机器学习和人工智能已成为各行业关键技术，研究成果浩如烟海。本专栏旨在精选AI及相关领域最新发现与论文，解读其核心价值。
本周AI领域亮点纷呈：科学家通过实验预测外卖、网约车等“市场驱动”平台在优化收入等目标时对整体经济的影响；苏黎世联邦理工学院团队开发出基于卫星图像的树木高度读取系统；另有研究利用公开网络数据预测初创企业成功率。
AI模拟平台经济：收入最大化或损社会福利
此项市场导向研究建立在Salesforce开源环境“AI Economist”基础之上，部分原班人马参与其中。合著者向TechCrunch表示，研究聚焦Amazon、DoorDash、Uber等因供需激增而拥有更大市场力量的双边平台。
研究团队利用强化学习训练系统，以理解平台（如Lyft）与消费者（如乘客）间的互动影响。合著者指出：“我们使用强化学习推理平台在不同设计目标下的运作方式……模拟器可在不同目标和假设下评估策略。共探索了15种市场环境组合。”
结论显示：旨在最大化收入的平台在经济冲击期间往往提高费用并提取更多利润，从而损害社会福利；而当平台费用固定时（如受监管），其收入最大化激励通常与经济福利考量一致。
尽管发现并不颠覆性，但该计划开源的系统可为商业人士及政策制定者提供分析基础，用于评估不同条件、设计及监管下的平台经济。“这或将带来超越本研究或解析方法的新见解。”
AI辅助风投决策：效率提升需警惕偏见
Skopai研究人员声称，利用网站、社交媒体及注册处等公开数据，可预测初创企业融资能力，结果与私有结构化数据相当。
AI应用于尽职调查并非新鲜事，Correlation Ventures、EQT Ventures等机构已在使用算法指导投资。Gartner预测，到2025年75%的风投将采用AI决策（目前不足5%）。然而风险犹存：《哈佛商业评论》2020年研究发现，投资算法虽优于新手，但存在偏好白人男性创业者的偏见，反映出AI倾向于放大现实世界既有偏见的趋势。
计算机视觉新突破：STEGO实现像素级识别
麻省理工学院联合康奈尔大学及微软开发出名为STEGO的计算机视觉算法，能识别至单个像素级别。相比传统依赖大量人工标注示例的学习方式，STEGO直接对图像每个像素应用类别标签，是对现有方法的重大改进。
尽管系统尚不完美（如偶将玉米粥误认为意面），但已成功分割出道路、行人和路牌等对象。
Opal系统：文本驱动的新闻配图生成
随着DALL-E 2等产品化进程加速，哥伦比亚大学推出Opal系统，旨在根据文本描述为新闻报道创建特色图片，并通过视觉提示引导用户创作。
测试显示，使用Opal的用户效率更高，产出“可用”结果数量是未使用者的两倍以上。未来该工具或以插件形式集成至WordPress等内容管理系统。
作者表示：“给定文章文本，Opal引导用户进行结构化视觉概念搜索，提供管道使其根据基调、主题及预期风格创作，生成多样化的编辑插图与概念创意。”