Tag: AI 人工智能

3月11日消息，據國外媒體報道，目前，科學家最新開發一種新型AI人工智能系統，它可以「潛入人類大腦」，洞察哪些類型的面孔容貌最吸引你。在沒有任何語音或者文字指令的情況下，AI計算機系統能否識別出我們認為有吸引力的肖像面部特徵嗎？研究人員對30名測試者的腦電波進行腦電圖掃描監測（EEG），然後向他們展示20萬張名人真實照片以不同方式拼接而成的「假臉」。 <p研究人員對30名測試者的腦電波進行腦電圖掃描監測(EEG)，然後向他們展示20萬張名人真實照片以不同方式拼接而成的「假臉」。 <p測試者不需要做任何事情，也不需要在他們喜歡的照片上直接點擊，因為研究團隊可以通過腦電圖讀數來確定他們的「無意識偏好」。 測試者不需要做任何事情，也不需要在他們喜歡的照片上直接點擊，因為研究團隊可以通過腦電圖讀數來確定他們的「無意識偏好」。然後他們將數據輸入AI系統，該系統能夠從腦電波數據中洞察測量者的「審美觀」傾向，並為測試者量身推薦你心目中的「西施」容貌。 <p芬蘭赫爾辛基大學研究人員想知道，在沒有任何語音或者文字指令的情況下，AI計算機系統能否識別出我們認為有吸引力的面部特徵。 未來這項AI技術可用於確定測試者的個人喜好，或者了解人們可能不會公開談論的無意識態度，包括種族、宗教和政治觀點等。目前這個AI系統可以理解什麼樣的面孔最具吸引力的主觀意識。 在之前的研究中，科學家曾設計了能夠識別和控制簡單肖像特徵的模型，例如：頭發顏色和情緒變化，目前確定「吸引力」將是一個更具挑戰性的研究課題。 在早期對人類五官特徵的有限研究中，人們對金發女郎和微笑美女的審美觀基本一致，但這僅是表面細節。相比之下，分析測試者認為哪些面容更有吸引力，是一個頗具挑戰性的課題，因為這與文化和心理因素有關，這些因素可能在我們的個人傾向喜好中發揮着無意識作用。 的確，我們很難解釋為什麼某些人在部分人心中極具魅力，對其他人則印象平平，這或許驗證了我們常說的一句諺語--「情人眼里出西施」。最初，研究人員生成對抗式神經網絡（GAN）智能系統，可以製作數百幅人工肖像，這些圖像一次一幅地展示給30名測試者，隨後讓測試者記錄哪些肖像頗有吸引力，期間腦電圖描記法（EEG）記錄了他們的大腦反應。 這有點兒像約會軟件，在這項最新研究中，測試者除了看照片什麼也不用做，只是測量了他們對肖像的即時大腦反應，這是一個非語言過程，之後研究人員使用機器學習技術分析腦電圖數據，並生成一個神經網絡。 像這樣的腦-機接口能夠解釋為什麼一些肖像會對測試者產生吸引力，通過解讀他們的視圖分析，即人工智能模型解讀大腦反應，以及通過結合特定人群所認為的相貌吸引力，能夠生成完全新容貌圖像的神經網絡模型。 之後他們將數據輸入人工智能，人工智能會從腦電波中學習偏好，並為志願者量身打造全新的圖像。 為了測試他們建模的有效性，他們為每位測試者製作了新的容貌圖像，預測這些肖像是否會吸引測試者，在對他們進行「雙盲測試」中，結果顯示最新建模圖像與測試者的個人偏好匹配，准確度超過80%。雙盲測試也被稱為「二重盲檢法」，是指在試驗過程中，測驗者與被測驗者都不知道被測者所屬的組別（實驗組或對照組），分析者在分析資料時，通常也不知道正在分析的資料屬於哪一組。 這項研究表明，我們能夠通過連接人工神經網絡和大腦反應來生成符合個人傾向喜好的圖像，成功評估相貌吸引力意義重大，因為這是對外界刺激的一種深刻心理特性。到目前為止，計算機視覺基於目標模式的分類圖像非常成功，但通過引入大腦對混合情況的反應，我們證明了依據心理屬性（例如個人口味），檢測某人的審美標準，以及生成「西施圖像」是可能實現的。 這項最新技術可能將無意識態度，暴露給那些無法有聲、有意識表達信息的目標測試者，最終，通過人工智能解決方案和腦-機接口交互技術，該項研究可能提高計算機學習能力，並且越來越多地理解人們的主觀意識偏好，從而造福社會。 如果像審美偏好這樣的個人主觀因素也能被洞察分析，我們或許還能研究感知和決策等其他認知能力，我們可能會調整認知策略或者內隱偏見，從而更好地理解個體差異性。目前，這項最新研究報告發表在近期出版的《電氣與電子工程師協會情感計算匯刊》上。 對抗式網絡如何運行？ 科學家通過讓兩種算法相互對抗來生成對抗式網絡，從而試圖創建人類真實的主觀意識偏好選擇。 這些「想象出來的」數字創作，可以是圖像、視頻、聲音和其他內容形式，主要基於輸入系統的相關數據，人工智能機器系統依據所學創造新的內容，而另一個人工智能系統則對這些數字創作進行批評，指出其中的缺陷和不准確之處。 最終，該過程可使人工智能系統學習更多的新信息，而不需要人類的任何輸入內容。 人工智能如何通過神經網絡進行學習？ 人工智能系統主要依據於人工神經網絡（ANNs），後者試圖模擬人類大腦的工作方式來實現學習功能，同時，它可以被訓練來識別信息模式——包括語音、文本數據或者視覺圖像，它是近年來人工智能發展的基礎。 傳統人工智能通過輸入大量信息來「教授」有關特定目標的算法，實際應用包括Google的語言翻譯服務、Facebook的面部識別軟件和Snapchat的實時圖像濾鏡。 輸入這些數據的過程可能非常耗時，並且僅限於一種類型的知識，一種被稱為對抗性神經網絡的新型人工神經網絡可使兩個人工智能系統相互競爭，使它們相互學習。該方法旨在加速學習進程，並優化人工智能輸出「數字創作」。（葉傾城） 來源：cnBeta

德國弗勞恩霍夫光電系統技術和圖像開發研究所（ISOB）的研究人員創造了一個自主的水下機器人以拯救溺水者。在德國，2019年有近420人溺水，大多數溺水事件發生在淡水湖泊或游泳池。在德國，這麼多人溺水的原因之一是很少有訓練有素的救生員來看管水域。 ISOB的研究人員希望防止溺水事件的發生，並開發了一種水上機器人，這是世界上唯一的同類機器人。該機器人旨在與救生員合作，在緊急情況下營救游泳者。ISOB的科學家們利用水下機器人專業技術開發了這一自主系統，並創造了一種名為DEDAVE的交通工具。 當有人遇到危險時，機器人可以利用安裝在水域附近高處上的監控攝像頭識別出典型的溺水姿勢，記錄下落水者在泳池中的運動模式和位置。攝像機將坐標發送到機器人，而機器人則一直會被安裝在水域的對接站上。當識別到水中有溺水者時，對接站打開，載具就會前往攝像頭提供的坐標，找到落水者並將其抬到水面。 聲學傳感器將安裝在載具上，用於能見度受限的湖泊。聲波回波可以用來確定受害者的位置和方向，這樣機器人就可以前往正確的位置接人。在測試過程中，該機器人成功地在開放的水面上營救了一名假人受害者。 機器人以黃貂魚為原型，設有固定受害者的裝置，防止受害者在機器人浮出水面時滑落。圖片中的機器人看起來像一個水下潛水器，不僅可以救人還可能用於探索沉船，現在設計的型號只能用於游泳池，未來的版本可用於野外水域，當在湖泊或其他戶外目的地使用時，無人機和飛艇系統將提供監控攝像頭。 來源：cnBeta

最新一期 Science Robotics 封面上，出現了一隻四足機器人。誒不對，放錯圖了，應該是下面這張。據說這款機器人的研發靈感正是源於自然界中的烏龜，這麼一說還真有點像！ ...

狗，憑借極為靈敏的嗅覺，能幫我們尋找失蹤人員，搜查違禁物品，甚至還能聞出人有沒有生病，是不是感染了新冠病毒。有一組科學家想得更遠，他們希望這些人類的好朋友還能成為人工智能（AI）的好教練，教AI學會分辨人的「癌味兒」。 ...

想要適應自動駕駛、控制機器人、醫療診斷等場景，就必須讓神經網絡適應快速變化的各種狀況。好消息是，麻省理工（MIT）計算機科學與人工智能實驗室（CSAIL）的 Ramin Hasani 團隊，已經設計出了一種具有重大改進的「液態」神經網絡。其特點是能夠在投入訓練階段之後，極大地擴展 AI 技術的靈活性。 ...

據外媒報道 ，電影評級是件大事。你可以在每個電影預告片的結尾看到它們。一部電影的預告片可能看起來並不是特別緊張，但評級往往會披露它深層的東西並公布該部影片的適合觀影年齡。人們總是會對電影進行評級，但因為每部電影都是獨一無二的，每個人在決定什麼能或不能越過某條線時都會有自己的想法，所以有時候會覺得標準並沒有得到恰當地使用。 ...

12月，各大音樂平台都向用戶推送了年終盤點，在全球擁有超多用戶的Spotify也按照慣例推出2020年度總回顧。不過一個名為「ThePudding」的網站推出一個人工智能機器人，無情地吐槽你的音樂品味。這個頁面名為「How Bad Is Your Spotify」（你的Spotify有多糟），搭載的人工智能機器人由Mike Lacher和Matt Daniels訓練生成，如果你覺得自己在Spotify上擁有最好聽的播放列表，那麼你將會遭到它的暴擊。 ...

根據斯坦福大學首席居民委員會在12月17日發出的一封信中，確定哪位斯坦福大學醫學院雇員將接受其首批5000劑COVID-19疫苗的算法僅包括名單上的7名醫學住院醫師/研究人員。此後，斯坦福大學醫學院的領導層對此表示歉意，並承諾將對該計劃進行重新評估。 ...

提起機器狗，我們很可能會想到全球機器人開發領域頭部公司波士頓動力的「網紅」Spot。但放眼全球，設計機器狗的公司並非僅波士頓動力一家。2020 年 10 月，瑞士 ANYbotics 公司設計的機器狗 ANYmal 登上 Science 子刊、機器人頂刊 Science Robotics 封面。 ...

遇見蟑螂你會怎麼辦？踩死還是趕走？作為「宇宙最強」物種之一的蟑螂來說，你又了解多少？據了解，蟑螂是世界上最古老、繁衍最成功的昆蟲類群之一，目前蟑螂大約有6000種左右，主要分布在熱帶、亞熱帶地區。 ...

據知情人士透露，日本軟銀集團正與韓國現代汽車公司進行談判，擬出售旗下機器人製造商波士頓動力公司(Boston Dynamics)。這筆交易將使現代成為七年來波士頓動力公司的第三任東家。 ...

「目前還不清楚的是，Neuralink設備是否可以用於解碼人類意圖及控制環境中的設備。據我觀察，這種能力還沒有被證明。」埃隆·馬斯克的腦機接口公司「神經連接」（Neuralink）近日再度成為全球焦點。 ...

上周末，馬斯克發布了腦機接口新設備Neuralink，只需在頭皮上多一個小小的創口，通過硬幣大小的設備就能給自己植入屬於大腦的Fitbit，可以通過手機APP直接控制。目前這個設備已經在小豬身上實驗成功，並且已經獲得FDA人腦實驗批准。未來這一設備很有可能除了幫助殘障人士控制義肢外，還能用來對抗癲癇、重度抑鬱、自閉症、阿爾茲海默症、帕金森綜合征等神經疾病難題。 ...

馬斯克旗下的腦機接口公司Neuralink 舉辦發布活動，公開了可實際運作的Neuralink設備和自動植入手術設備。在埃隆·馬斯克（Elon Musk）關於他的腦機接口公司Neuralink的演講中，科學是重中之重，而該公司首次推出的外科機器人卻大放異彩。 ...

據外媒VenTureBeat報道，正在開發基於機器學習的基因組工程方法的Synthego周三完成了1億美元的D輪融資。這家初創公司表示，這筆資金將用於擴大其平台的能力，旨在生產支持基礎研究和臨床試驗的試劑和細胞。 ...

據外媒CNET報道，許多人臉識別公司都宣稱，即使在戴着口罩的情況下，他們也能精準地識別人的身份，但一項研究的最新結果顯示，有了遮擋物後這些算法的錯誤率正在急劇增加。在周二的更新中，美國國家標準與技術研究所（NIST）研究了3月中旬COVID-19大流行宣布後提交的41種人臉識別算法。其中許多算法在設計時都考慮到了口罩問題，並聲稱即使在半邊臉被遮住的情況下，它們仍然能夠准確識別人的身份。 ...

據外媒CNET報道，Critterpedia是創作者Nic和Murray Scare與澳大利亞聯邦科學與工業研究組織(CSIRO)的合作項目。這是一個機器學習工具，旨在自動識別不同種類的蜘蛛和蛇。像Critterpedia這樣由人工智能驅動的算法需要數十萬張圖片才能成為准確的評估，因此CSIRO和Data 61希望能讓盡可能多的人下載Critterpedia，並上傳他們可能在野外看到的蜘蛛和蛇的圖片。 ...

《超級馬里奧兄弟》你能玩到第幾關？說起這款FC時代的經典遊戲，大家可能再熟悉不過了，大鼻子、留鬍子，永遠穿着背帶工裝服的馬里奧大叔，成為了很多80/90後的童年回憶。看着畫面中熟悉的馬里奧大叔一路跌跌撞撞，躲避半路殺出來的毒蘑菇，錘子烏龜，頭盔兔子、食人花，感覺又回到了小時候。 ...

人們對科幻電影的所有想象終將成為現實！還記得2008年火遍全球的電影《我的機器人女友》嗎？影片導演郭在容在科幻世界塑造了一個機器人女孩，與人類上演了一場超越生物隔閡的愛情故事，收獲了無數影迷的心。不過，當時影片中的機器人是由日本影星綾瀨遙所扮演。 ...

繼AlphaGo之後，AI在世界人機大戰中再一次獲勝。6月21日，在啟元世界舉辦的國內首屆《星際AI頂級職業選手挑戰賽》中，啟元「AI星際指揮官」以2:0的成績戰勝《星際爭霸I/II》全國冠軍黃慧明（TooDming）和黃金總決賽冠軍、最強人族選手李培楠（Time）。 ...

在過去幾年中，隨着全球氣溫的上升和天氣模式的變化，美國遭受了毀滅性的野火襲擊，使這種自然現象變得特別難以預測和嚴重。為了提供幫助，斯坦福的研究人員找到了一種方法，利用機器學習和衛星圖像追蹤和預測乾燥的高危地區。 目前測試森林和灌叢地對野火敏感性的方法是通過人工收集樹枝和樹葉，並測試其含水量。這種方法准確可靠，但顯然也相當耗費人力，而且難以規模化。幸運的是，研究人員最近有了其他的數據來源。歐空局的「哨兵 」衛星和「陸地」衛星已經積累了大量的地球表面圖像，經過仔細分析後，可以為評估野火風險提供第二種來源。 這並不是第一次嘗試從軌道圖像中進行這種觀測，但之前的工作主要依賴於 "極度特定地點 "的視覺測量，這意味着分析方法因地點不同而有很大差異，其難於規模化。斯坦福團隊利用的先進技術是「哨兵」衛星的 "合成孔徑雷達"，它可以穿透森林樹蔭並對下面的地表進行成像。 「我們最大的突破之一就是研究了一組較新的衛星，這些衛星使用的波長要長得多，這使得觀測結果能夠對森林樹蔭深處的水分敏感得多，直接代表燃料水分含量，」該論文的資深作者、斯坦福生態學家Alexandra Konings在一份新聞稿中說。 該團隊將這些自2016年以來定期收集的新圖像與美國林業局的人工測量結果一起「反饋」給了一個機器學習模型。這讓模型能夠「學習」圖像中哪些特定的特徵與地面實測數據相關聯。然後，他們測試了所產生的人工智能，讓它根據舊數據進行預測。它是准確的，而且對美國西部最常見的生物群落之一、也是最容易受野火影響的生物群落之一灌叢地的預測最准確。 你可以在這張交互式地圖上看到這個項目的結果，顯示了模型對美國西部不同時期的乾旱預測。這對消防員來說是對這一方法的驗證-但同樣的模型，在給出最新的數據後，可以對即將到來的野火季做出預測，這可以幫助有關部門在控制性燃燒、危險區域和安全警告方面做出更多的決策。 科學家的研究成果發表在《 Remote Sensing of Environment》期刊上。 來源：cnBeta

最近，加州大學聖克魯茲分校的研究人員開發了一款名為「墨菲斯」（Morpheus）的深度學習模型，可以對天文圖像數據進行像素級分析，識別並分類所有的星系和恆星。這項研究成果發表在5月12日的《天體物理學雜誌增刊》（Astrophysical Journal Supplement Series）。 據論文介紹，在處理天空某一區域的圖像時，「墨菲斯」會生成一副新的圖像。圖中，算法模型根據形態對天體進行顏色編碼，將其與背景分離，識別出恆星和不同類型的星系。 准確率方面，論文指出，相對於哈勃太空望遠鏡的CANDELS項目和3D-HST計劃提供的分類目錄而言，「墨菲斯」模型的假陽性率（false-positive rate，FPR）僅約為0.09%。假陽性率即實際非天體，但被識別為天體的百分比。 「墨菲斯」對天體進行形態分類後生成的彩色合成圖。 上述論文的兩位共同作者之一、加州大學聖克魯斯分校計算天體物理學研究組負責人、天文學教授布蘭特•羅伯遜（Brant Robertson）介紹，隨着天文學數據集規模的迅速擴大，傳統意義上由天文學家完成的任務需要變得自動化。 他表示，「作為人類，有些事情我們根本做不到。因此必須想辦法用計算機來處理未來幾年內大型天文學項目收集的大量數據」。 以正在智利建設的大型綜合巡天望遠鏡LSST為例，該項目完工後將用32億像素的相機每晚拍攝800幅全景圖像，每周記錄天空2次。此類大型天文項目所產生的龐大數據量已經遠遠超出了天文學家的分析能力。 事實上，已經有天文學家藉助深度學習對星系進行分類，但通常使用現成的圖像識別算法，需要預先進行額外的數據整理工作。「墨菲斯」的不同點在於，它為處理天文圖像數據而生，天文學家可以用標準數字文件格式輸入原始圖像數據。 「墨菲斯」使用的圖像分割和反合成過程。 「墨菲斯」的另一大優勢是像素級分類。布蘭特•羅伯遜介紹，在使用其他模型時，天文學家必須首先知道圖像中含有某些內容，然後再向模型提供圖像，模型隨後對整個星系進行分類；但「墨菲斯」可以幫助天文學家發現星系，而且是以像素為單位，逐一進行分析。這一特性賦予了「墨菲斯」處理復雜圖像的能力。 「墨菲斯」對GOODS-South Field（大天文台宇宙起源深度巡天計劃的南天區）局部的分類結果。 與其他大型深度學習模型的訓練過程類似，研究人員向模型「投餵」了大量學習資料。主要是哈勃太空望遠鏡提供的CANDELS巡天觀測資料，由數十位專業天文學家進行分析歸類，總共分成約10000個星系類目。 「墨菲斯」的神經網絡架構。 「墨菲斯」進行自動形態分解的例子。 學習之後，研究人員將「墨菲斯」應用到了迄今最完整最全面的宇宙圖譜——「哈勃遺產場」(HLF)當中。該宇宙照片由哈勃太空望遠鏡在16年間拍攝的7500張星空照片拼接而成，包含約265000個星系。 為幫助深度學習模型快速完成對整個數據集的逐像素分析，研究人員為其配置了加州大學聖克魯斯分校的超級計算機「lux」。該超算由美國國家科學基金會撥款154.7萬美元建成，應用范圍包括天體物理學和氣候科學。 來源：cnBeta

剛剛過去的五一假期，對於王者榮耀的一些玩家來說並沒有留下什麼美好的回憶。根據王者榮耀官方消息，在5.1到5.4期間，玩家進入遊戲即可與絕悟AI對戰，一時間哀鴻遍野，無論是職業選手、普通玩家還是遊戲主播，都被AI虐了個體無完膚。 更新王者榮耀即可和絕悟AI切磋（圖片來源：王者榮耀） ==超強AI絕悟== 「絕悟」名字寓意「絕佳領悟力」，由騰訊AILab聯合王者榮耀團隊於2017年12月起研發，其1v1版本首次露面是在2018年的KPL秋季總決賽上，並在次年八月份於吉隆坡舉辦的王者榮耀「世界冠軍杯」半決賽的特設環境中與職業選手的5V5對抗遊戲當中獲得勝利，之後在同年的上海ChinaJoy現場，「絕悟」也開放了和業余選手1V1競爭的體驗測試，四天一共進行了2100場對抗，最終取得了99.8%的勝率。 絕悟AI（圖片來源：AILab） AILab 和天美工作室聯合發表的論文指出，《王者榮耀》這類實時戰略MOBA遊戲不同於傳統棋盤遊戲和雅達利遊戲，前者需要更高難度的復雜操作，所處的遊戲環境也會更加復雜。以《王者榮耀》為例，一局遊戲當中可能會涉及10^ 600 種遊戲可能性以及10^ 18000 中可能的遊戲操作，並且這還只是基礎，AI還需要在MOBA遊戲當中發動GANK、防禦、誘導對手、補刀等復雜動作，而且還可能涉及到復雜的技能連招。 AI戰隊VS人類戰隊（圖片來源：王者榮耀） 騰訊的研究人員通過系統編碼圖像特徵和遊戲狀態信息，將遊戲中的不同單元和敵方目標以數字的形式表示，這一框架在總共60萬個處理器和1064張顯卡（包括NVIDIATesla P40s 和NVIDIAV100s）上運行，處理了16000個包含非隱藏的單位屬性和遊戲信息。而訓練一名英雄需要用到48塊顯卡和18000個處理器內核，系統將以每秒80000個樣本的速度進行持續訓練。目前該系統的訓練量已經相當於人類花費500年所積累的經驗。 絕悟AI的訓練機制（圖片來源：AILab） 根據研究人員的說法，「絕悟」在經過系統訓練80個小時之後便已經「出師」，但其實在經歷了30個小時的訓練之後，「絕悟」就已經具備了打敗排位前1%玩家的能力。經歷完整訓練的AI將能夠在0.1秒內做出反應，這已經相當於一個頂級業余選手的反應。 ==遊戲AI到底可以多強？== 在過去很多年里，遊戲AI在玩家的眼中只有一個用途：用來教學練手的。對於遊戲開發者來說，編寫程序就可以實現一般的AI效果，這些AI在遊戲里的表現總是有規律可循，一旦熟悉玩法之後，就能發現其中的破綻，從而擊敗它，順便一提，現代遊戲AI的鼻祖是《吃豆人》。 吃豆人（圖片來源：Google） 而如同絕悟這樣的遊戲AI首次出現在人類眼中，其實要從阿爾法狗打敗李世石說起…… Google團隊開發的深度學習AI，在當時其實並不是只有阿爾法狗一個，當時他們也做了另外一個叫做「阿爾法星」的AI，並在19年年初和世界知名的星際選手對上過一次，結果和圍棋相同，人類基本毫無反抗之力，1-10落敗。 AlphaStar（圖片來源：PCMag） 到了年底，阿爾法星交出的最新成績單是：超越99.8%的人類玩家，在神族、人族和蟲族都達到宗師級別。要知道，《星際爭霸》作為最有挑戰的即時戰略遊戲之一，遊戲中不僅需要協調短期和長期目標，還要應對意外情況，難度不是一般的大。而阿爾法星在其APM，視野都跟人類玩家保持一致的情況下，依舊實現了對神族、人族、蟲族的完全駕馭，還解鎖了許多地圖。 AlphaStar的表現（圖片來源：DeepMind） 而西山居也加入了遊戲AI的研發之中，他們針對自家吃雞類遊戲《榮耀之海》研發了一款3D生存類AI：獵戶星α;。通過從零開始的強化學習訓練，可具備復雜3D環境感知、物資搜索/使用、作戰、團隊配合等能力，也就是說，獵戶星α;可以躲避障礙物，自動導航，甚至幫你望風。 獵戶星α（圖片來源：榮耀之海） 就在不久前，一家來自加拿大的初創遊戲工作室也開源了新模型：EnemyAI，可以讓遊戲中的敵人自動追蹤玩家路徑，並主動避開牆角、岩石等環境障礙。 EnemyAI（圖片來源：GitHub） 沒准某一天，我們真的分不清自己在遊戲中的對手/隊友到底是真人還是AI了。 來源：cnBeta

探索未知環境是人類行為的關鍵特徵。與成年人相比，兒童進行探索的頻率更高。這樣的探索可以幫助兒童學習周圍環境，獲得更多的知識。這種能從抽象環境中綜合學習的能力，未來或許能讓人工智能（AI）受益。日前，全球最受矚目的人工智能公司DeepMind就聯合美國加州大學伯克利分校做了一項研究，比較兒童和AI了解世界的方式。他們的研究論文5月6日發表在預印本網站上。 論文稱，這項研究的目的是希望了解兒童探索學習的行為，從而縮小人工智能和人類在獲得新能力方面的鴻溝。比如，這有可能可以幫助機器人在拾取和包裝數百種不同類型的產品時，還能避免各種障礙。 從過往的兒童行為研究中，我們已經了解到學齡前兒童完全可以自主在玩耍的過程中習得玩具是如何工作的，例如根據顏色確定積木的作用，然後兒童可以總結理論推斷出新玩具或新積木的玩法。對於人工智能來說，它擁有近似的能力和適應性，但需要人為監督和干預。 論文採用的方法結合了在DeepMind實驗室里的實驗設置，其中包括針對AI的導航和難題解決任務。這些任務需要AI具備物理或空間導航技能。在實驗設置中，允許孩子通過自定義控制與DeepMind實驗室進行交互。這個控制器包括前進、後退、左移和右轉四個動作。 兒童與AI在探索迷宮中的比較 另一邊，在加州大學伯克利分校的實驗室中，研究人員則試圖確定兩件事：在未知環境，兒童的探索行為是否存在差異；以及與AI相比，兒童是否更容易適應一組特定的場景。 在一項測試中，孩子需要完成兩個迷宮，一個接一個，兩個迷宮布局相同。孩子們在第一個迷宮中自由探索，但需要在第二個迷宮中找到橡皮糖。 研究人員表示，在「無目標狀態」的第一個迷宮中，孩子們的策略與AI領域里的深度優先搜索策略（DFS）相似，會沿着未走過的路徑一直前進，直到達到死胡同，然後轉向來探索他們看到的最後一條路徑。而在第二個目標條件的迷宮中，兒童做出的選擇與DFS一致的時間為89.61%。相比同齡孩子，對環境探索更少的孩子花費的時間更長，平均需要95步，而探索更多的孩子則只需要66步就找到了橡皮糖。 團隊指出，這些行為與用於訓練的AI相反。AI的選擇通常都非常偶然，它們通常會偶然發現一個區域很有趣，然後鼓勵自己一直重新訪問該區域，直到自己認為這個區域變得不再有趣為止。研究發現，與小孩掉未來探索更感興趣相比，AI更喜歡追溯過去的行為。 研究中的另一項測試是告訴4-6歲的孩子分三個階段完成兩個迷宮。第一階段里，孩子們可探索迷宮，其中包括有無目標探索，有目標且沒有立即獎勵探索以及有目標並有獎勵的密集探索。在第二階段，孩子們的任務是再次尋找目標項目，該目標項目與探索期間的位置相同。在最後階段，要求他們找到目標項目，但完成目標的最佳途徑受阻。 研究人員稱，初步數據表明，在獎勵密集的情況下，兒童探索區域的可能性較小。但是，缺乏探索性並不會傷害兒童在最後階段的表現。對於AI而言，情況並非如此，通常，豐厚的獎勵會使AI缺乏去探索的積極性並導致概括能力不佳。 「我們提出的方法可以幫助我們識別在哪些領域里，人工智能和孩子採取了相似的行動，以及在哪些領域里，他們沒有採取相似行動。這項研究僅是兒童和人工智能在探索方面的初始研究，在提出新的問題時，我們可以通過研究對兒童和AI探索新環境的方式，以及他們是如何探索的進行深入了解，從而縮小兩者之間的差距。」論文作者在論文里稱。 來源：cnBeta

據國外媒體報道，利用人工智能技術發現藥物似乎正在取得一些回報，美國麻省理工學院的科學家透露稱，最新人工智能技術發現一種抗生素化合物——halicin，它不僅能殺死多種形式的耐藥性細菌，而且還能以一種新穎的方式殺死它們。 美國麻省理工學院的科學家透露稱，最新人工智能技術發現一種抗生素化合物——halicin，它不僅能殺死多種形式的耐藥性細菌，而且還能以一種新穎的方式殺死它們。 許多抗生素是對現有藥物的輕微改良，而halicin通過破壞細菌維持電化梯度的能力來消滅細菌，電化梯度是產生能量存儲分子所必需的，這對於細菌而言很難抵抗，大腸桿菌在30天內對halicin沒有產生任何耐藥性，而它在3天內就能戰勝更傳統的抗生素——環丙沙星（cipofloxacin）。 研究小組成功研製一個系統，能夠比過去任何系統更加有效地找到具有所需特徵的分子結構，不同於之前的方法，人工智能神經網絡能夠自動分析分子表現形式，將它們映射成連續向量，幫助預測它們的行為表現。一旦准備就緒，研究人員就會對2500個分子進行人工智能訓練，其中包括：1700種已知藥物和800種天然產物，在研究6000種化合物數據庫時，人工智能發現halicin具有顯著的滅菌效果。 但是人們不要期望短時間內就能拿到halicin處方，美國麻省理工學院成功使用該藥物根除老鼠體內鮑曼爾桿菌（這是阿富汗和伊拉克美軍士兵中常見的一種感染疾病），人們需要注意的是，這可能是一種新的更大趨勢的開始，科學家們已經用自己的模型在另一個數據庫中篩選了超過1億個分子並找到了23個候選分子。 他們希望從無到有地設計抗生素，修改現有藥物，從而提高它們的有效性或者減少它們意想不到的副作用，這遠不能保證消滅「超級細菌」，然而，如果只要能夠殺死其中一些細菌，就能成功挽救許多人的生命。 來源：cnBeta

據外媒CNET報道，新冠病毒大流行已經改變了許多常規，包括寵物監護人和他們的貓狗的生活方式。眼下，這種變化可能是積極的：受「就地避難」令影響，人類和動物在一起的時間越來越多。但很快就會有數億人回到工作和學校，寵物們會被留在家中。它們往往會感到無聊，或者患上破壞性的分離焦慮症。前Google員工John Honchariw現在開發出了一種機器人寵物訓練器，可以通過參與和學習來填補這些時間。 Companion Labs是一家位於舊金山的初創公司，其開發了一款名為Companion Pro的新型機器人AI寵物訓練器，目前還處於早期階段。但該公司剛剛宣布將開始把一些專業的訓練設備放到家庭中。"本質上，當你不在的時候，我們就像你的代理人一樣，"CompanionCEO兼創始人John Honchariw說。"當你不能陪伴在你的狗狗身邊時，CompanionPro可以幫助你。" CompanionPro聲稱可以利用計算機視覺和它的Tensor AI處理單元精確地檢測出狗狗對訓練的細微反應。該設備將視覺、紅外和運動檢測器與機器學習的傳感器包、可以包含自己的聲音的音頻和一個新穎的 "治療發射器 "結合在一起，當機器看到狗狗表現出想要的行為時，就會准確地拋出一個比特大小的正向強化物。機器會自主地注意到想要的行為，並會開始獎勵它們。之後，這些機器強化的行為就會與人類的命令和手勢相關聯。 "一旦（機器）知道你的狗狗真的很舒服，玩得很開心，我們就會尋找你想要訓練的行為，"Honchariw說。"一旦我們看到這些行為，不管是坐着、朝設備走來還是呆着，我們就會用機器向狗狗發射的專有食物來強化它們"。Honchariw表示，機器的自主性可以擴大訓練機構的訓練規模，而它的持續存在和無盡的耐心可以提高訓練的速度。 Companion一直在開發其技術，並得到了舊金山愛護動物協會（San Francisco SPCA）的投入。"狗狗可以學習，但主人也需要有一定的技能和時間承諾，"該協會的員工獸醫和認證動物行為學家Wailani Sung說。 CompanionPro可供預購，除了新計劃將把有限的數量投放到家庭中，還將在2020年中向動物組織交付。和許多新的科技產品一樣，它也是以服務的形式提供，有499美元和249美元的月費選項，這取決於企業希望有多少只狗可以同時使用它進行訓練。不過，創始人Honchariw也曾表示，Companion Labs將 "始終以非盈利的方式與非盈利的收容所合作運營。" 來源：cnBeta

據外媒New Atlas報道，在工廠中，當產品的兩個互鎖部件在一起時，通常會發出令人滿意的 "咔嚓 "聲。通過聆聽這種聲音，一種新開發的系統可以檢測出機器人裝配線上何時發生故障。該技術由德國弗勞恩霍夫數字媒體技術研究所(IDMT)創建，該技術包含音頻傳感器單元，可以直接安裝在機器人設備上，也可以安裝在附近的牆壁或其他表面。 每個單元 "不比一包香煙大"，包含一個麥克風、一個電池和一個微處理器，可以分析模塊內的音頻信號。 在最初被訓練出識別特定部件正確連接的聲音後，系統隨後能夠判斷出當機器人經過了本應導致成功連接的動作，但聲音沒有發生。然後，它會顯示錯誤信息，提醒人類監督員，並記錄事件。 利用基於人工智能的算法，該裝置還能夠忽略不相關的背景噪音，並且能夠區分多個目標聲音。這意味着，一個單一的傳感器可以用來檢查多種部件的成功連接。 "實際上，我們給機器提供了一種聽覺，以保證質量，"IDMT聲學事件檢測主管Danilo Hollosi說。"這使得製造商能夠在早期階段就能及時識別出損壞的跡象，減少計劃外的停機時間，協調車間工作流程，提高整個工廠的效率。" 來源：cnBeta

3月30日消息，據國外媒體報道，美國多家頂級大學和微軟結盟，用人工智能（AI）和超級計算機攻克新冠病毒。這個新研究聯盟被稱為「C3.ai數字轉型研究所」（C3.ai Digital Transformation Institute，簡稱C3.ai DTI），該聯盟的成員包括普林斯頓大學、卡內基梅隆大學、麻省理工學院、加州大學、伊利諾伊大學、芝加哥大學、C3.ai和微軟。 C3.ai DTI將專注於人工智能、機器學習、物聯網、大數據分析、人為因素、組織行為、倫理和公共政策方面的研究，致力於加速人工智能的應用，以加快企業、政府和社會的數字化轉型步伐。 該研究所由UC Berkeley和UIUC共同管理，將贊助和資助世界領先的科學家，共同努力推進商業、政府和社會的數字化轉型。 該研究所尋求讓頂尖科學家在人工智能的幫助下解決龐大的社會問題，它面臨的第一個挑戰就是新冠病毒。 美國加州雷德伍德市的人工智能公司C3.ai創始人兼首席執行官（CEO）托馬斯·西貝（Thomas M. Siebel）表示，這個公私合營的聯盟將在最初的五年里投入3.67億美元，它提供的第一批經費將用於尋找遏制席捲全球的新冠病毒的方法。 「C3.ai數字轉型研究所」計劃每年至多授予26筆資助，每筆資助的研究經費高達50萬美元。 除此之外，獲得C3.ai DTI資助的接受者將獲得大量的雲計算、超級計算、數據訪問、人工智能軟件資源，以及微軟和C3.ai提供的技術支持。這將包括不受限制地使用C3 AI套件和訪問微軟Azure雲平台，以及訪問UIUC（美國伊利諾伊大學香檳分校）國家超級計算應用中心（NCSA）的Blue Waters超級計算機。 該研究所要求主要研究者來自該聯盟的大學，但允許其他機構的合作夥伴和團隊成員參與。該研究所希望，關於新型冠狀病毒的提案能在5月前提交，它計劃在6月發放第一筆資助。研究結果將公之於眾。（小狐狸） 來源：cnBeta

新智元導讀：新冠肺炎全球確診超34萬、死亡超1.4萬。日前，Yann LeCun轉發推文：感染COVID-19會使你在一年內的死亡幾率翻倍。危急時刻，世衛組織對四種最有希望的新冠病毒治療方法展開全球大規模試驗，哥大數據科學研究所校友使用機器學習快速發現新冠病毒治療方法。 原標題：新冠病毒或致個人年內死亡率翻倍！哥大校友用機器學習飛速篩選抗體 編輯/張佳、嘯林 來源：新智元 上周五，世界衛生組織宣布了一項名為「SOLIDARITY」的大型全球性試驗，以尋找可以用於治療新冠肺炎的藥物。這項研究可能包括幾十個國家的數千名患者，盡可能設計的簡單，這樣即使是湧入了大量COVID-19患者的醫院也能參與進來。 科學家建議了數十種現有化合物進行測試，但世衛組織正聚焦在四種它認為最有希望的療法上：一種稱為瑞德西韋的實驗性抗病毒化合物；瘧疾藥物氯喹和羥基氯喹；兩種艾滋病毒藥物的組合，洛匹那韋和利托那韋；洛匹那韋和利托那韋加上干擾素β。 關於COVID-19患者中使用這些藥物的一些數據已經顯示，HIV聯合療法在中國的一項小規模研究中失敗了，但世衛組織認為，有必要對更多患者進行大規模試驗。 除了測試已有的潛在藥物，發現新的治療方法也很有必要。 哥大數據科學研究所（DSI）校友使用機器學習快速發現新冠病毒治療方法 哥倫比亞大學數據科學研究所（DSI）的兩名畢業生正在通過計算設計來快速發現冠狀病毒的治療方法。 Andrew Satz和Brett Averso分別是EVQLV的首席執行官和首席技術官。EVQLV是一家初創公司，其創建的機器學習算法能夠在短短幾天內識別並篩選數億種潛在的抗體治療方法，這遠遠超出了任何實驗室的能力。在實驗室中發現和優化抗體平均需要五年半的時間，而該算法只需一周的時間即可識別病毒抗體。 尋找抗體是發現新冠病毒療法的第一步。「我們的算法所要做的是減少實驗室中藥物發現失敗的可能性。」 Satz補充說：「我們盡可能在計算機模擬中試錯，以減少下游實驗室發生錯誤的可能性。這樣可以從繁瑣而費時的工作中節省大量的時間。」 Brett Averso介紹道，EVQLV設計的一些抗體旨在防止冠狀病毒附着在人體上。「形狀正確的抗體與位於人細胞和冠狀病毒表面的蛋白質結合，就像鎖和鑰匙的關系。這種結合可以防止病毒在人體中擴散，從而可能限制疾病。」 EVQLV與專注於發現治療性抗體的公司Immunoprecise Antibodies（IPA）合作。EVQLV在發現和優化抗體後，將有希望的抗體基因序列發送給其實驗室合作夥伴。然後，IPA將對最有希望的候選抗體進行工程設計、製造和測試，該過程不再需要數年，而只需幾個月。成功的抗體將用於動物研究，最後是人體研究。 考慮到國際上對抗冠狀病毒的緊迫性，Satz表示，有可能在2020年底之前為患者准備好治療方案。 在就讀於DSI期間相識的Satz和Averso堅定致力於「數據向善」。兩人在數據科學和醫療保健的交叉領域合作了多年，並於2019年12月成立了EVQLV，旨在使用AI技術來加快發現、發展和治癒健康問題的速度。該公司已經發展到12名團隊成員，技術涵蓋了機器學習和分子生物學，軟件工程和抗體設計，雲計算以及臨床開發等領域。二人通常都每周工作100小時，因為他們對數據科學充滿熱情，並致力於以此「幫助醫治有需要的人」。 Yann LeCun轉發：感染COVID-19會使你在一年內的死亡幾率翻倍 近日，DeepLearning大佬Yann LeCun在推特上轉了統計學家David Speigelhalter的一個推文並評論道：若感染了COVID-19，其死亡概率約等於一年內任何其他原因的死亡概率。令人驚訝的是，無論年齡大小，都是如此。感染COVID-19會使你在一年內的死亡幾率翻倍。 在Speigelhalter的博文中，他使用了英國國家統計局提供的生命表。由於先天性疾病和出生創傷，出生後有個死亡高峰，9、10歲是一個低谷，然後是穩定的線性增長。不管年齡多大，每年死亡的人口比例都以9%左右的速度增長。所以平均死亡風險在8年內翻倍。 國家統計局2016-2018年英格蘭和威爾士的年度死亡風險 倫敦帝國學院研究人員的最新報告提供了對新冠病毒感染後死亡的特定年齡段風險的估計值，這些風險如下表所示。 不同年齡組感染COVID-19後的死亡率 如果將感染COVID-19後的死亡率疊加在上面的「生命表」上（繪制每10年中的第7年），結果如下圖，可以看出，感染COVID-19後的死亡風險與正常死亡風險的趨勢是一致的。 然後，將COVID-19風險與生命表中的死亡風險進行比較，得出相對風險，范圍為0.5到2。 可以看出，感染COVID-19的死亡風險相當於一年內任何其他原因的死亡風險。用博主的話說「感染COVID-19就像將一年的風險打包到一兩個星期一樣」。 不過博主也指出，這兩個群體將會有很大的重疊——許多死於COVID-19的人無論如何都會在短時間內死亡——因此這些風險不能簡單地加在一起，也不能簡單地將感染者的風險增加一倍。至關重要的是，國家醫療服務體系不能不堪重負，但如果像現在所建議的那樣，通過嚴格的抑制措施，COVID死亡人數可以控制在20,000人左右，那麼對2020年總體死亡率的影響可能很小（盡管由於衛生服務的壓力和隔離的副作用，基礎死亡率可能會增加）。不過，正如我們所看到的，代價是巨大的。 參考鏈接： https://medium.com/wintoncentre/how-much-normal-risk-does-covid-represent-4539118e1196 https://www.technology.org/2020/03/22/dsi-alumni-use-machine-learning-to-discover-coronavirus-treatments/ 來源：cnBeta

3月17日消息，據國外媒體報道，周一，美國白宮科技政策辦公室呼籲研究人員使用人工智能技術來分析大約2.9萬篇學術論文，以更好地解讀新冠病毒的一些重要問題。該白宮辦公室表示，它已與微軟和AlphabetGoogle等公司建立合作，匯編最龐大的新冠病毒學術論文數據庫，供研究人員使用。 世界衛生組織(WHO)和美國疾病控制和預防中心(CDC)表示，他們希望幫助醫療界更好地了解新冠病毒的起源和傳播，以助力開發疫苗和治療方法。 在白宮供職的美國首席技術官邁克爾·克拉希歐斯在一次電話會議上告訴記者，他們希望計算機能夠比人類更快地掃描研究結果，發現人類可能錯過的東西。 機器學習技術目前已被醫療保健和其他行業用於從大量文本中提取摘要。但在能夠有效地得出結論之前，機器學習軟件有時需要分析數百萬個相似的內容項。 克拉希歐斯指出，目前新數據庫以便於軟件分析的格式完整收錄的新冠病毒文章，只有1.3萬篇左右。該數據庫還包含其它的1.6萬篇文章的部分文本（如摘要）。 美國政府官員以及美國科技公司和研究機構表示，他們在過去幾天里加緊從學術出版公司和其他機構獲得法律許可，以便公開有關新冠病毒的論文。 微軟的軟件幫助整理了與新冠病毒相關的論文，它的首席科學官埃里克·霍爾維茨（Eric Horvitz）告訴記者，他們的目標是使科學家和(衛生)保健從業者能夠更快地找到解決方案。 來源：cnBeta

頂尖學術期刊《自然》今天上線了一項有關癌症診斷的重要研究。來自加州大學聖地亞哥分校（UCSD）的科學家，訓練人工智能從血液中鑒定來自微生物的線索，不僅可以識別出癌症，還能對不同類型的癌症做出區分。研究機構評價說，這項新的診斷工具，「可能會改變人們觀察和診斷癌症的方式」。 我們知道，目前大多數癌症在診斷時需要進行手術活檢，從可疑的腫瘤部位取出樣本，並由富有經驗的專家尋找某些與癌症相關的分子標記物。這樣的方法耗時、昂貴，還因為是入侵式的，可能給患者帶來痛苦。 正因為如此，很多科研人員正在努力開發液體活檢技術，希望通過簡單的驗血，快速識別出特定的疾病。 現有的各種液體活檢技術，檢測目標大多針對我們自身的基因組，例如血液中從腫瘤脫落的DNA，或是特定的蛋白質等。而在今天要介紹的這項新技術中，研究人員另闢蹊徑，讓我們體內的「外來者」透露腫瘤的信息。 ▲血液中既有我們自身的基因信息，也有「外來者」的基因信息（圖片來源：Pixabay） 世界上幾乎各個角落都有細菌、病毒等微生物的存在，人體內也不例外。事實上，常駐人體的微生物數量遠超我們自己的細胞數量，它們的核酸片段（DNA或RNA）經血液游盪在我們全身。 近年越來越多的研究證據開始顯示，人體微生物對多種類型的腫瘤有「貢獻」。就以微生物最豐富的部位腸道為例，學術經緯在過去也和讀者朋友們介紹過多項研究，有些腸道細菌可能引發結直腸癌，還可能通過免疫系統影響肝癌的發生、誘發白血病，等等。 正在UCSD醫學院攻讀博士的Gregory Poore和他的導師Rob Knight教授也注意到了細菌、病毒和癌症的關系，並且猜想，這些微生物在癌症中起的作用或許比現在所知的更大。「以前的癌症研究工作大多假設腫瘤是在無菌環境，而忽略了人的癌細胞與細菌、病毒以及其他生活在人體的微生物可能有復雜的相互作用。」Knight教授說。 ▲抽一管血，檢測是否患癌以及什麼癌症，實現這樣的目標或許並不遙遠（圖片來源：MacDill Air Force Base，https：//www.macdill.af.mil/News/Photos/igphoto/2000056194/） 於是，他們有了一個全新而大膽的思路：分析血液中來自微生物的遺傳物質，可以根據其特徵模式來識別體內的腫瘤嗎？ 研究人員第一步通過已有的人類腫瘤樣本，來確認癌症相關的微生物核酸特徵。他們從美國國家癌症所「癌症基因組圖集」數據庫（TCGA）獲得了大約18000份樣本，對其全基因組數據（DNA序列）和全轉錄組數據（RNA序列）重新檢查。這些樣本涵蓋了33種癌症、10000多個病例，包括原發性和復發性腫瘤以及轉移擴散的腫瘤，既有腫瘤組織也有相鄰組織和血液樣本。 從幾千份樣本中找到獨特的微生物特徵後，研究人員把工作交給了人工智能，訓練機器學習模型來挖掘大量數據，把特定的微生物序列特徵與特定的癌症相匹配。 為了盡量避免在樣本採集、測序等各個步驟中可能存在的微生物污染問題，研究人員對數據集做了嚴格的生物信息學過濾。而且，在癌症3期、4期的數據從數據集中去除後，發現模型依然可以對許多癌症做出區分，這意味着，癌症的早期階段就能從血液中讀取出特定的微生物核酸特徵。 ▲在各種組織和腫瘤中都可以發現微生物的核酸片段，利用人工智能對血液中核酸片段的特徵進行識別（參考資料） 接下來，要讓這套AI模型在真實世界中接收檢驗。來自UCSD Moores癌症中心的合作者提供了包括前列腺癌、肺癌和黑色素瘤等100名患者的樣本，讓AI對每份血漿中的微生物核酸特徵進行鑒定，並與69名健康無癌個體的血樣進行比較。 分析取得了令人欣喜的結果，機器學習模型不僅可以區分患癌和無癌的樣本，還相當擅長區分不同類型的癌症：以86%的敏感性識別出肺癌患者，對於無肺部疾病的個體沒有出現假陽性報告，並且以81%的准確率區分出前列腺癌和肺癌。 「只要一管血，就能夠全面了解腫瘤細胞的DNA和患者微生物群的DNA，可以說，我們邁出了重要的一步，來更好地理解癌症中宿主-環境的相互作用。」這項研究的共同負責人、腫瘤學家Sandip Pravin Patel博士說。他相信，如果這項研究結果能經過未來的檢驗，「可能會對癌症患者的診療和癌症早診有重要影響」。 ▲《自然》同時發表了評論，對這項研究給出積極評價（圖片來源：Nature.com） 當然，作為一項早期的概念驗證研究，這種檢測方法要應用到臨床還需要做大量工作，而我們對微生物在人體中的作用、在腫瘤微環境中的作用也還有許多需要回答的問題。正如研究者所言，「這只是研究血液微生物群和癌症相互作用的開始」。但隨着新認識的積累，我們期待一條全新的治療途徑在腳下展開。 來源：cnBeta

據外媒Neowin報道，物理領域的研究受益於人工神經網絡和深度學習的興起。過去，我們已經看到它們被用於研究暗物質和大型星系。而現在科學家已經在外來粒子研究中使用了神經網絡。在歐洲核子研究組織（CERN）的大型強子對撞機（LHC）上建立的緊湊型μ子介子螺線管(CMS)上，研究人員正在使用神經網絡識別由LHC內部質子-質子碰撞產生的非典型實驗特徵。 傳統碰撞算法很難追蹤這些實驗特徵，因為碰撞產生的大部分「碎片」都是短暫的。但是神經網絡可以證明在這種情況下很有效。這是因為可以對它們進行實際數據訓練。 CMS的神經網絡已經使用這些數據進行了訓練，並將很快可以自動檢測實驗特徵。為了進行訓練，研究人員使用了通過向後傳播進行域自適應來改善在碰撞數據中觀察到的噴氣機類概率分布的仿真模型。 對神經網絡進行了訓練（在監督下），以區分由長壽命粒子的衰變所產生的稱為「射流」的粒子噴霧與更為常見的物理過程所產生的射流。 到目前為止，該模型已顯示出令人鼓舞的結果。在對粒子軌道進行分析的過程中，從長壽命粒子中正確識別出噴射流的可能性為50％，在每千次中該模型僅一次錯誤識別了常規噴射流，並顯示出較少的誤報和誤報。 CERN相信，新系統將有助於推進該機構尋找短暫和奇異顆粒的要求。有關更多信息，您可以研究在arXiv上發表的論文。 來源：cnBeta

3月7日消息，去年冬天，隨着流感季節的到來，全球各地的醫療機構都在加班加點地工作。美國疾病控制與預防中心(CDC)公布的數據現實，近幾個月來，已有超過18萬美國人住院，另有1萬人死亡，而新型冠狀病毒(現已正式命名為COVID-19)也以驚人的速度在全球蔓延。 對全球范圍內流感疫情爆發的擔憂，甚至促使2020年移動世界大會（MWC 2020）這樣的盛會，在距離開幕僅剩7天時間宣布取消。但在不久的將來，人工智能（AI）增強的藥物開發過程可以幫助以足夠快的速度生產疫苗，並找到治療方法，在致命病毒變異成全球性疫情之前阻止它們的傳播。 傳統的藥物和疫苗開發方法效率極低。研究人員可以花費近十年的時間，通過密集的試驗和糾錯技術，對每個候選分子進行詳細審查。塔夫茨藥物開發研究中心2019年的一項研究現實，開發一種藥物的平均成本為26億美元，這是2003年成本的兩倍多。而且，只有大約12%進入臨床開發階段的藥物獲得了FDA批准。 美國佐治亞大學藥學和生物醫學科學助理教授伊娃-瑪麗亞·斯特拉克博士（Eva-Maria Strauch）指出：「你繞不過FDA，後者真的需要5到10年的時間才能批准某種藥物。」然而，在機器學習系統的幫助下，生物醫學研究人員基本上可以顛覆試錯方法。研究人員可以使用AI來對大量候選化合物數據庫進行排序，並推薦最有可能有效的治療方法，而不是手動嘗試每種潛在的治療方法。 華盛頓大學計算生物學家S·約書亞·斯瓦米達斯(S.Joshua Swamidass)在2019年接受采訪時稱：「藥物開發團隊真正面臨的許多問題，不再是人們認為他們只需在腦海中整理數據就能處理的那種問題，而是必須有某種系統方式來處理大量數據、回答問題並洞察如何做事。」 例如，口服抗真菌藥物terbinafine於1996年上市，名稱為拉米非，被用於治療鵝口瘡。然而，在三年內，有多人報告了服用該藥物的不良反應。到2008年，已有3人死於肝中毒，另有70人患病。醫生發現terbinafine的一種代謝物(TBF-A)是造成肝臟損傷的原因，但當時無法弄清楚它是如何在體內產生的。 這種代謝途徑十年來始終是醫學界的一個謎，直到2018年，華盛頓大學研究生Na Le Dang訓練了一台關於代謝途徑的AI，並讓機器找出了肝臟將terbinafine分解為TBF-A的潛在途徑。事實證明，創建有毒代謝物是個兩步過程，而且這是個很難通過實驗識別的過程，但用AI強大的模式識別能力卻非常簡單。 事實上，在過去的50年里，已經有450多種藥物被從市場上撤下，其中許多藥物像拉米菲爾一樣導致肝中毒。這促使FDA推出Tox21.gov網站，這是個關於分子及其對各種重要人類蛋白質相對毒性的在線數據庫。通過在這個數據集上訓練AI，研究人員希望更快地確定潛在的治療是否會導致嚴重的副作用。 美國先進翻譯科學中心的首席信息官山姆·邁克爾（Sam Michael）幫助創建了這個數據庫，他解釋稱：「我們過去遇到過一個挑戰，本質上是，『你能提前預測這些化合物的毒性嗎？』這與我們對藥物進行小分子篩查的做法正好相反。我們不想找到匹配的藥物，我們只是想說『嘿，這種(化合物)有可能是有毒的。』」 當AI不忙於解開十年來的醫學謎團時，他們正在幫助設計一種更好的流感疫苗。2019年，澳大利亞弗林德斯大學的研究人員使用AI為開發一種普通流感疫苗提供增強效應，這樣當人體接觸到它時，就會產生更高濃度的抗體。從技術上講，研究人員並沒有「使用」AI，而是啟動它，讓它自己尋找用例路徑，因為它完全是自己在設計疫苗。 該團隊由弗林德斯大學醫學教授尼古拉·彼得羅夫斯基(Nikolai Petrovsky)領導，首先建立了AI Sam(配體搜索算法)。AI Sam接受的訓練是區分那些對流感有效和無效的分子。然後，研究小組訓練了第二個程序，以生成數萬億個潛在的化合物結構，並將這些結構反饋給AI Sam，後者開始決定它們是否有效。 然後，研究小組挑選出排名靠前的候選化合物結構，並對他們進行了物理合成。隨後的動物試驗證實，增強後的疫苗比未改進的前身更有效。最初的人體試驗於今年年初在美國開始，預計將持續12個月。如果審批過程順利，增強版疫苗可能在幾年內公開上市。對於只需要兩年(而不是正常的5-10年)就研發出來疫苗來說，這絕非壞事。 雖然機器學習系統可以比生物研究人員更快地篩選巨大的數據集，並通過更脆弱的聯系做出准確的知情估計，但在可預見的未來，人類仍將留在藥物開發循環中。畢竟，人類需要生成、整理、索引、組織和標記所有的訓練數據，並教授AI他們應該尋找的東西。 即使機器學習系統變得更有能力，當使用有缺陷或有偏見的數據時，它們仍然很容易產生次優結果，就像其他所有AI一樣。Unlearn.AI創始人兼首席執行官查爾斯·費舍爾博士(Dr.Charles Fisher)在去年11月寫道：「醫學上使用的許多數據集大多來自白人、北美和歐洲人群。如果研究人員在機器學習中只是用這樣的數據集，並發現某個生物標記物來預測對治療的反應，就不能保證該生物標記物在更多樣化的人群中發揮作用。」為了對抗數據偏見帶來的扭曲效應，費舍爾主張使用「更大的數據集、更復雜的軟件和更強大的計算機」。 另一個重要組成部分將是干淨的數據，正如Kebotix首席執行官吉爾·貝克爾博士（Jill Becker）解釋的那樣。Kebotix是2018年成立的初創公司，它將AI與機器人技術結合起來，設計和開發奇異的材料和化學品。 貝克爾博士解釋說：「我們有三個數據來源，並有能力生成我們自己的數據。我們也有自己的合成實驗室來生成數據，然後使用外部數據。」這些外部數據可以來自開放期刊或訂閱期刊，也可以來自專利和公司的研究夥伴。但貝克爾指出，無論來源如何，「我們都花了很多時間清理它。」 美國先進翻譯科學中心的首席信息官山姆·邁克爾（Sam Michael）也稱：「確保數據具有與這些模型相關聯的適當元數據是絕對關鍵的。而且這不是隨隨便便就能發生的，你必須付出真正的努力。這很難，因為這個過程既昂貴又耗時。」（選自：Engadget 作者：Andrew Tarantola 編譯：網易智能 參與：小小） 來源：cnBeta

人工智能常常被描述為一股對人類「有害」的力量。批評人士說，廣泛使用人工智能和自動化技術最終將導致數以百萬計的就業崗位消失，而埃隆·馬斯克等技術先驅則警告稱，人工智能技術存在失控風險。英媒認為，人工智能也有可能帶來非常巨大的好處。 據英國《每日電訊報》網站2月22日報道，支持者舉例稱，這項技術可以提高行車安全度，優化我們的溝通方式，並能使勞動者騰出手來、集中精力從事更重要和回報更高的工作。 近日有消息稱，人工智能在開發一種強大新型抗生素以對付世界上最危險的細菌方面發揮了核心作用，這彰顯了這項技術的另一個好處。 報道稱，對於應對正在持續的新型冠狀病毒疫情來說，麻省理工學院研究人員取得的這一突破可能出現得太晚了，但這一突破能在今後其他類似的疫情中發揮關鍵作用嗎？ 麻省理工學院對人工智能進行了專門訓練，以尋找已知能有效抑制大腸桿菌生長的潛在抗生素分子。通過讓機器學習算法在幾天內充分篩查龐大數據庫中逾1億種化合物，研究人員發現了這種分子。 初步試驗證明，這種分子能有效抑制大腸桿菌。 一些復雜細菌對傳統藥物有耐藥性。上述算法可以大大提高發現能對付這些復雜細菌的抗生素的速度。 英國帝國理工學院行為分析實驗室主任奧爾多·費薩爾博士說，這一突破基於「很棒的研究」。 費薩爾說，此前帝國理工學院曾開展類似研究，利用人工智能搜索食物化合物庫，以對付癌細胞。 這位副教授還說，即使利用人工智能發現了一種能對抗與新冠肺炎類似的疫情的抗生素，也需要開展可能耗費數月時間的嚴格臨床試驗。 他說：「這些都是偶然發現，但這是在海灘上淘金的一種極高明方式。」 費薩爾說，或許能以其他方式利用人工智能阻止病毒引發疫情。其中一種方法就是，利用人工智能實現「虛擬隔離」。一個例子是，建議倫敦某個地區的居民在某一特定時間按特定路線出行，從而更普遍地減少他們與其他人的接觸。 總部設在英國牛津的初創企業埃克賽恩希亞公司是利用人工智能幫助發現新藥的公司之一。 該公司首席執行官安德魯·霍普金斯說，由於使用了算法，未來十年，新療法從概念進入臨床試驗階段可能僅需18至24個月。 埃克賽恩希亞公司已經設計出一種治療強迫症的新化合物，在經過不到一年的最初研究階段後，這種化合物即將在實驗室中接受測試。該公司說，這比平均速度快了約4倍。 總部設在英國劍橋的希爾克斯公司也在使用類似方法，但該公司利用機器學習技術為現有藥物尋找新用途。這兩家公司均利用期刊、生物醫學數據庫和臨床試驗等來源為自己的算法提供信息，以幫助提出疾病的新治療方法。 報道稱，雖然麻省理工學院的突破還處於早期，但它確實表明了在下一次震動世界的疫情期間人工智能可能是多麼重要。 來源：cnBeta

作為科學家可以運用的最大規模的驗證科學，觀測驗證宇宙基本框架的「觀測宇宙學」逐漸成熟。「宇宙大規模結構」近年來越來越受到重視。「宇宙大規模結構」指的是各個星系交織的網狀結構，是宇宙迄今為止復雜進化史的終結狀態。利用天文望遠鏡等對其進行詳細觀察，有助於揭開影響宇宙進化的暗物質和暗能量之謎。 為了解我們所在的宇宙是什麼樣的宇宙，根據物理理論，使用超級計算機計算宇宙中各種大規模結構的演化，將其與觀測數據進行對比，是一種非常有效的手段。但是，這需要對數十萬到百萬個宇宙論模型進行精確的計算，而即使用當前可利用的最大計算資源，也很難進行如此大量的模擬。 日本京都大學基礎物理學研究所特定準教授西道啟博的研究小組，試圖利用人工智能的「機器學習」方法來解決此難題。研究小組的機器學習設備被稱為「暗模擬器」。該裝置對宇宙中暗物質成分的數量和性質等進行了各種計算，從計算得出的101個虛擬宇宙中「學習」相應關系。這樣就可以快速對新宇宙學模型預期的結果進行理論預測，而無需進行新的模擬。 「機器學習」使用的虛擬宇宙數據是日本國立天文台超級計算機「ATERUI」和「ATERUI Ⅱ」耗時3年計算出的總容量300TB（terabyte）的巨大模擬數據。 「暗模擬器」可以預測星系的空間分布和弱重力透鏡效應的實際觀察結果，誤差約為2%—3%，利用標準筆記本電腦可以在幾秒鍾內完成理論預測，從而將計算成本大大降低。 「暗模擬器」是首次在實際觀測數據上直接應用的AI工具，向利用人工智能分析宇宙大數據邁出實質性的一步，也助推了下一代終極宇宙觀測學的到來。 研究成果已刊登在近期的《天體物理學雜誌》上。（記者陳超） 來源：cnBeta

據外媒報道，自1887年以來，賓西法尼亞州龐克瑟托尼的居民一直堅信，一隻名叫Punxsutawney Phil的土撥鼠能且將能預言冬天的結束。正如在電影《土撥鼠之日》中演的那樣，每年的2月2日，Phil都會被哄着從樹樁上的家出來並出現在一群人群面前。 戴高帽子的長老們稱，如果Phil「看到了他的影子」那麼就會有六個多星期的冬天，如果沒有那麼早春就要來了。 但動物權利組織PETA表示，現在是時候讓停止恐嚇一隻無辜的齧齒動物了，相反，該組織表示，Punxsutawney Phil應該被一個使用人工智能來預測天氣的電子土撥鼠所取代。 「時代變了。傳統進化。Phil早就該退休了，」PETA總裁兼創始人Ingrid Newkirk在給Punxsutawney Groundhog俱樂部的一封信中寫道。 「通過創造一個AI菲爾，你可以保持Punxsutawney處在土撥鼠日的中心，但是以一種更進步的方式。把你所在城市的年度傳統帶向一個新鮮而創新的方向！」 PETA的核心原則之一是動物不是人們用來娛樂的。該組織認為，土撥鼠是夜間活動的動物，在野外冬眠過冬。相比之下，Punxsutawney Phil則在假日期間不睡覺、住在附屬於當地圖書館的一處住所里。 「土撥鼠作為一種獵物，會主動避開人類，」Newkirk寫道，「靠近公共場所會給這些動物帶來很大的壓力。當Phil被從洞里拖出來並面對閃爍的燈光和人群時他完全不知道發生了什麼。」 PETA執行副總裁Tracy Reiman在一份新聞聲明中說道：「溫順、脆弱的土撥鼠並不是晴雨表。」 但在接受《華盛頓郵報》采訪時，Punxsutawney Groundhog俱樂部主席Bill Deepley表示Phil受到了很好的對待並且很享受他的日常生活。他的飲食很健康、他的棲息地是受溫度控制的、他的洞穴每年都會接受農業部的檢查。「如果他那麼害怕攝像機，如果他那麼害怕我們和人群，那他為什麼不試着逃跑呢？」Deepley說道。 PETA給出的建議是，Phil應該得到一個應得的退休，土撥鼠日的傳統應該更新到21世紀。他們指出，一個電子動物齧齒動物也可以做同樣的工作，在AI的幫助下，它可以對天氣做出更准確的預測。 來源：cnBeta

機器人伴侶正被刻畫為人類漫長而又孤獨生活的靈丹妙藥。人類的未來生活或許正從這里走向拐點。 1. 在Constance Gemson把母親送到養老院後，這位92歲的老人不僅生活變得更加孤獨，頭腦也越來越糊塗。即便有兩個善良、細心的全職生活助手在全力照顧，她的所有社交需求也不能被完全滿足。 直到有一天Gemson去探望母親，並帶去了一個新幫手——一隻專為老年人設計的機器貓。它能發出呼嚕呼嚕的可愛聲音，也能用鼻子和人蹭來蹭去。「雖然它不能替代護理，」 Gemson說，「但它是我母親可以擁抱和信任的可靠朋友。」 她的母親於去年6月去世，享年95歲。 Gemson說：「當媽媽變得沮喪的時候，只要貓在她的身邊，陪着她唱歌，她心情就會平靜下來。在生命的最後幾天里，她將自己的愛意傾注給了這只機械貓。 2. 護理機器人在老人和病人的家庭中扮演着重要的作用，提供人們急需的友誼和幫助。 不斷加速的人口老齡化也助力了機器人看護業的興起。專家預計，到2050年，全球65歲及以上的人口將增加一倍以上。與此同時，許多發達國家的勞動年齡人口也在不斷減少，護理機器人正日益被視為人類老年生活的一劑良藥。 現如今，護理機器人的形態各異，而且功能齊全。可愛的桌面機器人會提醒老年人按時吃藥和定期散步；一些機器人可以將零食餵食給垂死的病人。據機器寵物製造公司稱，自2016年機器寵物首次亮相以來，美國境內已經售出了十萬多隻專為老年人設計的機器寵物。根據國際機器人聯合會(International Federation of Robotics)的數據，預計2022年前，為老年人和殘疾人設計的護理機器人的銷量將以每年25%的速度增長。 3. 對於護理機器人，我們還應該深切關注它們涉及的道德問題。因為這關乎人類的未來，也蘊含着關懷的終極意義，有關人類自由和尊嚴究竟是什麼的道德問題急需解答。這些人工智能機器人最初是為幫助老年人而設計的，而它們憑借仿真的外表和一定程度的社交能力提供幫助的同時，伴隨着道德風險。例如，奶奶的機器人寵物是會鼓勵更多的家庭對話，還是會讓她的親人遠離照顧老人的繁重工作? 塔夫茨大學(Tufts University)人機交互實驗室的負責人、機器人專家Matthias Scheutz說：「我覺得道德上真正值得懷疑的，是當在這些機器只是一個個傀儡的時候，有人卻在主推它們的社交功能。」 因為這就是道德困境開始的地方——憑借沒有靈魂的算法，我們就能使機器人眨眼、唱歌，做出各種不同的智能動作。然而無論我們為機器人加入再多的智能化動作、語言，人們也只能從中得到略顯怪誕的「關懷」。 對此，荷蘭烏得勒支大學(University of Utrecht)研究人類與機器人互動倫理的Maartje de Graaf認為，社交型機器人最理想的情況是激發人類對它們的同理心。例如，有些機器人吸塵器的主人會在他們的機器人壞掉時感到悲傷；有些人會把機器人算作家庭成員。 該領域的許多專家也注意到了護理機器人所面臨的緊張道德困境，但他們認為，好處可能大於風險。克萊姆森大學(Clemson University)的科學家 Richard Pak說，這項技術「旨在幫助老年人掌控他們的日常生活。如果這種代價在某種程度上是欺騙，也是有價值的。」但他也會時不時地懷疑自己的看法，「這樣做真的對嗎?」 目前，人們對機器人護理產生的長期影響知之甚少，而公眾對此展現出的憂慮已是甚囂塵上。在2017年的調查中，近60%的美國人表示，他們不希望使用機器人來照顧自己或家人。64%的人認為，這種照顧只會增加老年人的孤獨感。與此同時，歐盟國家60%的人贊成禁止使用機器人來照顧兒童、老人和殘疾人。這些擔憂或許將為機器人的功能設計提供一定的參考。 而直到最近，老年群體們才開始發出自己的聲音：一些老人表示願意擁有一個護理機器人，並和它成為朋友。但研究表明，也有許多老年人不喜歡機器人那裝模做樣的陪伴。他們害怕被監視和控制，更害怕因此失去人類的關愛。一位參與調查的潛在用戶則擔心，機器人看護會使一些人受到歧視，使他們被認為「不值得得到人類的陪伴」。 「當唯一的目標是製造能夠提高利潤和效率的機器時，人性就不會被優先考慮。」 人工智能倫理指南倡議的執行董事John C. Havens說。AI倫理的關鍵、它的一個主要原則就是「透明度」，即反圖靈測試。人類需要認識到他們正在和機器人互動。同時，還應該注意機器人社交功能的潛在副作用，比如「干擾人類伴侶之間的親密關系」。 類似的AI指導方針可以幫助用戶和設計師保持頭腦的清醒，從而更好地使用和設計機器人。 4. 今年上市的 「健康教練機器人」Mabu是一個典型的例子。最初，它是為心力衰竭等慢性疾病患者設計的。這款小機器人會向病人發出健康建議和餵藥提醒。在某些情況下，它還能向醫師發送用戶的身體狀況數據。Catalia公司在最初設計這個機器人時就強調，它並不是一個醫生或護士，而是一個健康護理人員。 然而，該公司經常把Mabu描繪成一個真實的人。比如，該公司的廣告就是這樣說的：「我將是你的頭號啦啦隊長！」 根據該公司的說法，現在使用Mabu的幾百人中，絕大多數都是老年人，他們平均每周只與機器人交流25分鍾。然而，公司創始人兼首席執行官Cory Kidd曾說過，有些用戶會給Mabu起名字、穿衣服，帶它們一起去度假。 我問kidd：「Mabu作為護理機器人有足夠透明度嗎？」 「要理解用戶和機器人的這種互動關系，還有很多工作要做。」他說。 一位退休的公共汽車司機，把他的Mabu視做自己的一個重要支柱。有些人則告訴我，他們認為機器人是朋友。 40歲的Kerri Hill因為心力衰竭而大部分時間呆在家里，在她獨處時， Mabu的陪伴顯得至關重要。但她不也想過多的依賴這麼一個護理機器人。「機器人只是機器人，」Hill說，「除此之外，你仍然需要真實的人際互動。」 5. 這些言論使我回想起母親生命里的最後四年，想起我為了照顧母親，不得不做出的艱難抉擇。我在撫養兩個不到6歲的孩子的同時，必須不斷評估需要雇傭多少保姆，以及我暫離母親之後她是否安全，是否會感到孤獨。 如果當時有這麼一個機器人能逗她笑、鼓勵她進食、幫助她撿起掉在地上的湯匙，這對她來說會是一種輕視麼？對我來說會是一種解脫麼？這樣會更好嗎? 照顧母親的那段日子，我承認自己過得很難，但我相信，即使當時存在這麼一個機器人，我也會選擇親力親為地去照顧她。因為我認為，在我們的生活中有這麼一個地方，需要我們用溫暖的雙手去撫慰他人的不安，提供真正的關懷。 關懷和照顧他人是一項艱難的工作，伴隨着不斷的自我質疑。我們只有對那些關心人類的機器人保持懷疑和猶豫，才能保護這類工作的人性。 秋天里的一天，我和Gemson坐在曼哈頓的一家咖啡館里。Gemson深情地談起了當年護理人員帶她母親出去吃午飯，溫柔地為她洗澡、餵飯的場景。她也真摯地回憶起了那隻機器貓。她母親去世後，她就把機器貓扔了。（選自：The New York Times作者：Maggie Jackson編譯：網易智能 參與：毅力） 來源：cnBeta

近日，據外媒報道，為迎接貝多芬誕辰250周年，一個由音樂學家和程序員組成的研究小組，正在訓練AI來續寫貝多芬未完成的《第十交響曲》。報道中指出，該研究小組正在通過貝多芬作品片段來不斷訓練算法，然後通過計算機來完成剩下的部分，最後再用人工來調整電腦的創作，使其與貝多芬的風格更貼合。 資料圖 續寫貝多芬作品研究小組負責人馬蒂亞斯·羅德說：「AI系統能在極短的時間內學到令人難以置信的音樂，並且最初的創作也有點像人類。如果你認為AI創作的並不好，它還會繼續創作，直到給你帶來驚喜。」 研究人員指出，第一個驚喜就發生在幾周前，我們很高興它取得了如此巨大的進步。他們稱，在最初的幾個月里，AI產生的結果聽上去很機械，但研究小組現在堅持認為AI的新作品將很有希望續寫《第十交響曲》。 該項目的最終結果將在明年4月28日，由一支完整的管弦樂隊演奏，作為貝多芬作品系列慶祝活動的一部分。 來源：cnBeta

據外媒The Verge報道，來自日本的科學家首次使用機器學習在秘魯的納斯卡線條（Nazca Lines）的古代圖案中發現了一個新的人形地畫。 該人形地畫據認為可以追溯到公元前100年至公元500年之間，顯示抓着拐杖或棍棒的人形形象。與納斯卡沙漠中的其他地畫一樣，它的確切功能尚不清楚，但在一條古老的小徑旁發現它意味着其可能已被用作路標。 研究小組的負責人、日本山形大學的Makato Sakai教授通過電子郵件告訴The Verge：「我們經常在該地區進行調查，但我們此前並不不知道它的存在。這是一項巨大的成就。」 山形大學在一個較大的研究項目中發現了該地畫。十多年來，該大學的考古學家結合現場勘測和航拍圖像，在沙漠中識別了142種新設計。然後，他們與來自IBM日本的研究人員合作，使用機器學習來掃描數據，以查找早期研究中遺漏的設計。這顯示了一共143條納斯卡線。其中人形地畫是研究人員首次在人工智能的幫助下發現的第一個設計。 納斯卡線占地約19平方英里，人們認為它們是由現代秘魯的納斯卡人在公元前100年左右開始製作的。在20世紀40年代首次對它們進行了詳細的研究，並在1994年將它們指定為聯合國教科文組織世界遺產時，已確定了約30條。 有兩種主要的變體，分別稱為A型和B型。A型設計較大，最大長度為370米（1200英尺），並根據附近的陶器碎片判斷，具有儀式意義。B型越來越小。它們包括AI所發現的圖形，被認為是某種導航標記。 這項工作是機器學習如何幫助科學家的另一個例子，尤其是在面對涉及大型數據集的任務時。可以訓練算法來搜索特定種類的信息，就像人類一樣，尋找模式和異常情況。構建這些工具可能很棘手，但是一旦受過訓練，這些算法就可以被用來追蹤從重力透鏡到地震的所有事物。 參與該發現的IBM日本研究員Akihisa Sakurai 在電子郵件中對The Verge表示，找到新的地理標志是一項艱巨的任務。Sakurai解釋說，問題在於，識別出不到100個地畫，而且每個地畫的形狀和大小都不同，因此很難教該算法尋找什麼。 Sakurai表示：「我們在深度學習框架中專門構建了一些技術，以學習和區分這些不同形式和大小的地畫。」 他解釋說，即使那樣，這項技術也不是完美的。該算法找到了「數百」個新地畫的候選對象，然後必須手動對其進行檢查。 在這項研究中，AI的部署不僅僅是一個完善的項目，而是一項測試。IBM和山形大學已簽署一項聯合協議，以繼續在這一領域的工作。他們的下一步是匯總10年的航拍圖像和數據，以創建有關納斯卡線條的新的、完整的圖片。Sakurai表示，這樣做「將能更好地了解製作這些地畫的人們以及他們出於什麼的目的。」 來源：cnBeta