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。

来源:36氪

3月21日消息,美团打车今日正式登陆上海,同时上线了出租车和快车两种业务。在南京试点一年后,美团打车最终跨出了布局全国市场的第一步。

近期,有关美团打车到底何时上线的消息传了一波又一波,但美团官方却一直未透露任何具体消息。直到昨日,美团打车的广告牌默默出现在上海公交站台,用户才知道,美团打车要在上海开城了。

美团打车到底如何呢?与滴滴相比,是否真的更优惠、更便捷?36氪邀请一位上海朋友宋亮亮趁上班路上体验了一把,想告诉你这些细节。

宋亮亮先领取了美团的打车红包,共获得14元抵扣红包一张、3折优惠券两张(最高抵10元),有效期都是七天。另一位上海朋友领到的红包金额亦是如此。

随后,宋亮亮分别在美团和滴滴上定位了住所到公司的距离,均选择快车服务。可以看到,相同的路程,滴滴报价约77.9元,而美团在不使用优惠券的情况下需要79.04元,略高于滴滴。

从美团地图上来看,宋亮亮所在地周围司机较多,应该能顺利打到车。

这里先交代一下宋亮亮的日常通勤情况。宋亮亮每天10点上班,地铁就在小区门口,到公司需坐9站路,中间经历一次换乘,全程大约15公里。算上所有时间,到达公司总共需要50分钟左右,所以他一般会在9:05出门。

从美团、滴滴、高德地图三方的数据来看,这段路程打车时间与坐地铁相仿。但考虑到早高峰堵车、红绿灯等干扰因素,为避免上班迟到,宋亮亮选择了先打车坐到较近的一站地铁,再乘地铁到达公司。

于是,宋亮亮先在美团上将目的地选在了距离自己3站的地铁站,发现居然需要40多分钟,肯定会迟到,遂改为1站,报价为20.18元(不算抵扣券),大约需要20分钟。

根据宋亮亮反馈的情况,他9:01确认叫车,等待9秒后就有一辆别克GL8车主接了单。可以看到,司机距离较远,预计9分钟才能接到他。

而实际情况是,司机8分钟后接到了宋亮亮,13分钟后将其送达目的地。从叫车到去往目的地,全程共花费21分钟,与美团预测时间基本一致。

下车后,这笔订单实际共产生15.08元费用,低于美团20.18元的报价。使用14元抵扣券后,实际只支付1.08元。

但宋亮亮通过查询滴滴收费发现,相同的路程,滴滴快车报价为14元,同样略低于美团打车。

36氪采访了另一位经常使用滴滴打车的朋友。他告诉36氪,滴滴收费高低主要取决于车主车速快慢、道路畅通情况、红绿灯多少等因素,如非特殊或极端情况,基本与报价相符。

如此看来,对于上海乘客而言,美团打车报价较高,实际收费虽低于报价,但与滴滴相比仍没有太大价格优势。而对司机来说却是另一回事。

在上海地区前2万名注册的司机,开站三个月内可享受“零抽成”,2万名之后则收取8%的抽成,并另外收取每单0.5元信息费。对比滴滴,对司机的抽成则为20%。

值得注意的是,美团将打车与就餐场景打通,上海用户在美团搜索本地餐饮商户信息时,可以直接通过商家主页面的“打车”入口,跳转到打车服务,无需再手动输入起始地址,减少大量操作成本。这是滴滴所不能及的。