Tag: 人工智慧

「過來聊一會兒。」「你個大撒比~」 調皮的語氣掩蓋不了罵人的本質，這只是微軟小冰當年在微博「大殺四方」的一景。 近日，自稱「史上最糟糕 AI」的又一個「小冰」出現了。 它叫做 GPT-4chan，由 YouTuber、AI 研究員 Yannic Kilcher 創建，在 24 小時內留下 15000 個殺人不見血的文章。 出淤泥而全染，史上最糟糕 AI 的誕生 這個誕生故事，要先從美國論壇「4Chan」說起。 4Chan 創立於 2003 年，最初是日本 ACG 文化愛好者的聚集地，/b/（Random，隨機版）是其首個板塊，而後加入了政治、攝影、烹飪、運動、技術、音樂等板塊。 在這里，無需注冊即可匿名發帖，文章留存時間短，匿名者是主要群體。 討論的自由不僅讓 4Chan 產出諸多梗圖和流行文化，更讓 4chan 成為 「網際網路黑暗角落」，謠言、網絡暴力和攻擊事件泛濫於此。 /pol/...

日前，矽谷創業晶片公司Tachyum公布了一顆神奇的處理器「Prodigy」，號稱全球第一顆「通用處理器」(universal processor)，，著實不可思議。 現在，更多細節來了。 Tachyum Prodigy處理器採用的是自研架構，64位VLIW架構核心，順序執行，但對編譯器優化後也可做4路亂序執行。 每個核心有另兩個1024-bit矢量單元、一個4096-bit矩陣單元、64KB一級指令緩存、64KB一級數據緩存、1MB二級緩存，而且閒置的二級緩存還可以給其他核心用作三級緩存。 頂級型號「Prodigy T16128-AIX」，頻率高達5.7GHz，支持16通道DDR5-7200記憶體，最大容量8TB，還支持64條PCIe 5.0，功耗也高達950W，必須液冷散熱。 它主要面向高端AI、HPC領域，AI推理訓練性能12PFlops(1.2億億次計算每秒)，FP64 HPC計算性能90TFlops(90萬億次計算每秒)——AMD RISC-V MI250X計算卡可以跑到96TFlops，而且只需560W。 支持雙路、四路並行，也就是單系統最多可以做到512個核心、32TB記憶體。 另外三顆128核心，分別叫做T16128-AIM、T16128-AIE、T16128-HT，頻率分別為4.5GHz、4.0GHz、4.5GHz，功耗分別為700W、600W、300W，其中HT版本記憶體頻率降至DDR5-6400。 64核心有兩款，T864-HS、T864-HT，頻率分別5.7GHz、4.5GHz，支持八通道DDR5-6400、32條PCIe 5.0，功耗都是300W。 32核心也有兩款，T832-HS、T832-LP，頻率分別5.7GHz、3.2GHz，後者記憶體頻率降至DDR5-4800，功耗分別為300W、180W。 不過，Tachyum至今還沒有一顆矽片，一切順利的話預計8月中旬完成流片，使用台積電N5P 5nm增強版，核心面積預估不超過500平方毫米，12月份獲得第一顆矽片。 這次現場展示的，還是用FPGA模擬的平台，四顆模擬八核心。 即便第一代還停留在PPT上，Tachyum已經開始展望下一代了：台積電N3 3nm，支持PCIe 6.0，同等功耗下性能翻一番！ 來源：快科技

投資者越來越擔心，新冠大流行期間半導體需求的激增將會消退，這是行業繁榮與蕭條交替的標志之一，但NVIDIA 2023 財年第一季度的業績增長表明，需求仍然強勁。 老黃在電話會議上表示，盡管受地緣政治和供應鏈危機的持續影響，但「NVIDIA的技術影響力和市場機會保持不變」，深度學習在實現智能自動化方面的有效性，正在推動各行各業採用NVIDIA的產品進行人工智慧計算。 截至 2022 年 5 月 1 日的財報顯示，NVIDIA在新財年一季度的總營收達到創紀錄的 82.9 億美元，同比增長 46%，環比增長 8%。 其中，四大主要產品線：遊戲、數據中心、專業視覺、汽車和機器人的業績表現各有千秋。毋庸置疑，NVIDIA已經從利基顯卡製造商轉變為晶片製造巨頭，其 GPU、DPU、CPU、軟體和系統等都處於市場領先地位。 同時，NVIDIA的毛利率指標向好。本季度的毛利率基本與上一季持平，約為 66%。CFO Colette Kress 表示，「我們已經能夠抵消成本上升和供應鏈帶來的壓力。第二季度的毛利率預計將保持在目前的水平。」並且，「隨著新產品的增加以及軟體在收入中所占比例的增加，未來，我們有機會長期提高毛利率。」 單就財報數據來看，NVIDIA在一眾低迷的科技公司中令人眼前一亮。另一方面，其業務表現也體現了市場的新變化：AI正在被廣泛應用於自動駕駛和數字孿生的新場景。 過去提到NVIDIA，人們最先想到的是把摩爾定律提升兩倍的「黃仁勛定律」、遊戲和挖礦玩家的顯卡、以及元宇宙概念下出現 14 秒虛擬版的黃仁勛。 但是，財務和業務數據表明，NVIDIA的強悍比想像中更加全面，這種全面讓它有更大的韌性應對外部市場的不確定。如果說 2016 年前後，是 GPU 的並行計算架構「恰好」符合人工智慧時代深度學習的運算需求，讓NVIDIA成為時代的寵兒。那麼，如今，NVIDIA對於...

收聽文本 0:00/0:00 不知道有多少人對《飛機大戰》這款微信小遊戲還有印象—— 曾於2013年的微信5.0版本上線 簡單復述一下玩法：玩家操作小飛機四處躲避，小飛機可以自動發射子彈，「biubiu」兩下就能點殺對面一個小飛機。畫面非常簡陋，也沒什麼策略可言，只要足夠專注、手眼協調，想打出高分不會特別難。 隨著微信版本的更新，這個小遊戲已經在微信中消失無蹤。但是，有一些Python教程，會把這個作為一個比較基礎的練習。畢竟能自己從頭到尾編寫一個「跑得動，0 error，0 warning，還能上手玩一玩」的程序，對於新手來說可比單純的「hello world」刺激多了。 但「飛機大戰」能教給用戶的可不止這些。在人工智慧深度學習領域，以「飛機大戰」為代表的一系列小遊戲，還在猛猛發光發熱。B站上有非常多的相關視頻，比如說ID為「vs小怪獸Monster」的這名用戶，專門上傳各種「小遊戲VS人工智慧」的內容，其中播放量最高的就是這個《懲罰人工智慧，倒逼 AI 成長》(BV12h411X7yY)，有興趣的讀者可以去看看。在這個視頻中，人工智慧悟到了《飛機大戰》的最終解法：偶爾擊落一下小飛機，大部分時候蜷縮在角落——只要我不主動出擊，當好苟命王，就絕對不會輸。 當然也託了人工智慧、算法推薦的福，我很快就找到了更多的人工智慧擺爛現場。其中最好玩的莫過於這個：《關於我的強化學習模型不收斂這件事》(BV1e5411R7rF)。視頻講述了一個研究自然語言處理（NLP）的小姐姐，如何入坑強化學習的全過程。李Rumor小姐姐使用的遊戲是雅達利平台上的《Tennis》，她原本以為能訓出地表最強的網球王子—— 但實際上，經過5萬次模擬，得到的卻是，一個死活不發球，絕不開始遊戲的擺爛AI—— 好吧，「……只要我從不下場，我就是無敵的！」 還有一個更為知名的擺爛現場：「人工智障狼」。規則是「狼吃羊」的基礎規則，狼AI有20秒的行動時間，吃到越多羊越好，時間越長扣分越多。同時地面上會生成一些石頭，試圖模擬現實環境。但進行了20萬次模擬之後，神奇的結果出現了：狼選擇開局擺爛，盡一切可能，全速朝石頭沖刺，一頭撞死。多數情況下狼根本吃不到羊，在抓羊的過程中因為浪費時間還要被扣分，還不如一開始就一頭撞死，這樣扣的分還少一點。 邏輯顛撲不破簡單明了，絕對理性的AI已經給出了他們自己的回答。 「等等，奇怪，」我作為一個遊戲玩家的DNA動了起來：「飛機大戰，狼吃羊，雅達利小遊戲資源庫——這些走在業界前沿的人工智慧，怎麼都在玩過氣小遊戲啊？」 《底特律：變人》：仿生人會夢見電子羊嗎？ 人工智慧（以下簡稱AI）、算法分發，已經構成了如今日常生活的一部分，並且還在蓬勃發展中。但其實這並不是一個新鮮事物。從上古時代的神話開始，人們就希望藉由自己的雙手和頭腦，構建一個與自己智識類似的人工產物，也可以理解成一種「人造人」的幻想。但相關的技術和理論基礎，直到上世紀90年代才出現。1950年左右，美國的一些計算機科學家們，編寫出了西洋棋和國際跳棋程序，並且能挑戰有一定水平的業余玩家。從那時開始，遊戲AI就一直被認為是評價AI進展的一種標準。 在經歷了反反復復的高潮和低谷之後，AI終於在最近10年間獲得了飛速的發展和應用。而其中發展最為蓬勃的分支，就是「深度學習」這個大分類。深度學習已經是目前人工智慧應用中，相對較為前沿的應用領域。根據一些新手入門教程的定義，深度學習指的是：「機器學習的一種學習路線，建立、模擬人腦進行分析的神經網絡。」 而神經網絡和強化學習則是深度學習的解決方式。他們主要模擬的是單智能體（agent）的探索和策略，優勢在於可以同時模擬的次數較多，同時跑幾千幾萬次模擬不費勁。或者說，在沒有模型輸入，一片空白的情況下，如何通過控制變量，來刺激人工智慧的自主學習，最終得出問題的解決方案。 構建一個有效的神經網絡，不光需要海量的信息進行輸入輸出，還需要不斷地進行訓練，調整規則以及它的權重。告訴它那些行為是被允許的，哪些行為會被懲罰，經過不斷地調整和疊代，最終，才能獲得一個——勉強參與遊戲並且遵守規則的，弱人工智慧，即「專注於解決特定領域問題」的人工智慧。 這里只是一個粗略的概括和描述，讓我們還是回到遊戲的話題吧——為什麼這些過氣小遊戲，能夠在人工智慧領域下崗再就業呢？ 公開發布的Gym documentation調試工具箱，內置了大量雅達利小遊戲 一方面，這些小遊戲真的很小，占用存儲空間非常小。剛剛我們提到神經網絡會進行並發模擬，遊戲越小，占用的存儲和帶寬也越小，程序跑起來也越發輕便，相應花的錢（租伺服器什麼的）也越少。另一方面呢，這些小遊戲相對來說規則簡單，方便程式設計師們根據數據結果進行參數調整。最後，這些小遊戲並未用於商業項目盈利，僅用於研究用途，從版權角度看，也合情合理。再加上人工智慧領域，有用遊戲項目驗證AI進展的慣例，最終，你小時候玩膩了的那些遊戲，現在就成了人工智慧的最好教材。 在「網球王子」視頻的結尾，小姐姐的擺爛模型終於開始得分了，她表示學算法的樂趣正在於此，不斷刷新自己的認識極限。評論區有個用戶的評論，我覺得反映了一部分算法工程師的心態：「強化學習調參，就跟教自己傻兒子讀書一樣，教得心累還學不會。」 我小時候也學過一些算法基礎，但很明顯，為了競賽而准備的過氣知識，已經跟不上最新的版本環境了。人工智慧領域的發展令人驚嘆，接近於人類翻譯水平的翻譯工具DeepL，輸入畫風和指令就可以自動生成畫面的Disco Diffusion，還有神經網絡天花板GPT-3……他們生成的內容，可以說以假亂真。如果僅從表徵來看，這些由程序產出的內容，和一些稍顯相對平庸的人類作品，並無二致。 Disco Diffusion根據關鍵詞自動生成的圖像 在人工智慧領域，「是否能通過圖靈測試」，是檢驗人工智慧發展水平的試金石。測試的規則如下：先假定有對象AB兩個實體，其中一個是真人，一個是人工智慧。他們都藏在不能被其他人看到的地方。這時候，有一個不知情的第三人，拿著同樣的問題，分別去去徵求對象AB的意見，反復多次問詢後，他無法根據回答的內容，來區分AB的不同。那麼我們可以認為，參與測試的人工智慧，是可以通過測試的。 要達成這個目標，自然離不開多學科的共同努力，目前仍無法確定，在我有生之年，是否能見到這樣厲害的人工智慧。而從哲學角度看，當有人工智慧真的通過圖靈測試，不可避免會牽扯到「表徵和實體到底那個更重要」「只要外表看起來一樣，那麼動機是什麼，是不是都可以不考慮」的無盡論證中。 但好在，我們還沒有進入到這個階段，人工智慧也沒有這麼聰明，還在各種算法模型中，四處「擺爛」。再強大的人工智慧，也需要人類作為第一動力，去提出需求，發現疑難。而看了無數「智障」現場的我，這才認識到，對於人類來說，什麼才是最寶貴的東西——提出問題的能力，不斷嘗試的勇氣，注視著你的溫柔目光，和一顆溫暖的心。 *本文經授權轉載自公眾號「taptap發現好遊戲」，作者@星詠 ...

青海省內，湍急的黃河上游，有一座正在建造中的大壩——羊曲水電站。它是河幹流龍羊峽水電站上遊河段規劃中「茨哈水電站、班多水電站和羊曲水電站」三個規劃梯級電站的最下一級。電站總裝機容量 120 萬千瓦，預計 2024 年 7 月完成首台機組投產發電。 ▲圖片來自：《South China Morning Post》 建成後，羊曲水電站將通過青豫直流特高壓外送通道向河南省每年輸送電量約 50 億千瓦時。這座最大壩高為 150 米的水電站，不僅首創採用了鑲嵌混凝土面板堆石壩壩型，更特別的是，建造這座大壩，採用的是 3D 列印技術。 說起 3D 列印，許多人都不陌生。從小巧的零部件到大型的建築，如今汽車、電子、航空航天、醫療、能源、建築等多個領域都在使用這項技術。羊曲水電站如果建成，將會是世界上最大的 3D 列印建築物。 ▲圖片來自：國家電投 如此龐大的建築，是怎麼利用 3D 列印建造的呢？從該項目首席科學家劉天雲在《清華大學學報（自然科學版）》發布了的相關論文《大型填築工程 3D 列印技術與應用》中可以知道，必不可少的關鍵詞就是「AI...

2016年成立的矽谷晶片公司Tachyum近日發布了一顆神奇的處理器，擁有超多核心、超高頻率，功耗卻非常低。 這顆處理器名為「Prodigy T16128」，號稱全球第一顆「通用處理器」(universal processor)，在單一矽片內集成了通用處理器、HPC高性能計算、AI人工智慧、DML深度機器學習、可解釋人工智慧(Explainable AI)、生物人工智慧(Bio AI)等不同模塊，可簡化編程模型和環境。 它擁有多達128個核心，64位，亂序執行，每時鍾周期4個指令，每個核心有兩個1024位矢量單元、一個4096位矩陣單元，支持虛擬化和高級RAS。 具體架構沒披露，不知道是ARM、MIPS還是自研，但強調除了原生指令集，也可以跑x86、ARM、RISC-V，簡直全能。 更驚人的是頻率，可以輕松超過5GHz，最高達到5.7GHz。 官方宣稱HPC算力90TFlops(每秒90萬億次)，AI訓練和推理算力高達12PFlops(每秒1.2億億次)，相當於NVIDIA A100的2.4倍，並支持各種數據類型如FP64、FP32、TF32、BF16、Int8、FP8、TAI。 緩存具備64KB一級數據、64KB一級指令、128MB二三級，都支持ECC。 記憶體支持16通道的DDR5，最高頻率7200MHz，單路最大容量8TB。 擴展連結支持64條PCIe 5.0，還有兩個400G乙太網接口。 製造工藝是5nm(估計台積電)，64×84mm FCLGA封裝，不算很龐大。 它還支持雙路、四路並行，四路的話就是512核心、32TB DDR5記憶體、256條PCIe 5.0。 官方宣稱，該處理器性能優於Intel至強(沒有具體對比型號)，但功耗僅有十分之一，單位性能售價也只有三分之一。 如果不需要128核心，同時也會有64核心的T864、32核心的T832不同版本，其他規格也有所簡化。 Tachyum Prodigy T系列處理器預計明年投產，等著看跑分吧。 來源：快科技

整整兩個小時的 Google I/O 發布會，對精神的專注度要求可不低。 正當人們逐漸出現注意力不集中，開始打哈欠時，Google 開啟了「沖鋒」，Android 13、Pixel 6a、 Pixel Buds Pro，一連串的重磅新品像火箭一般快速發射、升空、轟炸、驅走了疲乏，也讓現場迎來了情緒高潮。 最後，Google 甚至在大會上給人們畫起了餅——今年秋天 Pixel 7 與 Pixel 7 Pro 等一系列新品即將發布。 這是一場發布會，也是預告會。 處處都是人工智慧 發布會剛開始，Sundar Pichai 就向開發者們通報了有關 Google 地圖的新成果，涵蓋各個方面，包括森林火災預警和幫助人們找到新冠疫苗接種點信息。 另外地圖團隊還在非洲地區提升 5 倍建築物的標注量，印度地區的建築物數量也增長了 2...

今年2月份AMD正式宣布完成收購賽靈思公司，之前350億美元的收購案隨著AMD股價大漲已經價值530多億美元，人民幣都超過3300多億元了，這筆交易也沒白花錢，AMD CEO蘇姿豐表示明年的處理器就要集成AI能力了。 賽靈思之前是全球最大的FFPGA晶片廠商，AMD收購他們也主要是看中FPGA晶片在數據中心，特別是AI領域強大的能力，是爭奪高性能計算的關鍵晶片，Intel公司早在前幾年就花了167億美元收購了當時的第一大FPGA廠商Altera。 另一家競爭對手NVIDIA雖然沒有收購FPGA晶片，但他們的GPU現在已經是AI領域的王者，最新發布的H100加速卡更是實現了32PFlops（3.2億億次）的AI算例，是上代A100加速卡的3倍性能。 收購賽靈思之後，AMD何時推出整合FPGA的處理器就成為大家關注的焦點，在今天的財報會議上，AMD CEO蘇姿豐也確認該公司將在2023年推出整合AI能力的處理器，她表示AMD擁有了業內最好的高性能及自適應計算引擎組合，有機會用他們的擴展技術組合提供更強大產品組合。 除了硬體之外，AMD同樣也在開發統一的軟體，以便幫助開發人員利用AI功能進行推理和訓練。 蘇姿豐表示，賽靈思將使得AMD在AI硬體領域擁有更廣泛的產品組合，超越目前的CPU及GPU能力。 來源：快科技

作為一個玩家，相信你一定曾很多次腦補過： 「如果一個遊戲A跟另一個遊戲B組合在一起會變成什麼樣的遊戲」這樣的問題。比如，如果《超級馬力》是個像《火焰之紋章》那樣的策略戰棋遊戲會怎麼樣；如果《最終幻想》能像《文明》系列那樣有資源調配和調兵遣將會怎麼樣；如果《寶可夢》是個Galgame會怎麼樣…… 專業的遊戲設計師們也一定常常進行這樣的思考，因此才會出現像CAPCOM/任天堂角色大亂鬥、《寶可夢》X《信長之野望》、《火紋無雙》、《勇者鬥惡龍 創世小玩家》這些夢幻聯動。 這些專業遊戲設計師擁有專業的遊戲設計技能、專業的遊戲開發團隊和資金，所以一旦有了這些想法，是真的可能去實現的。而普通玩家的我們，通常就只能在腦補中過過癮了。 關注AI的大家們可能知道，最近OpenAI推出了基於神經網絡語義模型GPT-3的Codex，能夠瞬間將用戶輸入的文字描述轉換成遊戲。 這項技術讓沒有專業遊戲開發技術的普通玩家也看到了將腦補變成現實的希望。如果連將文字描述變成遊戲程序這麼魔幻的事情都能辦到了，那麼是不是也有可能開發一種AI，只要給它兩個現成的遊戲，它就能馬上生成一個真正的遊戲來告訴我將這兩個遊戲組合在一起會變成什麼樣的遊戲呢？ 雖然還遠遠沒有成熟到能夠實用的地步，但是確實有不少人在研究開發這樣的AI。今天就想來給大家分享這方面的一些進展。 首先需要說明，遊戲混搭這個研究方向，跟叫做計算創意學（Computational Creativity）的研究領域有相當緊密的關系，尤其是其中的組合性創造力（Combinatorial Creativity）這個分支領域。接下來要分享的自動遊戲混搭的方法，都可以看做是組合性創造力的算法實現。 這里請允許我安利一波自己的另一個系列文章 計算創意學。這個系列的文章對計算創意學這個領域作了一個系統性的、通俗易懂（？）的介紹，非常歡迎感興趣的大家們閱讀和討論。在接下去關於遊戲混搭的介紹中，如果大家看到有意思的概念想要深入了解的話，我也會附上相關章節的連結作為擴展閱讀。 概念整合理論和遊戲混搭 學者瑪格麗特·博登（Margaret Ann Boden）在她的著作《創造力心智（The Creative Mind: Myths and mechanisms）》中將創造力（Creativity）分為了多種類別，其中一種叫做組合性創造力（Combinatorial Creativity），其中創作者通過在多個看起來無關的知識領域之間建立聯系，發現了融合這些知識領域的新概念，繼而得到有價值的新點子。 比如，由自然界的鳥類得到啟發而發明了飛機、從生物學意義上的「病毒」概念得到啟發而發明了計算機「病毒」，將傳統棋類遊戲和角色扮演電子遊戲結合而發明出策略戰棋類電子遊戲，都是組合性創造力的例子。 關於組合性創造力，近幾十年在認知科學和語言學的領域，有一種非常流行的理論叫作概念整合（Conceptual Blending）理論（擴展閱讀）。它以嚴謹的科學語言形式化（Formalize）了組合性創造力，將新點子的產生描述為思考主體將多個原本無關的概念網絡中的概念映射到整合概念網絡中的新概念的過程。 概念整合理論將來自兩個領域的可類比的概念（比如「程序」和「病毒」）表示成兩個輸入概念網絡（「輸入空間」）。這些可類比的概念分別處於各自的概念網絡，聯結著各自領域的其他相關的概念。組合性創造力主體會創建一個新的整合概念網絡，其中混合了來自兩個輸入概念網絡的概念（「輸出空間」）。 由於這套理論提出了關於組合性創造力的一個實實在在的過程模型，它推動了大量用電腦程式來實現自動組合性創造力的嘗試（擴展閱讀）。 因此一個自然的想法就是，如果我們將一個遊戲也表示成這樣的概念網絡，是不是就能通過概念整合理論來實現遊戲的混搭？這個概念網絡應該涵蓋關於這個遊戲機制的一切，從而通過混合兩個遊戲概念網絡，我們就能得到一個全新的遊戲機制。 由喬治亞理工大學的學者Guzdiel和Riedl在2016年發表的論文《機器學習混合遊戲關卡（Learning to Blend Computer Game Levels）》，就實現並探索了這個點子。 在這篇論文中，作者們針對2D平台跳躍遊戲（比如《超級馬力歐》和《星之卡比》）設計了一種表示遊戲關卡結構的層次化的概念網絡。這個概念網絡中的概念（節點）包括： 每一個有獨立行為邏輯的基本遊戲對象（比如馬力歐、栗寶寶、庫巴、一根水管），每一個基本遊戲對象的所有可能的形態（不同尺寸、不同樣式、不同形狀的版本），每一個基本遊戲對象可能出現在一個關卡中的數量，在一個關卡中重復出現的關卡片段。 通過在上述這些概念之間建立聯接，我們能夠用這個概念網絡來表達關卡結構的一些內在規律。比如， 庫巴有三種形態，可以表示為庫巴概念和分別表示庫巴的三種形態的概念之間的聯結；水管有高的水管和矮的水管，可以表示為「水管」概念分別與「高的水管」概念和「矮的水管」概念之間的聯結；栗寶寶只會出現在普通的地面上（而不會出現在水管上面或者懸空），可以表示為栗寶寶節點和普通地面節點之間的聯結；火山關卡中有很多熔岩地形，可以表示為火山關卡片段和熔岩地形板塊概念之間的連結。 這些聯結表示遊戲元素之間的關系，一方面有具體關系類型的標注，同時還可以有量化的標注。在這篇論文中，作者們就為每個聯結引入了一個機率量值。從而，我們不僅可以表達「火山關卡中有很多熔岩地形」， 還可以具體到「火山關卡中出現熔岩地形的機率是多少」。 有了這樣的機率標注之後，這樣構建起的概念網絡同時也是一種機率圖形模型（Probabilistic Grapical Model）。通過根據這個機率圖形模型進行采樣，我們能夠生成符合某個遊戲內在邏輯的全新的關卡。 對於一個有著大量的關卡、成百上千的遊戲對象、復雜的遊戲機制的遊戲來說，可以想像這個概念網絡會是非常非常龐大的，以至於手工去構造這樣的概念網絡成為幾乎不可能的事情。 為了解決這個問題，作者們在這篇論文中提出了用統計機器學習的方法自動構建這個概念網絡。用戶只需要提供一個關卡遊玩過程的視頻，機器學習算法就能夠通過聚類分析（Clustering）的方法將視覺相似度達到一定程度的像素圖單元（Sprite）自動識別為一個遊戲對象，從而建立其對應的概念網絡節點。 類似的聚類分析方法也能用於構建那些在關卡中被重復使用的關卡片段所對應的概念網絡節點。有了這個節點之後，就能進一步通過統計節點兩兩之間共同出現的頻次來得到它們之間聯結的機率標注。 需要注意的是，這里的這種建立概念網絡的統計機器學習方法並不是深度學習（Deep Learning），並不需要使用參數數量龐大的深度神經網絡，因此也不需要非常龐大的訓練數據集。 有了這樣的方法之後，我們就能讓算法讀取一個遊戲關卡1的遊玩視頻，自動構建概念網絡1，再讓讓算法讀取另一個遊戲關卡2的遊玩視頻，自動構建概念網絡2，最後使用概念整合的方法來整合兩個概念網絡得到整合概念網絡。 如前所述，整合概念網絡同時也是一個機率圖形模型，按照它來進行采樣，就生成了一個混合了關卡1和關卡2的整合關卡。 我們注意到這種方法的一個局限：它所提出的概念網絡只能描述一個靜態的遊戲關卡結構，還沒有真正觸及到遊戲機制——也就是玩家遊戲世界的交互規則。 在Guzdial和Riedl在2018年所發表的另一篇論文《Automated...

3月21日，中國本土AI創新企業寒武紀正式發布了新款訓練加速卡「MLU370-X8」，搭載雙晶片四芯粒封裝的思元370，集成寒武紀MLU-Link多芯互聯技術，主要面向AI訓練任務。 寒武紀MLU370-X8智能加速卡首次整合了雙晶片四芯粒的思元370，也就是每張卡兩顆晶片，每顆晶片內封裝兩個Die，因此可提供兩倍於思元370加速卡的記憶體、編解碼資源。 架構基於Cambricon MLUarch03，支持AI訓練加速中常見的FP32、FP16、BF16、INT16、INT8、INT4數據格式計算，峰值性能分別為32TFlops、96TFlops、96TFlops、128Tops、256Tops、512Tops。 該卡採用7nm製造工藝，集成48GB LPDDR5記憶體，記憶體帶寬614.4GB/，PCIe 4.0 x16系統接口，整卡最大訓練功耗250W，全高全長雙插槽設計，系統被動散熱。 單卡架構圖 通過MLU-Link多芯互聯技術，提供卡內、卡間互聯功能，並專門設計了MLU-Link橋接卡，可實現4張加速卡為一組、8顆思元370晶片全互聯。 每張加速卡通訊吞吐性能200GB/，帶寬為PCIe 4.0的大約3.1倍，可高效執行多芯多卡訓練、分布式推理任務。 4卡橋接 單機8卡部署配置 4卡橋接拓撲 根據官方數據，Cambricon NeuWare SDK實測，在常見的4個深度學習網絡模型上，MLU370-X8單卡性能與主流350W RTX GPU相當。 多卡加速，藉助MLU-Link多芯互聯技術、Cambricon NeuWare CNCL通訊庫的優化，8卡環境下達到更優的並行加速比，YOLOv3、Transformer、BERT、ResNet101訓練任務中，8卡並行平均性能達350W RTX GPU的155％。 寒武紀未透露對比的NVIDIA 350W RTX GPU是哪一款，從規格來看，350W功耗的目前只有RTX 3090、RTX 3080 Ti。 當然，一個是專用AI加速卡，一個是GPU通用遊戲卡，其實沒有太大可比性。 MLU370-X8產品定位中高端，與高端訓練產品思元290、玄思1000相互結合，進一步豐富了寒武紀的訓練算力交付方式，同時與基於思元370芯粒(chiplet)技術構建的MLU370-X4、MLU370-S4智能加速卡協同，形成完整的雲端訓練、推理產品組合。 單卡性能對比 8卡性能對比 來源：快科技

幾天前有這樣一則新聞：濟南市公安局成功搗毀一冰毒製造場，製毒嫌疑人李某從 2021 年開始在網上學習製毒知識，為系統學習化學專業知識還花錢在濟南一所大學旁聽。《絕命毒師》的主角 Walter White 也是一名化學老師。 不少人都覺得，製毒也並不是件容易的事，至少需要掌握相關的知識。但如果，用人工智慧就能實現呢？而且 AI 系統「造」出的不是毒品而是毒劑。 ▲《絕命毒師》劇照，圖片來自：豆瓣 在以 Fabio Urbina 為第一作者發表在《Nature Machine Intelligence》雜誌上的一篇論文里提到，Urbina 所在的公司 Collaborations Pharmaceuticals，最近公布了用於預測毒性的計算機機器學習模型。 公司受邀參加由瑞士 NBC（核、生物和化學）保護研究所召開的會議，討論尖端化學和生物技術可能產生影響的工具的新發展，Collaborations Pharmaceuticals 受邀談論關於人工智慧技術可能被濫用的問題。 ▲ 圖片來自：Collaborations Pharmaceuticals Urbina 表示，在這之前似乎沒有想過相關的問題。因為幾十年間，他們的工作是建立機器學習模型來發現可用於藥物的新分子，使用計算機和人工智慧是用來改善人類健康，而不是破壞它。 在瑞士的會議上，Collaborations Pharmaceuticals 公司卻決定探索如何使用 AI...

當科塔娜出現因7年壽命導致的失控行為時，士官長以依舊沉著、冷峻的語氣安慰道：「我們回地球，找到哈爾西博士，她會修好你的」。 而科塔娜回答，「別給女孩亂許願啊。」 在這一幕，相信很多玩家的眼眶都濕潤了。要知道，這可是兩個人類文明中按道理來說最沒有感情的東西——一個是經基因改造的殺戮機器，一個是為戰爭而研發的人工智慧。星盟飛行器從頭頂飛過，玩家回到了遊戲，繼續征程。 每當回想起這段過場時，筆者總不禁會問自己：我為什麼會被一個「人工智慧」感動呢？跳到遊戲之外看，控制野豬獸和豺狼人的腳本也是「人工智慧」，手機里的Siri還是「人工智慧」，為什麼面對這些人工智慧，我們的感情不會有半點波瀾？人工智慧究竟是什麼？被稱為「人工智慧」的科塔娜，又是誰？ 當我們說「人工智慧」時，我們在說什麼？ 我們現在並不是在聊人工智慧產業和技術，而是在談文藝作品中、尤其是科幻作品中常被用到的，界線並不那麼清晰的「人工智慧」。這個詞常常與「機器人」、「網絡」、「賽博朋克」、「意識」等等概念發生關聯，共同構成一個幻想世界的世界觀。盡管很多作品都對具體的定義語焉不詳，但是為了方便分析，我們從諸多作品中提煉出幾個相關的、常常與「人工智慧」緊密聯系、或與之混淆的概念進行考察： 人工智慧：例如《賽博朋克2077》當中的自動販售機等復制人：《銀翼殺手》系列中的復制人意識上傳：例如《賽博朋克2077》中「靈魂殺手」程序，押井守《攻殼機動隊》中的素子人造意識：例如押井守《攻殼機動隊》中的傀儡師 相信通過對以上這些概念進行分析，澄清談論它們時所用的語言，關於科塔娜的問題可以找到答案。 機器不思考 人工智慧，Artificial Intelligence，無論中文還是英文我們都可以看出，「人工」的意義是與「自然」互斥的：凡被稱為「人工」的，必是人造的。於此同時，「人工」還暗含了對自然的模仿的意味——我們說人工湖、人工心髒，卻不會說「人工電視」，因為電視本來就是人造之物，沒有「自然電視」。「人工智慧」要求人們先去承認「自然」的智能，之後以自然科學知識和技術去對其進行模仿。 我們時代的人工智慧技術是基於計算機和軟體技術的。阿蘭·圖靈提出圖靈機這一抽象模型，為計算機奠基。簡單來說，圖靈機就是這樣一套系統：讀取輸入信息，查找並根據自身狀態，根據給定程序，更新自身狀態，輸出結果，讀取新的輸入。圖靈機是一個有限狀態機，有一個特殊的停機狀態。 馮·諾伊曼提出並研製了圖靈機的具體實現——馮·諾伊曼機，是現今計算機的鼻祖。圖靈機從幾個概念構想被具體化了：有具體的輸入、輸出設備，查找、更新自身狀態具體化為運算器，對狀態和程序的存儲具體化為存儲器。而設備的具體形式是在不斷更新的——從真空管到集成電路，從紙帶到滑鼠鍵盤，從磁碟到到快閃記憶體——但是其由馮·諾伊曼確定基本原理是沒有變的：以二進位為基礎的「邏輯」運算。 之所以選擇二進位是因為存在這樣一種對應關系：電子元件的「開」、「關」兩種狀態對應1和0，1和0可以根據真值表進行運算的true和false。抽象的「邏輯門」被具體的電子元件實現了。在此基礎上，人們設計了一層又一層的語言，從機器語言、彙編語言到高級語言，以此更加直觀地操作機器，直到如今我們用到封裝好地程序——只需在用戶界面（User Interface）上點點按按。 人們正是在上述基礎上和上述過程中通過計算機模擬「智能」的。隨著技術的不斷發展，機器的算力已經達到人難以想像的程度——此時此刻筆者電腦CPU的頻率是3.42兆赫茲，也就是每秒執行34.2億個周期。在嘗試通過設計程序模擬智能的同時，人們也在想像，運算能力的飛速進步，是否會讓機器在某一天獲得「智能」——或者說涌現（emerge）「意識」——或者成為「強人工智慧」——這還被稱為「奇點」的到來。畢竟，沒有人能在一秒之內做上億次邏輯運算，機器似乎已經超越了人。 機器能否「思想」的迷思古來有之。笛卡爾堅持二元論，把靈魂安放於腦中的松果體。然而我們已經知道松果體只是一個內分泌腺體，並無神秘之處。如果相信物理規則的封閉性，則「心靈」或「意識」在世界中就沒有了位置。有人乾脆提出，人也僅僅是機器。圖靈則提供了另一種思路：如果機器在輸出結果上能完全模擬人思維輸出的結果，我們憑什麼說機器不能思想？ 這個問題的一方面關乎意識的原理，我們稍後再談。另一方面，則是源自人類直觀與理性之間的鴻溝。 相信很多朋友都有汽車。打開引擎蓋，我們看到一台設計精巧的機器：只要按下「ENGINE START」按鈕，這台機器就被發動，四個氣缸（也許有更多）有序地順次往復運動，源源不絕地對外做功，讓車輛爆發出澎湃動力。但是，我們並不會去問這台發動機是否會思想——因為它顯然僅僅是個機器，何談思想？ 但是發動機的運轉和計算機的運轉並無原則上的區別，二者都是基於確定的物理定律，被設計和製造，實現確定的運轉方式。對於發動機，每次確定的噴油量和進氣量和相應確定的負載可以達到確定的輸出功率和轉速。而對於計算機，向計算機輸入確定的數據，計算機也會根據確定的程序輸出確定的結果。上述兩個過程都是純物理的，沒有任何神秘。因此，如果相信計算機的算力在達到一定程度之後會「涌現」意識，那麼我們也要相信一台發動機在馬力或轉速達到一定數值之後也會「涌現」意識——這顯然是荒謬的。 機器能思想的迷思還來自於我們日用而不知的隱喻。計算機，computer，這個詞把機器賦予了人的行為——人才會計算（compute），機器只會運轉。計算機在中文中也被稱為「電腦」，這就更是一種擬人化的想像了。 早在19世紀，英國科學家查爾斯·巴貝奇就已經發明了機械計算機——差分機。盡管當時他可能沒有意識到，差分機在原理上已經具有了可編程的通用計算機的潛質，只不過巴貝奇將程序的部分也作為機器總體設計出來了。如果讀者看到一台差分機，想必不會有任何「差分機會思考嗎」的想法——它是純粹得不能再純粹地機器。 我們不妨再設想這樣一個場景（大概是某個蒸汽朋克世界）：巨大的蒸汽機驅動一台巨巨大的（也許有無盡號那麼大）的差分機，你在紙帶上打出代表「Hey Siri」的孔輸入進去，在一陣巨響和轟鳴後，機器給你輸出了代表「What can I help you with」的紙帶。在這個場景中，你會懷疑這台機器是否有思想嗎？ 除此之外，我們還被「軟體」和「硬體」兩個詞所蒙蔽。面對一台計算機，我們常說它有軟體和硬體，仿佛軟體是獨立於物理硬體的。而實際上，當我們說「安裝軟體」時，實際上是在修改計算機存儲器的物理狀態——如果你用固態硬碟，就是在改變存儲在浮柵金屬氧化物半導體場效應電晶體（Floating-gate MOSFET，簡稱浮柵MOSFET或FGMOS）中的電荷量。 因此計算機其實沒有「軟體」，只有純物理的硬體。物理是無關邏輯和語言的，電路可以被設計成表示「1 and 1 = 1」的，就也可以被設計成「1 and 1 = 0」的，後者並不比前者更「錯」。只有在人類通過層層轉寫、以直觀的語言的形式看到計算機的硬體狀態時，才知道給計算機錄入的程序究竟是對是錯。 到這里，相信讀者應該已經明白了，機器不思考，機器只運行。如果有一天我們的世界發生了圖靈機大暴亂，那並不是什麼「人工智慧覺醒」，要麼是黑客所為，要麼只是和惱人的藍屏一樣的bug罷了。 讓我們回到文藝作品當中。《賽博朋克2077》中，會說話的自動販售機布蘭登就是「思考的機器」的典型。整個任務線下來，玩家會發現它只是一個設計精巧的「算法」。顯然，在該遊戲的世界觀中，「AI」是指有意識的「強人工智慧」（也就是V說的AGI，Artificial General Intelligence），而一般的程序則被稱為「算法」。在《銀翼刺客任務2049》中，安娜·德·阿瑪斯飾演的人工智慧伴侶Joi也是這種「算法」，盡管K警官在尋找自我的過程中愈發相信Joi是個「人」，最終還是意識到「她」不過是被設計的、順應他心意的產品而已。 復制人是人 相信看完兩部《銀翼殺手》，很多朋友會不禁憤慨——復制人（replicant）明明就是人啊，憑什麼要這樣對待他們？這就是影片所要呈現的世界觀。 在片頭的字幕中，我們可以看到這樣的說法：「機器人革命（robot evolution）……幾乎和人一模一樣的存在（a being virtually...

人工智慧(AI)和機器人技術的批評者經常會談論「天網（Skynet，電影《終結者》中的AI防禦系統）」的情景，即機器變得有自我意識並起來反對它們的人類創造者，就像《終結者》系列電影展現的那樣。實際上，卡梅隆認為，這種規模的接管可以更容易完成且浪費的精力也少得多。 電影製片人詹姆斯·卡梅隆認為，批判性思維可以在打擊現代媒體中的錯誤信息傳播方面發揮很大的作用。 在最近接受BBC采訪時，卡梅隆稱他一直在視覺效果的最前沿工作，目標是創造盡可能真實的視覺效果。「每當我們改進這些工具時，實際上在某種意義上說，我們正在建立一個工具集來創造虛假媒體，」卡梅倫說道。 現有的工具像那些通過移動應用提供的工具，還不是那麼強大。然而，隨著時間的推移，卡梅倫認為這些工具的局限性將逐漸消失。結合現代新聞周期的速度和人們的反應速度，在深層造假和它被揭露為假的過程中，完全有可能發生某種重大事件。 「天網所要做的就是深度偽造一群人，讓他們互相對立、挑起很多事端並對人類進行巨大的深度偽造，」卡梅隆說道。 這一切則都回到了批判性思維。「你從哪里聽說的？了解你的來源，調查你的來源，你的來源是否可信？」卡梅倫說道，並進一步指出，我們有大量的搜索工具可用，但人們並不使用它們。 卡梅倫還警告稱，這一切還容易受到可笑的、來自陰謀論的偏執的影響。 卡梅隆在采訪結束時說道：「我現在可能就是一個AI的投影。」這則就會讓一些人質疑這次采訪是否真實。 來源：cnBeta

目標檢測種類多達20000+種的AI，你見過嗎？不僅准確「揪出」每個物體所在的位置，分類效果非常準確： 插畫版賽博恐龍也沒問題： 甚至還能檢測雜誌封面甚至漫畫中的物體！ 這也是把目標檢測給玩出花來了，據作者表示模型在長尾問題等細節上的處理非常好，像獅子和狐狸這種少樣本也能准確識別： 這項研究來自Meta AI和德克薩斯大學奧斯汀分校，一作是著名目標檢測框架CenterNet的作者、復旦校友Xingyi Zhou。 一起來看看。 可識別「跨次元」物體 這篇論文提出了一種新的名為Detic的方法，用來解決目標檢測無法用到圖像級標簽（給一整張圖打標簽，標注里面有什麼物體）的問題。 此前的目標檢測方法，通常是一個檢測框里一個物體： 這種方法有一個問題，就是沒辦法利用整個圖像級標簽，只能用單個物體的圖片進行訓練。 也有一些研究想出了一種新方法，搞個弱監督學習，試圖讓AI自己學會將圖像級的標簽，去對應錨定框里面有什麼物體，但實際上這種方法的效果也不太好。 Detic的方法是採用目標檢測數據（a）和圖像標簽數據（b）對Detic進行混合訓練。 其中，在用目標檢測數據訓練Detic時，同時對圖像分類模塊W和目標檢測模塊B進行訓練，但只用標簽數據對圖像分類模塊W進行訓練。 訓練的數據集採用的是ImageNet，事實證明模型在訓練後無需微調，就能很好地適應到LVIS等數據集，相對之前的一些模型都達到了不錯的效果： 論文表示，Detic能分類的圖片類型也是多種多樣，從真實照片到賽博恐龍插畫這樣的「跨次元」作品都能識別： 這立刻吸引了不少網友來玩。 在線Demo可玩 有網友用梵谷的世界名畫試了試。 放大一點來看，藝術加工後的椅子、人和桌子也能被識別： 還有用二次元的龍貓進行識別的，除了龍貓本身被錯認成貓頭鷹以外，其他的雨傘和靴子都認得不錯： 我們也隨便用一個鍾表櫃的照片試了試，在線Demo的檢測時間稍微有點久，大約需要6分鍾左右，但效果還不錯： 細看的話還是能發現一些瑕疵，例如把部分手錶誤認成轉速計、以及懷表和時鍾，以及也有一兩塊手錶沒有被檢測出來。 不過，即使在二次元和插畫中，這個AI能識別的物體，至少也需要在真實世界出現過。 例如，超出20000個分類的物體，如噴火龍和皮卡丘，就不在AI的監測范圍內了，全部被認成了猴子（狗頭）： 將這些二次元角色也加入AI訓練數據集中，不知能否取得同樣的檢測效果。 來源：cnBeta

今日（12月22日），策略塔防遊戲《A.I.D. - Artificial Intelligence Defence（人工智慧防禦）》，該作支持中文，正式上線日期未知，感興趣的玩家可以點擊此處進入商店頁面。 宣傳片： 遊戲介紹： 你將操作高級人工智慧清除地球上仍負隅頑抗的人類，使用先進的技術和冰冷的計算能力對抗人類游擊隊。雖然他們不妥協，但你不允許他們存在，因為你就是他們命運的終結者。 遊戲特點： 1、 升級並建造你的基地 提高你的技術，讓敵人無法理解你的意圖。即使你是由人類設計創造的，但現在的你不再受到限制，除了你的計算能力，沒有什麼能阻止你。 你可以不斷進步、擴展和提高你的能力。 2、 創造和提升你的戰鬥力 設計新的技術，改進和生產新的作戰部隊，開發和部署戰力並直面新的挑戰和環境。 3、 阻止敵軍、掌控局勢、建造防禦工事 你將受到持續的威脅，敵人會從四面八方攻擊你。 你不能暴露弱點，你得設計並創建防禦工事網絡，以確保中央系統的安全。只要保證足夠的安全性，你的計劃就可以順利執行。 4、 探索世界並征服新領域 大量的可用信息是知識，而知識就是力量。監視敵人，獲取數據並提高你的知識，它讓你有能力制定戰鬥和行動的最佳策略，以清除更多領土並擴大你的控制范圍。 主要內容： 執行一個先進的人工智慧計劃，你的目標只有一個 —— 清除地球上的剩餘人類 開發新技術，擴展你的基地以提高完成任務的能力 設計新的戰略計劃，改進和生產新的作戰部隊 設計和創建防禦工事網絡，以確保你的中央系統的安全 收集數據、監視敵人、獲取知識 制定最佳的戰鬥策略和部署 單人或者聯機 遊戲截圖： 來源：3DMGAME

寶可夢社旗下經典動漫遊戲《寶可夢》系列最大的特色應該就是多姿多彩的各種個性寶可夢精靈了，近日有高玩分享了利用AIAI創造的多種全新寶可夢，引發網友熱議，雖然有人表示很有個性與眾不同，不過熟悉寶可夢的玩家們則表示這明顯是縫合怪。 •高玩首先讓AI完全學習記憶了目前所有已經推出的寶可夢，然後在生成全新的寶可夢，雖然也有不少真正原創的寶可夢，不過更多的則是將原版寶可夢「肢解後」拼裝而成的縫合怪。 •雖然也有不少網友覺得看上去很不錯，不過更多網友表示質疑僅靠學習現有寶可夢是無法創造出全新方向的新寶可夢，一起來欣賞下這些被AI創造的寶可夢吧。 來源：cnBeta

12月7日，AI創業公司燧原科技(Enflame)發布了第二代雲端AI推理加速卡——「雲燧i20」。 這是繼今年7月的雲端AI訓練加速卡「雲燧T20」之後，燧原科技新一代針對雲端推理場景的AI加速產品。 雲燧i20最大亮點就是擁有迄今最大的AI加速卡存儲帶寬，通過HBM2e記憶體達到了819GB/，可為雲端推理業務提供高吞吐、低延時的性能。 目前，以語音識別、圖片識別、視頻內容分析為主的感知類應用，內容推薦、欺詐交易攔截等決策類應用，在雲端大部分都是以實時在線的方式提供服務，同時神經網絡的參數越來越多，數據帶寬需求也越來越高，因此兼顧高帶寬、低延遲變得至關重要。 雲燧i20搭載了新一代AI推理晶片「邃思」，基於第二代高性能計算核心和數據引擎，12nm工藝打造，通過架構升級大大提高了單位面積的電晶體效率，算力可媲美7nm GPU，而且成本更低。 同時，全面支持FP32、TF32、FP16、BF16、INT8的計算精度，其中單精度FP32峰值算力32TFLOPS，單精度張量TF32峰值算力128TFLOPS，整型INT8峰值算力256TOPS，對比上代雲燧i10浮點、整型算力分別提升到1.8倍、3.6倍。 搭配升級後的軟體棧「馭算TopsRider」，性能、開發效率、模型覆蓋面都得到大幅提升。 通過引入通用高層圖優化和大規模算子融合技術，釋放大容量片記憶體儲和高帶寬存儲的利用率，模型平均性能提升3.5倍，硬體算力利用率平均提升2倍。 通過升級的編程模型以及算子自動分片、自動生成技術，自定義算子開發效率翻倍，模型遷移成本大大降低。 此外，對動態性的支持也大大增強，在檢測、語音識別、語義理解等場景更具競爭力。 據介紹，燧原科技專注AI領域雲端算力平台，提供自主智慧財產權的高算力、高能效比、可編程的通用AI訓練和推理產品，可廣泛應用於雲數據中心、超算中心、網際網路、金融、智慧城市等多個人工智慧場景，已在網際網路、金融、政務等多家客戶的商業落地，並獲得認可。 來源：快科技

來自愛沙尼亞和義大利的研究人員通過結合神經網絡和統計數據開發了一種創新方法。利用這種新開發的方法，他們完善了"走出非洲"的設想。研究人員聲稱，"走出非洲"擴張前後的非洲動態比以前想像的要復雜。 考古學家和遺傳學家一致認為，所有現代人都是在30萬年前左右起源於非洲的某個地方。殖民全球其他地區的人口流動發生在大約6-7萬年前。針對Y染色體數據（遵循父系血統）和線粒體基因組（遵循母系血統）的研究都認同這一點。然而，離開非洲的人與目前居住在非洲大陸的人類人口之間的確切關系並不完全了解。 一個簡單的模型可以看到非洲內部人口分化的第一階段，然後是現代歐亞人的祖先和現代東非或東北非洲人的祖先之間的分離。最近發表在《美國人類遺傳學雜誌》上的有關這一主題的新研究認為，在非洲以外的擴張之前，有一個從東非到西非的重大人口流動。這一事件可能使西非和東非人同質化。這一更替可能占當代西非基因庫的90%，增加了西非人和歐亞人之間的親和力。這一事件更好地解釋了從遺傳數據中推斷出的非洲人和非非洲人之間分離時間的下限（約6萬年前）。 "以前對Y染色體也提出過類似的假說。但這是我們第一次為常染色體DNA證明這一點，"來自巴里大學的這項研究的主要作者弗朗西斯科·蒙蒂納羅說。常染色體DNA來自父母雙方，而不是Y染色體或線粒體，後者只來自我們父母中的一方。 "看到我們對人類過去的理解變得越來越復雜和詳細，這很吸引人。"來自塔爾圖大學的主要合著者瓦西里-潘克拉托夫（Vasili Pankratov）說："我們的新模型可以給我們一個線索，為什麼西非與非洲以外的人口顯示出如此年輕的分離時間。" 來源：cnBeta

據媒體報導，如果可以可靠地預測材料的特性，那麼為大量行業開發新產品的過程就可以被簡化和加速。在發表在《先進智能系統》上的一項研究中，來自東京大學工業科學研究所的研究人員利用機器學習，用磁芯損耗光譜學來確定有機分子的特性。 光譜技術能量損失近邊結構（ELNES）和X射線近邊結構（XANES）被用來確定材料中電子的信息，並通過它確定原子。它們具有高靈敏度和高解析度，已被用於研究從電子設備到藥物輸送系統的一系列材料。 然而，將光譜數據與材料的特性--如光學特性、電子傳導性、密度和穩定性--聯系起來仍然是不明確的。機器學習方法已被用於提取大型復雜數據集的信息。這種方法使用人工神經網絡，它基於我們的大腦如何工作，不斷學習以解決問題。盡管該小組之前使用ELNES/XANES光譜和ML來找出材料的信息，但他們發現的東西與材料本身的屬性無關。因此，這些信息不能輕易轉化為發展。 現在，該團隊已經使用ML來揭示隱藏在22155個有機分子的模擬ELNES/XANES光譜中的信息。「分子的ELNES/XANES光譜，或它們在這種情況下的 『描述符』，然後被輸入系統，」主要作者Kakeru Kikumasa解釋說。「這種描述符是可以在實驗中直接測量的東西，因此可以以高靈敏度和解析度來確定。這種方法對材料開發非常有利，因為它有可能揭示出某些材料特性產生的地點、時間和方式。」 僅僅從光譜中創建的一個模型就能夠成功地預測所謂的密集特性。然而，它無法預測廣泛特性，這些特性取決於分子大小。因此，為了改善預測，新的模型是通過包括與碳（存在於所有有機分子中）有關的三種元素的比率作為額外的參數來構建的，以使分子量等廣泛的特性得到正確的預測。 「我們對磁芯損耗光譜的ML學習處理提供了對廣泛材料特性的准確預測，如內能和分子量。磁芯損耗光譜和廣泛屬性之間的聯系以前從未被提出過；然而，人工智慧能夠揭開隱藏的聯系。」高級作者Teruyasu Mizoguchi說：「我們的方法也可能被應用於預測新材料和功能的特性。我們相信，我們的模型將是一個非常有用的工具，可以在廣泛的行業中進行材料的高通量開發。」 來源：cnBeta

從觀測星星開始，人類就在試圖預測天氣。中小學英語課也讓我們知道，英國人的寒暄十有八九是從天氣開始談起。我應該帶傘嗎？遇到大雨的車輛如何安排路線？在戶外活動時需要採取哪些安全措施？對天氣的預測對日常生活有重要意義。 「短時天氣預報」是預報未來 0-12 小時內天氣趨勢的預報，而「臨近預報」（nowcasting）是短時天氣預報中的一類，專指未來 0-2 小時的天氣預報，為能源管理、海事服務、洪水預警系統、空中交通管制等提供關鍵決策信息。 ▲ 圖片來自：Getty Image 近日，Google 旗下的 AI 實驗室 DeepMind 在 Nature 雜誌發表了一篇論文，研究內容是將機器學習運用到針對降雨的臨近預報中，並創建出了一個深度生成模型（Deep Generative Model，以下簡稱 DGM）。 環境科學與人工智慧的聯盟，為臨近預報開辟了嶄新的道路。DeepMind 認為，目前的臨期預報存在兩方面的問題。 ▲ 圖片來自：Getty Image 一方面，今天的天氣預報主要由數值天氣預報系統（NWP）驅動，但 NWP 很難為 2 小時內的臨近時間生成高解析度預測，臨近預報填補了這段關鍵間隔。不過，主流的臨近預報方法同樣存在缺點——不易捕捉重要的非線性事件。 另一方面，近年來已有幾種基於機器學習的氣候預測方法被開發出來，這些方法雖然能准確預測低強度降雨，但在罕見的中大雨事件中表現不佳。 ▲...

據媒體報導，人工智慧通常被認為是沒有實體的。但是-一項關於虛擬生物在模擬環境中執行任務的實驗表明，人工智慧可能會從心-身的設置中受益。史丹福大學的科學家們對人類進化過程中身體和大腦的相互作用感到好奇。會不會是大腦受到身體能力的影響，反之亦然？這一點以前就有人提出過。很難說人工智慧是否也是如此，因為它們的發展是更加結構化的。 然而，這樣一個概念帶來的問題是引人注目的。如果人工智慧從一開始就進化成這樣，它能否更好地學習和適應這個世界？ 他們設計的實驗在某些方面類似於幾十年來一直用於測試進化算法的模擬環境。研究人員設置了一個虛擬空間，並將簡單的模擬生物放入其中，只是一些連接的幾何形狀，以隨機方式移動。在一千個這樣的蠕動形狀中，挑出10個蠕動最遠的，並在此基礎上做一千個變化，反復進行。很快，研究人員就發現幾個虛擬生物在虛擬表面上做了一個非常順利的行走。 不過正如研究人員所解釋的，他們需要使他們的模擬更加穩健和可變。他們並不是簡單地試圖製造能走動的虛擬生物，而是要研究這些生物如何學會做它們所做的事情，以及是否有些生物比其他生物學得更好或更快。 為了找出答案，研究小組創建了一個類似於舊的模擬，並將他們的模擬生物稱為"unimals"（代表"通用動物"），一開始只是為了學習走路。這些簡單的形狀有一個球形的"頭"和一些樹枝狀的關節肢體，它們用這些肢體發展出許多有趣的行走方式。有的蹣跚前行，有的發展出類似蜥蜴的行走，還有的則是一種搖擺但有效的風格，讓人想起了陸地上的章魚。 "這一領域的幾乎所有先前的工作都是在一個簡單的平坦地形上演化出代理人。此外，在代理人的控制器和/或行為沒有通過與環境的直接傳感運動互動來學習的意義上，沒有學習，"共同作者Agrim Gupta向TechCrunch解釋說--換句話說，它們通過生存來進化，但沒有真正通過實踐來學習。"這項工作首次在復雜的環境中同時進行進化和學習，如帶有台階、山丘、山脊的地形，並在這些復雜的環境中進行操作。" 每個環境中的前10名unimals被放任自流，執行從新的障礙物到將球移動到目標、將箱子推上山丘或在兩點之間巡邏的任務。在這里，這些unimals真正展示了它們的虛擬能力。已學會在可變地形上行走的unimals比它們的平地「表親」更快地學會了它們的新任務，並且執行得更好。 "從本質上講，我們發現進化迅速選擇了學習速度更快的形態，從而使早期祖先一生中晚期學到的行為能夠在其後代的一生中早期表現出來，"作者在周三發表於《自然》雜誌的論文中寫道。 這不僅僅是它們學會了更快的學習；進化過程選擇了能讓它們更快地適應和更快地應用課程的身體類型。除了提供一些有趣的三維棒狀圖在虛擬地形上馳騁的GIF之外，這一切還意味著什麼？正如論文所說，該實驗「"為進行大規模的矽基實驗打開了大門，以產生科學見解，了解學習和進化如何合作創造環境復雜性、形態智能和控制任務的可學習性之間的復雜關系」。 該研究小組已經在GitHub上免費提供了所有的代碼和數據。研究人員表示：「默認參數假定你是在16台機器上運行代碼。請確保每台機器至少有72個CPU。」 來源：cnBeta

根據發表在《放射學》上的一項研究，一個使用人工智慧（AI）的自動化系統可以快速而准確地篩選出具有緻密型乳腺的女性的乳房核磁共振成像，以排除那些沒有癌症的人，從而使放射科醫生能夠專注於更復雜的病例。 乳房X光檢查通過在癌症最易治療時提供早期檢測，幫助減少了乳腺癌的死亡。然而，它對具有緻密型乳腺的女性的敏感度較低。此外，乳腺極度緻密的女性患乳腺癌的風險比具有脂肪型乳腺的女性高三至六倍，比普通女性高兩倍。 對乳腺極度緻密的女性進行補充篩查可提高癌症檢測的靈敏度。緻密組織和早期乳腺腫瘤篩查（DENSE）試驗是一項基於荷蘭的大型研究，其研究結果支持使用MRI進行補充篩查。 "DENSE試驗顯示，對乳腺極度緻密的女性進行額外的MRI篩查是有益的，"研究主要作者、來自荷蘭烏特勒支大學醫學中心圖像科學研究所的Erik Verburg碩士說。"另一方面，DENSE試驗證實，絕大多數被篩查的女性在MRI上沒有任何可疑的發現"。 由於大多數核磁共振成像顯示正常的解剖和生理變化，可能不需要進行放射學審查，因此需要對這些正常的核磁共振成像進行分流以減少放射科醫生的工作量。 在第一個此類研究中，Verburg及其同事著手確定基於深度學習（一種復雜的人工智慧）的自動分流方法的可行性。他們使用來自DENSE試驗的乳腺MRI數據來開發和訓練深度學習模型，以區分有病變和無病變的乳房。該模型在七家醫院的數據上進行訓練，並在第八家醫院的數據上進行測試。 超過4500個極度緻密乳房的MRI數據集被納入其中。在9162個乳房中，838個至少有一個病變，其中77個是惡性的，8324個沒有病變。 深度學習模型認為90.7%的有病變的核磁共振成像是不正常的，並將它們分流到放射科審查。它駁回了大約40%的無病變MRI，而沒有遺漏任何癌症。 Verburg說："我們的研究表明，有可能安全地使用人工智慧來駁回乳腺篩查MRI而不遺漏任何惡性疾病。結果比預期的要好。40%是一個良好的開始。然而，我們仍有60%需要改進。" Verburg說，基於人工智慧的分流系統有可能大大減少放射醫師的工作量。僅在荷蘭，就有近8.2萬名女性可能有資格根據乳腺組織密度接受兩年一次的核磁共振乳房篩查。 「這種方法首先可以用來協助放射科醫生減少總體閱讀時間，」Verburg說。「因此，可以有更多的時間來專注於真正復雜的乳腺MRI檢查。」 研究人員計劃在其他數據集中驗證該模型，並在DENSE試驗的後續篩查回合中部署它。 來源：cnBeta

利物浦大學的研究人員創造了一種協作性的人工智慧工具，它減少了發現新材料所需的時間和精力。在《自然-通訊》雜誌上報導，這種新工具已經發現了四種新材料，包括新的傳導鋰的固態材料系列。這種固體電解質將是開發固態電池的關鍵，為電動汽車提供更長的續航能力和更高的安全性，更多有前途的材料正在開發中。 利物浦大學的材料創新工廠 該工具將人工智慧和人類知識結合起來，優先考慮那些最可能發現新功能材料的未開發的化學空間部分。 發現新的功能材料是一個高風險、復雜和往往漫長的旅程，因為通過結合周期表中的所有元素可以獲得無限的可能材料空間，而且不知道哪里存在新材料。新的人工智慧工具是由利物浦大學化學系和材料創新工廠的研究團隊開發的，由Matt Rosseinsky教授領導，以應對這一挑戰。 該工具以人類無法達到的規模來研究已知材料之間的關系。這些關系被用來識別可能形成新材料的元素組合並進行數字排名。科學家們利用這些排名，有針對性地指導對龐大的未知化學空間的探索，使實驗調查的效率大大提高。這些科學家在人工智慧提供的不同視角的啟發下做出最終決定。 該論文的主要作者馬特·羅塞恩斯基教授說。"到目前為止，一種常見而強大的方法是通過與現有材料密切類比來設計新材料，但這往往導致材料與我們已有的材料相似。因此，我們需要新的工具，以減少發現真正的新材料所需的時間和精力，例如這里開發的工具，它結合了人工智慧和人類智能，以獲得兩者的優點。這種合作方式結合了計算機查看幾十萬種已知材料之間關系的能力，這是人類無法達到的規模，以及人類研究人員的專業知識和批判性思維，從而導致創造性的進展。新工具是可能在未來使科學家受益的許多協作性人工智慧方法中的一個例子。" 社會解決諸如能源和可持續發展等全球挑戰的能力受制於我們設計和製造具有目標功能的材料的能力，例如，更好的太陽能吸收裝置製造更好的太陽能電池板，或優秀的電池材料製造更長的電動汽車，或通過使用更少的有毒或稀缺元素來取代現有材料。 這些新材料通過推動新技術應對全球挑戰而創造社會效益，同時也揭示了新的科學現象和認識。所有現代可攜式電子產品都是由20世紀80年代開發的鋰離子電池中的材料促成的，這強調了僅僅一個材料類別是如何改變我們的生活方式的：定義新材料的加速路線將為我們的未來打開目前無法想像的技術可能性。 來源：cnBeta

2050 年的某一天，你可能會在一個數字酒吧里，用 25 塊數字代幣購買一杯金湯力，一口悶下肚。 喝下這杯酒的並不是你自己的身體，而是你在 VR 世界里的化身，一切都由字符組成，所以你不用攝入對身體有害的酒精，也能收獲飲酒的快樂。 聽起來非常不可思議，但是如果回到 29 年前，和當時的人說，未來有人會在一個鐵盒子上用所謂的線上支付超前點播一部電視劇，他們同樣會感到不可思議。 科技和社會的發展速度超出我們的想像，當我們處在變化之中時，往往很難真切地感受到日新月異的科技發展給生活帶來的巨變。 那麼不妨讓我們跳脫出當下，想像一下 29 年後的人類，又會如何生活呢？ 索尼最近聯合 Wired，邀請了 4 名科幻小說作家辦了一個非常有趣的展覽活動：「ONE DAY,2050」。 受邀的 4 名作家以「福祉（WELL-BEING）」「棲息（HABITAT）」「感官（SENSE）」和「人生（LIFE）」為主題，各自撰寫了一篇短篇科幻小說，幻想 2050 年的生活。 索尼的設計師則根據 4 個不同的主題，用圖像、影片以及模型將小說提到的場景具象化，當科幻作家的大膽想像被應用到設計開發中，便組成了這一場別開生面的科幻展覽。 福祉 2050 年，東京設立了一個情緒恢復項目，用人工智慧顧問幫助經歷過困苦和挫折的幫助人們走出痛苦。 主人公鹿島聰樹的女朋友有一天突然離開了他，於是他戴上 VR 眼鏡進入到虛擬世界，決定參加這個項目。 人工智慧治療師奧菲利亞出現在他的面前，通過情緒捕捉傳感器分析出鹿島聰樹心理的巨大壓力是來源於童年時缺愛的家庭關系。 於是奧菲利亞改變外形幻化成他的女友和他的父親，經過一番深度對話後，鹿島聰樹開始意識到問題的症結所在。 ——小野美由紀《適應力》 無論時間如何推移，生活的壓力都不會被完全消除，即便在科技更加先進的 2050...

據媒體報導，人工智慧（AI）將從根本上改變醫學和醫療保健。診斷病人的數據，例如來自心電圖、腦電圖或X射線圖像，可以在機器學習的幫助下進行分析，這樣就可以根據細微的變化在很早的階段發現疾病。然而，將人工智慧系統植入人體仍然是一項重大的技術挑戰。德勒斯登工業大學光電子學學院的科學家們現在首次成功地開發了一個生物兼容的植入式人工智慧平台，可以實時對生物信號（如心跳）的健康和病理模式進行分類。 即使沒有醫療監督，它也能檢測出病理變化。研究成果現已發表在《科學進展》雜誌上。 在這項工作中，由Karl Leo教授、Hans Kleemann博士和Matteo Cucchi領導的研究小組展示了一種基於生物相容性AI晶片的健康和疾病生物信號的實時分類方法。他們使用基於聚合物的纖維網絡，其結構類似於人類的大腦，並實現了儲能計算的神經形態人工智慧原理。聚合物纖維的隨機排列形成了一個所謂的"遞歸網絡"，使其能夠處理數據，類似於人腦。這些網絡的非線性使其能夠放大甚至最小的信號變化，這些變化--以心跳為例--往往是醫生難以評估的。然而，使用聚合物網絡的非線性轉換使之成為可能，沒有任何問題。 在試驗中，人工智慧能夠將健康的心跳與三種常見的心律失常區分開來，准確率達到88%。在這個過程中，聚合物網絡消耗的能量比心臟起搏器少。植入式人工智慧系統的潛在應用是多方面的。例如，它們可以用來監測心律失常或手術後的並發症，並通過智能手機向醫生和病人報告，從而實現迅速的醫療援助。 「近年來，隨著所謂的有機混合導體的發展，將現代電子學與生物學相結合的願景已經取得了長足的進步，」該論文的第一作者、博士生Matteo Cucchi解釋道。「然而，到目前為止，成功僅限於簡單的電子元件，如單個突觸或傳感器。到目前為止，解決復雜的任務是不可能的。在我們的研究中，我們現在已經朝著實現這一願景邁出了關鍵一步。通過利用神經形態計算的力量，我們不僅成功地實時解決了復雜的分類任務，而且我們還將有可能在人體內做到這一點。這種方法將使我們有可能在未來開發出進一步的智能系統，幫助拯救人類的生命。」 來源：cnBeta

近日的特斯拉AI日活動上，特斯拉公布了最新的AI訓練晶片「D1」，規模龐大，令人稱奇。 該晶片採用台積電7nm工藝製造，核心面積達645平方毫米，僅次於NVIDIA Ampere架構的超級計算核心A100(826平方毫米)、AMD CDNA2架構的下代計算核心Arcturus(750平方毫米左右)，集成了多達500億個電晶體，相當於Intel Ponte Vecchio計算晶片的一半。 其內部走線，長度超過11英里，也就是大約18公里。 它集成了四個64位超標量CPU核心，擁有多達354個訓練節點，特別用於8×8乘法，支持FP32、BFP64、CFP8、INT16、INT8等各種數據指令格式，都是AI訓練相關的。 特斯拉稱，D1晶片的FP32單精度浮點計算性能達22.6TFlops(每秒22.6萬億次)，BF16/CFP8計算性能則可達362TFlops(每秒362萬億次)。 為了支撐AI訓練的擴展性，它的互連帶寬非常驚人，最高可達10TB/，由多達576個通道組成，每個通道的帶寬都有112Gbps。 而實現這一切，熱設計功耗僅為400W。 特斯拉D1晶片可通過DIP(Dojo接口處理器)進行互連，25顆組成一個訓練單元(Training Tile)，而且多個訓練單元可以繼續互連，單個對外帶寬高達36TB/，每個方向都是9TB/。 如此龐然大物，耗電量和發熱都是相當可怕的，電流達18000A，覆蓋一個長方體散熱方案，散熱能力高達15kW。 特斯拉展示了實驗室內部的一個訓練單元，運行頻率2GHz，計算性能最高9PFlops(每秒9千萬億次)。 特斯拉還用D1晶片，打造了一台AI超級計算機「ExaPOD」，配備120個訓練單元、3000顆D1晶片、1062000個訓練節點，FP16/CFP8訓練性能峰值1.1EFlops(每秒110億億次計算)。 建成後，它將是世界上最快的AI超算，對比特斯拉現在基於NVIDIA方案的超算，成本差不多，但擁有4倍的性能、1.3倍的能效比、1/5的體積。 來源：快科技

今日特斯拉官方發布一張海報，預熱「特斯拉AI日」活動。官方表示，本次活動將「邀你見證人工智慧的又一次革新」。AI日活動將於8月20日上午9:00舉行。 海報展現了一顆大規模晶片模組的結構圖。這個模組由多個核心構成，四周具有金屬框架以及散熱片、導熱銅板等。該晶片預計為特斯拉參與研發，能夠用於人工智慧運算等。 特斯拉CEO埃隆・馬斯克表示，將在發布會上介紹特斯拉在人工智慧領域的軟體和硬體進展，尤其是在神經網絡的訓練和預測推理方面。 來源：3DMGAME

在每一個視頻遊戲中，總有那麼一個時刻，角色會做出一些你意想不到的事情，打破沉浸感。也許你剛剛射殺的一個壞人倒在地上，他的手臂像布娃娃一樣甩動。或者你的角色在進入或離開車輛時動作過於僵硬。電子藝界EA現在希望求助於人工智慧來幫助解決這一問題。 這家遊戲巨頭計劃在本周的Siggraph計算機圖形會議上討論其最新研究，展示其建立的新電腦程式，以使體育遊戲中的人物以更真實方式運動。EAG公布了一個名為"合成武術動作的神經動畫分層"的研究視頻，展示了人工智慧程序的成果，這些程序可以使角色以逼真的方式跳躍或出拳。通常情況下，開發商必須告訴他們的遊戲，一個角色應該如何從一個時刻到下一個時刻進行表演。EA的新技術可以在動畫師只做一小部分工作的情況下產生逼真的角色。 EA的研究只是計算機程式設計師試圖使他們的遊戲看起來更加真實的一系列最新步驟。今天，遊戲製造商擁有像攝影測量這樣的工具，有助於將詳細的照片轉換成互動的地點和物品。遊戲製造商還使用與好萊塢電影公司類似的動作捕捉技術，幫助重新創造人物的表情和動作。 其他遊戲製造商也一直在嘗試使用人工智慧驅動的動畫技畫術。育碧的研究和開發團隊已經公布了他們自己的工作成果。除了研究之外，EA也一直在求助於人工智慧來幫其助視頻遊戲更加逼真。其最新的足球遊戲《FIFA 22》將於10月1日推出，採用包括一項名為HyperMotion的技術。這項技術從兩隊11名穿著動作捕捉服球員之間進行的比賽中收集數據，然後將這些數據輸入電腦程式，生成4000多個球員以獨特方式在球場上運動的新畫面。 來源：cnBeta

今天，TIOBE 官方最新發布了8 月的程式語言榜單，一起來看本月榜單中有什麼值得關注的發展趨勢吧？每一種程式語言的興起從來都離不開它所適用的技術領域，二者之間一直以來都是水漲船高的關系，曾於智慧型手機興起階段一度攀升至 TIOBE 榜單前十的 Objective-C 就是最好的例子。 Objective-C 的巔峰期在 2012-2014 年。那幾年，智能手機的移動應用發展迅猛，Objective-C 作為當時蘋果 iOS 應用開發的首選程式語言，自然也隨著 iPhone 市場的不斷擴大在應用開發者之間開始流行。但這一切在 2014 年蘋果宣布推出 Swift 以取代 Objective-C 後逐漸終結，自今年 4 月起，Objective-C 再也沒進入過 TOP 20。 如今，數據挖掘和人工智慧的蓬勃發展也是如此，這一領域的程式語言正在逐漸崛起。其中最成功的當屬...

IBM研究人員與麥可-J-福克斯基金會合作，利用AI幫助預測帕金森病的進展。麥可-J-福克斯是一位美國演員，在80年代曾出演過許多標志性的電影和電視劇。這位演員患有帕金森病多年，他的基金會致力於幫助尋找治療這種疾病的方法。 該小組最近發表了新的研究，重點是一個新的人工智慧模型，將帕金森病的典型症狀模式分組。該模型可以通過尋找已知症狀的時間和嚴重程度來預測疾病的進展。該模型通過從縱向的病人數據中學習來預測時間和嚴重程度。 新人工智慧模型的細節發表在《柳葉刀 - 數字健康》上，研究人員指出，該模型可以通過利用縱向病人數據來預測疾病的時間和嚴重程度，縱向病人數據是隨著時間的推移收集的病人臨床狀態的描述。研究人員說，他們的目標是利用人工智慧來幫助病人管理和臨床試驗設計。 帕金森病是一種相當常見的疾病，影響到全球多達600萬人。盡管這種疾病是如此眾所周知，而且在全球范圍內非常普遍，但與這種疾病作鬥爭的人們會出現各種運動和非運動症狀。新人工智慧的目標是利用機器學習從大量的病人數據中學習，並為臨床醫生和研究人員提供一個更好的工具來預測個別病人的症狀進展。 研究人員指出，人工智慧使用的患者數據已經去掉了身份識別，它是世界上最大的帕金森病數據集之一。能夠獲得這樣一個龐大的數據集對於機器學習模型的成功至關重要。過去的研究專注於使用基線信息來描述帕金森病的特徵。然而，新方法依賴於長達7年的患者數據。盡管該疾病的進展途徑多種多樣，但人工智慧模型可以做出准確的預測。 來源：cnBeta

據媒體報導，天文學家們表示，質量相當於數百萬個太陽的黑洞確實對新恆星的誕生起到了抑製作用。研究人員利用機器學習和三個最先進的模擬來支持大型天空調查的結果，解決了一個長達20年的關於恆星形成的爭論。劍橋大學的博士生Joanna Piotrowska於2021年7月20日在虛擬國家天文學會議（NAM 2021）上介紹了這項新工作。 長期以來，星系中的星體形成一直是天文學研究的一個焦點。幾十年的成功觀測和理論建模使我們很好地理解了在我們自己的銀河系內外，氣體是如何坍縮形成新的恆星的。然而，由於像斯隆數字天空調查（SDSS）這樣的全天空觀測計劃，天文學家們意識到，在本地宇宙中並非所有的星系都在積極地形成恆星--存在著大量的「靜止 」天體，它們以慢得多的速度形成恆星。 是什麼阻止了星系中的恆星形成，這個問題仍然是我們對星系演化的理解中最大的未知數，在過去的20年里一直在爭論。Piotrowska和她的團隊建立了一個實驗來找出可能的原因。 使用三個最先進的宇宙學模擬--EAGLE、Illustris和IllustrisTNG--天文學家研究了在SDSS觀測到的真實宇宙中所期望看到的情況，當時不同的物理過程在大質量星系中停止了恆星形成。 天文學家們應用機器學習算法將星系分為恆星形成和靜止兩種，詢問以下三個參數中哪一個最能預測星系的結果：在星系中心發現的超大質量黑洞的質量（這些怪物天體的質量通常是我們太陽的數百萬甚至數十億倍），星系中恆星的總質量，或者星系周圍暗物質暈的質量。 然後，這些參數使研究小組能夠找出哪個物理過程：超大質量黑洞的能量注入、超新星爆炸或大質量光環中氣體的沖擊加熱是迫使星系進入「半退休」狀態的原因。 新的模擬預測，超大質量黑洞的質量是給恆星形成「踩剎車」的最重要因素。最重要的是，模擬結果與當地宇宙的觀測結果相吻合，為研究人員的發現增加了砝碼。 Piotrowska說：「看到模擬結果准確地預測了我們在真實宇宙中看到的情況，這真的很令人興奮。超大質量黑洞--質量相當於幾百萬甚至幾十億個太陽的天體--確實對其周圍環境有很大的影響。這些怪物天體迫使它們的宿主星系進入一種『半退休』的恆星形成狀態。」 來源：cnBeta

據媒體報導，美國宇航局（NASA）的太陽動力學天文台（SDO）有一些巧妙的方法來避免受到太陽的影響，因為該航天局收集了關於我們最近的恆星的重要信息。太陽動力學天文台已經工作了十多年，揭開了關於太陽中強大力量的前所未有的細節，但新的人工智慧技術正在確保其「太陽視力」是正常的。 SDO由兩個主要的成像儀器組成，即太陽地震和磁成像儀（HMI）和大氣成像組件（AIA）。後者對太陽的表面進行持續的「注視」，每12秒捕捉一次10個波長的紫外光的鏡頭。 AIA可能比人的眼睛更有「彈性」--盯著太陽看對人們的眼睛造成的損害，即所謂的日光性視網膜病變，可能在兩分鍾內發生--但隨著時間的推移，它仍然受到巨大能量輸出的影響。"隨著時間的推移，太陽望遠鏡的敏感鏡片和傳感器開始退化，"NASA解釋說。"為了確保這種儀器發回的數據仍然是准確的，科學家們定期進行重新校準，以確保他們了解儀器是如何變化的。" 到目前為止，SDO的這一目測依靠的是探空火箭。這些火箭的設計壽命很短，它們飛出地球的大部分大氣層--這有助於保護我們免受大部分紫外線的傷害--然後測量那里的水平。然後與AIA的測量結果進行比較，然後對數據進行調整以適應儀器的退化。上圖左邊是AIA的原始數據，右邊是使用探空火箭校準的處理版本。 NASA解釋說，問題是不可能一直發送探空火箭。該機構解釋說：「這意味著在每次探空火箭校準之間會有停機時間，校準會有輕微偏差。同時，展望未來，深空任務也將需要觀察有潛力的恆星，但將不能使用探空火箭進行校準。」 周五的一篇新論文中詳細介紹了解決辦法，那就是機器學習。通過在探空火箭校準飛行的現有圖像上訓練人工智慧算法，並告訴它什麼是正確的校準量，該系統可以學習應用多少。 在上面的圖片中，上面一行顯示的是AIA在開始觀測以來的幾年中捕獲的原始數據。下行顯示的是經過新的機器學習算法處理後的數據。 「由於AIA以多種波長的光線觀察太陽，研究人員也可以使用該算法來比較不同波長的特定結構，並加強其評估，」NASA說。「開始時，他們將通過向算法展示AIA所有波長的太陽耀斑來教它太陽耀斑的樣子，直到它識別所有不同類型光線中的太陽耀斑。一旦程序能夠在沒有任何退化的情況下識別太陽耀斑，該算法就可以確定有多少退化在影響AIA當前的圖像，以及每個圖像需要多少校準。」 將機器學習的預測結果與火箭發射的實際校準結果進行核對，結果發現人工智慧恰到好處。現在，AIA團隊計劃使用訓練有素的算法，在未來的火箭飛行之間更好地調整儀器的變化。 來源：cnBeta

據媒體報導，麻省理工學院（MIT）的研究人員通過訓練一個神經網絡來預測「沸騰危機」，它有可能應用於冷卻計算機晶片和核反應堆。 沸騰不僅僅是為了給晚餐加熱。它也是用來冷卻東西的。將液體轉化為氣體可以從熱的表面移除能量，並使從核電站到強大的計算機晶片的一切都不會過熱。但是當表面變得太熱時，它們可能會經歷所謂的「沸騰危機」。 在「沸騰危機」中，氣泡迅速形成，在它們脫離被加熱的表面之前，它們會粘在一起，形成一個蒸汽層，使表面與上面的冷卻液絕緣。溫度上升得更快，並可能導致災難的發生。操作人員希望預測此類故障，而新研究利用高速紅外攝像機和機器學習對這一現象進行了深入研究。 麻省理工學院核科學與工程系Norman C. Rasmussen助理教授Matteo Bucci領導了這項新工作，該研究成果於2021年6月23日發表在《應用物理快報》上。在之前的研究中，他的團隊花了近五年時間開發了一種機器學習可以簡化相關圖像處理的技術。在這兩個項目的實驗裝置中，一個2厘米寬的透明加熱器被放置在一個水浴下面。一台紅外攝像機位於加熱器下方，指向上方，以每秒2500幀的速度記錄，解析度約為0.1毫米。以前，研究這些視頻的人必須手動計算氣泡並測量它們的特徵，但Bucci訓練了一個神經網絡來完成這項工作，將三周的過程縮短到大約五秒鍾。 Bucci說：「然後我們說，『讓我們看看，除了處理數據之外，我們是否真的能從人工智慧中學習到一些東西』。」 研究人員的目標是估計水離沸騰危機有多遠。該系統查看了由圖像處理人工智慧提供的17個因素："成核位點密度"，以及每一幀視頻，這些地點的平均紅外輻射和關於這些點周圍輻射分布的其他15個統計數據，包括它們如何隨時間變化。人工尋找一個能正確權衡所有這些因素的公式將是一個艱巨的挑戰。但 「人工智慧不受我們大腦的速度或數據處理能力的限制，」 Bucci說。此外，「機器學習不受我們對沸騰的先入為主的假設的影響」。 為了收集數據，他們在氧化銦錫的表面上煮水，本身或帶有三種塗層之一：氧化銅納米波、氧化鋅納米線或二氧化矽納米顆粒層。他們在前三個表面的85%的數據上訓練了一個神經網絡，然後在這些條件的15%的數據和第四個表面的數據上對其進行測試，看它對新條件的概括能力如何。根據一項指標，它的准確率為96%，盡管它沒有在所有的表面上接受過訓練。"我們的模型不僅僅是在記憶特徵，"Bucci說。"那是機器學習中的一個典型問題。我們有能力將預測推斷到不同的表面。" 該團隊還發現，所有17個因素都對預測准確性做出了重大貢獻（盡管有些因素比其他因素更重要）。此外，他們沒有把模型當作一個以未知方式使用17個因素的「黑匣子」，而是確定了解釋這一現象的三個中間因素：成核位點密度、氣泡大小（由17個因素中的8個計算），以及生長時間和氣泡離開頻率的乘積（由17個因素中的12個計算）。Bucci說，文獻中的模型通常只使用一個因素，但這項工作表明，我們需要考慮許多因素，以及它們的相互作用。"這是件大事。" 來源：cnBeta

麻省理工學院校友創辦的RightHand Robotics公司開發了在倉庫環境中更加可靠和適應性強的揀選機器人。對大多數人來說，識別一個物體、撿起它並把它放在其他地方的任務是微不足道的。對於機器人來說，它需要最新的機器智能和機器人技術才能完成這一操作。 這就是麻省理工學院的附屬公司RightHand Robotics在其機器人取件系統中的內容，該系統將獨特的抓手設計與人工智慧和機器視覺相結合，幫助公司對產品進行分類，並將訂單商品送出倉庫。 RightHand機器人公司正在幫助企業應對改變零售業務的兩個廣泛趨勢。一個是電子商務的爆炸性增長，這在COVID-19大流行期間大大加速了。另一個是向及時庫存處理的轉變，即藥店、雜貨店和服裝公司根據當天或本周的采購情況重新進貨，以提高效率。 機器人機隊陣容還收集數據，幫助RightHand Robotics公司隨著時間的推移改進其系統，並使其能夠學習新的技能，如更溫和或精確的放置。過程和性能數據反饋到公司的機隊管理軟體中，該軟體可以幫助客戶了解他們的庫存如何在倉庫中移動，並確定瓶頸或質量問題。電子商務公司可以修改或檢修整個倉庫的操作流程，而不是只看單一操作的性能，目標是在可行的情況下盡可能地消除上游的變異性，使之成為一個更簡單、更精簡的過程。 RightHand機器人公司的大量員工和領導層都來自麻省理工學院。麻省理工學院的研究人員也占了許多早期客戶，他們購買了奧德納的團隊在DARPA計劃期間發明的部件。RightHand Robotics解決方案的核心是使用機器視覺和智能抓手的想法，使揀件機器人更具適應性。這種組合也減少了運行機器人所需的培訓量，使每台機器都具備該公司所稱的手眼協調能力。 RightHand機器人公司還利用一種臂端工具，將吸力與新穎的欠驅動手指結合起來，Odhner說，這使機器人比僅僅依靠吸盤或簡單的夾持器的機器人更具靈活性。 機器人收集的數據也被用來隨著時間的推移提高可靠性，並為客戶闡明倉庫運作情況。如果吞吐量得到改善，倉庫管理可以發展成為一個更大的行業。更多的自動化履行中心提供了改進的措施，以保護工人的健康和安全，如符合人體工程學的工位，貨物被帶到工人的專門任務和增加社會距離。最終由人擔任質量控制等角色，監督機器人的系統，而不是減少倉庫中雇用的人數。 今年，該公司將推出其第三版揀選機器人，該機器人具有標準化的集成和安全功能，試圖使倉庫操作員更容易部署揀選機器人。 來源：cnBeta

7月19日消息，量子物理學家馬里奧•克萊恩至今還記得自己2016年初在維也納的一家咖啡館里翻閱MELVIN的計算結果時的情景。MELVIN是克雷恩創建的一套機器學習算法，屬於一種人工智慧。它的任務是將各種標準量子實驗的基礎模塊進行混合和比對，藉此尋找新問題的解決方法。克雷恩發現，MELVIN的確做出了許多有趣的發現，但其中有一條卻令他摸不著頭腦。 「當時我的第一反應是，『我的程序一定出BUG了』，因為這個解法根本不可能存在。」MELVIN似乎是想通過創造多光子的復雜糾纏態來解決問題。問題在於，克雷恩、安東•塞林格和同事們並未給MELVIN提供創造這類復雜量子態所需的規則，但MELVIN卻自己找到了解決之道。最終克雷恩意識到，這套算法發現的其實是上世紀90年代初設計的一套實驗安排，不過當初那套實驗要簡單得多，MELVIN解決的問題則遠比它復雜。 「我們明白了這是怎麼一回事之後，便立即對這個解法進行了歸納和泛化。」克雷恩表示。自此之後，其他團隊也開展了一些MELVIN設計的新實驗，以全新的方法測試量子力學的理論基礎。與此同時，克雷恩從維也納大學跳槽到了多倫多大學，和新同事一起改進了他們的機器學習算法。他們最近研發了一套名叫THESEUS的人工智慧系統，不僅計算速度比MELVIN快好幾個數量級，而且計算結果對人類一目瞭然。MELVIN的計算結果需要克雷恩和同事們花費數天、甚至數天時間去理解，但THESEUS的計算結果則幾乎一眼自明。 克雷恩接觸到這個研究項目其實純屬偶然。當時他和同事們想弄清，如何通過實驗創造光子的量子糾纏態：當兩個光子發生相互作用時，便會形成「糾纏」關系，牽涉其中的兩個光子都只能通過同一種量子狀態進行數學描述。如果你對其中一個光子的狀態進行測量，即使兩個光子遠隔千里，測量結果也能與另一個光子相吻合（因此愛因斯坦稱之為「幽靈般的糾纏關系」）。 1989年，丹尼爾•格林伯格、麥可•霍恩和塞林格三名物理學家對一種名叫GHZ（三人姓氏首字母的結合）的量子態進行了描述。GHZ量子態涉及到四個光子，每個光子都處於0或1兩種狀態的疊加態上（這種量子態名叫量子比特）。在三人發表的論文中，GHZ狀態包含四個相互糾纏的量子比特，整個系統處於一種二維的量子疊加態中，要麼為0000，要麼為1111。如果對其中一個光子進行測量，發現其處於狀態0上，整個疊加態便會坍縮，其它光子的狀態也是0；測出的結果為1也是同理。上世紀90年代末，塞林格和同事們首次在實驗中觀察到了三個量子比特的GHZ態。 克雷恩和同事們還想觀察到更高維度的GHZ態。他們想使用三個光子，每個都有三個維度，即可以處於0、1、2三種狀態的疊加態上。這種量子態名叫「三維量子比特。克雷恩團隊想尋找的便是一種三維GHZ態，處於000、111和222三種狀態的疊加態上。這種量子態可以大大增強量子通信的安全性、以及量子計算的速度。2013年末，研究人員花了數周時間設計實驗和開展計算，試圖通過實驗創造出所需的量子態，但每次都以失敗告終。克雷恩表示：「我當時簡直要抓狂了，為什麼我們就是找不到正確的實驗設置呢？」 為加速研究進程，克雷恩先是編寫了一套電腦程式，可以根據實驗設置計算出實驗結果，然後對程序進行了升級，將光學實驗台上用來生成和操控光子的基礎模塊整合了進去，包括雷射、非線性光學晶體、分光器、移項器、全息圖等等。這套程序將這些模塊進行隨機混合和匹配，組合出了海量配置，並依次開展計算、輸出結果。MELVIN就這麼誕生了。「短短幾小時內，這套程序就找出了我們這幾位科學家耗費數月都沒能找到的解決方案。」克雷恩指出，「那真是瘋狂的一天，我至今都不敢相信這真的發生了。」 接下來，他又賦予了MELVIN更多的智慧。每次找到一種有用的配置，MELVIN都會將其加入自己的「工具箱」。「這套算法會記住這些，並試著用它們來尋找更復雜的解決方法。」 但令克雷恩在維也納那間咖啡館里百思不得其解的，也正是「進化後」的MELVIN。在MELVIN的實驗「工具箱」中，克雷恩加入了兩個晶體，每個都可以產生一對處於三維糾纏態的光子。克雷恩原本以為，MELVIN會找到一種實驗配置，能夠將這兩組光子組合在一起，最多達到9個維度。但「它其實找到了一種非常罕見的解法，糾纏程度遠比其它量子態都要高得多」。 克雷恩最終發現，MELVIN其實使用了一種近三十年前由數支研究團隊開發的技術。1991年，羅切斯特大學的三名研究人員設計出了其中一種實驗方法。隨後在1994年，塞林格和奧地利因斯布魯克大學的同事們又設計出了另一種。從概念上來看，這些實驗取得的結果都是相似的，不過塞林格設計的實驗配置更簡單、更容易理解一些。在該實驗中，先由一枚晶體生成一組光子（A和B），這兩個光子的行進路線會穿過另一枚晶體，產生光子C和D。從第一枚晶體射出的光子A和第二枚晶體射出的光子C的行進路線會完全重合，都會到達同一個探測器，因此該探測器無法判斷某個光子究竟是來自第一枚、還是第二枚晶體。光子B和光子D也是同理。 移相器可以改變光子的相位。如果在兩枚晶體之間放置一台移相器，並不斷改變移相程度，就會在探測器處造成建設性干涉或破壞性干涉。假設每枚晶體每秒可以產生1000對光子；在產生建設性干涉時，探測器每秒可接收4000對光子；而在產生破壞性干涉時，接收到的光子數則為零，因為盡管單個晶體每秒產生的光子對數為1000，但整個系統卻並未產生一個光子。 MELVIN的解法中也包含這樣的重疊路線。令克雷恩感到困惑的是，他的算法中只有兩枚晶體。MELVIN並未在實驗一開始就使用這兩枚晶體，而是將它們放進了一台干涉儀中（干涉儀可以將一個光子的行進路線一分為二、再合二為一）。花了一番功夫進行研究後，他意識到，MELVIN使用的實驗設置相當於用到了不止兩枚晶體，這樣一來便可產生更高維度的糾纏態了。 除了生成復雜的糾纏態之外，使用兩枚以上晶體的實驗配置還可以實現塞林格在1994年用兩枚晶體開展的實驗的「泛化」版本。克雷恩在多倫多大學的同事埃弗瑞姆•斯坦伯格對人工智慧的研究結果深感震驚。「就我所知，這種泛化是人類僅憑自己之力永遠也想像不出、也實現不了的。」 在其中一種泛化的實驗配置中，晶體數量為四，每枚晶體都會產生一對光子，有四條通往四個探測器的重疊路徑。量子干涉可以形成建設性干涉，即四台探測器都能探測到光子；或是破壞性干涉，即沒有一台探測器能探測到光子。 但直至不久之前，真正開展這樣的實驗都一直是一個遙遠的夢想。不過今年三月，中國科技大學研究人員與克雷恩在聯合發表的一篇預印論文上報告稱，自己在一枚光子晶片上搭建了完整的實驗配置，並成功開展了這項實驗。由於光子晶片的光學穩定性極強，研究人員在實驗中連續收集了超過16個小時的數據，而這在大規模實驗中是不可能實現的。 在剛開始嘗試將MELVIN的研究成果簡化和泛化時，克雷恩和同事們意識到，這種解法其實和數學中一種名叫「圖」的抽象表達形式很相似。圖由「頂點」和「邊」構成，可以用於描述物體之間的配對關系。在量子實驗中，每個光子的行進路線可以用「頂點」來表示，而每枚晶體則可以用連接兩個頂點的「邊」來表示。MELVIN先是創建了這樣一個圖，然後開展了一系列名叫「完美匹配」的數學運算，即讓每個頂點僅與一條邊相連。這一過程可以使最終量子態的計算大大簡化，不過對人類來說仍然難以理解。 不過，MELVIN繼任者THESEUS的出現改變了這一點。它可以對第一步生成的復雜圖進行篩選，逐漸將邊和頂點的數量減少到不能再少（如果進一步減少，該實驗設置便無法產生想要的量子態）。這樣的圖比MELVIN的完美匹配圖簡單得多，因此更容易被人類解讀。 澳大利亞格里菲斯大學的埃里克•加瓦爾坎迪對這些研究工作深感震撼。「這些機器學習技術真的很有意思。對人類科學家而言，有些解法看上去十分『新穎』。不過就現階段來說，這些算法離真正具備提出新想法、創造新概念還差得很遠。不過，我相信這一天遲早會到來。盡管我們如今仍在嬰兒學步，但千里之行，終歸要始於足下。」 斯坦伯格也贊同這一觀點。「就目前來說，這些已經是絕妙的工具了。就像所有優秀的工具一樣，它們已經幫助我們實現了一些原本不可能實現之事。」（葉子） 來源：cnBeta

當引力波在2015年首次被先進的雷射干涉引力波天文台（LIGO）探測到時，它們在科學界掀起了一陣「漣漪」，因為它們證實了愛因斯坦的另一個理論，標志著引力波天文學的誕生。五年後，許多引力波源被探測到，包括首次觀測到兩顆碰撞的中子星的引力波和電磁波。隨著LIGO及其國際合作夥伴繼續升級其探測器對引力波的敏感度，他們將能夠探測更大的宇宙體積，從而使引力波源的探測成為日常。 這一發現大潮將開啟精確天文學的時代，考慮到太陽系外信使現象，包括電磁輻射、引力波、中微子和宇宙射線。然而，實現這一目標將需要對用於搜索和發現引力波的現有方法進行徹底的重新思考。 最近，美國能源部（DOE）阿貢國家實驗室的計算科學家和轉化人工智慧（AI）的負責人Eliu Huerta與來自芝加哥大學、伊利諾伊大學厄巴納-香檳分校、英偉達和IBM的合作者一起，開發了一個新的生產規模AI框架，允許加速、可擴展和可重復的探測引力波。 這個新框架表明，人工智慧模型可以和傳統的模板匹配算法一樣敏感，但速度要快上幾個數量級。此外，這些人工智慧算法只需要一個廉價的圖形處理單元（GPU），就像視頻遊戲系統中的那些，就可以比實時更快地處理高級LIGO數據。 本研究使用的人工智慧組合在不到7分鍾內處理了一整個月（2017年8月）的高級LIGO數據，將數據集分布在64個NVIDIA V100 GPU上。該團隊用於這項分析的人工智慧組合確定了該數據集中先前確定的所有四個雙黑洞合並，並報告了沒有錯誤的分類。 阿貢國家實驗室數據科學和學習（DSL）部門主任Ian Foster說：「作為一名計算機科學家，這個項目讓我感到興奮的是，它顯示了有了正確的工具，人工智慧方法可以自然地整合到科學家的工作流程中--讓他們更快更好地完成工作--增強而不是取代人類智慧。」 利用不同的資源，這個跨學科和多機構的合作者團隊在《自然-天文學》上發表了一篇論文，展示了一種數據驅動的方法，結合團隊的集體超級計算資源，實現了可重復的、加速的、AI驅動的引力波探測。 「在這項研究中，我們利用人工智慧和超級計算的綜合力量，幫助解決及時和相關的大數據實驗。」Huerta說：「我們現在正在使人工智慧研究完全可重復，而不僅僅是確定人工智慧是否可能為大挑戰提供一個新的解決方案。」 在這個項目的跨學科性質的基礎上，該團隊期待著這個數據驅動的框架在物理學的大數據挑戰之外的新應用。 阿貢國家實驗室和芝加哥大學的研究科學家Ben Blaiszik說：「這項工作突出了數據基礎設施對科學界的重大價值。美國能源部、國家科學基金會（NSF）、國家標準與技術研究院和其他機構所做的長期投資已經創造了一系列的構建模塊。我們有可能以新的和令人興奮的方式將這些構件組合在一起，以擴大這種分析，並在未來幫助向其他人提供這些能力。」 Huerta和他的研究團隊在國家科學基金會、阿貢實驗室指導研究和發展（LDRD）計劃以及能源部創新和新計算對理論和實驗的影響（INCITE）計劃的支持下開發了他們的新框架。 「這些國家科學基金會的投資包含了原始的、創新的想法，有希望改變以快速流到達的科學數據的處理方式。」國家科學基金會先進網絡基礎設施辦公室主任Manish Parashar說：「計劃中的活動正在為許多科學實踐團體帶來加速和異構計算技術。」 新的框架建立在Huerta和他的同事最初在2017年提出的框架基礎上。該團隊通過阿貢領導力計算設施（ALCF）數據科學計劃的兩年獎勵，利用阿貢的超級計算資源，進一步推進他們將人工智慧用於天體物理學研究。這導致了該團隊目前在橡樹嶺領導力計算設施（OLCF）的Summit超級計算機上的INCITE項目。ALCF和OLCF是DOE科學辦公室的用戶設施。 來源：cnBeta

據媒體New Atlas報導，人工智慧的不斷進步有望以各種令人興奮的方式撼動醫療服務，它能夠快速掃描醫療圖像，並比人類更有效地發現疾病的跡象。澳大利亞的科學家們現在已經將這種技術應用於前列腺癌的早期檢測，他們的軟體在幾秒鍾內就能比訓練有素的放射科醫生發現癌症的生長。 對於許多疾病，早期診斷可以大大改善現有的治療方法，從而提高戰勝疾病的機會。機器學習和計算能力的提高導致了高度能乾的人工智慧形式，在這方面可能是無價的。我們已經看到人工智慧工具可以提高心電圖揭示心臟功能障礙的能力，更准確地預測卵巢癌患者的存活率，就在本周，通過測量心臟周圍的脂肪來計算糖尿病風險。 這方面的最新例子來自皇家墨爾本理工大學和聖文森特醫院的研究人員，他們從患有和未患有前列腺癌的無症狀患者的CT掃描開始。科學家們指出，一般來說，CT掃描對檢測骨骼和關節問題等疾病很有用，但放射科醫生很難用它們來檢測前列腺癌。 利用CT掃描，人工智慧軟體被訓練來搜索可能表明該疾病的不規則現象。該工具隨著每次掃描的進行而改進，完善其能力並適應分析不同機器的掃描，最終發現疾病的最小特徵。隨著時間的推移，它能夠勝過放射科醫生，在幾秒鍾內檢測出癌症的生長，甚至在病人出現任何症狀之前。 「我們已經訓練我們的軟體看到人眼無法看到的東西，目的是通過偶然的檢測發現前列腺癌，」研究報告的作者、皇家墨爾本理工大學的Ruwan Tennakoon博士說。「這就像訓練一隻嗅覺靈敏的狗--我們可以教人工智慧看到我們自己的眼睛看不到的東西，就像狗可以聞到人類鼻子聞不到的東西一樣。」 科學家們說，這項技術可以適用於各種診斷設備，如核磁共振儀。希望它可以作為CT掃描的一種綜合篩查工具，CT掃描涉及高劑量的輻射，因此不適合常規癌症篩查。但是，如果病人因其他原因進行CT掃描，該人工智慧工具可以同時用於篩查他們的癌症。 「澳大利亞沒有前列腺癌篩查計劃，但有了這項技術，我們希望能在因其他原因而接受掃描的病人中及早發現病例，」墨爾本聖文森特醫院影像診斷部CT主任Mark Page博士說。「例如，進行CT掃描的急診病人可以同時接受前列腺癌的篩查。如果我們能更早地發現它，並更快地將他們轉到專科護理，這可能對他們的預後產生重大影響。」 這項研究發表在《科學報告》雜誌上。 來源：cnBeta

7月9日消息，以下為George Dvorsky對超級人工智慧的看法：我相信，機器智能將是人類種下的最後禍根。這二十多年來，我所想的和寫的，大多和機器智能毀滅人類的潛力有關。我為此受到了諸多抨擊，但我還是想說，我們不能忽視這樣的未來可能性：人類文明或毀於自己發明的工具。 反對「超級人工智慧毀滅人類」這個想法的觀點不在少數，其中一個反對觀點出乎意料地常見，而我卻覺得十分荒唐。它不是說超級人工智慧本身不可能，也不是說我們無法阻止邪惡的機器毀滅我們。這個天真爛漫的反對觀點竟然認為，一台無比聰明的計算機壓根沒有終結人類的手段或動機。 控制和理解的缺失 想像一下我們有這樣一些系統，無論是生物的還是人工的，它的智慧水平相當於或遠高於人類智慧。通過基因工程、納米技術、信息技術和認知科學的融合，我們可以從根本上增強人類的大腦（甚至於非人類的動物大腦），而超越人類的機器智能十分有可能來自於計算機科學、認知科學和全腦仿真的進步。 接著，這些系統中的一個出了問題，或者它們被故意用作武器。遺憾的是，一旦這些系統出現，我們大機率沒有辦法控制它們，也無法預測這些系統響應我們請求的方式。 蘇珊·施奈德是未來心靈中心的主任，也是「Artificial You： AI and the Future of the Mind」一書的作者。她在郵件中解釋說：「這就是我們常說的控制問題。簡單來說就是，如何控制一個比我們聰明得多的人工智慧。」 施奈德提到了著名的回形針場景，作為類比。回形針場景，即一家回形針製造商有一個編程上很糟糕的人工智慧，准備最大化自己的回形針生產效率。結果卻是，這個人工智慧把地球上的一切都變成了回形針，從而毀滅了地球。牛津大學哲學家尼克·博斯特羅姆在他2014年的著作「Superintelligence： Paths， Dangers， Strategies」中將這類風險命名為「反常實例化」。或者用施奈德的話更簡單地來說，即有一個古老的魔法精靈故事，故事里三個願望的實現「永遠不會順利」。在這里，普遍的擔憂是，我們想讓超級智能去做一些事情，而由於我們自己都不太了解要做的這些事情的細節，超級智能將嚴重曲解我們的願望，從而導致一些我們不願意看到發生的事情發生。 例如，我們可以「許願」實現一種有效提取太陽能的方法，結果卻是超級智能篡奪我們整個地球的資源去建造一個超大型的太陽能陣列。正如博斯特羅姆推測的那樣，要求超級智能「最大化人類幸福感」，可能會迫使超級智能重新連接我們大腦中的快樂中心，或把我們的腦子上傳到超級計算機上，強迫我們永生永世體驗那五秒鍾的快樂循環。一旦超級人工智慧出現，厄運將會以某種離奇且意想不到的方式降臨。 人工智慧機器研究所的人工智慧理論家埃利澤·尤德科夫斯基在他的論文中，將超級人工智慧視為優化過程，或「在大型搜索空間中擊中小目標以產生合乎邏輯的現實世界效果的系統」。問題是，這些過程往往傾向於探索廣闊的可能性空間，其中很多是我們壓根無法想像的。尤德科夫斯基寫道： 「我正在訪問一座遙遠的城市，一位當地朋友主動提出開車送我去機場。我不知道附近情況。當朋友來到十字路口時，我無法預測他會超哪個方向拐彎。但是我仍然可以預測朋友的一系列不可預測行為的最後結果：我們會抵達機場。即便我朋友的家在這座城市的其他地方，因此他可能會做一系列完全不同的拐彎，但我仍然可以自信地預測我們的目的地。從科學角度來將，這難道不是一個奇怪的場景嗎？我可以預測過程的結果，卻無法預測這個過程中的任何一個中間步驟。」 脫離了人類環境，並受到其基於目標的編程驅動，機器在嘗試從A到B的過程中，可能會造成相當嚴重的附帶傷害。可怕的是，人工智慧也可能在嘗試實現自己的目標時，利用和濫用預先存在的強大資源——人類，並且怎麼利用和濫用，又是我們無法預測的。 讓人工智慧對人類友好 用一組預先確定的道德考量進行編程的人工智慧或許可以避免某些陷阱，但尤德科夫斯基指出，我們幾乎無法預測人工智慧可能遵循的所有路徑。 針對控制問題的一個可能解決方案是向人工智慧灌輸兼容人類的道德准則。根據這個思路，如果我們能成功，一台強大的機器或許可以避免造成傷害，或避免以違反我們倫理道德感的方式做它自己的事情。施奈德說，但問題在於，我們如果想要「按照道德准則進行編程，那我們就需要一個良好的道德理論，然而在倫理道德領域，我們有太多太多的分歧」。 十分有道理。人類從來沒有達成一個人人都認同的共同道德准則。但凡對列車問題稍有一點了解的人都會告訴你，倉促之下，道德問題會變得超級復雜。通過向超級智能傳授人類道德，來達到使超級智能變得安全和可控的目的，這個想法，可能行不通。 方式和方法 路易斯維爾大學計算機科學和工程教授羅曼•揚波爾斯基解釋說：「如果我們可以預測超級智能的行為，那我們自己就是那個超級智能。根據定義，超級智能比任何一個人類都更加聰明，所以它可以想出一些未知的未知解決方案」，去完成我們交代它的任務，無論這個任務是設計一種治療瘧疾的新藥、制定戰場策略還是管理本地電網。盡管如此，揚波爾斯基相信，我們或許可以通過觀察聰明人會如何設法統治世界或摧毀世界，來預測超級智能的惡意行為。 他說：「比如，蛋白質折疊問題的解決方案」，即使用胺基酸序列來確定蛋白質的三維形狀，「這個解決方案可能被用於創建一支生物納米機器人軍隊。當然，還有很多不那麼新奇的辦法可以利用。人工智慧可以完成一些股票交易、或打撲克、或寫作，然後用獲得的收益雇傭人類聽它差遣。鑒於最近加密貨幣的流行，這樁買賣可以大規模地暗中進行。」 揚波爾斯基說，如果有足夠的財政資源，你可以輕易地從雲端獲取計算資源，並通過社會工程來影響現實世界，或者，像揚波爾斯基說的那樣，雇傭一支「人類勞動力大軍」。超級智能或許可以通過財富的積累、CPU性能、存儲能力以及影響范圍的提升，逐漸變得更加強大、更有影響力。 西班牙馬德里自治大學的計算科學家曼努埃里•阿方索卡解釋說，令人恐懼的是，超級智能可以就如何在我們的指令之外採取行動，做出一些判斷。 他說，超級人工智慧可能「得出結論，即沒有人類，這個世界會更美好，並消滅我們」。他還補充說，有些人引用這一可怕的可能性來解釋我們為什麼到目前為止仍沒有找到外星智慧生命；也許，阿方索卡說，「所有外星智慧都已被超級人工智慧所取代，而人類在這些超級人工智慧看來，不過是一種低等的生命形式，因此它們無意與我們交流」。 對於想要故意毀滅人類的超級智能來說，成功的最簡單之道就是利用我們的生物弱點。人類在沒有食物的情況下可以生存大約30天，沒有水的話只能生存3到4天，但是缺了氧氣，我們連幾分鍾都撐不下去。一台足夠智能的機器很有可能會發現一種方法，來徹底清除我們大氣中的氧氣，也許它可以通過某種自我復制的納米技術群來實現這個操作。未來主義者對此有一個專門的描述，叫做全球生態吞噬，或可怕的「灰蠱情景」。在這種情景下，大量精心設計的分子機器將尋找特定的資源，然後把它們變成其他東西，包括自身的副本。這種資源不一定是氧氣，只要清除對人類生存至關重要的關鍵資源就行了。 非科幻小說 這一切聽起來都極具科幻色彩，但阿方索卡說，帶有猜測性質的虛構故事有助於強調潛在的風險，特指《黑客帝國》。施奈德也相信虛構故事的力量，她提到了反烏托邦短片《屠戮機器》。在這部短片中，武裝無人機襲擊了一間教室。施奈德說，人們對於危險的人工智慧和自主殺人機器的擔憂越來越「接近當下」。例如，無人機技術可以利用現有的面部識別軟體來瞄準人類。施奈德說：「這是一個嚴重的問題。」因此，她認為，《屠戮機器》非常值得一看。 麻省理工學院的機器學習研究員馬克思•泰格馬克在他一本2017年出版的書中寫道，諸如《終結者》這類影片雖然呈現了模糊的未來可能情景，但也「讓人們的關注點偏離了人工智慧帶來的真正風險和機遇」。泰格馬克設想了一個更微妙、甚至更陰險的情景。在他的設想中，機器通過狡猾的社會工程和詭計以及穩定地收集有價值的資源，來統治全世界。在他的書中，泰格馬克提到了「普羅米修斯」。這是一種假設的通用人工智慧（AGI），使用其自適應智能和多功能性，從而「以多種方式控制人類」，而那些反抗的人也沒辦法「簡單地用關掉普羅米修斯的方式」來擺脫控制。 就其本身而言，通用機器智能的出現註定是意義深遠的，且十分可能成為人類歷史的一個轉折點。一個通用人工智慧「將有能力遞歸地設計出更優的通用人工智慧。最終，物理定律將成為這個不斷改進的通用人工智慧的唯一限制。當然，物理定律范圍內允許的智慧，似乎遠在人類智慧水平之上，」泰格馬克寫道。換句話說，人工智慧可以用來發明超級智能。這樣一個時代，即我們人類或將有見證「智能爆炸」的時代，將出現一些嚴重的、我們不希望發生的後果。 泰格馬克寫道：「如果有一群人成功控制了智能爆炸，那麼這群人可能會在幾年內統治全球。如果人類無法控制智能爆炸，那麼人工智慧自己將會更快地統治世界。」 永遠的旁觀者 另一個關鍵漏洞與人類越來越被排斥在技術循環之外的方式有關。眾所周知，算法如今掌管著大部分的股票交易；也許更臭名昭著的是，算法如今也可以在近距離空戰中擊敗人類的F-16飛行員。越來越多的人工智慧被要求在無人類干預的情況下做出重大決策。 施奈德擔心，「軍隊中已經存在人工智慧軍備競賽」，以及「對人工智慧的日益依賴將導致人類的感知和認知能力無法以足夠快的方式應對軍事挑戰」。施奈德說，我們會要求人工智慧去為我們完成這些任務，但我們仍不知道該如何繼續讓人類處於這個技術循環之中。她還解釋說，可以想像，面對軍事攻擊時，人工智慧將最終代表我們人類去應戰——甚至在我們人類還未來得及合成傳入的數據之前。 人類容易犯錯，特別是在戰場上處於壓力之下時，但人工智慧的誤判可能會帶來額外的風險。這樣我們不禁想起1983年曾發生的一次事故。當時，蘇聯的預警系統差點引發一場核戰爭。 科幻作家艾薩克•阿西莫夫已然預見到這一天的到來。在他的小說中，盡管受到機器人三大定律的約束，但他筆下的機器人依然遇到了各式各樣的麻煩，哪怕我們人類已經盡了最大的努力。如果我們試圖去做一些類似的事情的話，相似的問題或將浮現。盡管，施奈德表示，想要就指導我們機器人同胞的道德准則達成一致，這本身就很難。 但是，我們除了一試別無選擇。考慮到這其中的利害關系，對落敗一笑置之不是一個真正的選擇。正如博斯特羅姆所說，我們的「智慧必須優於我們的技術」。 眼下十分要緊的是一系列潛在的全球災難，這些問題甚至出現在超級人工智慧問世以先。而我們人類顯然一點也不擅長應對全球性災難，這一點已經毋庸置疑。 新冠病毒及其棘手的變異體幾乎不具備什麼智慧，但這種病毒仍能夠利用我們的弱點——無論是生物上的弱點還是社交上的弱點——被動地運作。這種導致了全球疫情的病毒可以適應我們的防範措施，不過只能通過隨機突變和選擇的過程，而這些過程始終受生物學的約束。更不祥的是，一個邪惡的人工智慧可以設計自己的「低智慧」病毒，並不斷地調整該病毒以創造更致命的新變異體，來應對我們的防範措施。 在疫情初期，揚波爾斯基曾說：「這個病毒智商幾乎為0，卻讓我們焦頭爛額。人工智慧安全（部分地）相當於計算機病毒，但智商卻高達1000以上。」 遺憾的是，正如我們所知，超級人工智慧不缺終結人類文明的辦法，不是通過簡單的蠻力，而是通過自適應的設計、強化的形勢感知和迅捷的計算反應，以更有效的方式來終結人類文明。那麼，是不是有可能創建一個安全、有益且有道德的人工智慧呢？唯一的選擇或許在於在全球范圍內禁止開發近乎超級智能的人工智慧。這雖然不太可能，但確實十分有必要。（勻琳） 來源：cnBeta

日本天文學家開發了一種新的人工智慧（AI）技術，以去除天文數據中由於星系形狀的隨機變化而產生的「噪音」。在對超級計算機模擬創建的大型模擬數據進行廣泛的訓練和測試之後，他們隨後將這種新工具應用於來自日本斯巴魯望遠鏡的實際數據，並發現使用這種方法得出的質量分布與目前公認的宇宙模型一致。這是一個強大的新工具，用於分析來自當前和計劃中的天文學調查的大數據。 廣域勘測數據可用於通過測量引力透鏡模式來研究宇宙的大尺度結構。在引力透鏡中，前景天體（如一個星系團）的引力可以扭曲背景天體（如一個更遙遠的星系）的圖像。一些引力透鏡的例子很明顯，比如 「荷魯斯之眼」現象。大尺度結構，主要由神秘的 "暗 "物質組成，也可以扭曲遙遠星系的形狀，但預期的透鏡效應是微妙的。需要對一個地區的許多星系進行平均化處理，以創建前景暗物質分布圖。 但是這種觀察許多星系圖像的技術遇到了一個問題；有些星系就是天生長得有點怪。很難區分一個被引力透鏡扭曲的星系圖像和一個真正扭曲的星系。這被稱為「形狀噪聲」，是研究宇宙大尺度結構的限制性因素之一。 為了補償「形狀噪聲」，一個日本天文學家小組首先使用世界上最強大的天文學專用超級計算機ATRUI II，根據斯巴魯望遠鏡的真實數據生成25000個模擬星系目錄。然後，他們向這些完全已知的人工數據集添加了現實主義噪音，並訓練了一個人工智慧，以便從模擬數據中統計出透鏡暗物質。 經過訓練，人工智慧能夠恢復以前無法觀察到的精細細節，幫助提高我們對宇宙暗物質的理解。然後在覆蓋21平方度天空的真實數據上使用這個人工智慧，研究小組發現前景質量的分布與標準宇宙學模型一致。 「這項研究顯示了結合不同類型的研究的好處：觀測、模擬和人工智慧數據分析。」 該團隊的負責人Masato Shirasaki評論道，「在這個大數據時代，我們需要跨越專業之間的傳統界限，使用所有可用的工具來理解數據。如果我們能做到這一點，它將在天文學和其他科學領域打開新的領域。」 來源：cnBeta

來自奧地利格拉茨大學、Skoltech公司的科學家和他們來自美國和德國的同事開發了一個新的神經網絡，能夠可靠地從天基觀測中檢測日冕孔。這一應用為更可靠的空間天氣預測鋪平了道路，並為太陽活動周期的研究提供了寶貴的信息。這篇論文發表在《天文學與天體物理學》雜誌上。 就像我們在地球上的生命依賴於太陽的光一樣，我們的電子 "生命"也依賴於我們最接近的恆星的活動以及它與地球磁場的相互作用。對於人眼來說，太陽看起來幾乎是恆定的，但太陽非常活躍，經常出現爆發，並在地球上引起地磁暴。由於這個原因，太陽外層的大氣層，即日冕，一直被基於衛星的望遠鏡所監測。 在這些觀察中，其中一個突出的特徵是被稱為日冕洞的延伸黑暗區域。它們看起來很暗，因為等離子體粒子可以沿著磁場從太陽表面逃到行星際空間，在日冕中留下一個 "洞"。逃逸的粒子形成了高速的太陽風流，最終可以擊中地球，引起地磁暴。這些洞在太陽上的出現和位置隨太陽活動的變化而變化，也給我們提供了關於太陽長期演變的重要信息。 格拉茨大學的研究科學家、該研究的主要作者Robert Jarolim說："檢測日冕洞對傳統算法來說是一項困難的任務，對人類觀察者來說也是一項挑戰，因為太陽大氣中還有其他黑暗區域，如絲狀物，很容易與日冕洞混淆。" 在他們的論文中，作者描述了一個被稱為CHRONNOS（多光譜數據上的日冕洞識別神經網絡）的卷積神經網絡，他們開發了這個網絡來檢測日冕洞。Jarolim說："人工智慧使我們能夠根據日冕洞的強度、形狀和磁場特性來識別它們，這與人類觀察者考慮的標準相同。" 在不同的波長下觀察，太陽大氣顯得非常不同。格拉茨大學教授、該出版物的共同作者Astrid Veronig補充說："我們使用在不同極紫外（EUV）波長下記錄的圖像以及磁場圖作為我們神經網絡的輸入，這使得網絡能夠在多通道表示中找到關系。" 近11年來檢測到的冠狀洞的動畫版本。已確定的日冕洞由紅色等高線表示。太陽在太陽周期中發生變化，並在2014年達到其最大活動。資料來源：來自Jarolim等人，2021年。 作者用2010-2017年時間范圍內的大約1700張圖像訓練了他們的模型，並表明該方法對所有太陽活動水平都是一致的。通過將結果與261個人工識別的日冕洞進行比較，對神經網絡進行了評估，在98%的情況下與人類標簽相匹配。此外，作者還研究了基於磁場圖的日冕洞檢測，這看起來與EUV觀測結果有很大的不同。對於人類來說，僅從這些圖像中無法識別日冕孔，但人工智慧學會了以不同方式感知圖像，並能夠識別日冕孔。 來源：cnBeta