AI头条|最新最全人工智能快讯，一览行业动态
快讯速知
★MIT模拟大脑视觉皮层的模型通过了实验测试
★面部识别技术已能够正确识别出3/4的面部
★机器学习助力量子传感器发展
★AI已经在改变癌症的诊断方式
★人工智能将为搜救任务提供便利
★研究人员使用无人机和机器学习实现甲烷泄漏检测自动化
★普渡大学用机器学习助力人工智能进行大数据分析
★Facebook计划对研究人员开放数据，同时确保用户隐私安全
★亚马逊表示，运输仓库做到全自动化至少需要十年时间
★IBM的人工智能技术可以直接通过眼部扫描检测出青光眼
★Facebook推出机器学习实验工具Ax
★丰田风投公司投资1亿美金用于人工智能
★微软的Azure认知服务降低了AI使用门槛
★亚马逊的Alexa的语义分析性能得到大幅度提高
★2019世界医学创新论坛：人工智能时代医疗健康数据的价值
★MIT模拟大脑视觉皮层的模型通过了实验测试
麻省理工学院的神经科学家对模拟大脑视觉皮层的计算模型进行了最严格的测试。研究人员利用目前掌握的最好的大脑视觉神经网络模型，设计出一种精确控制该网络中间神经元和神经元群体的新方法。相关文献已发表在Science上。研究人员使用含有超过100万张图像的库来训练模型，模型通过改变其内部连接的强度来学习识别对象。然后，他们通过向动物和模型展示相同的图像，并将它们对图像的响应进行比较，经证明这些模型中的“神经元”产生的活动模式与动物视觉皮层中响应相同图像的活动模式非常相似。最后，研究人员把由模型创建并且与自然物体不相似的图像展示给动物，观察到目标神经元确实如预期的发生响应。这样就实现了对动物视觉皮层中神经元的控制。
该工作有助于人们加强对视觉系统的理解，并为潜在的重要视觉应用奠定基础。
图|麻省理工学院神经科学家创建的计算机视觉模型设计了这些图像，可以激发个体神经元中产生非常高的活动（来源：Pouya Bashivan）
论文链接：
http://dx.doi.org/10.1126/science.aav9436
新闻链接：
https://www.sciencedaily.com/releases/2019/05/190502143450.htm
★面部识别技术已能够正确识别出3/4的面部
布拉德福德大学的研究人员发现，面部识别技术已经能够正确识别出四分之三的甚至二分之一的面部。该研究首次使用机器学习技术来测试面部不同部位的识别率，研究成果发表在Future Generation Computer Systems上。研究人员表示，人类识别面部的能力是惊人的，但是当人们只能看到面部的一部分时，这种能力便会大打折扣。然而，目前计算机已经能够从大量人脸中识别出一张脸，比人类表现得还要好。因此，该团队使用了一种叫做“卷积神经网络”的机器学习技术，构建了一种名为VGG的特征提取模型，来研究计算机在识别部分面部方面的能力。现在，研究人员可以从仅显示部分面部的图像中获得非常准确的面部识别结果，并且还能确定出最有助于识别的部分，这为使用该技术进行安全检查或预防犯罪开辟了道路。
新闻链接：https://www.sciencedaily.com/releases/2019/05/190501114602.htm
★机器学习助力量子传感器发展
近日，来自布里斯托大学的研究人员通过将机器学习与量子传感器相结合，实现了在室温下对具有极高灵敏度的磁场的检测。这一进展可能会使得新一代MRI扫描仪使用磁场和无线电波来生成人体内部的详细图像，并激发生物学和材料科学中的其他潜在用途。相关文章被发表在Physical Review X上。
氮空位（NV）中心是一种钻石中的原子缺陷。它们能与单个电子相互作用，而单个电子又可以用于感测电场和磁场，并具有高空间分辨率和灵敏度的特性。来自布里斯托大学量子工程与技术实验室的研究人员与乌尔姆大学和微软的量子光学研究所合作，使用基于氮中的电子自旋的量子传感器，从而实现对被测体内部的结构的检测，并使用算法将检测数据进行处理，以去除自然底噪的影响。
新闻链接：https://phys.org/news/2019-05-machine-paves-next-level-quantum.html
★AI已经在改变癌症的诊断方式
癌症是一个世界性的问题。统计数据显示，仅去年一年全球就有1700万例癌症病例。而到2040年，每年将诊断出2750万癌症病例。回顾20世纪70年代，只有不到四分之一的人幸免于难，而随着科学家们在AI领域的进步，癌症的生存率正在显著提高。
Aidence是一家总部位于阿姆斯特丹的公司，该公司开发了基于深度学习的医学图像分析软件Veye Chest，这款软件可以帮助放射医生检测胸部CT的恶性肺结节，从而对肺癌实现早期发现。Aidence 承认其模型“还不完美”，这意味着系统仍然以假阳性和假阴性的形式而出现误判。针对这一问题，匹兹堡大学和芬欧汇川希尔曼癌症中心的研究人员已经找到了一种方法，可以大大减少误报的出现。研究人员表示，随着人工智能技术的发展，AI将不断革新癌症的诊断方式，拯救更多的生命。
新闻链接：https://thenextweb.com/artificial-intelligence/2019/05/01/ai-is-already-changing-how-cancer-is-diagnosed/
★人工智能将为搜救任务提供便利
普渡大学的研究人员正致力于使用人工智能（AI）和机器学习技术创建一个平台，这个平台允许多个无人机在环境因素发生变化时进行通信。研究人员表示，由于环境会随着天气的变化而变化，因此无人机必须是自适应的，能够实时感知环境并能在线自主决策，而分布式控制、人机混合智能、终身学习和AI将成为拟议研究中的关键因素。研究人员使用AI和机器学习技术辅助对象识别系统和人机通信系统进行运作，并逐步提高系统的性能。由AI辅助的系统将允许人类指挥官输入任务参数，并让无人机用自然语言提供反馈以及建议。在任务场景中，具有强大处理功能的地面车辆将能够与空中、地面和水上的无人机进行通信。另外，对异构车辆进行组合将是解决诸多复杂问题的关键。
新闻链接：https://phys.org/news/2019-05-ai-eyes-ears-missions.html
★研究人员使用无人机和机器学习实现甲烷泄漏检测自动化
SwRI（西南研究院）研究人员采用智能泄漏检测系统/甲烷（SLED / M）技术，在无人机中配置中波红外相机（MWIR）并开发机器学习算法以检测甲烷泄漏。该系统无人机和相机的配置使得可以捕获不同高度，距离和速度的数据，而通过将无源光学传感数据与人工智能算法配对，可以显著减少误报，识别出未被注意到的小规模甲烷泄漏或逸散性排放，从而可靠地检测管道和储存设施等各种环境条件下的泄漏。
图|SwRI的Maria Araujo正在检测配置中波红外相机（MWIR）的可自动检测甲烷泄漏的无人机（图片来源：美国西南研究院）
新闻链接：
https://phys.org/news/2019-05-team-drones-machine-automate-methane.html
★普渡大学用机器学习助力人工智能进行大数据分析
近日，普渡大学的Bhargava和他的团队致力于通过人工智能的机器学习，让计算机了解用户正在寻找的内容，并主动将数据推送给他们。
计算机由公共推文、视频、电话和警方通告等得到用户需求数据可能会很杂乱、不完整、不正确或在快速变化。机器学习可以分析这些多个独立来源的数据模型，并通过特定算法进行清理、集成和标记等操作不断地学习、预测用户需求。当接受到相关信息以后，计算机根据隐私策略和上下文过滤数据，并在正确的时间将正确的数据推送给正确的用户。
除了在线信息之外，机器学习系统还可以从传感器、无线电或无人机中获取数据，以便全方位的协调、处理各种需求。
新闻链接：https://techxplore.com/news/2019-05-ai-machine-users.html
★Facebook计划对研究人员开放数据，同时确保用户隐私安全
一年前，Facebook推出了一项社会科学计划，该计划旨在帮助研究人员分析Facebook这个网络平台对选举的影响。现在，该公司首次对30个学术机构的60多名研究人员开放数据，兑现了其承诺。Facebook最初打算于去年4月推出其社会科学计划，但是因剑桥分析公司的数据丑闻而被迫搁浅。为此，Facebook提出了一种基于隐私的差异化方法，希望该方法既能保护用户的隐私，又能允许研究人员做出有意义的分析，从而提出有价值的见解，最终解决问题。现在，印度的选举已经开始，欧洲议会选举将在一个月内完成，因此人们将更加密切地关注Facebook在其中扮演的角色。Facebook为修正路线做出的一次应急尝试——以保护隐私的方式开放其数据保险库，可以为开发更负责任、更值得信赖的平台铺平道路。
新闻链接：
https://thenextweb.com/facebook/2019/04/30/how-facebook-plans-to-keep-your-data-private-while-opening-it-up-to-researchers/
★亚马逊表示，运输仓库做到全自动化至少需要十年时间
现今机器人劳动已经十分成熟，机器人精确编程后可以胜任特定高精度重复的任务。但亚马逊公司Scott Anderson日前表示，亚马逊要达到全自动物流仓库还需要10年。
亚马逊公司一直是人工智能（AI）开发和机器人研究的先驱者之一，然而机器人的技能训练费时费力，花费巨大。并且目前能够执行多项不同任务，可感知周围动态环境的机器人尚在研究试验阶段，因此亚马逊各个部门的大部分工作还是人工完成。
许多实验室或者公司都在AI取得进展，UC伯克利大学机器人实验室开发出可以依靠人工智能的视觉系统自动折毛巾的低成本机器人。位于旧金山的创业公司Kindred生产出一种名为Kindred Sort的机器人手臂，被部署在零售商Gap的仓库中，Gap使用人工驾驶和自动化的混合来执行动态产品选择。
新闻链接：
https://www.theverge.com/2019/5/1/18526092/amazon-warehouse-robotics-automation-ai-10-years-away
★IBM的人工智能技术可以直接通过眼部扫描检测出青光眼
青光眼通常因眼睛前部积聚液体而引起，会对视神经造成破坏性的压力，是导致失明的第二大原因。传统的青光眼测试通过患者的主观描述来判断患者的可见度，因此准确性极为受限。为此，IBM研究和纽约大学的研究人员在一篇论文中描述了一种非侵入性技术，该技术使用AI来检测视网膜成像数据中的青光眼症状。IBM系统摄入视网膜（OCT）的三维光学相干断层扫描图像，并将图像反馈到一种机器学习算法中，用于估计相应视野指数（VFI）值。VFI值是一个代表整个视野的全球性指标，能帮助医生快速估计患者的视觉功能。本月下旬，该技术将在温哥华的视觉和眼科研究协会上展出。研究人员希望该技术有朝一日能帮助于专业人士更好地预测疾病的进展，并相应地调整治疗方案。
新闻链接：
https://venturebeat.com/2019/05/01/ibms-ai-can-detect-glaucoma-from-eye-scans/
★Facebook推出机器学习实验工具Ax
最近，Facebook的AI团队推出了一系列机器学习实验工具的升级版本，其中就包括Ax——一个位于PyTorch顶端的机器学习实验管理平台。值得注意的是，Ax通过运行实验来调整学习率和丢包等事项，帮助开发人员探索如何生成具有最高准确率的AI模型。研究人员表示，他们设计出的实际上是一个名为Ax的平台，该平台可用于管理实验，并以贝叶斯模型为指导理念。另外，Ax与Botorch进行合作，其中，Botorch是刚刚发布的贝叶斯优化软件包，可以为Ax优化模型参数提供技术支持。在加利福尼亚州圣何塞举行的Facebook年度F8开发者大会上，Facebook发布了PyTorch 1.1、Ax和Botorch等新产品。此外，Facebook还推出其新设计出的Facebook应用程序，其中，Oculus Quest首次亮相。另外，Facebook今年秋天即将推出支持WhatsApp视频通话的Portal智能显示器。
新闻链接：
https://venturebeat.com/2019/05/01/facebook-launches-machine-learning-experimentation-tool-ax/
★丰田风投公司投资1亿美金用于人工智能
人们对自动化系统日益产生浓厚的兴趣，这为利用人工智能和下一代移动技术改善人类生活创造了巨大的机遇。目前，丰田汽车人工智能风险投资公司(Toyota AI Ventures)推出1亿美元新基金，将专注于寻找并投资处于早期阶段机器人和自主技术研发的初创企业。这个首要目标没有改变的同时，公司将探索并投资非捆绑移动业务。公司表示在这些投资机会中，自主技术可能会加速这些非捆绑移动业务的产品和服务，并且初创企业仍有发展的空间。
新闻链接：
https://techcrunch.com/2019/05/02/toyota-ai-ventures-launches-100m-fund-to-invest-in-robotics-and-autonomous-tech/
★微软的Azure认知服务降低了AI使用门槛
微软将要推出使用Azure认知服务部署AI的新方法，Azure认知服务是一种预先构建的服务，可以让没有接触过机器学习或数据科学等专业知识的人更容易部署AI应用。人们可以使用Azure机器学习创建自定义AI模型。Azure认知服务的新功能是Decision，一套决策建议（包含Personalizer），自动转录服务，识别和数字化绘图的AI应用。微软副总裁Scott Guthrie表示，在微软商店和在线系统中使用Personalizer后性能提升超过40％。该工具是由微软Azure应用AI部门与微软首席研究员John Langford合作完成，其模型的训练数据来自用户日志文件。微软公司将在周一于西雅图召开年度Build开发者大会，预计会有更多更详细的信息。
链接：
https://venturebeat.com/2019/05/02/microsofts-azure-cognitive-services-adds-reinforcement-learning-for-recommendations-and-doodle-recognition-ai/
★亚马逊的Alexa的语义分析性能得到大幅度提高
亚马逊的Alexa AI研究部门的科学家详细介绍了一个能够提取句子结构和意义的AI系统，即使它的含义和结构是复杂的或有点模棱两可的，依然可以完整的提取出句子的结构和意义。该系统的设计得益于两种机器学习技术：传递学习和复制机制。它从现有的AI系统传递知识，以减少训练新模型所需的数据量，这使得模型成为可能，处理他们以前从未见过的数据。在Alexa相互作用的自然语言理解数据测试中，语义分析性能平均提高了61％的准确率，表明语义分析器提高了自然语言理解和问答任务的性能。该研究发表在最新的《Computation and Language (cs.CL)》杂志上。
论文链接：https://arxiv.org/ps/1903.04521v3
新闻链接：
https://venturebeat.com/2019/05/02/amazon-alexa-researchers-improve-semantic-parsing-performance-by-61/
★2019世界医学创新论坛：人工智能时代医疗健康数据的价值
大量高质量数据的获取对于人工智能的成功至关重要，但在数据成为真正有价值的商品之前，医疗行业还有很多工作要做。虽然人工智能（AI）确实带来了其他行业的大规模转型，但大多数医院和卫生系统尚未好好利用它。2019年的世界医学创新论坛上，对这些问题进行了研讨。
现存问题：
哈佛医学院的临床医生表示并没有低估人工智能的长期潜力，也已做好充分准备，却担心无法切断当前的炒作现象。除了编程创新之外，人工智能需要重新审视数据在治疗中的作用，更好地预防疾。事实上，该行业还没有能力捕获、分析和利用包括慢性病发展的非传统数据。而且在人工智能化的过程中要避免偏见，无意或无形的偏差算法代表了AI工具可能成为的单一故障点。
展望：
因此，BWH心血管医学主任表示，AI成功需要大规模的数据，我们现在还处于研究小部分人对整体做推论的阶段，这势必导致算法的不准确性。我们希望的模型是能够在不同的年龄和不同的社会经济条件下保持稳健。此外，还需要改变AI开发的数据收集范围，医疗行业需要像进行必要的数据共享，帮助优化算法，让患者相信，分享数据能看到能改善健康状况，并不完全处于商业利益。同时，我们需要建立通用的数据模型、规范的标准，改变偏保守的态度。
在人工智能驱动的世界中，我们必须尽快摆脱原有心态，否则我们将在新世纪的里继续拥有18世纪的医疗体系。不久的将来，希望AI可以帮助确定病人的病情，更准确地告知患者面临的风险，拯救生命。
新闻链接：https://healthitanalytics.com/features/unleashing-the-value-of-health-data-in-the-era-of-artificial-intelligence