新闻中心

排序方式

微软超级麻将AI Suphx论文发布,研发团队深度揭秘技术细节

2019年8月,微软在世界人工智能大会上正式宣布由微软亚洲研究院研发的麻将 AI 系统 Suphx 成为首个在国际知名专业麻将平台“天凤”上荣升十段的 AI 系统,其实力超越该平台公开房间顶级人类选手的平均水平。麻将 AI 到底有哪些难点?Suphx 这一在游戏 AI 领域具有跨越性的突破具体是如何实现的?微软亚洲研究院 Suphx 研发团队已将相关论文发表在 arXiv 上,本文将为大家解读论文的核心内容。

发布时间:2020-04-08 类型:深度文章

低耗时、高精度,微软提出基于半监督学习的神经网络结构搜索算法SemiNAS

近年来,神经网络结构搜索(Neural Architecture Search, NAS)取得了较大的突破,但仍然面临搜索耗时及搜索结果不稳定的挑战。为此,微软亚洲研究院机器学习组提出了基于半监督学习的神经网络结构搜索算法 SemiNAS ,能在相同的搜索耗时下提高搜索精度,以及在相同的搜索精度下减少搜索耗时。SemiNAS 可在 ImageNet(mobile setting) 上达到23.5%的 top-1 错误率和6.8%的 top-5 错误率。同时,SemiNAS 第一次将神经网络结构搜索引入文本到语音合成任务(Text to Speech, TTS)上,在低资源和鲁棒性两个场景下取得了效果提升。

发布时间:2020-03-30 类型:深度文章

2019盘点:机器学习更亲民,AI系统更精巧

本文与大家分享的是2019年机器学习和系统领域的突破与进展,以及未来趋势。如果说机器学习可以算是 AI 的大脑,那么系统网络就像 AI 的身体躯干。AI 的进一步普及,需要对机器学习算法、模型、理论等进行不断地优化和提炼,同时也需要能够构建出高效、稳定、可信乃至“精巧”的 AI 系统,为 AI 应用的真正落地做好诸多准备。

发布时间:2020-01-06 类型:深度文章

NeurIPS 2019 | 全参数化分布,提升强化学习中的收益分布拟合能力

强化学习正在游戏领域中被广泛应用,其中基于分布拟合的强化学习算法是目前性能最好的一类方法。在这类方法中,如何参数化收益分布是算法设计的核心问题。现有的参数化方法在对累积概率分布进行拟合的时候,往往是选择固定的分位点概率或者随机采样的分位点概率。但是不同分位点概率带来的拟合误差往往差别很大。为了更好的拟合收益分布,微软亚洲研究院提出了可自适应的累积分布分位点概率,可以找出对于拟合累积分布函数最关键的几个分位点概率,实现了全参数化的分位函数,大大提升了对收益分布的拟合能力。

发布时间:2019-12-10 类型:深度文章

游戏 AI 挑战进阶,即时策略游戏和非完美信息游戏成为热点

在前面两篇文章中,我们回顾了游戏 AI 历史上的几个经典算法和里程碑事件,还介绍了如何从数学角度衡量象棋、围棋、扑克、麻将等棋牌类游戏 AI 的复杂度。在这篇文章里,我们将分享几个近年来非常成功的游戏 AI,同时介绍几个尚未被 AI 攻克的流行游戏,它们无疑代表着未来游戏 AI 的发展方向和趋势。

发布时间:2019-08-21 类型:深度文章

哪类游戏AI难度更高?用数学方法来分析一下

在《游戏 AI 的缘起与进化》一文中我们讲到,游戏 AI 的进化始终与 AI 研究相生相伴,这是由于游戏种类丰富,难度和复杂性也很多样,人工智能攻克不同类型的游戏自然也反映了 AI 研究的进展,因此长期以来游戏一直是 AI 研究的黄金测试平台。

发布时间:2019-08-16 类型:深度文章

游戏 AI 的缘起与进化

计算机科学家们一直对游戏 AI 乐此不疲,原因并非为了精进棋艺,而是希望在此过程中不断提升人工智能的算法和处理复杂问题的能力。实际上,游戏 AI 的历史几乎和人工智能的历史一样长,很多关于人工智能的研究,都起源于研究如何构建能够完成游戏的智能体(agent)。游戏 AI 的进化,始终与 AI 研究进展相生相伴。

发布时间:2019-08-02 类型:深度文章

细粒度稀疏也能取得高加速比:神经网络模型压缩与加速的新思路

深度神经网络让人工智能在多个领域获得了极大的进步,但随着模型日益变大、变复杂,深度神经网络的低延迟推理对应用落地来说至关重要。为此,微软亚洲研究院系统与网络组从模型的稀疏性入手解决计算力需求增长与供应之间的矛盾,通过利用权重稀疏性(weight sparsity)和特征图稀疏性(feature map sparsity)同时达到高准确率,高模型压缩率和加速比。

发布时间:2019-06-20 类型:深度文章

速度提升270倍!微软和浙大联合推出全新语音合成系统FastSpeech

目前,基于神经网络的端到端文本到语音合成技术发展迅速,但仍面临不少问题——合成速度慢、稳定性差、可控性缺乏等。为此,微软亚洲研究院机器学习组和微软(亚洲)互联网工程院语音团队联合浙江大学提出了一种基于Transformer的新型前馈网络FastSpeech,兼具快速、鲁棒、可控等特点。与自回归的Transformer TTS相比,FastSpeech将梅尔谱的生成速度提高了近270倍,将端到端语音合成速度提高了38倍,单GPU上的语音合成速度达到了实时语音速度的30倍。

发布时间:2019-05-30 类型:深度文章