AI篩查自閉症起源突變基因，還能解鎖你的藝術細胞？

矽谷Live / 實地探訪 /熱點探秘/ 深度探討

大家好，又到了一周一次的科技前沿探索啦。上周小探就在後台看到有小夥伴說，希望多看看美國高校們在搗鼓什麼前沿科技，當然沒問題！今天，小探帶你從MIT到斯坦福，從人工智慧到太空探索，一一來看高校、大公司們最近又在搗騰什麼高科技吧！

美國高校

麻省理工學院：AI如何與產業結合？學生腦洞大開：

近日，麻省理工學院就進行了一場學生課題項目展示活動。這些項目分別來自5個學院的本科生、研究生、博士以及博士後，他們將人工智慧技術與感興趣的產業領域結合，探討和展示了許多頗有意義的解決方案。小探就精選了其中一些亮點項目帶大家來看看：

1、用AI篩查自閉症起源的突變基因

自閉症被認為具有強大的遺傳基礎，但引發疾病的基因突變卻很少被找到。麻省理工學院的研究人員與波士頓兒童醫院、哈佛醫學院合作，利用人工智慧探索自閉症的隱藏起源。

MIT研究生 Maxwell Sherman 分別與 MIT、哈佛大學教授 Bonnie Berger 和 Po-Ru Loh 合作，幫助開發了一種演算法，用於檢測以前未發現的自閉症患者帶有的基因突變。這些突變會導致某些細胞攜帶過多或過少的 DNA。

研究小組發現，高達1％的自閉症患者會攜帶這些突變，而這種廉價的消費者基因測試只需要用唾液樣本就可以檢測到它們。研究人員表示，每年將會有數百名攜帶這些突變且存在自閉症風險的美國兒童以這種方式被識別出來。

2、用於可持續經濟建築的AI

沒想到吧，建築也可以跟AI搭上關係。

我們都知道，當勞動力便宜時，建築物的設計傾向使用更少更精的材料，但隨著勞動力成本的增加，設計選擇轉向低效但易於建造的建築物。這也是為什麼 MIT 研究生 Mohamed Ismail 認為，今天世界上許多人都喜歡用標準化鋼筋混凝土建造建築物的原因。

目前，Ismail 與 MIT 建築系副教授 Caitlin Mueller 正在使用計算工具來減少印度的鋼筋混凝土建築物的數量，並與總部位於新德里的非營利組織 TARA 合作。這項工作包括計算出一個建築物隨著形狀設計的變化能承受多少負荷。

據了解，Ismael 和 Mueller 開發了一種優化演算法來計算可以最大化效率並實現設計元素的形狀。鋼筋混凝土的混合特性，也就是液體和固體，脆性和韌性的特點，是他們必須克服的挑戰。Ismael 表示，一般只需要1個小時，就可以給出 TARA 一個全新的設計方案。

3、讓深度學習工具解鎖你內在的藝術細胞

有研究表明，具有創造力的人會更善於適應老齡的挑戰。但你可能會覺得，並不是每個人都這麼有創造力，能與內心的藝術家保持聯繫啊！

MIT Media Lab的研究生 Guillermo Bernal 也有同樣感覺：不少人認為自己是會計師，或者從事商務工作，並不認為自己是個有創意的人。於是，他開始思考，如果我們可以利用深度學習模型來幫助人們探索他們的創造力呢？

Bernal 與 Media Lab 教授 Pattie Maes 合作，開發了 Paper Dreams——一種互動式故事講述工具，它使用可生成模型為用戶提供靈感。比如說，Paper Dreams 會在你做設計的時候，提醒你這些圖景可以如何延展，並且給出顏色、紋理和新意象的建議。

「當你做設計的時候，看到圖畫和顏色是實時演變的，這是一種神奇的體驗」，Bernal表示，他正在探索使這個平台能被更多人使用的方法。

（MIT曾經的藝術項目——AI作畫）

想了解更多 MIT 學生大開腦洞的項目，可以訪問下面網址：

http://news.mit.edu/2019/mit-showcases-students-combining-ai-with-passions-0307

斯坦福大學：探究如何將外太空資源用於人類

當人類進入太空探險時，通常需要把所需物品都從地球帶上去。這給太空探索增加了大量的成本和複雜性，並且也給太空飛船可以到達的距離帶來了局限。

為了給太空探索減輕負擔，斯坦福大學的研究人員正在探索，如何利用太空環境自身的資源，來為太空船提供資源。

斯坦福大學航空航天教授 Sigrid Close 帶領的空間環境與衛星系統實驗室主導了這項研究。當然，他們並不是想從太空環境中挖掘食物和水，而是專註於利用等離子體。等離子是圍繞行星和小行星的氣態帶電粒子的集合。這群研究人員認為，等離子體可以為遠距離航天器提供動力，或者提供一種新尋找可開採的小行星的方法，從而為人類在地球上和太空中的活動提供材料。

研究人員的一個想法是用等離子體為航天器或其子系統提供動力。隨著宇宙飛船航行遠離太陽，它們將逐漸不能依賴太陽能。但是經過某些行星，如木星和土星時，飛船會被更高密度的等離子體所包圍，併產生負電荷。研究人員希望，他們可以捕獲這些電荷，以便在離開太陽系的途中為太空船提供動力。如果這種方法有效，人類的太空任務類型將被擴展。例如，模塊化衛星在外太空將能承擔的任務會比現在多得多。

想了解更多細節，可以查看學校的相關報道：

https://news.stanford.edu/2019/03/05/making-environment-outer-space-work-us/

康奈爾大學：讓機器人模仿動物從水中躍出

3月6日，康奈爾大學在《皇家學會界面雜誌》上發表了一項新研究，描述了動物如橈足類（一種甲殼動物）動物、青蛙、魚類、海豚和鯨魚等，從水中飛躍到空氣中所需的模式和參數——鑒於水的密度是空氣密度的1000倍，這是非常具有挑戰性的任務。

（虎鯨躍出水面）

為了試驗這些飛躍，研究人員創造了一個簡單的跳水機器人。但機器人也有實際應用：例如，如果配備了檢測污水的感測器，浸入式設備可以在觸發時跳躍，並發送信號通知水管理員污染區域。與通過水發送信號相比，通過空氣發送信號更有效，更便宜，並且不需要大型設備來超越空氣和水的界面。

「我們的主要目的是試圖了解動物在自然界中的表現」，康奈爾生物與環境工程副教授 Sunghwan Jung 說。 「動物已經進化了數百萬年，以優化其行為並最大限度地提高其表現。 從那裡，我們可以學習如何設計產品或工程系統以更好地執行。」

你別說，好像人就真的挺難躍出水面的……對吧……

想了解更多相關信息，可以點擊以下網址：

http://news.cornell.edu/stories/2019/03/robot-biomimics-animals-leaping-water

CMU：開設區塊鏈課程，讓學生設計、發布並校內流通虛擬貨幣

卡內基梅隆大學最新開設了一門課程，讓學生可以用區塊鏈技術來解決實際問題，包括設計加密貨幣CMU Coin，在校內流通。

這門課程由來自商學院、計算機學院、信息系統與公共政策學院的教師共同開設。課程的內容，強調區塊鏈解決方案背後的經濟性，以及關於如何實施區塊鏈解決方案的實踐知識的學習。而課程的目標是讓學生思考並提出基於 CMU Coin 的應用，並為 CMU Coin 提升價值。CMU Coin由卡內基.梅隆大學的金融服務創新中心推出。

讀者中有沒有CMU參與校園發幣的大神，來給小探說說？

耶魯大學專家開發APP解決阿片類藥物成癮問題

由於阿片類藥物過量（例如嗎啡和海洛因）繼續對人類造成損失，導致2017年47,600人死亡，世界衛生組織估計全球每年有6.9萬人死於阿片類藥物過量。研究人員正繼續尋求創新的危機解決方案，這次是攜手科技。

耶魯大學醫學助理教授 David Rosenthal 帶領學生 Josh Feler 和 Patrick Liu，與耶魯精神病學家 Theddeus Iheanacho 合作，聯合開發了一個工具，可以幫助個體阿片類藥物使用者採取最重要的抗毒癮策略之一：藥物治療。

這款名為 BUP Home Induction 的免費手機 APP 可以幫助患者在服用丁丙諾啡的前三天（被稱為誘導期）獲得適當劑量的指導。

最初，該應用程序要求用戶檢查癥狀以確保他們已開始戒斷並準備啟動藥物。在這三天的過程中，患者可以閱讀有關如何服用藥物的詳細信息然後記錄它們的劑量。 到第三天，他們應該就達到最佳劑量。

感興趣的小夥伴，可以查看下面鏈接：

https://news.yale.edu/2019/03/06/yale-experts-develop-new-free-app-tackle-opioid-addiction

海外高校

蘇黎世聯邦理工學院：用更少的標籤訓練圖像生成AI

生成 AI 模型傾向於學習複雜的數據分布，這就是為什麼它們擅長於生成類似人類的語言和漢堡、人臉這樣的圖像。但是，訓練這些模型需要大量標記數據，並且根據手頭的任務，必要的語料庫有時會供不應求。

蘇黎世聯邦理工學院（ETH Zurich）和谷歌研究人員最近在 Arxiv.org 上發表了一篇論文《使用較少標籤生成高保真圖像》中，論文中描述了一個「語義提取器」，它可以從訓練數據中提取特徵，以及從一小部分標籤中為整個訓練推斷標籤的方法。研究人員認為，這些自我和半監督技術可以勝過像 ImageNet 這樣的流行基準測試。

(AI用新方法訓練生成的圖片樣本）

簡而言之，該論文的作者解釋說，他們不是向鑒別器提供圖像的手工注釋的真實標籤，而是提供推斷的標籤。未來，研究人員希望研究這些技術如何應用於「更大」和「更多樣化」的數據集。

大公司

說完海外高校來看看大公司技術動態，本周谷歌諸多動態，趕緊看下去！

谷歌發布千元級TPU晶元，TensorFlow更換Logo推出2.0最新版

本月6號，谷歌一年一度的TensorFlow開發者大會在矽谷舉行。會上，谷歌發布了兩款 AI 硬體：售價僅千元搭載著 TPU 的開發板 Coral；可以為 Linux 機器學習推理加速的計算棒。它倆取代軟體，成了本次發布會的主角。

(Coral開發板)

Coral開發板（Coral Dev Board）是一款售價150美元（摺合人民幣約1000元）的小型計算機，具有可拆卸的模塊化系統和一個定製的 TPU 晶元，類似於樹莓派。

Coral中的 Edge-TPU 尺寸大約只有一枚硬幣的1/4，擁有 1GB 的 LPDDR4 內存和 8GB 的eMMC 存儲，安裝 Mendel 版 Linux 或者 Android，可以進行本地的離線運算。它不訓練機器學習模型，而只是用 TensorFlow Lite 進行推理預測，因此比全棧框架更節能。

(Coral USB加速器）

同時，谷歌還發布了一款 Coral USB 加速器，體內同樣包含一顆 Edge TPU，可以在任何64位 ARM 或 x86 平台的 Debian Linux 上運行。Coral USB 加速器售價75美元，可以加速樹莓派和 Linux 系統的機器學習推理。

谷歌開源大規模神經網路模型高效訓練庫GPipe

深度神經網路（DNN）帶來許多機器學習任務的實現，包括語音識別，視覺識別和語言處理。最近的 BigGAN 模型 ，Bert 模型、GPT2.0 的進展顯示，越來越大的 DNN 模型可以帶來更好的任務性能，然而，在同一時期，GPU 內存僅增加了約3倍，而且當前最先進的圖像模型已經達到了在雲TPUv2 上的可用內存的上限。

因此，行業迫切需要高效、可擴展的基礎設施，以實現大規模深度學習並克服當前加速器的內存限制。

谷歌近日發表論文，《GPipe：使用管道並行性的高效神經網路訓練》，展示了使用管道並行（pipeline parallelism）來擴展深度神經網路訓練，以克服這一限制。 GPipe是一個分散式機器學習庫，它使用同步隨機梯度下降法（synchronous stochastic gradient descent）和管道並行pipeline parallelism）進行訓練，適用於由多個連續層組成的任何DNN。

重要的是，GPipe 允許研究人員輕鬆部署更多加速器來訓練更大的模型，並在不調整超參數的情況下擴展性能。為了證明 GPipe 的有效性，谷歌的研究人員在 Google Cloud TPUv2s 上訓練了一個具有 5.57 億模型參數、 480 x 480 輸入圖像尺寸的 AmoebaNet-B。該模型在多個流行數據集上表現良好，取得的成就包括：single-crop ImageNet 的精確度提高至 84.3％、 CIFAR-10 的精確度提高至 99％、CIFAR-100 的精確度提高至 91.3％。

核心 GPipe 庫已在 Lingvo 框架下進行開源，感興趣的小夥伴可以點擊查看：https://github.com/tensorflow/lingvo/blob/master/lingvo/core/gpipe.py

本周技術前沿動態就到這啦，大家對哪個技術印象最深刻呢？還對什麼技術動態感興趣？歡迎告訴小探！我們下周同一時間見！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！