哈佛大学研发水下机器人，Science Robotics发表 | AI日报

哈佛大学研发水下机器人，Science Robotics发表

日前，来自哈佛大学的科学家们就从鱼群中汲取灵感，研发出了一批水下机器人，这种机器人可以像真正的鱼群一样同步运动，且不需要任何外部控制。同时，他们也首次利用水下机器人展示了具有隐性协调的复杂三维集体行为，该论文发表在《科学机器人》（Science Robotics）上，并被遴选为2021年1月份的月度封面。

论文地址：https://robotics.sciencemag.org/content/6/50/eabd8668

图注：Science Robotics 2021年1月封面

事实上，通过科研人员的编程工作，成群的、有组织的机器人运动，对人们来说并不陌生。但与空、地机器人相比，水下机器人尚未实现类似的组织水平，其中一大障碍便是传统的地上通信方法（比如无线电）在水下的性能很差，而且位置定位方法（比如 GPS）几乎不可用。怎样才能用更低成本让机器人群像鱼群一样，具有无缝、连贯的协调性和高度的可操作性，并且独立于外界辅助技术呢？这就是组织水下机器人群体运动的研究难点。

论文作者伯林格是哈佛大学约翰·保尔森工程与应用科学学院（SEAS）和怀斯生物启发工程研究所的一名博士，他所在的研究小组给出了一种解决方案：给每个机器人小鱼装配上LED灯，并基于此开发了一套水下视觉协调系统。这项研究中，单只机器小鱼被命名为“Bluebot”，研究人员共组装了 7 只，它们组成的系统则被称为“Blueswarm”。

Bluebot 的功能设计包括三个主要模块：

• 2个摄像头可对周围环境进行3D感知；

• 3个 LED 灯作为主动信标，用于相互识别；

• 4个独立可控鳍片可提供3D空间游动。

机载鱼眼镜头相机可检测到最远5m相邻 Bluebot 的 LED 灯光和闪烁信号，并使用自定义算法确定其距离、方向和航向。

仅使用基于视觉的局部交互，研究人员报告了几个自组织的水下机器人集体行为示例，这些行为包括协调同步时间，空间受控分散和动态旋转运动等，最后以多种行为的组合来实现搜索任务操作。

图注：Blueswarm 平台（来源：Science Robotics）

所有这些都可以通过使用非常简单的通信方式来实现，并且在位置感测或控制方面没有任何外部辅助，这成功验证了三维空间中隐式、自组织和分散协调的水下机器人集合的概念。

关于这项水下机器人成果的展望，研究人员表示，也将有助于实现机器人的无监督技能进化，从而有可能结合多种机器人模式（空中、地面、水面和水下），来实现可扩展且强大的冒险活动。未来，这些机器人可以集体出动，去搜索失事飞机的残骸，落难船只和落水人员，以及应用到诸如环境监测、在珊瑚礁和沿海水域的搜索任务等。

微软亚研院发布开源 AutoML 工具 NNI 2.0 版本

NNI（Neural Network Intelligence）是微软亚洲研究院为研究人员和算法工程师量身定制的自动机器学习（AutoML）工具。在过去的两年中，NNI 不断迭代更新，持续将最前沿的算法加入其中，加强对各种分布式训练环境的支持，目前 NNI 已在 GitHub 上获得了 8.7K 星，成为最热门的自动机器学习开源项目之一。

近期，微软亚洲研究院发布了 NNI 2.0 版本，其中加入了对“探索性训练”框架 Retiarii、基于掩码的模型压缩加速工具的支持，提供了利用 Python发起实验 (预览功能) 与多种算力混合训练的能力，并简化了自定义算法的安装方法。

NNI 官方 GitHub 地址：

https://github.com/microsoft/nni

IJCAI 2020 麻将AI赛落幕，腾讯研究员拿下冠军

近日，在IJCAI 2020麻将人工智能竞赛中，来自腾讯AI的SuperJong团队采用强化学习模型从零开始自我对弈训练，以1338分取得冠军。

与围棋等游戏不同的是，麻将更加规则复杂、胜负判定繁琐、信息非完全公开的，且更重要的是在公众认知中麻将更多地有“运气”和“凭直觉”的成分。换句话说，如果一个人运气比较差，拿到一手烂牌，可能再强的实力也只能是输得不那么难看。所以，麻将不像围棋一样，不能单靠一轮对弈，而是要通过多轮（甚至上千轮）对弈才能看出一个雀士的实力。

图注：前16名队伍信息。表格的AI算法列中，RL指强化学习，SL指监督学习，主要指使用对局数据模拟其他玩家/AI决策

这次冠军队是个人参赛，来自腾讯 AI，所采用的方式是强化学习算法框架。如上所示，比赛前4名也被强化学习包揽，北京大学有6支以个人参赛的队伍也打进了16强。未使用强化学习的队伍主要采用搜索、剪枝、专家经验等方法，设计估值函数时考虑了向听数、游戏巡目等因素。

VAST Data 与 Nvidia 推出AI 参考存储架构

根据VentureBeat的消息，VAST Data和Nvidia今天推出了一种参考架构，该架构有望在基于图形处理器的服务器访问PB级数据时提高存储性能。该参考体系结构旨在简化与Nvidia 的DGX A100服务器的所有名为Lightspeed的闪存存储系统的集成。两家公司称，对于GPU密集型和存储密集型AI工作负载而言，这种努力应该产生超过170GB / s的吞吐量。据了解，VAST Data的网络连接存储（NAS）系统可以通过 NFS-over-RDMA，NFS Multipath或Nvidia GPUDirect Storage接口连接到Nvidia服务器。这些系统还可以合并到可能基于多个存储协议的更大的融合存储结构中。

第四范式完成D轮融资45亿元

AI独角兽第四范式刚刚官宣完成D轮融资7亿美元（约45亿元），这是AI领域自2020年来的最大单笔融资。本轮融资后，第四范式计划将资金用于进一步加速重点产业布局，构建基于AI的企业级生态体系，培养AI尖端产业人才。

据了解，本轮融资由博裕资本、春华资本、厚朴投资领投，并引入国家制造业转型基金、国开、国新、中国建投、中信建投、海通证券等战略股东，红杉中国、中信产业基金、高盛、金镒资本和方源资本等财务投资机构。

第四范式是人工智能平台与技术服务提供商，目标是帮助客户通过AI进行高质量的智能升级，加速传统产业的转型进程。成立六年来，第四范式在业务范围方面，已经从主要的金融行业，扩展至零售、制造、能源、政府、医疗、互联网、媒体、物流、农业、高科技等众多行业。

点击左下角“阅读原文”，了解更多！