【低谷】比特币跌至7600美元 数字货币市值24小时缩水600亿；微软AI又一里程碑:中翻英机器水平”媲美人类”
1.比特币跌至7600美元 数字货币市值24小时缩水600亿；
2.黑客风波刚要过去 比特币失守8000美元关口；
3.微软AI又一里程碑：中翻英机器水平”媲美人类”；
4.AI做决策... 新大脑的乘法优势
1.比特币跌至7600美元 数字货币市值24小时缩水600亿；
新浪科技讯 北京时间3月15日晚间消息，由于比特币和以太坊等主要数字加密货币的价格继续下滑，整体数字加密货币市值在过去的24小时已经缩水600亿美元。
数字加密货币行情网站Coinmarketcap.com数据显示，当前全球数字加密货币市值约为3104亿美元，而昨日约为3729亿美元。
今日，全球最大数字加密货币比特币的价格一度跌至7676.52美元，为3月8日以来的最低记录。同时，第二大和第三大数字加密货币以太坊和瑞波币的价格今日也急剧下滑。
分析人士称，这一轮的数字加密货币价格下滑主要有两大因素。首先，彭博社昨日报道称，比特币交易所Mt Gox破产受托人Nobuaki Kobayashi在本周的债权人会议上透露，他自去年9月已经抛售了价值4亿美元的Mt Gox比特币。
其次，谷歌昨日也宣布，从今年6月起，禁止在搜索平台上出现所有与数字加密货币和ICO(首次代币发行)相关的广告。(李明)
2.黑客风波刚要过去 比特币失守8000美元关口；
北京商报讯（记者 崔启斌 张弛）在黑客风波刚要过去、比特币价格小幅反弹逼近1万美元后，3月15日，比特币又遭遇一波瀑布式下跌行情。据INVESTING价格统计显示，3月15日比特币全球均价已跌破8000美元，24小时跌近15%。
市场分析认为，此次下跌与3月14日美国众议院金融服务委员会就数字货币和ICO召开听证会有关，有消息称，该会议主要探讨关于数字货币行业所面临的监管问题。听证会主席Bill Huizenga称将会加大监管力度，并表示委员会并不会对投资者缺乏保护而袖手旁观。
据北京商报记者观察，目前国内大多数投资者已经失去了此前的狂热，开始回归理性。与此前赌上全部家当谋求一夜暴富相比，国内数字货币的小额投资者已经开始调侃自身“韭菜”的称号，并且大部分人在币价下跌时开始割肉止损。
著名币圈大佬天使投资人薛蛮子表示，“野蛮生长的炒币时代已经过去了。今后的区块链创业者们融资数额会越来越少，估值会渐渐地回归理性，团队与投资人之间可能会出现业绩对赌条款，以保证项目方的信心。项目会两极分化。优秀项目会越来越好，没有什么核心竞争力的项目会死掉，泡沫开始破了”。
3.微软AI又一里程碑：中翻英机器水平”媲美人类”；
继在语音识别和机器阅读领域取得的“过人”成绩，由微软亚洲研究院与雷德蒙研究院的研究人员组成的团队3月15日宣布，其研发的机器翻译系统在通用新闻报导测试集newstest2017的中翻英测试集上， 达到了可与人工翻译媲美的水平。 这是第一个在新闻报导的翻译质量和准确率上可以比肩人工翻译的翻译系统。
newstest2017新闻报导测试集由产业界和学术界的合作伙伴共同开发，并于去年秋天在WMT17大会上发布。 为了确保翻译结果准确且达到人类的翻译水平，微软研究团队邀请了双语语言顾问将微软的翻译结果与两个独立的人工翻译结果进行了比较评估。
微软技术院士，负责微软语音、自然语言和机器翻译工作的黄学东称，这是对自然语言处理领域最具挑战性任务的一项重大突破。 「在机器翻译方面达到与人类相同的水平是所有人的梦想，我们没有想到这么快就能实现。 」他表示，「消除语言障碍，代表人们的沟通进步，这非常有意义，值得我们多年来为此付出的努力。 」
机器翻译是科研人员攻坚了数十年的研究领域，曾经很多人都认为机器翻译根本不可能达到人类翻译的水平。 虽然此次突破意义非凡，但研究人员也提醒大家，这并不代表人类已经完全解决了机器翻译的问题，只能说明我们离终极目标又更近了一步。 微软亚洲研究院副院长、自然语言计算组负责人周明表示，在WMT17测试集上的翻译结果达到人类水平很鼓舞人心，但仍有很多挑战需要我们解决，比如在实时的新闻报导上测试系统等。
微软机器翻译团队研究经理Arul Menezes表示，团队想要证明的是：当一种语言对（比如中-英）拥有较多的训练数据，且测试集中包含的是常见的大众类新闻词汇时，那么在人工智能技术的加持下机器翻译系统的表现可以与人类媲美。
虽然学术界和产业界的科研人员致力于机器翻译研究很多年，但近两年深度神经网络的使用让机器翻译的表现取得了很多实质性突破，翻译结果相较于以往的统计机器翻译结果更加自然流畅。 为了能够取得中-英翻译的里程碑式突破，来自微软亚洲研究院和雷德蒙研究院的三个研究组，进行了跨越中美时区、跨越研究领域的联合创新。
其中，微软亚洲研究院机器学习组将他们的最新研究成果 - 对偶学习（Dual Learning）和推敲网络（Deliberation Networks）应用在此次取得突破的机器翻译系统中。
微软亚洲研究院副院长、机器学习组负责人刘铁岩介绍道，「这两个技术的研究灵感其实都来自于我们人类的做事方式。 」对偶学习利用的是人工智能任务的天然对称性。 当我们将其应用在机器翻译上时，效果就好像是通过自动校对来进行学习 - 当我们把训练集中的一个中文句子翻译成英文之后，系统会将相应的英文结果再翻译回中文，并与原始的中文句子进行比对，进而从这个比对结果中学习有用的回馈信息， 对机器翻译模型进行修正。 而推敲网络则类似于人们写文章时不断推敲、修改的过程，通过多轮翻译，不断地检查、改善翻译结果，从而使翻译的质量大幅提升。 对偶学习和推敲网络的工作发表在NIPS、ICML、AAAI、IJCAI等人工智能的全球顶级会议上，并且已被其他学者推广到机器翻译以外的研究领域。
周明带领的自然语言计算组多年来一直致力于攻克机器翻译，这一自然语言处理领域最具挑战性的研究任务。 周明表示：「由于翻译没有唯一的标准答案，它更像是一种艺术，因此需要更加复杂的算法和系统去应对。 」自然语言计算组基于之前的研究积累，在此次的系统模型中增加了另外两项新技术：联合训练（Joint Training）和一致性规范（Agreement Regularization），以提高翻译的准确性。 联合训练可以理解为用迭代的方式去改进翻译系统，用中英翻译的句子对去补充反向翻译系统的训练数据集，同样的过程也可以反向进行。 一致性规范则让翻译可以从左到右进行，也可以从右到左进行，最终让两个过程生成一致的翻译结果。
可以说，两个研究组分别将各自所在领域的累积与最新发现应用在此次的机器翻译系统中，从不同角度切入，让翻译质量大幅提升。 在项目合作过程中，他们每周都会与雷德蒙总部的团队开会讨论，确保技术可以无缝融合，系统可以快速迭代。
newstest2017新闻报导测试集包括约2000个句子，由专业人员从在线报纸样本翻译而来。 微软团队对测试集进行了多轮评估，每次评估会随机挑选数百个句子翻译。 为了验证微软的机器翻译是否与人类的翻译同样出色，微软没有停留在测试集本身的要求，而是从外部聘请了一群双语语言顾问，将微软的翻译结果与人工翻译进行比较。
验证过程之复杂也从另一个侧面展现了机器翻译要做到准确所面临的复杂性。 对于语音识别等其它人工智能任务来说，判断系统的表现是否可与人类媲美相当简单，因为理想结果对人和机器来说完全相同，研究人员也将这种任务称为模式识别任务。
然而，机器翻译却是另一种类型的人工智能任务，即使是两位专业的翻译人员对于完全相同的句子也会有略微不同的翻译，而且两个人的翻译都不是错的。 那是因为表达同一个句子的“正确的”方法不止一种。 周明表示：「这也是为什么机器翻译比纯粹的模式识别任务复杂得多，人们可能用不同的词语来表达完全相同的意思，但未必能准确判断哪一个比较好。 」
复杂性让机器翻译成为一个极有挑战性的问题，但也是一个极有意义的问题。 刘铁岩认为，我们不知道哪一天机器翻译系统才能在翻译任何语言、任何类型的文本时，都能在“信、达、雅”等多个维度上达到专业翻译人员的水平。 不过，他对技术的进展表示乐观，因为每年微软的研究团队以及整个学术界都会发明大量的新技术、新模型和新算法，「我们可以预测的是，新技术的应用一定会让机器翻译的结果日臻完善。 」
研究团队还表示，此次技术突破将被应用到微软的商用多语言翻译系统产品中，从而?明其它语言或词汇更复杂、更专业的文本实现更准确、更地道的翻译。 此外，这些新技术还可以被应用在机器翻译之外的其他领域，催生更多人工智能技术和应用的突破。CTIMES
4.AI做决策... 新大脑的乘法优势
过去30年，信息科技经历几次巨大的质变，经历e化、因特网化、行动化、社群化、云端运算，以及近年的大数据、工业4.0、物联网等等浪潮。 从去年起，社会突然看见人工智能（AI）的威力及潜力，无论是产业或学研各界都对它充满期待。
看待AI，有人忧心忡忡，有人冷眼以对，觉得只是另一波的蛋塔式流行。 因此，我来谈谈AI与过去30年信息科技变革的同与异。
AI其实与过去的所有信息科技质变一样，都由一波热潮来先行，热潮过后自然会退烧，但所带来的影响将会永久性地改变我们的生活及工作样态（试想20年前怎么决定买不买某项商品？ ）。
记得20年前有开班教如何用计算机及Office软件，15年前还有教上网及设计网页的课程吗？ 现在这类型的课程几乎消失，不是会用Office软件及上网不重要，而是因为这些技能已成必备。
同样地，对于今天的AI学习热潮，你可能怀疑这一波热潮将持续多久。 身为台湾人工智能学校执行长，我可以告诉你，这波热潮不会也不需要持续太多年。 原因很简单，AI退烧的同时，我们将慢慢发现它将无所不在，应用于我们生活及工作的各个角落，因此AI课程会慢慢并入学校教育、软件设计及各领域的专业课程里头，成为知识工作者的必备知识。
另一方面，AI与过去30年的信息科技浪潮有些根本上的差异。 e化、因特网化 54 33632 54 18354 0 0 3765 0 0:00:08 0:00:04 0:00:04 3764行动化、社群化、大数据等等趋势的本质都在于提供更多的「信息」；云端运算、工业4.0及物联网都是运算平台的进展，在于能够收集及提供更多信息。 一言以蔽之，过去30年的信息科技进展主要在于把更多更好的信息带给人们，以帮助人们做决策。
这一波的AI浪潮是信息科技史上头一遭，在信息运用上的突破，不再以人类为决策主体，而是企图由计算机来辅助甚至代替人类的决策。 简单来说，过去的突破都在于讯息的提供，对我们的优势帮助是「加法」：多拥有一些讯息，竞争力是加分的。 而这一波的突破，终于比较符合我们对于电「脑」的期待（不再只是书僮），开始让它来帮助人类做决策。 因此，AI带来的优势是「乘法」，基于我们拥有的讯息，让计算机进行比人类更客观更全面，可能也是更准确的判断，在竞争力上可有立竿见影的加乘效果，这是为什么它如此重要、忽略它如此致命的原因。
另一个不同之处，过去的科技进展，通常我们可用涵盖率（coverage） 来衡量一家企业的导入进展。 例如说公司内部有100个系统，有70个系统支持行动应用。 但因为AI的目的在「决策」而不在「信息」，因此AI的导入进程应该用「绩效」来评估，就像在评估学生的学习成果一样。
一个残酷的事实是，十家在同一种产线同一个问题同样导入AI技术的同业，导入的绩效可能皆不相同。 AI的导入不是0与1，未来每家公司都会导入AI，但拥有足够深度的认知及技术（以及数据治理），才有可能藉由AI的帮助下达到比同业更好的绩效。
趋势大师凯文． 凯利说：「如果你了解AI，知道怎么与AI一起工作，以后你会先找到工作。 」未来，不懂驾驭AI的个人或企业，就像今天不会上网或没有e化一样，不一定会致命，但保证大幅丧失竞争力。 因此，没有学不学的问题，而是早学或晚学的问题。 你希望成为哪一种？
（作者为中央研究院信息科学研究所研究员、台湾数据科学协会理事长及台湾人工智能学校执行长） 经济日报
END