無人駕駛汽車科技的實驗持續進行，不過大多應用於迴避障礙物及自動導航方面。美國麻省理工大學 (MIT) 一項人工智能研究就專門針對改善自動駕駛系統對交通燈的反應，結果不單改善交通順暢度，更可增加能源效益及減少廢氣排放，一舉兩得。 主持這次研究的研究員指出，雖然美國及世界其他地方已批准無人駕駛車上路，不過對於人類來說，無人駕駛汽車未能為人類帶來改善，因為乘客依舊受困於交通燈，因此團隊就希望能夠改善它們對交通訊號的反應，提升交通流暢度。研究採用深度強化學習 (deep reinforcement learning) 模式，即交由人工智能以試誤 (trial and error) 方式，通過不同的抉擇覓求最佳的演算法。 研究團隊首先模擬出一個十字路口場景，然後只提供機器學習無法自行掌握的知識，之後便交由人工智能計算不同狀況的反應。當人工智能的神經元網絡 (neural network) 找出通往改良交通狀況的方法或捷徑，研究團隊便會予以獎勵，相反如人工智能的演算法導致車輛在交通燈前完全停止則給予懲罰。而在人工智能學習的過程中，系統會從一隊車隊中收集到的互動數據，估算交通燈的變化，從而控制無人駕駛汽車的行駛速度，盡量增加綠燈時通過的車輛數目，同時避免汽車因紅燈而需要完全停止。 研究結果顯示，經最佳演算法下控制的無人駕駛汽車，其通過交通燈的流暢度大增，而即使受控制的汽車減低至 75%，其餘為人類操控車輛，交通流暢度仍能獲得顯著的改善。由於所有汽車均能減少非必要的加速或停車空轉，因此研究還可有效改善能源消耗及廢氣排放。不過，現時研究正在起步階段，而且只能應付一個十字路口位，要全面實行還須更多研究，但相信在智慧城市的帶動下，無人駕駛汽車將能更容易採集交通數據，應用團隊研究成果的可能性將相當高。 資料來源：https://bit.ly/3NqCJmD 相關文章：【上帝視角】樹木觸電引發山火…

傳統的神經元網絡 (neural networks) 人工智能機械學習模型，數據工程師必須預備大量合適及準確的數據套件，供系統自行分析及反覆學習。不過，並非所有情況下都可以使用這種機械學習方式，例如要訓練深海機械人，就要採用另一種稱之為強化學習網絡 (reinforcement learning network) 的訓練模式，而且訓練效果更超過預期，水中暢泳竟然較海洋生物更慳力。 這項強化學習網絡訓練計劃由多間大學如加州大學、哈佛大學的研究團隊組成，成立的目的，旨在希望透過新的機械學習方式，去訓練深海機械人能夠用更少組件、以及在水底下以更慳電的方式前進到目的地。研究員解釋，因為深海機械人會潛入 2,000 呎以下水深探索海底世界，操作員基本上無法控制它們，更別說要將附近海域的水流數據傳送給它們，所以深海機械人只能靠自己，以身處環境有限的數據判斷前進方法及如何以最有效率的方式到達目的地。研究另一個原因是深海機械人必須長時期在海中航行，同樣需要使用最少的電子零件，因此編寫的軟件不能過於複雜及容量要細。考慮過種種因素後，研究員便決定採用只須以自身收集到的數據進行訓練的強化學習網絡模式，而且更指出一旦成功訓練深海機械人可以僅靠有限數據達到以上目標，它亦可應用於其他星球的海域深索上。 在計劃開始後，研究員製造了一隻只得手掌大小的潛水機械人，它的微電子控制元件是於 Amazon 以 30 美元購得，大小只得 2.4×0.7 吋，便可配備研究員撰寫的程式碼、水平儀及體感儀，而且非常慳電。通過強化學習網絡訓練了一段時間後，研究員發現機械人已懂得如何利用水流，例如水流遇到障礙物時產生的逆向漩渦，更有效率地移動到目的地，這種做法就有如麻鷹懂得利用熱氣流翱翔一樣，但出來的結果更超出研究員的預期，因為機械人竟能比真實的海洋生物游得更慳力更有效率。 研究成果令人振奮，但研究員指出強化學習網絡訓練模型仍處於起步階段，離投入實戰用途還有一段距離，例如除了深海水流外，如何利用海潮漲退及近岸的亂流移動也是重點研究之一。而研究員更謙虛地說，正在學習的不僅僅是機械人，人類也能透過機械人學懂穿越海流的新方式。 資料來源：https://bit.ly/3H8v89T

AI 的理解能力愈來愈高，好似 Nvidia 的人工智能研究項目 GauGAN，前年示範時已可以將小學生塗鴉神奇地轉化為實物風景相。來到今年的 GauGAN2 就更得人驚，只要輸入描述文字例如「ocean waves hittingrocks on the beach」，期間 GauGAN 就會跟隨所輸入的字眼，由生成一張純海浪相片，逐漸變成石灘浪潮相，認真驚人！ GauGAN 是 Nvidia 一款專門研究將人工智能神經元網絡應用於繪畫、生成圖像的計劃，通過向人工智能系統提供大量圖像數據資料進行機械訓練，令系統建立起不同的關聯資料庫。以兩年前研究隊伍示範的 GauGAN 影片為例，只要研究員在電子畫板上繪畫出各種風景圖案，例如用綠色畫出一片草地、藍色畫出天空，GauGAN…

為了令受害者誤以為正在登入或瀏覽官方網站，高質素的黑客會盡力將釣魚網站製作至以假亂真的地步。如果要交由防毒軟件識別當中差誤，現有方法較為費時，準確度亦未算高。由大學研究人員開發的機器學習技術，會自動將官網的程式碼轉變為圖像數據，跟虛假網站進行比對，從而減少所需的運算資源及縮短比對時間，以另類視覺分辦真假。 要分辨是否虛假網站，一般人只能靠肉眼找出可疑之處，以 Office 365 登入頁面為例，網址列、網頁設計、圖像擺位、文字有否文法或串字問題等，都必須小心留意。不過，如果並非專家或老手，單靠肉眼絕不可靠，因而必須借助防毒軟件或網絡安全工具代為分析。然而，大部分安全工具的識別效能除了上述的條件外，主要建基於資料庫上的記錄，例如架設該網頁的伺服器或 IP 位置是否可疑？種種因素令比對工作需要耗用大量資源，因此只能於雲伺服器上進行分析，從而令比對需要一定的時間。 由英國 University of Plymouth 及 University of Portsmouth 研究人員合作研究的人工智能分析技術，便以創新的角度進行分析。研究人員首先將大量官方網站及虛假網站的程式碼轉換成視覺化的圖像數據，歸納出各自的獨特之處，然後再這套數據模型交由人工智能的機器學習進一步自行訓練，自行修正當中的差異，演變成一套更成熟的分析系統。為了加強分析工具的可用性，研究團隊刻意選用了一套名為 MobileNet 的神經元網絡系統，它不似得其他神經元網絡需要龐大的運算資源，因而可以在一般電腦設備上運行。研究員指出，現時系統在分析虛假網頁的準確度已達94%，而且還在每日進化中。 不過，現階段新技術仍未可推出市面，因為研究人員正在改良系統操作，讓它成為一套可被普遍使用的工具。研究員更有信心這套系統最終可達 100%…

成日聽到評論話某個人好有創造力，其實要衡量創造力好主觀，點先可以標準化地進行評估？有研究員就開發了一個四分鐘測試，利用人工智能的深度學習 (Deep Learning) 能力，計算參加者在兩項遊戲中的表現，而衡量標準就是基於人類的擴散性思考 (Divergent thinking) 方法。 擴散性思考能力，是一種以問題為中心，透過多方向思考討論各種處理問題的方法，從中得到創意概念。因此，擴散性思考屬於非線性思維，而且透過多方向思考，有可能在討論過程中發現不同解決方案的關聯性，比起傳統的線性聯想模式更有機會想出新點子。思考過程可以幻想為衛星城市發展模式，都市化由中心出發擴散至週邊地區，而衛星都市之間又有可能存在連繫。 由於在擴散性思考中，問題與答案未必一定存在相關性，就如人類大腦的大型神經網絡運作情況一樣，無時無刻都存在各種概念，所以研究人員在開發這個創意評估遊戲時，便利用了相關的數據樣本去評估參加者的創意。研究員首先將數據樣本訓練人工智能，經深度學習後調查出更準確的演算法。研究人員特別指出，交由人工智能分析的原因有兩方點，第一是數據量非常龐大，單靠人力將花費很多時間，其次人類對事物存在偏見，而且思維亦受過往經歷所局限，難以客觀地整理出結果。 而由 McGill University、Harvard University 及 University of Melbourne 科學家創建的 Divergent Association…

Google 為了設計出自家電腦處理器，出動應用於機械學習的 TPU 處理器。TPU 現時已為多個行業提供演算法服務，包括醫療、網絡安全等等，而 Google 搜尋器及翻譯工具背後的演算法亦是由 TPU 負責，專家估計，TPU 不單可加快設計出自己的下一代，而下一代亦可再設計出後繼處理器……最終咪會變成天網 (Skynet)！ 傳統的處理器晶片設計，最大難度在於如何編排晶片上的數百萬個組件，因為處理器的運算速度，直接取決於各種組件的佈局，設計者不單要考慮組件擺放的距離，更要考慮運算過程中所產生的熱力。而且視乎處理器將會應用於哪一種產品，設計亦有很大分別，例如手機處理器會較講究節能，相反數據中心則強調速度優先，因此設計過程往往需要耗用數月以上，才能得出理想的最終電路圖。 而 Google 的研究團隊就利用自家的 TPU (Tensor Processing Unit) 機械學習處理器，將組件規劃的問題交由神經元網絡…