，这项服务将随着时间的推移而逐步扩大至其他地区。Drive.ai首席执行官SameepTandon表示：“我们认为，我们正在解决一个真正的交通问题。”Drive.ai是一家总部位于加利佛尼亚的公司，由前斯坦福大学人工智能实验室成员创建，吴恩达的妻子Carol Reiley为创始人之一。尽管对无人驾驶汽车安全问题的审查的增强，但是Drive.ai试点计划仍将在七月展开。Sameep Tandon表示，公司的车队已经通过了测试，是安全可靠的，而且橙色的车身将有助于避免事故的发生。大规模使用无人驾驶汽车的时代还需要一段时间。但是Drive.ai公司正走在这个时代的前沿。具体的体验如何，估计只能等到7月正式运行以后我们才能看到，不过根据之前Drive.ai公司曝光在网络上的一些自动驾驶汽车试驾的视频来看，通过深度学习技术打造出的自动驾驶汽车的确比以往看到的汽车要智能很多，我们也期待有更多的关于自动驾驶的服务给我们的生活带来更多的精彩。

针对乡村道路的自动驾驶系统

优步(Uber)最近的无人驾驶汽车死亡事件突显了这样一个事实，即该技术仍未成熟。现实情况是，如今的自动驾驶汽车并没有多少地方能够真正可靠地行驶。像谷歌这样的公司只在主要城市测试他们的车队，在那里他们花了无数的时间精心地标示车道、限制和停车标志。事实上，如果你生活在美国数百万英里没有铺砌，没有照明，或者没有可靠的标记的道路上，那么你就没有那么好的运气了。这样的街道通常要复杂得多，而且交通流量也少得多，因此，公司不会在短时间内为他们开发3d地图。从加州的莫哈韦沙漠到佛蒙特的白山，美国还有大片的地方不能开展自动驾驶工作。解决这个问题的一个方法是创建先进的系统，以便在没有这些地图的情况下进行导航。CSAIL公司的Rus和他的同事们开发了MapLite，这个框架允许自动驾驶汽车在没有3d地图的情况下在路上行驶。MapLite将您在Google地图上找到的简单GPS数据与一系列观察路况的传感器结合在一起。 这使得他们能够在马萨诸塞州Devens的多条未铺砌的乡村道路上自主驾驶，并且可以提前100英尺以上可靠地探测到道路。MapLite与其他无地图驾驶方法有所不同，这些方法更多的依赖于机器学习，通过对一组道路的数据进行训练，然后在其他道路上进行测试。MapLite仍然有一些局限性。例如，对于山路来说，它还不够可靠，因为它没有考虑到海拔的急剧变化。下一步，该团队希望扩大车辆能处理的道路的种类。最终，他们希望他们的系统能够达到与地图系统相同的性能和可靠性水平，但范围要大得多。