當前位置:
首頁 > 新聞 > AI 都能替我們寫書了,我們卻還不能在太空里愉快地生活

AI 都能替我們寫書了,我們卻還不能在太空里愉快地生活

本周的技術前沿洞察又和大家見面了!在通訊、醫療、人工智慧等領域,矽谷洞察(原「矽谷密探」)為你總結了以下熱點要聞:

北美高校

·耶魯大學:能改變身體形狀的機器人應對變化的地形

在機械工程和材料科學助理教授 Rebecca Kramer-Bottiglio 帶領下,耶魯大學研究人員開發出一種可以變形以適應其路徑或環境變化的機器人。

例如,如果一個圓柱形機器人發現了一塊岩石,那麼機器人可以通過收緊其中部而呈現啞鈴形狀並越過岩石。他們的工作成果最近發表在IEEE機器人和自動化快報上。

圓柱到啞鈴狀的變形機器人是Kramer-Bottiglio從美國國家科學基金會(NSF)獲得的200萬美元四年補助金的焦點,作為NSF新興前沿的研究與創新(EFRI)計劃一部分。

機器人的核心由粘土狀物質製成,由Kramer-Bottiglio實驗室開發的兩種「機器人皮膚」包裹。 其中一種皮膚為機器人提供了滾動的機車力,另一種則將材料操縱成不同的形狀。

·伯克利團隊利用深度學習幫助退伍軍人降低自殺風險

一直以來,自殺都是美國的十大死亡原因之一,這在退伍軍人中甚至有著更高的比例,平均每天有著20-22位老兵自殺身亡。

近日,勞倫斯伯克利國家實驗室計算研究部正在利用深度學習和對電子醫療記錄的數據分析,幫助退伍軍人管理局解決這項影響眾多人生命健康的心理挑戰。研究人員希望為患者提供量身定做的自殺風險測評,並將這些結果提供給退伍軍人管理局的護理人員和患者。

作為項目的一部分,研究人員開發演算法對電子醫療記錄進行統計分析,以尋找與自殺風險相關的關鍵因素,並將深度學習方法應用於這些大型複雜數據集。研究團隊使用公開數據集包含來自波士頓一家醫院重症監護病房的約 4萬名患者的醫療記錄信息。

目前退伍軍人管理局已經收集了大約70萬名退伍軍人的醫療記錄和基因組數據,並準備將數據交給國家能源部,能源部有望使用該測評方法對數據進行分析。

想進一步了解原文的朋友可以查看以下鏈接:

https://newscenter.lbl.gov/2019/04/03/deep-learning-to-help-veterans/

實驗室

·NASA:人類想去火星?身體不允許!

馬斯克的去火星太空夢能實現嗎?《Science》本周四發了一篇 82 位學者聯合寫作的長文,通過一個著名的實驗,給了 「我們人類到底適不適合在太空生存?」 這個終極問題一個 「既不全面、也令人感到不安」 的答案:不適合。

這篇文章基於一個著名的實驗:The NASA Twin study。NASA 找了一對雙胞胎兄弟 Scott Kelly 及 Mark Kelly,其中一個人從 2015 年3月27號到2016年3月1號間在國際空間站生活,雙胞胎里另外一個人則在地球生活,兩人在此期間不間斷地提供了極大量的、多種多樣的生物數據。

(圖自 NASA,版權屬於原作者)

由於是同卵雙胞胎,兄弟倆有著完全相同的基因,因此可以完美比較太空生活對人體的影響。根據這個實驗寫成的長文在美國時間本周四出版在了 Science 雜誌上,千言萬語彙成一句話:人類目前還不適合長期在太空生存,而 「去火星」 更是顯得太過冒險。

不知道以 「去火星為己任」 的埃隆?馬斯克聽到這個新聞,會不會情緒低落?

·洛斯阿拉莫斯國家實驗室:雲伺服器使地球物理學的新研究策略成為可能

在一項開創性的工作中,地震學研究人員對亞馬遜網路服務商業雲(AWS)中的工業活動的地震簽名進行了大陸規模的調查,然後在不存儲原始數據或需要本地超級計算機的情況下快速下載結果。

(數據中心提供許多雲服務,例如各種硬體規範和操作系統的按需計算節點)

「使用傳統的工作流程,在桌面上下載 - 存儲 - 計算,這項工作將花費超過40天的時間。阿拉莫斯國家實驗室地球與環境科學部門的Jonathan MacCarthy表示,使用雲服務需要不到7個小時。 「據我們所知,這是基於雲的流媒體研究在地震學中的首次應用。」

MacCarthy指出,雖然洛斯阿拉莫斯擁有多台超級計算機甚至是量子計算機,但探索實現科學的新選擇始終是國家實驗室能力的一部分。

·AI能寫書了,而且還出了一本教科書!

學術科學出版商Springer Nature在本周發布了第一本完全由機器學習演算法編寫的書。這本書的標題是《鋰離子電池:機器生成的當前研究》,這是一本關於鋰電子電池同行評審論文的摘要書籍,包括引文、引用作品的超鏈接以及自動生成的參考內容等幾大部分。

該書的作者為Beta Writer,這是一種由德國歌德大學的科學家設計的演算法。根據出版社說法,為了寫這本書,Beta Writer在Springer擁有的學術期刊上對超過53000份關於鋰離子電池的文章進行研究、分析,並提取了最相關的信息。

(該書本的封面,圖片來自Springer Nature,版權屬於原作者)

在該書的摘要中寫到:這本書展示了人工智慧如何幫助科學家掌握最新的研究成果——而且演算法現在能夠回顧大量的文獻,並自己選擇最重要的細節了。

雖然這本書的內容很複雜,但它的出現被認為是令人興奮。正如 Springer Nature的大數據產品總監Henning Schoenenberger在介紹中寫道,這樣的書籍有可能通過自動化來承擔苦差事,從而開啟「科學出版的新時代」。

·新型袖珍天線能彌補傳統無線電不靈的極端環境地區

美國能源部旗下的SLAC 國家加速器實驗室(Department of Energy』s SLAC National Accelerator Laboratory),近期開發出了一種新型的袖珍天線,這種體積小、很輕便的天線可以在傳統無線電無法工作的情況下(例如在水下,地下、和非常長的空中距離)實現移動通訊。

該裝置發射波長為數十至數百英里的極低頻(VLF)輻射。這些波在地平線上長距離傳播,可以穿透阻擋波長較短的無線電波的環境。雖然今天最強大的VLF技術需要巨大的發射器,但這種新型袖珍天線卻只有約 10 厘米高,因此它可能用於需要高機動性的任務,比如救援和防禦任務。

(圖自SLAC National Accelerator Laboratory,版權屬於原作者)

我們平時生活里用的無線電廣播、雷達、導航系統等通訊手段都是通過無線電波實現的。無線電波分為兩大種:短波和長波。短波信號 「後勁」 不足,距離一長信號就會減弱,也無法穿透水、岩石、土地等介質。而長波 「後勁」 很足,也可以穿透這些介質,但它通常需要巨大的、重量可達數百千克的發射器,限制了它們的應用場景。

這款新天線則向解決這個問題邁出了一大步,別看它尺寸小巧、重量輕便,但功能很強大:研究人員在從發射器向 100英尺外(約 30.5米)的接收器發送信號的測試中,該設備產生的 VLF 輻射效率比之前的緊湊型天線高出足足 300 倍,並且帶寬幾乎是前者帶寬的 100 倍。

企業

·Facebook AI團隊開源PBG

近日,Facebook AI團隊開源了PyTorch-BigGraph(PBG),這是一種可以更快更輕鬆地為大型圖(Big Graph)生成圖嵌入的工具。

使用PBG,任何人都可以在一台機器或多台並行機器的幫助下將大型圖生成高質量的嵌入。 PBG是用PyTorch編寫的,研究人員和工程師可以輕鬆切換自己的損失函數、模型和其他參數。除此之外,PBG還可以計算梯度並自動擴展。

Facebook AI團隊表示,傳統的圖嵌入方法不能很好地擴展,並且不能在由數十億個節點和邊緣組成的大型圖上運行。此外,許多圖超出了伺服器的內存容量,從而給嵌入系統帶來了問題。但是,PBG有助於防止這個問題。

Facebook AI團隊希望,PBG對於那些擁有大型圖數據集卻沒有相關的機器學習工具來處理的小公司和組織來說,是一個有用的工具。他們希望PBG可以鼓勵從業者發布和試驗更大的數據集。

關於PBG的技術解析,可訪問以下鏈接:https://ai.facebook.com/blog/open-sourcing-pytorch-biggraph-for-faster-embeddings-of-extremely-large-graphs/

·谷歌推出Cloud Code,助力雲原生應用程序開發

谷歌近日推出一組適用於 IntelliJ 和 Visual Studio Code 等流行開發環境(IDE)的插件 Cloud Code,有望使構建雲原生應用程序的過程更易於操作。開發人員依舊可如往常一般繼續開發代碼,而 Cloud Code 將會協助處理將其轉換為雲原生應用程序(Cloud Native)的其餘所有步驟。

(IntelliJ 的 Cloud Code 通過運行配置將應用程序連續部署到 Kubernetes)

對開發者而言,軟體開發的核心工具是IDE。但IntelliJ 和 Visual Studio Code等高效的IDE往往只適合本地應用程序開發。

當開發雲應用程序時,這可能會存在問題。因為,本地和雲環境(生產環境)並不完全相同,構建容器本身又存在一些挑戰,這可能就會導致開發後期出現問題。

因此,谷歌決定發布 Cloud Code。Cloud Code 擴展了 VS Code 和 IntelliJ,為 IDE 開發雲原生 Kubernetes 應用程序提供各種開發便利。從此,程序員無需安裝初始設備,即可在雲上專註開發程序。

用於語音建模的高效分散式學習:IBM新技術可將AI語音識別培訓時間從一周縮短到11小時

智能語音助手雖然給我們的生活帶來的便利,但是在技術上對它們的訓練,往往需要花費很多時間,且不可規模化。

比如,訓練像Apple的Siri、Google智能助理、或亞馬遜的Alexa這樣的自動語音識別(ASR)系統時,我們就需要先用複雜的編碼系統將語音轉換為深度學習系統和解碼系統可理解的內容,再最終將其輸出轉換為人類可讀的文本。這樣的訓練需要很大的模型,也從而使得大規模的培訓更加困難。

IBM在一篇新發表的論文《用於自動語音識別的分散式深度學習策略》中提出了一種分散式處理架構,該架構可以在保證準確性的基礎上,實現15倍的訓練加速。

集中式分散式學習架構(左)和分散式分散式學習架構(右)

論文的作者表示,該系統會被部署在包含多個顯卡的系統上,使得總培訓時間從原本的幾周減少到幾天。這種被稱為「非同步分散並行隨機梯度下降(ADPSGD)」的分散式深度學習技術可以將ASR的作業運行時間從「在單個V100 GPU上運行一周」縮短到「在32-GPU系統上運行11.5小時」。

使用這種分散式深度學習技術後,研究人員可以在半天內完成對語音系統的培訓,並在此基礎上快速迭代開發新的演算法。

看了本期技術前沿洞察,你有哪些感想?歡迎在評論區留言交流!想看到更多關於哪些技術的進展?也歡迎告訴我們!


喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 矽谷密探 的精彩文章:

製藥公司在新興市場的下一步計劃是什麼?
文化——傑斐遜健康公司數據驅動轉型的關鍵因素

TAG:矽谷密探 |