Recently in Tech 軟體工程師科技時事新聞 10/28/19

科技時事新聞

Published in

Yenlin Chen

6 min readNov 7, 2019

1 微軟贏得JEDI計畫 (Microsoft won the JEDI contract on 10/25/19) [1]

The Joint Enterprise Defense Infrastructure，簡稱JEDI ，是美國國防部為期10年的的雲端計畫，預估規模有100億美金。最初參與角逐這個計畫的有Amazon, Google, Microsoft, Oracle等等公司。其中Google在其員工群起抗議後，宣布退出。Oracle跟一些其他公司也在競爭中被淘汰，剩下Amazon跟Microsoft。2019/10/25美國國防部宣布由Microsoft贏得計畫，打敗了原本一直被看好的Amazon。

2 AWS將以promotional credits贊助開放原始碼計畫 (AWS promotional credits for open source projects 10/04/19) [2]

雲端服務提供商Amazon Web Services (AWS)，10/04在其開放原始碼blog宣布將無償提供運算資源給Rust程式語言基礎相關設施，包含跑測試，提供compiler下載等等。並也宣布將擴大提供AWS promotional credits給其他open source projects。

要申請獲得promotional credits，你需要：

一個已啟用的AWS帳號。
該帳號需連結至有效的付款方式，且無欠款。
你的open source project需授權在OSI (Open Source Initiative) 的條款下。

申請書在10~15個工作天內會被審核，如果通過會收到一封email通知。Promotional credit有效期限是一年。

3 Google宣布10個新的.new 網域(10 shortcuts made possible by .new 10/29/19) [3, 4]

.new domain的用途，基本上讓使用者可以用簡單好記的網址，在尾端加上.new來建立資源。今天宣布的例子有：

https://playlist.new/：創建新Spotify播放清單
https://story.new/：建立新的Medium story
https://repo.new/：建立新的GitHub repository

等等。12/2可以開始申請新的.new網域。

4 Google宣布旗下量子電腦達到Quantum Supremacy，但IBM駁斥該說法 (Google claimed to have attained Quantum Supremacy but disputed by IBM 10/23/19) [5, 6]

Google宣布其名為Sycamore的53-qubit量子電腦，用200秒解決了一個現今最快的超級電腦需要10,000年才能夠完成的運算。該運算是專門設計來展現只有量子電腦才有的特性，所以並無實質用途。同為量子電腦領域的競爭對手IBM，出面駁斥該說法，認為Google在超級電腦上的實作方式只使用了RAM，但藉由同時使用RAM，硬碟還有一些現有的優化，可以將超級電腦上的運算時間壓縮至數天。執得注意的是，IBM並未實際實作該提案。

根據量子電腦目前的發展，可能還需要非常久的時間才可以看到非常有限的應用。

5 DeepMind宣布旗下AlphaStar人工智慧在星際爭霸2達到Grandmaster等級，並勝過99.8%線上聯盟的人類玩家 (DeepMind’s AI has now outcompeted nearly all human players at StarCraft II) [7]

這篇新聞很有趣的地方主要有兩處。

即時對戰遊戲能夠模擬AI處理現實世界問題所需要的技能

例如：資源分配，人力派遣等等。在來，現實世界的很多問題，在處理時並沒有完整的資訊，所以要成功完成任務，必須要根據新的訊息隨時更新策略。星際爭霸戰就是一個很經典的玩家缺乏完整資訊的遊戲。這跟傳統上AI可以綜觀全局的遊戲，如西洋棋，很不一樣，也更接近現實世界。

不同的reinforcement learning方針

AlphaStar使用了reinforcement learning，基本上就是給電腦一個獎勵回饋機制，例如：比賽贏了就+1分，輸了則-1分，然後讓電腦用試錯的方式來學習。傳統上，reinforcement learning常讓AI自己跟自己比，然後兩者的目標都被設定成要最大化贏的機率。AlphaStar的研究者在這次設計了一個不一樣的訓練方式，他們把其中一個AI的目標，設定成最大化利用對手的弱點而非自己獲勝的機率。其靈感來源就是專業人類選手們互相訓練的方式。

雖然AlphaStar的成就不容小覷，但也展現了目前ML的根本限制：需要比訓練人類選手多很多的資料量，才能達到一樣的水平。