最新公布了2017年度最受关注的 Top 100篇论文，本文重点介绍其中与人工智能相关的4篇，它们分别是：AI超越人类的时间预测、深度神经网络皮肤癌分类达到皮肤科医生水平、AlphaGo Zero不使用人类知识掌握围棋，以及破译灵长类动物大脑中的面部识别密码。这些线年人工智能领域的大新闻，引发了的大量的讨论和思考。
伟大的科研结果往往引起大量的社会关注和实际影响。Altmetric score 是对基于引用数的传统论文计量方法的一种补充，是科研论文发表后的国际关注度的一个指标，衡量的因素包括新闻报道、博客、推特、Facebook、新浪微博、等。Altmetric的数据来源于互联网，提供了有关期刊论文和其他学术界各地探讨和应用情况的信息，目前已被应用于《自然》、《科学》、《柳叶刀》 等期刊网站，以及许多机构数据库和研究者个人网站中。
在过去的一年里，Altmetric 追踪了220万个不同的研究的超过1850万次社交。按照Altmetric关注度分数排名，公布了2017年度最受关注的100篇期刊文章（排名截至2017年11月15日）。
篇幅所限，在本文中我们将重点介绍2017年Altmetric Top100 论文中与人工智能相关的4篇，它们分别是：AI超越人类的时间预测、深度神经网络皮肤癌分类达到皮肤科医生水平、AlphaGo Zero不使用人类知识掌握围棋，以及破译灵长类动物大脑中的面部识别密码。这些线年人工智能领域的大新闻，引发了的大量的讨论和思考。
在文末，我们附上了 Top 100 论文列表，读一读标题，或许也能对2017年大众、科学家们、以及你在关注什么有所了解。
Top 100 论文中大部分与人类健康有关，例如最高得分的《柳叶刀》论文说，多吃好的脂肪于健康有益，反而主食（碳水化合物）摄入与较高的死亡率有关。这份列表中超过一半的论文（53％）发表在医学期刊。
内容简介：研究者对所有在2015年 NIPS 和 ICML 会议上发表论文的研究人员进行了这次调查，收到有效回复352份（占所联系的1634位作者的21%）。调查的问题是“AI将在何时实现超越人类的能力？”，涉及特定的AI能力（例如叠衣服，语言翻译），在特定职业（如卡车司机，外科医生）AI 的优势，在所有任务上AI相对人类的优势，以及高级AI的社会影响。
综合这些研究人员的预测，作者写道，未来10年，AI 将在许多活动表现得比人类好，例如翻译语言（到2024年），撰写高中程度的文章（到2026年），驾驶卡车（到2027年），零售业工作（到2031年）， 写畅销书（到2049年），以及外科医生的工作（到2053年）。研究人员认为，在 45 年内有50%的可能性 AI 将在所有任务中表现超过人类，在120年内所有人类的工作都将自动化。
内容简介：皮肤癌是最常见的人类恶性肿瘤，主要通过视觉方式诊断，从临床筛查开始，之后可能跟进皮肤镜分析检查、活体细胞检测和组织病理学检查。由于皮肤病变外观的细粒度变化，让系统自动对皮肤病变图像进行分类十分困难。深度卷积神经网络（CNN）常被用于分类各种不同细粒度的对象，并且在多项任务中表现良好。但是，与分辨不同种类的猫狗的图片不同，将一块不规则的皮肤色斑识别为良性脂溢性角化病还是恶性肿瘤会影响患者的生活乃至生命。因此，算法需要极高的准确率与可靠性。
过程示意图：研究人员训练算法总结图像里的模式，也即发现疾病经由组织在外观上所遵循的规则。来源：Fig. 1b, Esteva, Kuprelet. al,2017
在这一研究中，研究者展示了使用单一CNN对皮肤病变进行分类的过程，这一神经网络仅以像素和疾病标签作为输入，直接使用图像进行端到端的训练。研究者自建用于训练算法的皮肤癌数据库，并进行数据清洗和图像处理。最终他们使用包含 129450 幅临床图像的数据集——比以前的数据集大了两个数量级——包含 2032 种不同的疾病类型，训练了一个CNN。他们使用活检的临床医学图像，测试了该网络在两个实验中的性能，结果与 21 位认证皮肤科医生的表现做对比。
这两个对比实验分别是：1、区分角质形成细胞癌（最常见的皮肤癌）与良性脂溢性角化病；2、区分恶性黑色素瘤（最致命的皮肤癌）和良性痣。深度卷积神经网络在这两个任务上的表现都达到了所有接受测试的专家的水平，证明了这一人工智能系统的皮肤癌鉴定水平与皮肤科医生相当。
配备这个深度神经网络的移动设备可以让皮肤科医生的诊断得到临床以外的使用。预测到 2021 年，全球将有 63 亿智能手机用户，这为实现低成本的重要诊断铺平道。
内容简介：人工智能长期以来的目标之一是创造一个能够在具有挑战性的领域，以超越人类的精通程度学习的算法。此前，AlphaGo 成为首个在围棋中战胜人类世界冠军的系统。AlphaGo 的神经网络使用人类专家下棋的数据进行监督学习训练，同时也通过对弈进行强化学习。
DeepMind 的研究人员在这篇 Nature 论文中介绍了一种仅基于强化学习的算法，不使用人类的数据、指导或规则以外的领域知识。AlphaGo Zero实现了超越人类的表现，以100：0的成绩击败了此前发表的AlphaGo。
AlphaGo Zero 得到这样的结果，是利用了一种新的强化学习方式，在这个过程中，AlphaGo Zero 成为自己的老师。这个系统从一个对围棋游戏完全没有任何知识的神经网络开始。然后，通过将这个神经网络与一种强大的搜索算法相结合，它就可以自己和自己下棋了。在它对弈的过程中，神经网络被调整、更新，以预测下一个落子以及对局的最终赢家。
AlphaGo Zero学到的知识。a，AlphaGo Zero训练期间发现的五个人类定式（常见的角落序列）。b）对弈中爱用的5个定式。c）在不同训练阶段进行的3次对弈的前80步棋，每次搜索使用1,600次模拟（约0.4s）。最开始，系统关注夺子，很像人类初学者。而后，关注势和地，也即围棋根本。最后，整场比赛体现出了很好的平衡，涉及多次战斗和一场复杂的战斗，最终以白棋多半子获胜。
这个更新后的神经网络又将与搜索算法重新组合，进而创建一个新的、更强大的 AlphaGo Zero 版本，再次重复这个过程。在每一次迭代中，系统的性能都得到一点儿的提高，对弈的质量也在提高，这就使得神经网络的预测越来越准确，得到更加强大的 AlphaGo Zero 版本。
这种技术比上一版本的 AlphaGo 更强大，因为它不再受限于人类知识的局限。相反，它可以从一张白纸的状态开始，从世界上最强大的围棋玩家——AlphaGo 自身——学习。
值得一提的是，这篇论文发表不到2个月之后，DeepMind又一次刷新了AI在棋类游戏上的成就。他们提出通用的棋类AI AlphaZero，同样是从零开始训练，除了基本规则不使用任何其他知识，分别战胜了国际象棋、将棋和围棋的最强AI。
内容简介：这项研究了人脸识别的具体神经元活动过程。通过扫描猴子的大脑，同时向它们展示不同的计算机生成的图像，研究人员破译了灵长类动物识别和记忆人脸的方式。
对猴子的实验表明，对脸部的识别是由大脑中 200 多个不同神经元共同编码完成的，每个神经元会对一张脸不同特征的参数组合进行反应。这一发现了此前人脸由特定细胞识别的。
视觉皮层神经元针对特意设计的人脸不进行响应，证明了论文提出的 Axis Model 确实存在
《纽约时报》报道称，机器学习给神经科学带来了一种悲观主义色彩，认为大脑类似黑箱，该论文则提供了反例：研究人员记录了视觉系统最高级的神经元信号，可以看到那里没有黑箱。也就是说，揭开大脑的奥秘是完全可能的。
1975 - 2016年全重指数，体重不足，超重和肥胖的趋势：对1289万儿童，青少年和成年人的2416次测量研究进行汇总分析
全球195个国家和地区的医疗可及性和质量指数与死亡率，1990 - 2015年：2015年全球疾病负担研究
微针贴片（TIV-MNP 2015）提供的灭活流感疫苗的安全性、免疫原性和可接受性：一项随机，部分双盲，安慰剂对照的1期试验
延伸相关词：
陈小艺被曝姐弟恋,倒追小伙被当保姆,陆贞传奇演员表,人鱼情未了 电视剧,莫小棋三级,保拉的诱惑,李慧珍老公,luciano rivarola,如意剧情介绍电视猫,电视剧当狗爱上猫