【歐洲AI要聞盤點：開發NAIS-Net新型神經網絡架構，訓練深度比以往強10到20倍】歐洲人工智能創業公司NNAISENSE的研究人員已經發布了關于NAIS-Net（非自動輸入——輸出穩定網絡）的詳細信息，這是一種新型的神經網絡架構，他們宣稱這種架構的訓練深度是其他網絡（如殘差網絡、Highway網絡）的10到20倍，同時能夠保證穩定性。

物理+人工智能：這個網絡的設計靈感來源于控制理論和物理學，它們的結合讓設計人員構建出一個能保證適應不同類型的輸入數據，針對特定任務進行更深收斂訓練的系統。NAIS-Nets縮小了標靶的尺寸，能夠快速完成訓練，這讓網絡訓練過程中的發方差變小，以及可重復性提高成為可能。

規模：“在不增加網絡參數總數的情況下，NAIS-Nets也可以比ResNet深10到20倍，并且通過堆疊多個穩定的NAIS-Net模塊，進行圖形處理深度相關的模型可以在不需要任何正則化的前提下進行訓練。”研究人員寫道。

結果：經過對CIFAR-100進行測試，研究人員發現NAIS-Net與殘差網絡的性能相當，但方差顯然更低。該架構尚未在更大、更像是評估模型黃金標準的ImageNet上進行測試。

為什么重要：目前，人工智能技術中的一個未解決的難題是，我們并不真正了解它們工作的原理，這從我們以往的經驗中可以看到，我們在壓縮過程中很難保證方差、概括和性能損失。像NAIS-Nets這樣的方法似乎可以減少我們在這些領域的一些不確定性，這表明，我們在設計具有足夠豐富的數學證明的系統方面有了進步，可以更好地保證一些性能參數。此外，這還意味著我們能夠創建出機制更透明的系統，這似乎是未來構建更精細系統的必要基礎。

歐洲國家加入AI革命，避免錯過云計算革命的歷史重演

25個歐洲國家已經簽署了一封合約，宣布有意“聯合起來”開發人工智能。這封信的內容大意是，簽署方均承諾會在實施各自的國家發展計劃時與其他成員國進行協作。

“合作將側重于加強歐洲人工智能研究中心建設，在歐洲各地的研發和資助計劃中發揮協同作用，并就人工智能對社會和經濟的影響交換意見。此聯盟成員國將與作為協調人的委員會保持對話，”歐洲委員安德魯斯·阿斯普和瑪麗亞·加布里爾說道。

為什么重要：由于中國和美國的規模大（數億人使用同一種語言進行口頭和書面交流），以及擁有開展國家級研究的充足資金，中美兩國都具有發展人工智能的結構性優勢。單個歐洲國家無法與其投資能力相提并論，因此需要聯合在一起，否則就會像錯過云計算革命一樣，最終不能形成一家大型AI公司，導致他們在AI時代下缺乏政治和經濟影響力。

人工智能的未來是SpatialAI，這對于機器人、無人機等意味著什么？

SLAM研究員AndrewDavison發表了一篇論文，研究SLAM（即時定位與地圖構建）技術的現狀，并根據當前的算法趨勢預測未來其將如何演變。現有的人工智能系統想要實現預設的功能，它們需要具備'空間人工智能'（SpatialAI）的功能，以及機器需要對周遭環境進行理解和歸類的一系列認知能力，以便可以有效地采取行動。他假設，這個空間人工智能系統將成為未來真實世界人工智能的核心，因為它可以“實時地，主要以可視化輸入和可量化的性能為指標，逐步構建、維護一個通用的、接近度量的場景表示”，這讓人們可以開發更豐富的AI應用程序。

現狀與空間AI之間的差距：隨著學習方法和關鍵功能手寫規則的應用，今天的SLAM系統正在發生著變化，尤其是構建周圍環境地圖的系統。未來的空間人工智能系統可能會具備更多的學習功能，特別是在解決模糊性或預測世界變化方面，并且需要在各種不同的芯片架構上實現這一點，以最大限度地提高性能。

許多“空間人工智能”制作的全球共享地圖：一旦世界上出現少數具有這種空間人工智能功能的系統，它們可能會將其對世界的insight集中到一張全球共享的地圖中，該地圖將通過所有連接的設備不斷更新。這意味著，一旦系統識別出它的位置，可能不需要執行很多的設備處理，因為它可以從云中獲取上下文信息。

這樣的設備長什么樣？相機和傳感器設備將根據目標而變化，例如，“未來的家用機器人可能在機身中央安裝一個導航相機，并在手腕上安裝一個專用相機輔助操作。”這些相機將包含一個全球模型，為系統提供持續更新的位置信息以及周圍世界的語義信息。系統還將用前向預測場景模型不斷檢查新的信息，以幫助其對環境中的變化做出預測和反應。在計算上，這些系統將標記周圍的世界并跟蹤，將所有內容映射到同一個空間，進行自我監督學習，以整合新的感官輸入數據。最終，如果這個全球模型變得足夠好，那么系統只需要從其傳感器采集與預測不同的信息，從而進一步提高效率。

測試：這個想法引發的一個棘手問題是，我們如何評估這種空間AI系統的性能。SLAM基準測試往往具有局限性，一些研究人員傾向于對SLAM進行主觀的、定性的評估。Davison建議使用像SlamBench這樣的基準測試，它可以測量各種不同處理器平臺的精度和計算成本方面的性能。在SLAM系統部署的平臺上對SLAM性能進行測試也很有必要，因此同一系統在無人機或機器人上部署需要進行不同的測試。未來，在同一系統內用不同參數來評估性能將是一件好事，例如分割對象、跟蹤環境變化、評估電源使用情況、測量重定位穩健性等。

為什么很重要：這樣的論文對特定AI領域進行了整體概述。SLAM功能對于在現實世界中部署AI系統至關重要，很可能許多當代AI組件將被用于未來的SLAM系統中，這些系統的設計?·也將越來越專業化、學習能力更強，并將應用于異構計算機基板上。