2017 年底，Nature 宣布将于 2019 年初推出全新在线期刊《Nature Machine Intelligence》。刚刚，这一子刊的第一期正式上线。
据 Nature 介绍，《Nature Machine Intelligence》是一个专门的线上刊物，以便尽快发布研究文章，使读者能够在文章发布在专门期刊前数周看到。该期刊内容类型多样化，包括原始研究论文和分析、新闻 & 评述、评论、观点、特征和信件这些能够阐明特定领域中重大进展且覆盖热门话题的内容。
其实，Nature 增设机器智能子刊并非一帆风顺。众多学者与工业界人士在 2018 年初初曾签署了一份声明，声称他们将不会向 Nature 的新期刊《Nature Machine Intelligence》提交论文、提供评审或编辑服务，其中包括了很多我们耳熟能详的名字，如 Yoshua Bengio、Yann LeCun、Gary Marcus、Jeff Dean、Ian Goodfellow、Sergey Levine……
这主要是由于这份刊物的文章发表形式仍然遵从传统学术期刊的封闭、文章作者付费提交审核的模式。很多人认为在如此重要的期刊上施行不符合机器学习领域内普遍存在的开放原则是一件无法接受的事情。
但如今，《Nature Machine Intelligence》的第一期还是如期到来，《Nature Machine Intelligence》介绍了 7 篇新研究，读者可在线浏览（能够看到完整论文内容）。
以下为此期刊发刊的编者按：
人工智能、机器人技术和机器学习在各个领域都占据着重要位置，《Nature Machine Intelligence》的推出旨在激发不同学科之间的合作。
几个世纪以来，最聪明的人一直为了理解人类思想而思考，许多关键问题仍未得到解决。这并没有阻止我们试图打造模仿人类思想和行为的机器。这种智能机器的视角影响了我们思考人性的方式。更普遍的是，从工业革命到数字时代，追求模仿人类部分智能并执行有用任务的机器在塑造支撑社会变革的技术方面发挥了关键作用。
智能机器的发展似乎正在加快步伐，因为我们经常听到关于人工智能（AI）革命的说法。然而，与报道相反，我们并没有目睹某种技术奇点：过去几年引人注目的进步在很大程度上是数十年持续研究的延续。例如，1994 年在巴黎进行的测试中已经证明了自动驾驶汽车可以自主地与其他交通工具共享道路。在 20 世纪 90 年代早期，人们就知道机器学习将具有很大的工业用途。一架远程操作的自动化飞船降落在火星上并于 1997 年发回了照片。
这并不是说 AI 的影响并没有随着时间的变化而发生转变。这种转变背后有几个因素推动，例如计算机处理能力的提高，但也许最重要的是自 20 世纪 90 年代末以来大量数据的可用性。这些发展反过来又是由于能大规模收集数据的移动设备的普及、共享数据的能力提升以及加速增长的存储容量。因此，当有足够的数据来训练系统时，可以识别复杂数据模式的深度学习在 2012 年左右取得了显着的突破。深度学习被认为是人工智能的一种形式，因为它与人类的学习方式相似。事实上，在过去的几年中，深度学习在人们擅长的任务表现卓越：例如战略游戏、人类专家级别的医学诊断、语音识别和语言翻译。
一方面，这种形式的 AI 被视为「弱人工智能（narrow AI)」，因为深度学习系统通常是针对特定任务进行训练的。然而，各个领域的科学家们越来越意识到，深度学习的影响一点也不「弱」：一个 AI 应用可能为一个领域带来变革，它们能解决基本问题，并实现快速进步。例如自动寻找新材料、识别粒子物理学和天体物理学的重要信号数据、发现遗传和表现型之间的联系、在显微图像中对细胞组织进行分类等等。
随着每一项先进技术的出现，我们需要仔细查验技术滥用和不良社会影响的风险。由于 AI 是一种去中心化的现象，因此伦理问题对 AI 更为重要。在这些去中心化的 AI 中，大量权力被交给了那些能够自然地获取大量数据的公司和机构，因此围绕 AI 开发和使用的伦理道德问题越来越受到重视。这些担忧催生了更广泛的工作，包括制定法律、原则和标准，推动以人为本的 AI 使用，并启动研究 AI 社会影响的项目。
毫无疑问，人类对理解和模仿智能的愿望将继续激发技术和科学创新。《Nature Machine Intelligence》将致力于融合不同的领域，并在人工智能、机器人技术、认知科学和机器学习等领域开展新的合作，进一步发展对人类有启发和使用价值的智能机器。期刊最初将重点放在三个主题上：关于构建智能机器的算法和硬件方面的工程和研究；将智能机器（如深度学习系统）应用到具体领域和主题的研究，例如物理、生物和医疗等；最后是研究智能机器对社会、工业和科学的影响。
第一期《Nature Machine Intelligence》中的每一类都有各自的特色。在一篇文章中，Etienne Burdet 等人报告了第一类工作，开发了自适应人机协作算法。Kenneth Stanley 等人概述了将深度学习与进化算法相结合的方法。对于第二个主题，深度学习目前最流行的应用之一是医学，而 Edmon Begoli 等人研究了该领域对不确定性量化的需求。在一篇评论中，Stephen Cave 和 Seán ÓhÉigeartaigh 讨论了人工智能中道德问题的不同时间尺度，这属于第三类。
人工智能领域中，基准测试竞赛的结果非常重要。《Nature Machine Intelligence》创新地开设了「Challenge Accepted」栏目，其中是有关人工智能、机器人和数据科学数据竞赛结果的报道。Nature 认为，这一举措可以让年轻的研究人员更有机会展示自己的技能，并为解决科学和工业领域的各种实际问题提供解决方案。
人们对于机器智能的追求将以多种方法激发灵感，提供对人工智能技术的洞察力，并刺激可能导致未来社会变革的技术和科学创新。现在，是参与对话的时候了。
参考链接：https://www.nature.com/articles/s42256-018-0014-z
