2018年3月

原标题:间谍中毒事件持续发酵 美国和20个欧盟国家或将驱逐俄外交官

央广网北京3月26日消息(记者朱敏)据中国之声《新闻纵横》报道,美国彭博新闻社称,在英俄双重间谍中毒一事持续发酵的背景下,美国总统特朗普计划驱逐俄罗斯驻美外交官,以作为对此事的回应。报道称,该计划或将在美国当地时间26日公布。但在此之前,特朗普希望确保欧洲盟国对俄罗斯采取类似的举措。

据欧洲及俄罗斯等多家媒体称,多达20个欧盟国家正准备驱逐与莫斯科间谍网络有联系的俄罗斯外交官。这轮前所未有的协同驱逐行动将从今天开始。届时,欧盟驻莫斯科大使将被召回4周时间。美国是否真的会紧随欧盟步伐?这轮驱逐行动将给本就低谷的俄罗斯与美欧关系带来怎样的影响?

据英国《泰晤士报》网站3月23日报道,在22日夜间的4小时会谈中,英国首相特雷莎·梅动员法国、德国、立陶宛和爱尔兰一起作出强有力回应,以破坏英国情报机构认定存在的俄罗斯秘密行动网络。

欧洲理事会主席图斯克表示,一连串的驱逐行动和其他外交制裁将在26日开始,而且将持续整周时间。法国、德国、波兰、爱尔兰、荷兰等共20个国家将参加这场协调一致的行动。特雷莎·梅会后对欧盟成员这次的一致行动表示欢迎,她表示:“在这次的欧盟理事会上,我们充分讨论了俄罗斯的议题。我很高兴,结果是欧盟理事会与英国政府有同样的共识,即俄罗斯很可能是这起中毒案的凶手。它发生在索尔兹伯里的大街上,这没有其他合理的解释。俄罗斯威胁到我们的价值观。在这里,在欧盟理事会上,我们站在一起,坚守我们的价值观。”

据彭博社报道,两名知情人士已表示,美国总统特朗普也计划驱逐俄罗斯驻美外交官,以作为对此事的回应。为与欧盟同步,该计划也可能在美国时间26日公布。但在此之前,特朗普希望确保欧洲盟国对俄罗斯采取类似的举措。

中国人民大学国际关系学院副教授刁大明认为,特朗普跟随欧盟脚步驱逐驻美俄罗斯外交官的举动可能性很大。“通俄门”调查持续发酵,特别是去年8月初特朗普签署了国会两院高票通过的以制裁方式应对敌对势力法,追加对俄罗斯的大幅度制裁,美俄关系转圜的余地几乎没有了。虽然特朗普个人在有些场合表现出跟俄罗斯、特别是跟普京本人的互动,引发外界不断猜想,但整体态势比较负面,有对抗性。前段时间特朗普跟普京的互动引发美国国内不满,特朗普需要机会再次强调对俄罗斯强硬,来平衡其团队内部,包括美国国内的强硬态度。

当地时间3月4日,前“双面间谍”谢尔盖·斯克里帕尔和女儿,被发现昏迷在英国索尔兹伯里一家购物中心的长凳上。父女二人被确认是神经毒剂中毒,目前仍处于昏迷状态。英国认为这是俄罗斯所为,两国因此掀起外交风波,截至目前,23名驻英的俄罗斯外交官已经返回莫斯科。

对于英国的指责,俄罗斯方面坚决否认,并呼吁英方共同调查,但遭到英方拒绝。21日,俄罗斯外交部就此事召开发布会,邀请在俄驻外使节参加,140多名外交官参加了发布会,英美法德四国大使并未出席。俄罗斯外交部不扩散核武器与军备控制司司长叶尔马科夫表示:“真相越来越清晰,中毒案最有可能是伪造出来的违法投机行为,只是现在还要查出幕后黑手是谁,到底有何目的。有一条是明确的,俄罗斯与这起案件完全无关。”

从今天开始,欧盟成员国和美国若真的做出驱逐俄罗斯外交官的决定,这个春天俄罗斯迎来“外交寒冬”。刁大明认为,俄罗斯极有可能会做出强硬的反制措施,间谍事件让俄罗斯与美欧关系再次陷入低谷。“最近俄罗斯军队在俄乌边境进行军事行动演习,主要内容是防生化武器攻击,算是对美欧一些国家的回应。事实上,再次当选总统的普京原本有两个选择:一是和美欧缓和关系,换取一些发展空间,另外是继续强硬,与美欧对峙。目前看所谓间谍事件将普京推向第二种可能,即俄罗斯可能会增加对美欧等西方世界强硬的行动。”

来源:央广网

原标题:港大学生刊物再播“独” 妄揣候任校长将“赤化”学校

 “学苑”日前又再出版新一期“独”物。(图:文汇网) “学苑”日前又再出版新一期“独”物。(图:文汇网)

海外网2月25日电 近年屡屡借所谓“学术讨论”大肆播“独”的港大学生会刊物“学苑”,日前又再出版新一期“独”物,文章不但“妖魔化”香港本地教育界行之有效的内地实习计划,又将港大候任校长张翔于内地成长及接受教育的背景无限放大。对于此举,港媒直斥其排除异己、心态荒诞,毫无理性可言。

据香港《文汇网》消息,“学苑”最新一期多篇文章均渗透强烈煽动“独”流讯息,其中一篇对国情交流团与“内地实习计划”极尽抹黑,文中仿佛将鼓励年轻人认识国情及爱国视为“洪水猛兽”,动辄便将寻常交流活动称为“洗脑”,扬言要予以抗衡云云。

乱扣帽子 “独”刊妄揣候任校长“赤化”港大

另有文章则厚颜曲解港人“主流意见”,一厢情愿称香港人看内地“不是既畏却怒,多少带点不情愿又无可奈何的矛盾,便是从香港民族或邻国心态望向中国” ,又将内地与香港的紧密关系抹黑成“如鬼魅般瞰视,盘旋”,营造恐怖假象。

另一篇文章则“总结”并“展望”两代港大校长表现。该文行文极尽偏题,部分论点更充分反映“学苑“认为校长必须无条件支持学生,否则便是“软弱无能”的无赖作风。

在总结马斐森部分,文章提及港大校委会冲击事件。据了解,港大校委会冲击事件事实是多名滋事学生暴力冲击与禁锢校委,过程中更有校委因此受伤及不适,其后港大上一任校长马斐森忍无可忍谴责学生所为是“暴民统治(mob rule)”,主动报警处理本是尽校长之责,但“学苑”却可将之演绎为“软弱无能”,“未有站在学生的一方”,批评其言行是“出卖学生”,却从未反思学生连场暴力行为带来多少破坏。

文中亦有提及港大候任校长张翔,更无端指责其“身为首位在中国土生土长和接受教育的港大校长,张的背景难免令师生以至外界忧虑港大会否被‘赤化’。”其后文中又称外界对他所知甚少,却又武断称对方“行政经验不足惹质疑”,又引述消息称张翔拟倡议港大要“面向中国”,主动向国家争取更多科研资助,称立场“引起广大师生的关注”。

教联会主席斥责:毫无认知 不着边际

对于“学苑”发表的连篇胡言乱语,港媒指出,到头来不过是“逢内地必反”的荒诞心态作祟,毫无理性可言。

香港教育工作者联会主席黄锦良也表示难以苟同,其中就文章对香港学界推行内地实习与交流工作的评论,黄锦良直斥是胡说八道,指“学苑”对教育界的工作毫无认知,“在专业角度而言,内地交流能为内地与本港教师建构交流平台,互相分享与学习,取长补短;学生则可透过交流互相认识,了解彼此文化”,所谓“洗脑”之说根本是不着边际。

至于文章对两位校长的评析,黄锦良亦认为有欠客观,“难道校长眼见学生做错事都要盲目支持?”他强调,身为一校之长需权衡学生以至社会大众对学校的期望,不可能只照顾学生一方,而且事件中学生是有做错,理应予以指正。

他又批评“学苑”以“中国土生土长”标签张翔,强调对方尚未上任已作批评是有欠公允,叫人难以接受。(海外网 侯兴川)

二是中国近年先后4次降低部分商品进口关税。2015年,降低了749项商品进口关税,2016年又降低了787项产品进口关税。

三是服务领域开放迈出了实质性步伐。WTO对服务贸易定义了160个部门,中国加入WTO承诺开放100个,但目前已经开放120个。中国货物贸易虽是顺差,但服务贸易一直是逆差。王受文表示,尽管如此,中国还将扩大服务业的开放。

四是在投资领域,中国过去五年两次修改《外商投资产业指导目录》,对外资限制性措施削减了65%。先后设立11个自由贸易试验区,成为中国全面扩大开放的试验田。

五是中国高度重视知识产权保护。王受文举例称,中国对知识产权的保护给国外知识产权所有人带来了巨大利益。2001年,中国对外支付知识产权使用费为19亿美元,2017年达到286亿美元。

六是中国坚定支持多边、双边贸易体制,与WTO成员一起结束了信息技术的扩围谈判,取消了201项信息技术产品关税。积极进行贸易协定谈判,目前签署了16个自由贸易协定。

在回应中美贸易摩擦相关提问时,王受文指出,中美两国贸易规模巨大,摩擦在所难免,希望中美两国在WTO框架内磋商解决分歧。“中国不希望打贸易战,但利益受到损害,将会采取一切措施捍卫。”(完)

3月22日下午消息,去年,由创新工场、、头条联合主办的AI Challenger(以下简称AIC)全球AI挑战赛吸引了来自65个国家近万团队参赛。今年,AIC预热赛零样本学习(zero-shot learning)竞赛即日起开始比赛。

零样本学习竞赛同样发布大规模图像属性数据集,包含78017张图片、230个类别、359种属性。与目前主流的用于zero-shot learning的数据集相比,图片量更大、属性更丰富、类别与ImageNet重合度更低。

创新工场AI工程院运营副总裁吴卓浩表示,因为在很多情况下人们难以获得足够的有标注的数据来训练识别或预测模型。受人类学习能力的启发,零样本学习(zero-shot learning)希望借助辅助知识(如属性、词向量、文本描述等),在没有任何训练样本的情况下学会从未见过的新概念。这具有重要的研究意义和广泛的应用场景,被认为是实现大规模物体识别的一个重要方式。瞄准这个国际前沿课题,AI Challenger带来了目前世界最大的零样本学习数据集、以及国内首次零样本学习竞赛。

最具挑战的AI识别方法

零样本学习是当前最具挑战的AI识别方法之一。简单来说就是识别从未见过的数据类别,即训练的分类器不仅仅能够识别出训练集中已有的数据类别,还可以对于来自未见过的类别的数据进行区分。这是一个很有用的功能,使得计算机能够具有知识迁移的能力,并无需任何训练数据,很符合现实生活中海量类别的存在形式。

传统的“零样本学习”方法首先是让智能体(Agent)对类别进行语义理解。将类别标签利用辅助知识(如属性)嵌入到语义空间中,再利用训练集中的数据学习这种从图像到语义的映射关系。此后,即使遇到新的类别,只要提供了该类别的语义知识,模型即可识别该类别,这就是零样本学习。

例如识别一张斑马的图片,但在训练时没有训练过斑马的图片。那么我们可以通过比较这张斑马图片中包含的属性和各个类别的属性定义,进而在属性空间中找到与该测试图片相近标签,即为该图片的标签。

而零样本学习的意义也显而易见:在传统图像识别任务中,训练阶段和测试阶段的类别是相同的,但每次为了识别新类别的样本需要在训练集中加入这种类别的数据。一些类别的样本收集代价大,即使收集到足够的训练样本,也需要对整个模型进行重新训练。这都会加大识别系统的成本,零样本学习方法便能很好的解决这个问题。

将来未知语言也能翻译

早期的零样本学习研究可以追溯到2008 年,Larochelle 等人针对字符分类问题提出了零样本学习(zero shot learning)方法,并且识别准确率达到了60%。2009年Lampert 等人提出了Animals with Attributes数据集和经典的基于属性学习的算法,才真正打开零样本学习的关注度。

业内人士表示,在一些场景下,如细粒度物体识别、任意语言之间的翻译等,难以获得足够的有标注的数据来训练识别或预测模型。因此,零样本学习具有重要的研究意义和广泛的应用场景。受人类学习能力的启发,零样本学习希望借助辅助知识(如属性、词向量、文本描述等)学习从未见过的新概念。目前零样本学习被认为是实现大规模物体识别的一个重要方式。

以下是零样本学习的几个潜在应用场景。

1、未知物体识别——例如,模型在“马”、“牛”等类别上训练过,因此模型能够准确地识别“马”、“牛”的图片。当模型遇到“象”这个新类别,由于从未见过,模型无法作出判断。传统解决方案是收集大量“象”的图片,与原数据集一起重新训练。这种解决方案的代价高、速度慢。然而,人类能够从描述性知识中快速学习一个新概念。例如,一个儿童即使没有见过“象”,当提供他文本描述“象是一种的大型食草类动物,有长鼻和长牙”。儿童能够根据描述快速学会“象”这一新类别,并能在第一次见到“象”时识别出来。零样本学习与之类似,在没有任何训练样本的情况下,借助辅助知识(如属性、词向量、文本描述等)学习一些从未见过的新概念(类别)。

2、未知语言翻译——比如说要进行三种语言之间的翻译,按照传统的方法需要分别训练六个网络,在日语和韩语之间没有那么多样本的情况下,训练英语→特征空间→日语,韩语→特征空间→英语这两个网络,那么就可以自动学会韩语→特征空间→日语这个翻译过程。

3、未知类别图像合成——近年来,对抗网络GAN被用于图像合成,取得了以假乱真的效果。但传统图像合成仅能合成见过的类别的图像。零样本图像合成希望模型能够合成从未见过的类别的图像。目前已有一些算法通过条件GAN网络实现了零样本图像合成。

4、图像哈希——传统图像哈希算法利用一些训练样本来学习针对某些类别的哈希算法。但这些学习到的哈希算法无法用于新类别。零样本图像哈希,希望在已知类别上学到哈希算法能够运用到新的未知类别上。一些基于属性的零样本哈希算法已经被提出。

AI Challenger的想法

“数据是AI的燃料,开放数据集,才会更好地推动AI产业的进步。去年底,创新工场董事长兼CEO、人工智能工程院院长在北京举办的AI Challenger颁奖典礼上如此描述举办“AI Challenger全球AI挑战赛”的初心。

按照最初设定的目标,“AI Challenger全球AI挑战赛”首先要建设紧贴前沿科研任务需要的数据集,再者是要建立超大规模的高质量数据,第三个目标是要打造开放的世界级平台。

“人工智能发展的必经之路之一是“教会”机器认识我们的世界,这也是为什么有了互联网发展过程中所积累下来的海量标注数据,才促成了最近这一波人工智能技术和应用的突破。但是,让机器认识世界的挑战仍然非常大,因为在很多情况下人们难以获得足够的有标注的数据来训练识别或预测模型。“创新工场AI工程院运营副总裁吴卓浩表示,受人类学习能力的启发,零样本学习(zero-shot learning)希望借助辅助知识(如属性、词向量、文本描述等),在没有任何训练样本的情况下学会从未见过的新概念。这具有重要的研究意义和广泛的应用场景,被认为是实现大规模物体识别的一个重要方式。瞄准这个国际前沿课题,AI Challenger带来了目前世界最大的零样本学习数据集、以及国内首次零样本学习竞赛。(辛苓)

附:

竞赛奖励:*以下提及金额为税前金额,详细规则请参考《竞赛选手报名协议》

冠军:30,000人民币,颁发获奖证书

亚军:10,000人民币,颁发获奖证书

季军:3,000人民币,颁发获奖证书

双周冠军:3,000人民币

双周亚军:2,000人民币

双周季军:1,000人民币

数据集下载地址:https://challenger.ai/datasets

此次数据集和竞赛,由北京大学博雅特聘教授、博导、国家杰青王亦洲教授,大学付彦伟教授,创新工场AI工程院,在AI Challenger平台联合推出。