CLIP 中的多模态神经元
OpenAI 发现 CLIP 中存在多模态神经元,对同一概念无论以字面、符号还是概念形式呈现都会产生响应。这一发现可能解释了 CLIP 对概念的意外视觉呈现进行准确分类的原因,也是理解 CLIP 及类似模型所学习的关联与偏见的重要一步。
OpenAI 发现 CLIP 中存在多模态神经元,对同一概念无论以字面、符号还是概念形式呈现都会产生响应。这一发现可能解释了 CLIP 对概念的意外视觉呈现进行准确分类的原因,也是理解 CLIP 及类似模型所学习的关联与偏见的重要一步。
OpenAI 发布名为 CLIP 的神经网络,通过自然语言监督高效学习视觉概念。CLIP 只需提供待识别的视觉类别名称即可应用于任意视觉分类基准,其零样本能力与 GPT-2 和 GPT-3 类似。
OpenAI 宣布训练出名为 DALL·E 的神经网络,可根据文本描述为自然语言可表达的广泛概念生成图像。
推荐理由:原文点明了从文本生成图像这一能力方向,读者可据此理解多模态生成的早期定位。
OpenAI 宣布进行组织架构调整,称过去一年公司经历了剧烈的变化与增长。原文仅披露了这一调整决定,未公布具体涉及的部门、人员或时间安排。
OpenAI 已同意将 GPT-3 技术授权给 Microsoft,供其用于自家产品和服务。
OpenAI 将人类反馈强化学习(RLHF)应用于语言模型训练,使其摘要能力更强。
OpenAI 第三届 OpenAI Scholars 学员在虚拟 Demo Day 上展示了过去五个月的研究成果。
OpenAI 将与 AIcrowd、Carnegie Mellon University 和 DeepMind 联合举办两项 NeurIPS 2020 竞赛,分别基于 Procgen Benchmark 和 MineRL。
OpenAI 发现,与训练语言相同的 Transformer 模型在像素序列上训练后,可以生成连贯的图像补全与样本。通过建立样本质量与图像分类准确率的相关性,研究显示其最佳生成模型所含特征在无监督设定下可与顶级卷积网络竞争。
OpenAI 发布 API,供开发者访问 OpenAI 开发的新 AI 模型。
OpenAI 发布论文《Language models are few-shot learners》,探讨语言模型的少样本学习能力。抓取失败,仅标题可用,正文内容缺失。
OpenAI 发布 Jukebox,一个能以原始音频形式生成多种音乐流派和歌手风格音乐的神经网络,其中包含初步的歌唱能力。OpenAI 同时开源了模型权重和代码,并提供了一个用于浏览生成样本的工具。
推荐理由:原文说明了模型能生成的音频形态与开放程度,读者可据此判断其可复用性。
OpenAI 参与了由 30 家组织 58 位合著者共同完成的多方报告,报告提出 10 项机制以提升 AI 系统相关声明的可验证性。开发者可用这些机制为 AI 系统的安全、公平与隐私保护提供证据,用户、政策制定者与民间社会则可用其评估 AI 开发流程。
OpenAI 推出 OpenAI Microscope,收录了 8 个常用于可解释性研究的视觉"模型生物"中每个重要层和神经元的可视化。该工具让分析神经网络内部形成的特征变得更容易,OpenAI 希望它能帮助研究社区理解这些复杂系统。
OpenAI 宣布将其深度学习框架统一标准化为 PyTorch。原文仅给出这一决定,未披露迁移时间表、涉及的模型或具体技术细节。
OpenAI 发布关于神经语言模型缩放定律(Scaling laws for neural language models)的研究,材料抓取失败,仅标题可用,具体内容未提供。
OpenAI 发布 Procgen Benchmark,包含 16 个简单易用的程序化生成环境,可直接衡量强化学习智能体学习可泛化技能的速度。
OpenAI 发布 Safety Gym,一套用于测量强化学习智能体在训练中遵守安全约束进展的环境与工具集。该套件面向训练阶段的安全性评估,帮助研究者量化智能体在满足安全约束方面的进展。
OpenAI 发布 GPT-2 最大的 1.5B 参数版本,同时开放代码和模型权重以便利对 GPT-2 输出的检测,这是 GPT-2 分阶段发布的最终模型。作者表示自 8 月以来已有更大的语言模型发布,但仍按原计划推进,希望这一完整分阶段发布流程能为未来强大模型的开发者提供参考,并继续与 AI 社区讨论负责任的发布方式。
推荐理由:原文交代了分阶段发布计划的收尾背景,读者可借此理解负责任发布这一做法的完整流程。
OpenAI 训练了一对神经网络,让类人机器人手解开魔方。训练完全在模拟环境中进行,使用了与 OpenAI Five 相同的强化学习代码,并结合一种名为 Automatic Domain Randomization (ADR) 的新技术。系统能应对训练中未见过的情况,例如被毛绒长颈鹿戳碰,表明强化学习可解决物理世界中要求极高灵巧度的问题。
推荐理由:原文点明训练完全在模拟中完成并迁移到物理世界,读者可据此理解强化学习在真实机器人上的可行性路径。
OpenAI 宣布开始接受第三届 OpenAI Scholars 项目的申请。该项目为 OpenAI Scholars 2020 招募第三批学员,申请现已开放。
OpenAI 用人类反馈微调了 774M 参数的 GPT-2 语言模型,使其在多项任务上匹配外部标注者的偏好,但这些偏好并不总与 OpenAI 自身一致。摘要任务中,标注者偏好整句照抄输入(OpenAI 只要求他们保证准确性),模型因此学会了复制;该任务耗费 60k 人类标注,而多种风格续写等简单任务只需 5k。
OpenAI 报告在新的模拟捉迷藏环境中训练智能体,观察到它们在简单游戏中逐步发现愈发复杂的工具使用,累计形成六种不同的策略与反策略,其中部分策略是作者此前不知道环境所支持的。这种简单环境中的自监督涌现复杂性表明,多智能体协同适应有朝一日可能产生极其复杂和智能的行为。
推荐理由:原文以捉迷藏游戏为例说明多智能体对抗如何催生出连作者都未预料的工具使用策略,可帮助理解涌现行为的研究路径。
OpenAI 在发布 124M 小模型、分阶段发布 355M 中模型及相关误用与社会效益研究后,正式发布 774M 参数的 GPT-2 语言模型。同时发布一份开源法律协议,方便组织之间发起模型共享合作,并公布技术报告介绍其与 AI 研究社区协调发布规范的经验。
推荐理由:原文交代了分阶段发布路径与配套法律协议,读者可了解其模型共享合作的落地方式。
OpenAI 每周四设为 Learning Day,员工可自主选择学习日常工作中接触不到、但能提升岗位能力的技术技能。
Microsoft 向 OpenAI 投资 10 亿美元,支持其构建具有广泛经济收益的人工通用智能(AGI)。双方将在 Microsoft Azure 内共同开发可扩展至 AGI 的软硬件平台,联合开发新的 Azure AI 超算技术,Microsoft 将成为 OpenAI 的独家云提供商。
推荐理由:官方公告点明投资金额与独家云合作方式,可据此理解早期AGI路线中算力绑定的战略选择。
OpenAI 发布政策研究论文,提出四项可立即实施的策略以推动 AI 安全规范的长期行业合作:沟通风险与收益、技术协作、提高透明度和激励标准。OpenAI 指出行业竞争压力可能引发集体行动问题,导致 AI 公司在安全上投入不足,希望这些策略能促进安全开发合作并带来更好的全球成果。
OpenAI 于 2019 年 4 月 27 日举办了首届 OpenAI Robotics Symposium。
OpenAI 第二届 OpenAI Scholars 项目结业,8 位 scholars 全部完成最终项目,并在 OpenAI 举办的 Scholars Demo Day 上进行了展示。
OpenAI 第二届 Fellows Fall 2018 项目已结束,每位 Fellow 在 6 个月学徒期内从机器学习初学者成长为 OpenAI 核心贡献者。OpenAI 正在滚动审核下一轮 OpenAI Fellows Summer 2019 的申请。
OpenAI 发布 MuseNet,一个可生成 4 分钟、包含 10 种乐器并融合从 country 到 Mozart 到 the Beatles 等不同风格的深度神经网络。
OpenAI 发布 Sparse Transformer,这是一种深度神经网络,在文本、图像和声音的序列下一 token 预测上刷新纪录。它通过对注意力机制做算法改进,能从比此前可能长 30 倍的序列中提取模式。
OpenAI Five 在本周末的 Finals 中连胜两局,击败 Dota 2 世界冠军战队 OG,成为首个在电竞项目中战胜世界冠军的 AI。原文指出,OpenAI Five 与 DeepMind 的 AlphaStar 此前都曾在私下击败过顶尖职业选手但输掉了现场直播的比赛,因此这也是 AI 首次在直播中战胜电竞职业选手。
推荐理由:原文点明这是 AI 首次在直播中战胜电竞职业选手,提供了与 AlphaStar 此前战绩的对照背景。
OpenAI 将于 4 月 13 日 11:30am PT 举办 OpenAI Five 的最后一场现场比赛。这是 OpenAI Five 系列的收官赛事。
OpenAI 从 550 名申请者中选出 8 名 Scholar 组成 2019 届团队,成员背景涵盖文学、哲学、细胞生物学、统计学、经济学、量子物理和商业创新等领域。
OpenAI 成立了名为 OpenAI LP 的新“上限利润”(capped-profit)公司,以快速加大对算力和人才的投入,同时通过制衡机制落实其使命。
OpenAI 与 Google 研究者合作开发了 Activation Atlases,一种用于可视化神经元之间交互所代表含义的新技术。随着 AI 系统被部署到日益敏感的场景中,更好地理解其内部决策过程有助于识别弱点并调查故障。
OpenAI 发布论文,主张长期 AI 安全研究需要社会科学家参与,以确保 AI 对齐算法在真实人类参与时依然有效。论文指出,将先进 AI 系统与人类价值对齐需要解决人类理性、情绪与偏见心理学方面的诸多不确定性,旨在推动机器学习与社会科学界的合作,OpenAI 计划全职招聘社会科学家。
OpenAI 宣布训练出一个大规模无监督语言模型,能生成连贯段落,在多个语言模型基准上取得 state-of-the-art 表现,并在未经任务特定训练的情况下完成初步的阅读理解、机器翻译、问答和摘要任务。
OpenAI 首批 Fellows 项目结项,每位 Fellow 在 6 个月的学徒期中从机器学习初学者成长为 OpenAI 核心贡献者。