大微阁AI日报
OpenAI发布了过去一年研发的8个仿真机器人环境，以及Hindsight Experience Replay算法基线实现。这些环境用于训练可在真实机器人上运行的模型。OpenAI同时公开了机器人研究方向的需求列表。此举为机器人研究社区提供了标准化工具和基准，有助于推动算法比较和复现。
OpenAI与多家机构合作撰写论文，预测恶意行为者可能如何滥用AI技术，并提出预防和缓解措施。该报告基于近一年的研究，合作方包括未来人类研究所、存在风险研究中心、新美国安全中心、电子前哨基金会等。值得关注：为AI安全治理提供前瞻性框架，帮助政策制定者提前应对潜在风险。
OpenAI设计了一种方法，鼓励AI通过人类可理解的示例相互教学。该方法自动选择最具信息量的概念示例（如教“狗”概念的最佳图像），实验证明对AI教学有效。
OpenAI开发了一个系统，通过神经网络自动判断词语是否属于约100个自动发现的非互斥“类型”类别，从而确定词语所指的对象。该系统旨在提升实体消歧的准确性，对自然语言理解任务有重要影响。
OpenAI发布了高度优化的GPU内核，用于块稀疏权重的神经网络架构。根据官方披露，这些内核在特定稀疏度下比cuBLAS或cuSPARSE快数个数量级，并在文本情感分析、文本和图像生成建模中达到最先进水平。值得关注的是，该技术有望显著降低大规模神经网络的计算成本。
OpenAI开发的技术使完全在模拟环境中训练的机器人控制器，在真实机器人上执行简单任务时，能根据环境变化实时调整动作（闭环控制），而此前仅为开环。该技术让模拟训练更接近实用，为减少真实世界训练成本提供了新路径。
OpenAI在模拟机器人摔跤任务中，通过元学习训练的智能体能够快速击败非元学习的更强对手，并且元学习智能体还能适应物理故障。关键数据未提供具体数值，但显示了元学习在适应性和快速学习方面的优势。该结果对强化学习和机器人自适应控制有重要意义。
OpenAI通过自对弈方法，让模拟AI自主发现抢断、闪避、假动作、踢球、接球和扑球等物理技能，无需显式设计环境。结合此前Dota 2的自对弈结果，OpenAI认为自对弈将成为未来强大AI系统的核心部分。