機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的研究，現(xiàn)在幾乎是每個(gè)行業(yè)和公司的關(guān)鍵技術(shù)，對(duì)于任何人來(lái)說(shuō)都太龐大了，無(wú)法全部閱讀。本專(zhuān)欄，Perceptron（以前稱(chēng)為Deep Science），旨在收集一些最相關(guān)的最新發(fā)現(xiàn)和論文 - 特別是在但不限于人工智能方面 - 并解釋為什么它們很重要。

本周在人工智能領(lǐng)域，格拉斯哥大學(xué)的一個(gè)工程師團(tuán)隊(duì)開(kāi)發(fā)了“人造皮膚”，可以學(xué)習(xí)體驗(yàn)?zāi)M疼痛并對(duì)模擬疼痛做出反應(yīng)。在其他地方，DeepMind的研究人員開(kāi)發(fā)了一種機(jī)器學(xué)習(xí)系統(tǒng)，可以預(yù)測(cè)足球運(yùn)動(dòng)員在球場(chǎng)上的位置，而來(lái)自香港中文大學(xué)（CUHK）和清華大學(xué)的小組則創(chuàng)建了可以生成逼真的人體模型照片甚至視頻的算法。

根據(jù)一份新聞稿，格拉斯哥團(tuán)隊(duì)的人造皮膚利用了一種基于“突觸晶體管”的新型處理系統(tǒng)，旨在模仿大腦的神經(jīng)通路。晶體管由印刷在柔性塑料表面上的氧化鋅納米線制成，連接到記錄電阻變化的皮膚傳感器。

雖然以前已經(jīng)嘗試過(guò)人造皮膚，但該團(tuán)隊(duì)聲稱(chēng)他們的設(shè)計(jì)不同之處在于，它使用內(nèi)置于系統(tǒng)中的電路來(lái)充當(dāng)“人造突觸” - 將輸入減少到電壓尖峰。這加快了處理速度，并允許團(tuán)隊(duì)通過(guò)設(shè)置輸入電壓閾值來(lái)“教”皮膚如何對(duì)模擬疼痛做出反應(yīng)，該閾值的頻率根據(jù)施加在皮膚上的壓力水平而變化。

該團(tuán)隊(duì)看到皮膚被用于機(jī)器人技術(shù)，例如，它可以防止機(jī)械臂接觸到危險(xiǎn)的高溫。

與機(jī)器人技術(shù)密切相關(guān)的是，DeepMind聲稱(chēng)已經(jīng)開(kāi)發(fā)了一種AI模型Graph Imputer，該模型可以使用僅一部分球員的攝像頭記錄來(lái)預(yù)測(cè)足球運(yùn)動(dòng)員的移動(dòng)位置。更令人印象深刻的是，該系統(tǒng)可以在攝像機(jī)視野之外對(duì)球員進(jìn)行預(yù)測(cè)，使其能夠相當(dāng)準(zhǔn)確地跟蹤場(chǎng)上大多數(shù)（如果不是全部）球員的位置。

Graph Imputer并不完美。但DeepMind的研究人員表示，它可以用于建模球場(chǎng)控制等應(yīng)用，或者球員在給定位置控制球的概率。（一些領(lǐng)先的英超球隊(duì)在比賽期間以及賽前和賽后分析中使用球場(chǎng)控制模型。除了足球和其他體育分析之外，DeepMind預(yù)計(jì)Graph Imputer背后的技術(shù)將適用于道路行人建模和體育場(chǎng)館人群建模等領(lǐng)域。

雖然人造皮膚和運(yùn)動(dòng)預(yù)測(cè)系統(tǒng)令人印象深刻，但可以肯定的是，照片和視頻生成系統(tǒng)正在快速發(fā)展。顯然，有像OpenAI的Dall-E 2和Google的Imagen這樣的高調(diào)作品。但看看由香港中文大學(xué)多媒體實(shí)驗(yàn)室開(kāi)發(fā)的Text2Human，它可以將“這位女士穿著純色圖案的短袖T恤，短裙和牛仔裙”這樣的標(biāo)題翻譯成一張實(shí)際上不存在的人的照片。

清華大學(xué)與北京人工智能研究院合作，創(chuàng)建了一個(gè)名為CogVideo的雄心勃勃的模型，可以從文本中生成視頻剪輯（例如，“一個(gè)滑雪的人”，“一只獅子正在喝水”）。這些片段充滿了偽像和其他視覺(jué)怪異，但考慮到它們完全是虛構(gòu)的場(chǎng)景，很難批評(píng)得太嚴(yán)厲。

機(jī)器學(xué)習(xí)通常用于藥物發(fā)現(xiàn)，其中文獻(xiàn)和理論中出現(xiàn)的近乎無(wú)限的分子需要經(jīng)過(guò)分類(lèi)和表征，以找到潛在的有益效果。但是數(shù)據(jù)量如此之大，誤報(bào)的成本可能如此之高（追逐潛在客戶的成本高昂且耗時(shí)），即使99%的準(zhǔn)確性也不夠好。對(duì)于未標(biāo)記的分子數(shù)據(jù)尤其如此，到目前為止，大部分?jǐn)?shù)據(jù)都是如此（與多年來(lái)手動(dòng)研究的分子相比）。

CMU研究人員一直在努力創(chuàng)建一個(gè)模型，通過(guò)訓(xùn)練它來(lái)對(duì)數(shù)十億個(gè)未表征的分子進(jìn)行分類(lèi)，使其在沒(méi)有任何額外信息的情況下理解它們。它通過(guò)對(duì)（虛擬）分子的結(jié)構(gòu)進(jìn)行微小的改變來(lái)實(shí)現(xiàn)這一點(diǎn)，例如隱藏原子或去除鍵，并觀察所得分子如何變化。這讓它了解了這些分子如何形成和行為的內(nèi)在特性，并導(dǎo)致它在測(cè)試數(shù)據(jù)庫(kù)中識(shí)別有毒化學(xué)物質(zhì)方面優(yōu)于其他AI模型。

分子特征也是診斷疾病的關(guān)鍵 - 兩名患者可能表現(xiàn)出相似的癥狀，但仔細(xì)分析他們的實(shí)驗(yàn)室結(jié)果顯示他們有非常不同的條件。當(dāng)然，這是標(biāo)準(zhǔn)的篡改做法，但隨著來(lái)自多個(gè)測(cè)試和分析的數(shù)據(jù)堆積起來(lái)，很難跟蹤所有的相關(guān)性。慕尼黑工業(yè)大學(xué)正在研究一種臨床元算法，該算法集成了多個(gè)數(shù)據(jù)源（包括其他算法），以區(qū)分具有相似表現(xiàn)的某些肝臟疾病。雖然這樣的模型不會(huì)取代醫(yī)生，但它們將繼續(xù)幫助解決不斷增長(zhǎng)的數(shù)據(jù)量，即使是專(zhuān)家也可能沒(méi)有時(shí)間或?qū)I(yè)知識(shí)來(lái)解釋這些數(shù)據(jù)。