【低谷】比特币跌至7600美元，数字货币市值24小时缩水600亿； 微软 AI 又迈进了一步

1、比特币跌至7600美元，数字货币市值24小时缩水600亿；

2、黑客事件即将过去，比特币跌破8000美元大关；

3、微软AI的又一里程碑：中英翻译机水平“媲美人类”；

4. AI做决定……新大脑的乘法优势

1、比特币跌至7600美元，数字货币市值24小时缩水600亿；

新浪科技讯 北京时间3月15日晚间，随着比特币、以太坊等主要数字加密货币价格持续走低，过去24小时数字加密货币整体市值缩水600亿美元。

根据数字加密货币行情网站Coinmarketcap.com的数据，当前全球数字加密货币市值约为3104亿美元，而昨日约为3729亿美元。

今日，全球最大数字加密货币比特币价格一度跌至7676.52美元，为3月8日以来最低。同时，第二、第三大加密货币以太坊和瑞波币价格今日也大幅下跌。

分析人士认为，本轮数字加密货币价格下跌主要有两个因素。 首先，彭博社昨天报道称，比特币交易所Mt Gox的破产受托人Nobuaki Kobayashi在本周的债权人会议上透露，自去年9月以来，他已经出售了价值4亿美元的Mt Gox比特币。

其次，谷歌昨天还宣布，从今年6月开始，搜索平台将禁止所有与数字加密货币和ICO（Initial Coin Offering）相关的广告。 （李明）

2、黑客事件即将过去，比特币跌破8000美元大关；

北京商报讯（记者 崔启斌 张驰）在黑客风暴即将过去，比特币价格小幅反弹逼近10000美元后，3月15日，比特币又遭遇一波下跌行情。 据INVESTING价格统计，3月15日比特币全球均价跌破8000美元，24小时跌幅近15%。

市场分析认为，下跌与3月14日美国众议院金融服务委员会就数字货币和ICO举行的听证会有关。 据悉，会议主要讨论数字货币行业面临的监管问题。 听证会主席 Bill Huizenga 表示将会有更多监管，并表示委员会不会袖手旁观，眼睁睁地看着投资者缺乏保护。

据北京商报记者观察，国内投资者大多已经失去了以往的狂热情绪比特币最新市值多少亿，开始回归理性。 与以往赌上所有家当一夜暴富相比，国内数字货币的小投资者们开始嘲笑自己“韭菜”的称号，大多在币价下跌时开始割肉止损。

币圈知名天使投资人薛蛮子表示，“疯狂炒币的时代已经过去，未来区块链创业者募集的资金会越来越少，估值也会逐渐回归理性。团队和投资 人与人之间可能会有业绩对业绩对赌条款，以保证项目方的信心，项目会出现两极分化，优秀的项目会越来越好，没有核心竞争力的项目会死掉，泡沫开始爆裂。

3、微软AI的又一里程碑：中英翻译机水平“媲美人类”；

继在语音识别和机器阅读领域取得“优异”成绩后，3月15日，由微软亚洲研究院和雷蒙德研究院研究人员组成的团队宣布，其研发的机器翻译系统通过了通用新闻报道测试。 在newstest2017的汉英测试集上，已经达到了媲美人工翻译的水平。 这是第一个在新闻报道翻译质量和准确性方面可以与人工翻译相媲美的翻译系统。

newstest2017新闻报道测试集由产学界合作伙伴共同开发，于去年秋季的WMT17大会上发布。 为确保翻译结果准确并达到人工翻译水平，微软研究院团队请来双语语言顾问，将微软的翻译结果与两个独立的人工翻译结果进行对比。

负责微软语音、自然语言和机器翻译工作的微软技术研究员黄学东表示，这是自然语言处理领域最具挑战性任务的重大突破。 “在机器翻译方面达到与人类相同的水平是每个人的梦想，没想到这么快就实现了。” 他说：“消除语言障碍，代表着人们交流的进步，是非常有意义的，值得我们为此付出多年的努力。”

机器翻译是研究人员已经研究了几十年的一个研究领域。 很多人曾经认为机器翻译不可能达到人工翻译的水平。 虽然这一突破意义重大，但研究人员也提醒大家，这并不意味着人类已经彻底解决了机器翻译的问题，而是离最终目标又近了一步。 微软亚洲研究院副院长、自然语言计算事业群负责人周明表示，WMT17测试集上的翻译结果已经达到人类水平，令人鼓舞，但我们还有很多挑战需要解决，比如在实时新闻报道上测试系统等。

微软机器翻译团队研究经理 Arul Menezes 表示，团队想要证明的是：当一个语言对（比如汉英）有更多的训练数据，并且测试集包含常见的热门新闻词时，那么与在人工智能技术的加持下，机器翻译系统的性能可以媲美人类。

尽管学术界和工业界的研究人员多年来一直致力于机器翻译研究，但深度神经网络的使用在近两年的时间里在机器翻译的性能上取得了许多实质性的突破，翻译结果比以往的统计更准确机器翻译结果。 自然流动。 为了在汉英翻译上取得里程碑式的突破，微软亚洲研究院和雷蒙德研究院三个研究组进行了跨越中美时区、跨研究领域的联合创新。

其中，微软亚洲研究院机器学习组将他们的最新研究成果——Dual Learning and Deliberation Networks应用于突破性的机器翻译系统。

微软亚洲研究院副院长、机器学习组组长刘铁岩表示，“这两项技术的研究灵感其实都来自于我们人类做事的方式。” 对偶学习利用了人工智能任务的自然对称性。 当我们将其应用于机器翻译时，效果就像通过自动校对进行学习——当我们将训练集中的一个中文句子翻译成英文时，系统会将相应的英文结果翻译回中文，并与原始中文句子进行比较比较，然后从比较结果中学习到有用的反馈信息来修正机器翻译模型。 审稿网类似于人们写文章时不断审稿、修改的过程。 通过多轮翻译，他们不断检查和改进翻译结果，从而大大提高了翻译质量。 对偶学习和商议网络的工作已在NIPS、ICML、AAAI、IJCAI等世界顶级人工智能会议上发表，并被其他学者扩展到机器翻译以外的研究领域。

周明带领的自然语言计算组多年来一直致力于攻克机器翻译这一自然语言处理领域最具挑战性的研究课题。 周明说：“因为翻译没有统一的标准答案，它更像是一门艺术，所以需要更复杂的算法和系统来处理。” 自然语言计算组在前期研究积累的基础上，新增了另外两项新技术：Joint Training和Agreement Regularization，以提高翻译准确率。 联合训练可以理解为以迭代的方式改进翻译系统，使用中英翻译句子对来补充反向翻译系统的训练数据集，同样的过程也可以反向进行。 一致性规范允许从左到右或从右到左执行翻译，并最终允许两个过程产生一致的翻译结果。

可以说，两个课题组都将各自领域的积累和最新发现应用到这个机器翻译系统中，从不同角度切入，使翻译质量得到了极大的提升。 在项目合作过程中，他们每周与雷德蒙德总部团队召开会议，确保技术能够无缝集成，系统能够快速迭代。

newstest2017新闻报道测试集包括约2000句，由专业人士从在线报纸样本中翻译而来。 微软团队对测试集进行了多轮评估，每轮评估随机抽取数百句翻译。 为了验证微软的机器翻译是否和人工翻译一样好，微软并没有止步于测试集本身的要求，而是从外部聘请了一批双语语言顾问，将微软的翻译结果与人工翻译进行对比。

验证过程的复杂性也从另一个方面说明了机器翻译要达到准确度的复杂性。 对于语音识别等其他 AI 任务，判断系统的性能是否与人类一样非常简单，因为人类和机器的理想结果是相同的，研究人员也将其称为模式识别任务。

然而，机器翻译是另一种人工智能任务，即使是两个专业的翻译人员，对同一句话的翻译也会略有不同，而且都没有错误。 那是因为表达同一句话的“正确”方式不止一种。 周明说：“这就是为什么机器翻译比单纯的模式识别任务要复杂得多的原因。人们可能会用不同的词来表达完全相同的意思，但他们可能无法准确判断出哪个更好。”

复杂性使机器翻译成为一个极具挑战性的问题，同时也是一个非常有趣的问题。 刘铁燕认为，我们不知道什么时候机器翻译系统在翻译任何语言、任何类型的文本时，都能在“信、达、雅”等多个维度上达到专业翻译人员的水平。 不过，他对技术的进步持乐观态度，因为每年微软的研究团队和整个学术界都会发明大量的新技术、新模型和新算法，“我们可以预见，新技术的应用一定会让机器翻译的结果越来越好。”

研究团队还表示，这项技术突破将应用于微软的商用多语言翻译系统产品，以证明其他语言或词汇更复杂、更专业的文本也能被更准确、更真实地翻译。 此外，这些新技术还可以应用于机器翻译以外的其他领域，推动人工智能技术和应用取得更多突破。 中国时报

4. AI做决定……新大脑的乘法优势

过去30年比特币最新市值多少亿，信息技术经历了几次巨大的质变，包括电子化、互联网、移动化、社区化、云计算，以及近年来的大数据、工业4.0、物联网等浪潮。 从去年开始，社会顿时看到了人工智能（AI）的力量和潜力，各界，无论是产业界还是学术界，都对它充满了期待。

看AI的时候，有人忧心忡忡，也有人冷眼旁观，认为这不过是又一波蛋挞时尚。 所以，我先说说过去30年人工智能与信息技术变革的异同点。

事实上，人工智能与过去信息技术的所有质变一样。 在此之前有一波高潮。 热潮过后，热度自然会退去，但它带来的影响却将永久改变我们的生活和工作。 （试想一下，20 年前是如何决定是否购买一件物品的？）。

还记得20年前有学电脑、办公软件的课，15年前有上网、设计网页的课吗？ 现在这类课程几乎消失了，不是因为会用办公软件和上网不重要，而是因为这些技能已经成为必要。

同样，随着当今 AI 学习的蓬勃发展，您可能想知道它会持续多久。 作为台湾人工智能学院的CEO，我可以告诉大家，这波浪潮不会也不需要持续太多年。 原因很简单。 当AI的热度退去，我们会逐渐发现它会无处不在，应用到我们生活和工作的每一个角落。 因此，人工智能课程将逐渐融入学校教育、软件设计和各个领域的专业课程，成为知识工作者的必备知识。

另一方面，人工智能与过去30年的信息技术浪潮有着根本的不同。 电子化、互联网化、移动化、社区化、大数据等趋势的本质是提供更多的“信息”； 云计算、工业4.0、物联网都是计算平台的进步，能够收集和提供更多的信息。 总之，过去30年信息技术的进步，主要在于给人们带来更多更好的信息，帮助人们做出决策。

这波人工智能浪潮在信息技术史上尚属首次。 信息化应用的突破不再以人为决策主体，而是试图用计算机辅助甚至替代人的决策。 简单地说，过去的突破都在信息的提供上，对我们优势的帮助是“加法”：信息多了，竞争力就增加了。 而这波突破也终于更符合我们对计算机“大脑”（不再只是书童）的期待，开始让它帮助人类做决定。 所以，AI带来的优势就是“倍增”。 根据我们掌握的信息，让计算机做出比人类更客观、更全面的判断，也可能会更准确。 它可以在竞争力方面产生立竿见影的效果。 为什么是这样？ 它是如此重要，请忽略它为何如此致命。

另一个区别是过去的技术进步。 我们通常可以用覆盖率来衡量一个企业引进的进度。 比如公司有100个系统，有70个系统支持移动应用。 但由于人工智能的目的是“决策”而不是“信息”，人工智能的引入过程应该以“表现”来评价，就像评价学生的学习成果一样。

一个残酷的事实是，同一条生产线上针对同一个问题同样引入AI技术的十家企业，其表现可能并不相同。 AI的引入不是0也不是1，未来每个公司都会引入AI，但只要有足够的认知深度和技术（以及数据治理），就有可能借助AI取得比同行更好的业绩。

潮流大师凯文。 凯利说：“如果你了解 AI 以及如何与 AI 打交道，你会先找到工作。” 未来，不懂得驾驭AI的个人或企业，不一定能上网，也不一定没有今天的电子商务。 致命，但肯定会显着失去竞争力。 所以，这里不存在学不学的问题，而是早学晚学的问题。 你想成为哪个？

（作者为中央研究院信息科学研究所研究员、台湾数据科学学会理事长、台湾人工智能学院常务理事）经济日报

结尾