<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <p><span style="color: rgb(0, 0, 255);">重點新聞(1118~1124)</span></p>
<p>生成式AI近來如火如荼發展,但也引發不少問題。比如文字轉圖像AI,就有畫作版權問題,為此,DeviantArt打造一款文生圖AI,賦予創作者同意權和加註權,可拒絕將自己的作品讓模型使用。另一方面,生成式AI也有Deepfake問題,英特爾打造一套系統來揪出Deepfake假影片。在AI應用部分,則有專家探究樹狀模型分析表格數據的能力比深度學習模型好,IBM與PyTorch也發現大型AI模型在雲端訓練的加速方法,AWS正式推出整合機器人的服務,而Nvidia釋出新工具來加速醫療AI應用的打包和測試;同樣是醫療AI,臺北慈濟揭露要開發更多影像AI,如氣胸、心臟腫大。最後,Meta成功研發能執行複雜遊戲任務的AI系統,可制訂策略、說服玩家並取勝。</p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">DeviantArt </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> DreamUp </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 文生圖 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>新做法!DeviantArt打造文生圖AI,還賦予創作者同意權和加註權</strong></span></p>
<p>隨著多模態AI發展,這兩年出現不少文生圖(即文字轉圖像)大型模型,如OpenAI的DALL-E 2、Google的Imagen和Parti,雖能產生創新細膩的畫風,卻也引發AI畫作奪下美國藝術大賽首獎的爭議,以及AI產出的畫作版權問題。</p>
<p>為解決版權問題、保障藝術家權益,知名線上數位藝術交流社群DeviantArt近日打造一款文生圖AI模型DreamUp,是開源文生圖產生器Stable Diffusion的一般實作,利用網路上的畫作訓練而成。它可讓使用者輸入文字,甚至可輸入想產出哪位畫家的風格,來生產畫作。但不同的是,他們給予藝術創作者決定權,來決定是否要讓自己的作品,出現在模型訓練資料集中,以及是否開放讓DreamUp產出自己創作風格的畫作,若同意,系統會在AI產出的畫作上加註標籤,給予認可。</p>
<p>不過,根據<a href="https://www.deviantart.com/team/journal/Create-AI-Generated-Art-Fairly-with-DreamUp-933537821">官網最新資訊</a>,DeviantArt宣布,所有在DeviantArt上發布的作品,都不會作為DreamUp和第三方AI模型的訓練資料。<a href="https://www.dreamup.com/">(詳全文)</a></p>
<p><img alt="" src="https://images-wixmp-ed30a86b8c4ca887773594c2.wixmp.com/f/eae614f8-f83b-4837-935b-ab22f4298eb2/dfhfljl-3652940b-9cf2-42bd-bee3-69c2a6ea4bcd.png/v1/fill/w_962,h_831,q_70,strp/dreamup_promo_by_team_dfhfljl-pre.jpg?token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJzdWIiOiJ1cm46YXBwOjdlMGQxODg5ODIyNjQzNzNhNWYwZDQxNWVhMGQyNmUwIiwiaXNzIjoidXJuOmFwcDo3ZTBkMTg4OTgyMjY0MzczYTVmMGQ0MTVlYTBkMjZlMCIsIm9iaiI6W1t7ImhlaWdodCI6Ijw9MTEwNSIsInBhdGgiOiJcL2ZcL2VhZTYxNGY4LWY4M2ItNDgzNy05MzViLWFiMjJmNDI5OGViMlwvZGZoZmxqbC0zNjUyOTQwYi05Y2YyLTQyYmQtYmVlMy02OWMyYTZlYTRiY2QucG5nIiwid2lkdGgiOiI8PTEyODAifV1dLCJhdWQiOlsidXJuOnNlcnZpY2U6aW1hZ2Uub3BlcmF0aW9ucyJdfQ.VFpfux0HsQl44Pb-qON8hgImEFmdTcQ1OdPNp0qRMfU" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 決策樹 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 表格數據 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 類神經網路 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>為何決策樹在處理表格數據比類神經網路好?專家找到原因</strong></span></p>
<p>雖然類神經網路在語音、文字和圖像處理方面表現優越,但對於表格類數據的預測,卻仍不如決策樹及其變形演算法。法國國家訊息與自動化研究所(Inria Saclay Centre)和索邦大學聯手研究,他們先以45個表格資料集,如電價漲跌和房市預測等資料,來訓練多個類神經網路和樹狀模型,像是ResNet、Transformer模型,以及XGBoost、隨機森林、梯度升高機等。</p>
<p>接著,他們對每個模型訓練400次,在預訓練超參數空間中隨機搜尋。再來,他們根據測試集準確率和回歸模型R2值,來評估模型的分類表現。團隊發現,樹狀模型的表現比深度學習模型好上2、3成,但在另一個平滑標籤的實驗中則發現,樹狀模型用平滑標籤訓練,表現下降得比神經網路還多,也就是神經網路比較適合平滑標籤,而樹狀模型學習不規則映射標籤的能力較好。<a href="https://openreview.net/forum?id=Fp7__phQszn&utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-_X9dgflKKIB9X0cYyeTNFmsYGmyDE0Mj7YKcqUcOU2cPXmq4GSYmYQ2e3JhdecNio8aApx">(詳全文)</a></p>
<p><img alt="" src="https://github.com/LeoGrin/tabular-benchmark/raw/main/analyses/plots/random_search_classif_numerical.jpg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 英特爾 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> FakeCatcher </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Deepfake </span></strong></span></p>
<p><span style="font-size:22px;"><strong>準確率96%!英特爾新偵測技術能即時辨識Deepfake</strong></span></p>
<p>英特爾推出可準確偵測Deepfake虛假影片的偵測器FakeCatcher,準確率高達96%!英特爾號稱是全球首個能以毫秒即時回傳結果的Deepfake偵測器。英特爾即時平臺所使用的偵測器FakeCatcher,由英特爾與紐約州立大學研究人員共同開發,並在英特爾的硬體和軟體上運作。</p>
<p>目前大多數深度學習偵測器,都是查看原始資料,試圖找影片中不合理的線索。但FakeCatcher是判斷影片人像的血流,也就是尋找影片中真實之處,來證明影片非合成。當人類的心臟跳動泵血作用發生時,靜脈的顏色會發生改變,FakeCatcher收集臉部的血流訊號,並將這些訊號轉換成時空圖,由深度學習演算法立刻判斷影片真偽。<a href="https://www.intel.com/content/www/us/en/newsroom/news/intel-introduces-real-time-deepfake-detector.html#gs.iiv85u">(詳全文)</a></p>
<p><img alt="" src="https://www.intel.com/content/dam/www/central-libraries/us/en/images/2022-11/newsroom-deepfake-ifgx.jpg.rendition.intel.web.1648.927.jpg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Nvidia </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 醫療影像AI </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> MONAI Deploy </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Nvidia推出新框架來加速醫療影像AI部署</strong></span></p>
<p>Nvidia日前宣布推出MONAI Deploy框架,來加速醫療影像AI應用的部署工作。MONAI是一款開源的醫療影像AI框架,提供影像標註、AI模型開發和加速訓練,至今已超過65萬次下載。這次,MONAI框架中新添MONAI Deploy工具,來加速使用者將醫療AI應用,部署到既有的醫療生態系中。MONAI之所以能加速,是因為有MAP這個打包技術,簡化AI模型的打包和測試過程,且MAP規格還整合了醫療資料交換標準,如DICOM,來提高互通性。</p>
<p>此外,不少公雲業者也支援MAP和MONAI Deploy,如Amazon HealthLake Imgaing服務就與MAP連接器串聯,使用者可即時查看、處理和分割影像,再來還有Google雲的醫療影像套件、微軟Azure的Nuance Precision Imaging Network,以及甲骨文Cloud Infrastructure,來讓使用者在容器或自有平臺上使用這些工具。目前採用MONAI Deploy的使用者有辛辛那提兒童醫院、英國國民保健署醫院、加州大學舊金山分校等。<a href="https://blogs.nvidia.com/blog/2022/11/28/monai-deploy-framework-medical-imaging-ai-apps/">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> IBM </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> PyTorch </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 大型模型 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>IBM聯手PyTorch提高大型AI模型上雲訓練效率</strong></span></p>
<p>IBM研究院與PyTorch合作,發展一套rate_limiter控制元件,能透過配置訓練時的記憶體,讓數十億參數的模型,也能在標準雲端網路基礎設施(如乙太網路)上執行訓練。</p>
<p>IBM表示,一般參數數十億的模型,大多得在高效能運算(HPC)基礎設施上執行,但對許多想要自己訓練模型、自己使用的開發者來說,就是個大挑戰。於是,IBM與PyTorch分散式團隊合作,利用PyTorch的完全分片資料平行技術(FSDP)、開發FSDP API和rate_limiter控制元件,來控制用於發送和接收張量的記憶體,提高4.5倍效率。他們成功在IBM Cloud上的標準乙太網路訓練110億參數的模型,這個雲平臺算力由200個節點組成,每個節點有8張Nvidia A100 80GB顯示卡,與96 vCPU、1.2TB CPU記憶體。該系統自5月開始運作,可完成大型模型端到端訓練、微調和推理。<a href="https://research.ibm.com/blog/ibm-pytorch-cloud-ai-ethernet">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Meta </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> CICERO </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 外交 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>策略AI新成就!Meta新遊戲AI與真人玩家談判還獲勝</strong></span></p>
<p>Meta打造新AI系統CICERO,可在策略遊戲《外交》中與其他人類玩家溝通,甚至說服其他玩家結盟、取得勝利,還躋入遊戲排名前10%。《外交》這款遊戲一直是AI難以克服的挑戰,因需掌握、理解其他玩家的動機和觀點,並制定複雜的計畫,再以自然語言與其他人類玩家達成協議。</p>
<p>CICERO主要運用2種AI領域,一是策略推理,如AlphaGo中的代理,另一是自然語言處理(NLP),如GPT-3和LaMDA。比如,CICERO推論在遊戲後期需要某玩家的支援,它就會從該玩家的角度來分析風險和機會,來擬訂策略、得到該玩家的青睞。CICERO由一個可控的外交對話模型和一個策略推理引擎組成,在遊戲的每個階段,CICERO會查看遊戲板和對話歷史,然後對其他玩家可能採取的行動建模,並用來控制一個開放式對話的語言模型,來告知其他玩家模型的計畫、提出合理的行動建議。最後,Meta也開源CICERO程式碼。<a href="https://ai.facebook.com/blog/cicero-ai-negotiates-persuades-and-cooperates-with-people/">(詳全文)</a></p>
<p><img alt="" src="https://scontent.ftpe8-4.fna.fbcdn.net/v/t39.2365-6/315836854_652152046378603_5234375388719659388_n.gif?_nc_cat=111&ccb=1-7&_nc_sid=ad8a9d&_nc_ohc=TZnWw2pMaawAX-0bzn-&_nc_ht=scontent.ftpe8-4.fna&oh=00_AfDAJk0X_xyC7Nk8-IBctnpBc8h5dmknJ9rT8nEnkhruAQ&oe=638C7F68" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 臺北慈濟 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 醫療AI </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 臺灣人工智慧實驗室 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>臺北慈濟要打造更多醫療影像AI</strong></span></p>
<p>臺灣人工智慧實驗室(Taiwan AI Labs)日前與臺北慈濟醫院簽署MOU,要鎖定醫療影像AI、早期預警等領域,打造創新應用來解決各種臨床問題。特別的是,他們不只著重於研發,還著墨可信任、可解釋AI,貼近行政院接下來要推動的第2期臺灣AI行動計畫方向。</p>
<p>目前,臺北慈濟的醫療AI應用有ICD-10疾病分類智能編碼,可推薦醫師診斷關聯群DRG的最適組合,此外還有檢體影像智能自動判讀系統和血液細胞型態自動閱片分析儀,以AI來加速檢驗工作。而在臨床方面,臺北慈濟也與華碩打造敗血症預測系統,來即時預警敗血症,降低院內敗血症死亡率。</p>
<p>臺北慈濟醫院趙有誠院長表示,這次與臺灣人工智慧實驗室的開發計畫,將先鎖定放射科與胸腔科,建置影像判讀AI系統,來判讀氣胸、肺結核、心臟腫大等病灶。對臺灣人工智慧實驗室來說,與臺北慈濟聯手是個重要起點,未來若能與各地慈濟醫療體系串聯,就能更廣泛運用AI。<a href="https://tw.tzuchi.org/%E5%85%A8%E7%90%83%E5%BF%97%E6%A5%AD/%E8%87%BA%E7%81%A3/item/27013-%E5%8C%97%E6%85%88%E8%88%87%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E5%AF%A6%E9%A9%97%E5%AE%A4%E7%B7%A0%E7%B4%84-%E5%85%A8%E9%9D%A2%E6%8B%93%E5%B1%95%E6%99%BA%E6%85%A7%E9%86%AB%E7%99%82">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AWS </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 機器人 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> IoT RoboRunner </span></strong></span></p>
<p><span style="font-size:22px;"><strong>AWS正式推出機器人機隊管理服務</strong></span></p>
<p>AWS正式推出機器人服務IoT RoboRunner,可用來打造機器人機隊,讓使用者控制機器人無縫協作、打造自動化應用。AWS指出,IoT RoboRunner可減少用戶在開發機器人應用程式時,所面臨的多供應商間互通性問題。進一步來說,IoT RoboRunner能從機器人機隊管理器中收集和組合資料,並在集中式儲存庫中標準化機器人狀態、位置等資料類別,提高互通性。系列功能包括機隊管理系統閘道器,能用於管理機器人供應商和IoT RoboRunner的介接,而Shared Space則可在共用空間中協調機器人。<a href="https://aws.amazon.com/tw/about-aws/whats-new/2022/11/aws-iot-roborunner-generally-available/">(詳全文)</a></p>
<p>圖片來源/DeviantArt、Inria Saclay Centre、Meta、英特爾</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI近期新聞 </span></strong></span></p>
<p><strong>1. OpenAI API釋出更強大的GPT-3新模型Davinci</strong></p>
<p>資料來源:iThome整理,2022年12月</p>
</div></div></div>