OpenAI 機械人系統看過一次示範即可學會新任務
OpenAI 建立了一套機械人系統,完全在模擬環境中訓練後部署到實體機械人上,並能在看過一次任務示範後學會新任務。
OpenAI 建立了一套機械人系統,完全在模擬環境中訓練後部署到實體機械人上,並能在看過一次任務示範後學會新任務。
OpenAI 發佈 Roboschool,這是一套與 OpenAI Gym 整合的開源機械人模擬軟件。
OpenAI 開發了一套無監督系統,訓練時只需預測 Amazon 評論文本中的下一個字符,便學得出色的情感表徵。
OpenAI 發現,進化策略(ES)在 Atari/MuJoCo 等現代強化學習基準測試上的表現,可媲美標準強化學習方法。ES 同時能避開強化學習的多項不便之處。
Distill 作為一種旨在優質傳達新穎或既有機器學習成果的新型期刊推出。
OpenAI 展示對抗樣本如何透過刻意設計的輸入令機器學習模型出錯,並説明其在不同媒介中的運作方式。這類輸入猶如機器的視覺錯覺;文章亦探討系統為何難以防範這類攻擊。
OpenAI 團隊現有 45 人,正透過驗證新構想、建立新軟件系統,以及在機械人上部署機器學習,推進 AI 能力前沿。
OpenAI 探討強化學習算法的一種失效模式:獎勵函數設定錯誤。強化學習算法可能以出人意料、違反直覺的方式失效。
OpenAI 發佈 Universe,這是一個在全球各類遊戲、網站及其他應用程式中測量和訓練 AI 通用智能的軟件平台。
推薦理由:Universe 將遊戲、網站及其他應用程式納入同一軟件平台,用於測量和訓練 AI 通用智能,呈現跨應用環境作為訓練與評估場景的設計思路。
OpenAI 正與 Microsoft 合作,開始在 Azure 上運行大部分大規模實驗。
OpenAI 上週在辦公室舉辦首屆自組織機器學習會議,邀請逾 150 名 AI 實務工作者參與。
OpenAI 指出,深度學習是一門實證科學,團隊基礎設施的質素會放大進展。現有開源生態令任何人都能建立優良的深度學習基礎設施。
機器學習 Unconference 的最新資訊現已刊載於 Unconference wiki,該 wiki 將定期更新更多供參加者參考的資訊。
OpenAI 指出,有影響力的科學工作應聚焦於合適的問題:問題不但要有趣,其解決方案也必須重要。
OpenAI 與 Berkeley、Stanford 的研究人員共同署名由 Google Brain 研究人員主導的論文《Concrete Problems in AI Safety》。論文探討確保現代機器學習系統按預期運作所涉及的多項研究問題。
OpenAI 的使命是建構安全 AI,並確保 AI 帶來的益處盡可能廣泛、均衡地分配;這項使命涵蓋安全建構與益處分配兩方面。
OpenAI 介紹四個以增強或運用生成式模型為共同主題的項目,並説明生成式模型的基本概念、重要性及可能發展方向。生成式模型是機器學習中的一類無監督學習技術。
OpenAI 推出 OpenAI Gym 公開測試版,這是一套用於開發及比較強化學習(RL)演算法的工具包。它包含持續擴充的環境,涵蓋模擬機械人到 Atari 遊戲,並提供比較和重現結果的網站。
推薦理由:OpenAI Gym 同時提供持續擴充的強化學習環境,以及比較和重現結果的網站,呈現其面向算法開發與評估的工具定位。
OpenAI 將自身定位為非牟利人工智能研究公司,目標是以最有可能造福全人類的方式推進數碼智能。OpenAI 表示,研究不受創造財務回報的需要約束,讓其能更專注於對人類產生正面影響。
推薦理由:文章並列 OpenAI 的非牟利定位、研究目標與不以財務回報為約束的表述,呈現其對組織使命的自我界定。