小图按：2019年是Nature周刊创立150周年。图书馆“资源深度推广计划”（挖矿）计划推出一系列文章来纪念Nature150岁生日，帮助大家了解世界顶尖学术期刊的过去、现状与未来。本计划预计由10篇文章组成，5篇转载文章分别介绍Nature的起源、Nature与中国等，后5篇文章介绍登上Nature封面故事的高水平研究成果，分成IT与人工智能、生物与医学、人文与社会等。
作为计算机技术的两大主要分支，互联网技术（IT）与人工智能（AI）正深刻影响着我们的生活。尤其是随着计算机算力的发展与大数据的兴起，IT与人工智能领域也吸引着越来越多的研究者投入其中。从Nature近几年的封面故事中，我们可以对该领域的发展变迁获得大致的印象。
![]()
![]()
1. 电脑程序首次战胜职业围棋手
Silver D , Huang A , Maddison C J , et al. Mastering the game of Go with deep neural networks and tree search[J]. Nature, 2016, 529(7587):484-489.
封面所示为作为一个电脑芯片嵌入在一块集成电路板上的一张围棋盘，该棋盘的布局正是来自于2015年10月5日在Fan Hui (黑子)与AlphaGo (白子)之间所进行的一场历史性围棋比赛的最终棋局。作为人工智能领域继1997年“深蓝”在与当时的国际象棋世界冠军加里卡斯帕罗夫的对弈中获胜的又一里程碑，由Google DeepMind开发的AlphaGo通过深度神经网络、强化学习等方法，在历次对弈中达到了惊人的胜率，同时展示出深度学习方法在处理复杂问题方面的伟大潜能。
![]()
2. “摩尔定律”时代将要结束
Mitchell W M . The chips are down for Moore’s law[J]. Nature, 2016, 530(7589):144-147.
1965年，英特尔（Intel）的创始人之一戈登·摩尔预言：当价格不变时，一个微处理器芯片上的晶体管数量及其处理性能每两年将会翻倍。这一定律直接指导了其后超半个世纪的信息技术行业发展。然而在2016年，计算机行业将正式宣布“摩尔定律”时代的结束。不过，这并不意味着信息技术的发展将停滞不前，而是可以通过更好的材料及算法来实现突破，且移动设备的新时代就未来的微处理器芯片而言也改变了这个规则。而在论文中，Mitchell盘点了更多的突破性思想。
![]()
3. 人工智能分类皮肤癌
Esteva A , Kuprel B , Novoa R A , et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 542(7639):115-118.
本期封面展示了人工智能在简化和扩展皮肤癌诊断方面的应用。作者利用129450张皮肤疾病的临床图像训练深度卷积神经网络来分类皮肤病变，实现了一种能使用清晰度与手机拍摄相当的照片分类皮肤病变的算法，达到了与皮肤科医生相仿的检测表现。作者提出，这一技术可作为皮肤癌的一种外观筛查，并在医院环境外应用。
![]()
4. 由DNA制成的人工神经网络
Cherry K M, Qian L. Scaling up molecular pattern recognition with DNA-based winner-take-all neural networks[J]. Nature, 2018, 559(7714): 370.
无论是细菌沿化学梯度运动，还是人类对复杂的气味进行区分，识别分子模式是生物体的重要能力之一。如今，由DNA制成的神经网络也能完成同样的分子计算任务，但之前仅限于识别4种4 位的图案。在本期《自然》中，钱璐璐和Kevin Cherry将这一数字增加到9种100 位的图案，研究小组设计的人工神经网络采用“赢家通吃”（winner take all）竞争策略，能正确识别10×10像素网格内的1-9数字。同时，研究人员通过模拟手写字体的变化，倒转了100位中的30位，神经网络仍能准确“记住”图案并识别出数字。这一结果表明，分子计算电路拥有类似记忆力的能力，能够对高度复杂、杂乱的信息进行分类。
![]()
5. 基于量子增强型特征空间的监督式学习
Havlíek V, Córcoles A D, Temme K, et al. Supervised learning with quantum-enhanced feature spaces[J]. Nature, 2019, 567(7747): 209.
作为人工智能领域的一个重要分支，机器学习方法在对复杂的对象进行模式识别（如监督式学习与非监督式学习）时，常将数据映射到高维空间，以便于提取其最核心特征。但是，该方法要求的计算能力难以通过经典计算机获得。而Kristan Temme及同事通过考察两种量子算法，表明将分类对象映射到量子态空间进行特征分析，将为处理大型分类任务的机器学习带来额外优势。
![]()
6. 混合式“天机芯”架构帮助向人工通用智能迈近
Pei J, Deng L, Song S, et al. Towards artificial general intelligence with hybrid Tianjic chip architecture[J]. Nature, 2019, 572(7767): 106-111.
发展人工通用智能的方法主要有两种：一种基于神经科学，试图构建类似大脑的电路；另一种以计算机科学为基础，让计算机运行机器学习算法。在本期《自然》中，施路平和他的同事介绍了“天机芯”（Tianjic），一款将前述两种方法集成到同一个混合平台的电子芯片。“天机芯”具有多个可轻松重构的功能核，能同时支持机器学习算法和类脑电路。为了展示这种方法的潜力，研究人员将芯片集成到一辆无人智能自行车中，该自行车可以实现自平衡、语音控制、探测和避障，所有这些功能都源于“天机芯”能够同时处理多种算法和模型。
![]()
7. 多主体增强学习算法塑造的《星际争霸II》宗师
Vinyals O, Babuschkin I, Czarnecki W M, et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning[J]. Nature, 2019, 575(7782): 350-354.
《星际争霸II》是一款科幻主题的策略游戏，也是一项全球性的电子竞技。游戏中，玩家需要控制三个不同种族中的其中一种，同时根据对手的动作做出战略决策。这款游戏一直是人工智能的一个主要挑战，因为其复杂性和多玩家挑战映射了潜在的现实应用。但即便在简化版的游戏中，人工智能程序也难以与人类玩家抗衡。在本期《自然》中，DeepMind的Oriol Vinyals和同事报道了一个名为“AlphaStar”的人工智能程序，该程序在完整版的《星际争霸II》中，在三个种族中都达到了宗师级水平。如今，AlphaStar位列该游戏前0.2%的玩家之列。它的成功源于其采用的多主体增强学习算法，该算法让多个深度学习网络主体相互竞争，从而生成大量的持续适应性策略和对策。
to be continued
SpringerNature 翻译
王媛、杜其原 整理
往期回顾
挖矿 | Nature150周年专题——Nature的起源
挖矿 | Nature150周年专题——改变世界的十篇《自然》论文，你知道几篇？
挖矿 | Nature150周年专题——我们分析了100多年来的8.8万篇《自然》论文，这是它们构成的世界
挖矿 | Nature150周年专题——那些登上Nature封面的中国研究
挖矿 | Nature150周年专题——Nature改版了
挖矿 | Nature150周年专题——封面故事（生物与医学 上）
挖矿 | Nature150周年专题——封面故事（生物与医学 下）
|
|
转播
