硅谷Live / 实地探访 / 热点探秘 / 深度探讨
本周的技术前沿洞察又和大家见面了!在通讯、医疗、人工智能等领域,硅谷洞察(原“硅谷密探”)为你总结了以下热点要闻:
北美高校
耶鲁大学:能改变身体形状的机器人应对变化的地形
在机械工程和材料科学助理教授 Rebecca Kramer-Bottiglio 带领下,耶鲁大学研究人员开发出一种可以变形以适应其路径或环境变化的机器人。
例如,如果一个圆柱形机器人发现了一块岩石,那么机器人可以通过收紧其中部而呈现哑铃形状并越过岩石。他们的工作成果最近发表在IEEE机器人和自动化快报上。
圆柱到哑铃状的变形机器人是Kramer-Bottiglio从美国国家科学基金会(NSF)获得的200万美元四年补助金的焦点,作为NSF新兴前沿的研究与创新(EFRI)计划一部分。
机器人的核心由粘土状物质制成,由Kramer-Bottiglio实验室开发的两种“机器人皮肤”包裹。 其中一种皮肤为机器人提供了滚动的机车力,另一种则将材料操纵成不同的形状。
伯克利团队利用深度学习帮助退伍军人降低自杀风险
一直以来,自杀都是美国的十大死亡原因之一,这在退伍军人中甚至有着更高的比例,平均每天有着20-22位老兵自杀身亡。
近日,劳伦斯伯克利国家实验室计算研究部正在利用深度学习和对电子医疗记录的数据分析,帮助退伍军人管理局解决这项影响众多人生命健康的心理挑战。研究人员希望为患者提供量身定做的自杀风险测评,并将这些结果提供给退伍军人管理局的护理人员和患者。
作为项目的一部分,研究人员开发算法对电子医疗记录进行统计分析,以寻找与自杀风险相关的关键因素,并将深度学习方法应用于这些大型复杂数据集。研究团队使用公开数据集包含来自波士顿一家医院重症监护病房的约 4万名患者的医疗记录信息。
目前退伍军人管理局已经收集了大约70万名退伍军人的医疗记录和基因组数据,并准备将数据交给国家能源部,能源部有望使用该测评方法对数据进行分析。
想进一步了解原文的朋友可以查看以下链接:
https://newscenter.lbl.gov/2019/04/03/deep-learning-to-help-veterans/
实验室
NASA:人类想去火星?身体不允许!
马斯克的去火星太空梦能实现吗?《Science》本周四发了一篇 82 位学者联合写作的长文,通过一个著名的实验,给了 “我们人类到底适不适合在太空生存?” 这个终极问题一个 “既不全面、也令人感到不安” 的答案:不适合。
这篇文章基于一个著名的实验:The NASA Twin study。NASA 找了一对双胞胎兄弟 Scott Kelly 及 Mark Kelly,其中一个人从 2015 年3月27号到2016年3月1号间在国际空间站生活,双胞胎里另外一个人则在地球生活,两人在此期间不间断地提供了极大量的、多种多样的生物数据。
(图自 NASA,版权属于原作者)
由于是同卵双胞胎,兄弟俩有着完全相同的基因,因此可以完美比较太空生活对人体的影响。根据这个实验写成的长文在美国时间本周四出版在了 Science 杂志上,千言万语汇成一句话:人类目前还不适合长期在太空生存,而 “去火星” 更是显得太过冒险。
不知道以 “去火星为己任” 的埃隆•马斯克听到这个新闻,会不会情绪低落?
洛斯阿拉莫斯国家实验室:云服务器使地球物理学的新研究策略成为可能
在一项开创性的工作中,地震学研究人员对亚马逊网络服务商业云(AWS)中的工业活动的地震签名进行了大陆规模的调查,然后在不存储原始数据或需要本地超级计算机的情况下快速下载结果。
(数据中心提供许多云服务,例如各种硬件规范和操作系统的按需计算节点)
“使用传统的工作流程,在桌面上下载 - 存储 - 计算,这项工作将花费超过40天的时间。阿拉莫斯国家实验室地球与环境科学部门的Jonathan MacCarthy表示,使用云服务需要不到7个小时。 “据我们所知,这是基于云的流媒体研究在地震学中的首次应用。”
MacCarthy指出,虽然洛斯阿拉莫斯拥有多台超级计算机甚至是量子计算机,但探索实现科学的新选择始终是国家实验室能力的一部分。
AI能写书了,而且还出了一本教科书!
学术科学出版商Springer Nature在本周发布了第一本完全由机器学习算法编写的书。这本书的标题是《锂离子电池:机器生成的当前研究》,这是一本关于锂电子电池同行评审论文的摘要书籍,包括引文、引用作品的超链接以及自动生成的参考内容等几大部分。
该书的作者为Beta Writer,这是一种由德国歌德大学的科学家设计的算法。根据出版社说法,为了写这本书,Beta Writer在Springer拥有的学术期刊上对超过53000份关于锂离子电池的文章进行研究、分析,并提取了最相关的信息。
(该书本的封面,图片来自Springer Nature,版权属于原作者)
在该书的摘要中写到:这本书展示了人工智能如何帮助科学家掌握最新的研究成果——而且算法现在能够回顾大量的文献,并自己选择最重要的细节了。
虽然这本书的内容很复杂,但它的出现被认为是令人兴奋。正如 Springer Nature的大数据产品总监Henning Schoenenberger在介绍中写道,这样的书籍有可能通过自动化来承担苦差事,从而开启“科学出版的新时代”。
新型袖珍天线能弥补传统无线电不灵的极端环境地区
美国能源部旗下的SLAC 国家加速器实验室(Department of Energy’s SLAC National Accelerator Laboratory),近期开发出了一种新型的袖珍天线,这种体积小、很轻便的天线可以在传统无线电无法工作的情况下(例如在水下,地下、和非常长的空中距离)实现移动通讯。
该装置发射波长为数十至数百英里的极低频(VLF)辐射。这些波在地平线上长距离传播,可以穿透阻挡波长较短的无线电波的环境。虽然今天最强大的VLF技术需要巨大的发射器,但这种新型袖珍天线却只有约 10 厘米高,因此它可能用于需要高机动性的任务,比如救援和防御任务。
(图自SLAC National Accelerator Laboratory,版权属于原作者)
我们平时生活里用的无线电广播、雷达、导航系统等通讯手段都是通过无线电波实现的。无线电波分为两大种:短波和长波。短波信号 “后劲” 不足,距离一长信号就会减弱,也无法穿透水、岩石、土地等介质。而长波 “后劲” 很足,也可以穿透这些介质,但它通常需要巨大的、重量可达数百千克的发射器,限制了它们的应用场景。
这款新天线则向解决这个问题迈出了一大步,别看它尺寸小巧、重量轻便,但功能很强大:研究人员在从发射器向 100英尺外(约 30.5米)的接收器发送信号的测试中,该设备产生的 VLF 辐射效率比之前的紧凑型天线高出足足 300 倍,并且带宽几乎是前者带宽的 100 倍。
企业
Facebook AI团队开源PBG
近日,Facebook AI团队开源了PyTorch-BigGraph(PBG),这是一种可以更快更轻松地为大型图(Big Graph)生成图嵌入的工具。
使用PBG,任何人都可以在一台机器或多台并行机器的帮助下将大型图生成高质量的嵌入。 PBG是用PyTorch编写的,研究人员和工程师可以轻松切换自己的损失函数、模型和其他参数。除此之外,PBG还可以计算梯度并自动扩展。
Facebook AI团队表示,传统的图嵌入方法不能很好地扩展,并且不能在由数十亿个节点和边缘组成的大型图上运行。此外,许多图超出了服务器的内存容量,从而给嵌入系统带来了问题。但是,PBG有助于防止这个问题。
Facebook AI团队希望,PBG对于那些拥有大型图数据集却没有相关的机器学习工具来处理的小公司和组织来说,是一个有用的工具。他们希望PBG可以鼓励从业者发布和试验更大的数据集。
关于PBG的技术解析,可访问以下链接:https://ai.facebook.com/blog/open-sourcing-pytorch-biggraph-for-faster-embeddings-of-extremely-large-graphs/
谷歌推出 Cloud Code,助力云原生应用程序开发
谷歌近日推出一组适用于 IntelliJ 和 Visual Studio Code 等流行开发环境(IDE)的插件 Cloud Code,有望使构建云原生应用程序的过程更易于操作。开发人员依旧可如往常一般继续开发代码,而 Cloud Code 将会协助处理将其转换为云原生应用程序(Cloud Native)的其余所有步骤。
(IntelliJ 的 Cloud Code 通过运行配置将应用程序连续部署到 Kubernetes)
对开发者而言,软件开发的核心工具是IDE。但IntelliJ 和 Visual Studio Code等高效的IDE往往只适合本地应用程序开发。
当开发云应用程序时,这可能会存在问题。因为,本地和云环境(生产环境)并不完全相同,构建容器本身又存在一些挑战,这可能就会导致开发后期出现问题。
因此,谷歌决定发布 Cloud Code。Cloud Code 扩展了 VS Code 和 IntelliJ,为 IDE 开发云原生 Kubernetes 应用程序提供各种开发便利。从此,程序员无需安装初始设备,即可在云上专注开发程序。
用于语音建模的高效分布式学习:IBM 新技术可将AI语音识别培训时间从一周缩短到11小时
智能语音助手虽然给我们的生活带来的便利,但是在技术上对它们的训练,往往需要花费很多时间,且不可规模化。
比如,训练像Apple的Siri、Google智能助理、或亚马逊的Alexa这样的自动语音识别(ASR)系统时,我们就需要先用复杂的编码系统将语音转换为深度学习系统和解码系统可理解的内容,再最终将其输出转换为人类可读的文本。这样的训练需要很大的模型,也从而使得大规模的培训更加困难。
IBM在一篇新发表的论文《用于自动语音识别的分布式深度学习策略》中提出了一种分布式处理架构,该架构可以在保证准确性的基础上,实现15倍的训练加速。
集中式分布式学习架构(左)和分散式分布式学习架构(右)
论文的作者表示,该系统会被部署在包含多个显卡的系统上,使得总培训时间从原本的几周减少到几天。这种被称为“异步分散并行随机梯度下降(ADPSGD)”的分布式深度学习技术可以将ASR的作业运行时间从“在单个V100 GPU上运行一周”缩短到“在32-GPU系统上运行11.5小时”。
使用这种分布式深度学习技术后,研究人员可以在半天内完成对语音系统的培训,并在此基础上快速迭代开发新的算法。
看了本期技术前沿洞察,你有哪些感想?欢迎在评论区留言交流!想看到更多关于哪些技术的进展?也欢迎告诉我们!
想回顾上期技术前沿洞察?
AI专家质疑亚马逊面部识别技术:机器眼里,女士皮肤黑就等于是男人?! | 技术前沿洞察
推荐阅读