OpenAI 测试针对未知对手的鲁棒性
OpenAI 引入了一种新的指标——未知攻击鲁棒性 (UAR)，用于评估神经网络分类器在面对训练期间未遇到的对抗性攻击时的防御能力。
GPT-2 六个月跟进
OpenAI 发布了 774M 参数的 GPT-2 模型，并分享了关于合成文本风险、检测难度以及大型语言模型分阶段发布策略必要性的经验教训。
OpenAI Learning Day: 培养跨职能专业技能
OpenAI 实施 Learning Day，即每周周四的专门自学日，以促进跨职能技术成长并防止专业停滞。
Microsoft与OpenAI在AGI开发方面的合作伙伴关系
Microsoft向OpenAI投资了10亿美元，以在Azure上共同开发一个旨在扩展到创建有益的人工通用智能（AGI）的硬件和软件平台。
OpenAI AI 安全合作框架
OpenAI 提出了四项策略，通过促进全行业在安全规范和标准方面的合作，来防止 AI 开发中的集体行动问题。
OpenAI 机器人研讨会 2019
OpenAI 于 2019 年 4 月 27 日举办了首次机器人研讨会，汇聚了机器人和机器学习领域的专家，讨论学习型机器人的发展。
OpenAI 学者 2019 年最终项目
OpenAI 发布了 2019 年 OpenAI 学者项目的最终项目摘要，展示了深度学习、强化学习和 NLP 在各个领域的多样化应用。
OpenAI Fellows 2018 年秋季最终项目
OpenAI 宣布其第二届 OpenAI Fellows 完成结业，所有六名参与者在为期六个月的学徒期后转为全职技术人员。
OpenAI 研究：不同扰动类型之间的对抗鲁棒性迁移
OpenAI 研究人员发现，对抗鲁棒性并不会在不同扰动类型之间一致地迁移，这表明防御措施必须针对多种不同的攻击向量进行评估，才能真正发挥作用。
OpenAI MuseNet
MuseNet 是一种深度神经网络，能够通过学习来自数十万个 MIDI 文件的和声、节奏和风格模式，生成跨越 10 种乐器的 4 分钟音乐作品。
OpenAI Sparse Transformer
OpenAI 推出了 Sparse Transformer，这是一种深度神经网络，通过将算法复杂度从 $O(N^2)$ 降低到 $O(N \sqrt{N})$，使用重新设计的注意力机制来建模比以往 Transformer 比长 30 倍的序列。
OpenAI Five 击败 Dota 2 世界冠军
OpenAI Five 成为第一个在现场直播比赛中击败电竞世界冠军的 AI，在与 Dota 2 战队 OG 的两场连续对决中赢得了两场胜利。
OpenAI Five 终局赛事公告
OpenAI 宣布将于 2019 年 4 月 13 日举办 OpenAI Five 的现场终局活动，以展示其《Dota 2》AI 的能力、可扩展性和人机交互特性。
基于能量的模型（EBMs）的隐式生成与泛化方法
OpenAI 研究人员开发了用于能量模型（EBMs）的稳定且可扩展的训练方法，实现了高质量的图像生成，并且与基于似然的模型相比，具有更优越的分布外泛化能力。
OpenAI LP：向限额利润结构的转变
OpenAI 宣布成立 OpenAI LP，这是一家混合型限额利润公司，旨在为计算资源和人才筹集数十亿美元的资本，同时确保安全 AGI 的核心使命惠及全人类。
OpenAI Activation Atlases
OpenAI 与 Google 研究人员推出了 Activation Atlases，这是一种通过映射神经元之间的相互作用来揭示神经网络如何表示概念并识别决策弱点的可视化技术。
Neural MMO: 一个大规模多智能体游戏环境
OpenAI 发布了 Neural MMO，这是一个为强化学习智能体设计的持久、大规模环境，展示了增加种群规模和物种多样性如何驱动探索和生态位形成。
OpenAI Spinning Up in Deep RL 工作坊回顾
OpenAI 基于其 Spinning Up in Deep RL 资源包举办了一场工作坊，旨在为多样化的参与者群体扩展强化学习领域的指导和技能开发。
AI 安全需要社会科学家
OpenAI 认为，长期的 AI 安全和对齐需要整合社会科学，以应对人类的认知偏见和人类价值观的复杂性。
OpenAI GPT-2 发布及其影响
OpenAI 推出了 GPT-2，这是一种拥有 15 亿参数的无监督语言模型，能够实现零样本任务性能和连贯的文本生成，同时实施了分阶段发布策略以减轻滥用风险。
OpenAI 研究：鲁棒分类中的计算限制
OpenAI 研究人员已经识别出一些分类任务，在这些任务中，鲁棒分类器存在但计算上无法学习，从而将鲁棒学习的难度与密码学原语的存在联系起来。
OpenAI Summer Fellows 2018 Final Projects
OpenAI 的 2018 Summer Fellows 完成了专注于强化学习泛化、分布式训练模式和生成模型表达能力的研究项目。
AI 训练规模化：通过梯度噪声尺度预测并行化能力
OpenAI 发现，梯度噪声尺度——一种量化网络梯度信噪比的统计指标——能够预测神经网络训练在各种任务中的最大有效批量大小。
量化强化学习中的泛化
OpenAI 推出 CoinRun，这是一种程序化生成的训练环境，旨在量化并提升智能体在强化学习中将已学技能迁移到新情境的能力。
OpenAI 深度强化学习入门（Spinning Up）
OpenAI 已发布 Spinning Up in Deep RL，这是一套教育资源，提供代码、教程和文档，帮助实践者掌握深度强化学习。
OpenAI 使用能量函数学习概念
OpenAI 开发了一种使用能量函数的技术，使代理能够学习和提取概念，并在不同环境之间无需重新训练即可进行迁移。
OpenAI 计划在线学习离线（POLO）框架
OpenAI 推出计划在线学习离线（POLO）框架，该框架结合了本地基于模型的控制和全局价值函数学习，以实现复杂模拟控制任务中的高效学习。
OpenAI 随机网络蒸馏（RND）用于强化学习
OpenAI 引入了随机网络蒸馏（RND），一种好奇心驱动的探索方法，首次在不使用人类示范或模拟器状态的情况下，在 Montezuma's Revenge 上超越了平均人类表现。
OpenAI 迭代放大用于复杂目标学习
OpenAI 提出迭代放大，这是一种 AI 安全技术，通过将任务分解为更简单的子任务来生成训练信号，从而实现对复杂、超出人类规模目标的指定。
OpenAI 学者 2019 项目公告
OpenAI 已开启第二批 OpenAI Scholars 的申请，为来自弱势群体的个人提供津贴和导师指导，以学习深度学习并完成开源项目。
OpenAI 2019 年冬季研究员计划与 2019 年夏季实习项目
OpenAI 宣布启动 2019 年冬季研究员项目和 2019 年夏季实习项目的申请，旨在将来自多元背景的研究人员和学生纳入其人工智能研究工作。
FFJORD：用于可扩展可逆生成模型的自由形式连续动力学
OpenAI 介绍了 FFJORD，这是一种连续时间可逆生成模型，使用 Hutchinson 的迹估计器来实现对神经网络架构的无限制使用，以实现可扩展的密度估计。
OpenAI 学者 2018 最终项目
OpenAI 发布了 2018 年学者计划的最终项目展示，涵盖了机器学习在音乐生成、直觉物理和自然语言处理等方面的多样化应用。
OpenAI Five：The International 2018 结果
OpenAI Five 在 The International 2018 中与世界级职业 Dota 2 选手竞争，尽管在“真实 Dota”规则下两场均告失利，却展示了高水平的游戏表现。
OpenAI 大规模好奇心驱动学习研究
OpenAI 研究人员展示了，仅使用基于预测误差的内在好奇心奖励进行训练的智能体，能够在 54 个基准环境中实现高性能，而无需任何手工设计的外部奖励。
OpenAI Five 基准结果
OpenAI Five 在与 99.95 百分位 Dota 玩家组成的团队的三局两胜系列赛中获胜，展示了在处理复杂性和不确定性方面的先进 AI 能力。
OpenAI Dactyl：通过域随机化学习灵巧性
OpenAI 开发了 Dactyl，这是一套在仿真中训练类人机器人手以高灵巧度操作物理物体的系统，能够将这些技能直接转移到真实世界而无需微调。
OpenAI 变分选项发现算法
OpenAI 引入了通过强化学习的变分自编码选项学习 (VALOR) 和一种课程学习方法，以稳定强化学习智能体中多样行为模式的发现。
OpenAI 学者 2018：认识我们的学者
OpenAI 推出了 2018 学者项目，汇聚了一支多元化的研究团队，专注于强化学习、语言建模以及 AI 与艺术的交叉等领域。
OpenAI Five 基准测试
OpenAI 宣布了一场 OpenAI Five 的基准赛，扩展了英雄池并更新了游戏机制，以在高百分位的人类玩家中测试该 AI。
Glow: 更好的可逆生成模型
OpenAI 引入 Glow，这是一种基于流的生成模型，使用可逆 1x1 卷积生成高分辨率图像，具备精确的潜在变量推断和高效采样能力。
从单次示范学习蒙特祖玛的复仇
OpenAI 通过使用单个人类示范创建逆向课程的起始状态，训练出一个 RL 代理，在《蒙特祖玛的复仇》中取得了创纪录的 74,500 分。
OpenAI Five
OpenAI Five，一个由五个神经网络组成的团队，通过在Dota 2上的自博弈训练，开始击败业余人类队伍，并表明扩大规模的强化学习可以在不需要根本算法进步的情况下处理长时延、部分可观测的任务。
OpenAI 复古竞赛结果
OpenAI 完成了首届复古竞赛，Sonic the Hedgehog 的最高表现 AI 代理是通过调优或扩展现有算法（如 PPO 和 Rainbow DQN）开发的。
OpenAI 在多智能体系统中的学习策略表征
OpenAI 引入了一种通用学习框架，将智能体建模视为表征学习问题，以在多智能体系统中使用最少的交互数据来理解智能体行为。
OpenAI 通过无监督学习提升语言理解
OpenAI 证明，基于 Transformer 的模型通过无监督语言建模进行预训练，然后在小规模监督数据集上进行微调，能够在包括常识推理在内的多种语言任务上实现最先进的结果。
GamePad：用于定理证明的学习环境
OpenAI 推出 GamePad，这是一套旨在在 Coq 交互式证明助理中应用机器学习方法进行定理证明的系统，可实现策略预测和位置评估的自动化。
OpenAI 研究员计划 2018 秋季
OpenAI 于 2018 年秋季推出了研究员项目，为没有正式 AI 背景的个人提供进入人工智能研究的途径。
OpenAI Gym Retro 发布
OpenAI 已发布 Gym Retro 的完整版本，这是一款强化学习平台，将可用游戏库扩展至 1,000 多款，覆盖多个经典游戏机，以促进对智能体泛化能力的研究。
OpenAI AI 与计算分析
OpenAI 分析显示，自 2012 年以来，用于最大规模 AI 训练的计算量呈指数增长，平均每 3.4 个月翻一番，远超摩尔定律。