現在，機器學習和人工智能領域的研究幾乎是每個行業和公司的關鍵技術，由於有關其的新聞數量太多，任何人都無法全部閱讀。對此，Perceptron專門收集一些最相關的最新發現和論文–特別是在人工智能(AI)領域，並且不限於此–還解釋它們重要的原因。
本周在AI領域，來自格拉斯哥大學的一個工程師團隊開發了“人造皮膚”，它可以學習體驗模擬的疼痛並作出反應。在其他地方，DeepMind的研究人員開發了一個機器學習系統，它可以預測足球運動員在球場上的跑位，而來自張洪國香港中文大學(CUHK)和清華大學的研究小組創造了可以生成人類模型的逼真照片–甚至視頻–的算法。
根據一份新聞稿，格拉斯哥團隊的人造皮膚利用了一種基於“突觸晶體管”的新型處理系統以模仿大腦的神經通路。這些晶體管由印在柔性塑料表面的氧化鋅納米線製成，其跟一個記錄電阻變化的皮膚傳感器相連。
雖然人工皮膚以前也被嘗試過，但該團隊稱，他們的設計不同之處在於，它使用了一個內置於系統中的電路來充當“人工突觸”–將輸入減少到電壓的尖峰。這加快了處理速度並允許該團隊通過設置輸入電壓的閾值來“教”皮膚如何對模擬疼痛做出反應，其頻率根據施加在皮膚上的壓力水平而變化。
該團隊認為這種皮膚可用於機器人技術，如它可以防止機器人手臂接觸到危險的高溫。
而跟機器人技術相關的是，DeepMind稱已經開發出一種AI模型–Graph Imputer，它可以通過僅對一部分球員的攝像記錄來預測足球運動員的移動位置。更令人印象深刻的是，該系統可以對攝像機視野之外的球員進行預測，這使其能相當準確地跟蹤場上大多數–如果不是所有–球員的位置。
Graph Imputer並不完美。但DeepMind的研究人員表示，它可以用於建立球場控制模型等應用，或者說，假設球在一個特定的位置，球員可以控制球的概率。除了足球和其他體育分析，DeepMind預計Graph Imputer背後的技術將適用於道路上的行人建模和體育場的人群建模等領域。
雖然人工皮膚和運動預測系統令人印象深刻，但可以肯定的是，照片和視頻生成系統正在快速發展。很明顯，有一些備受矚目的技術如OpenAI的Dall-E 2和Google的Imagen。不過看看CUHK多媒體實驗室開發的Text2Human，它可以將 “這位女士穿着純色圖案的短袖T恤和牛仔短裙”這樣的標題翻譯成一張實際上不存在的人的照片。
清華大學則通過跟北京人工智能學院合作創建了一個更加雄心勃勃的模型，名為CogVideo，它可以從文本中生成視頻片段。這些片段充斥着偽裝和其他視覺上的怪異，但考慮到它們是完全虛構的場景，所以很難對其提出太嚴厲的批評。
機器學習經常被用於藥物發現，在那裡，出現在文獻和理論中的近乎無限的分子需要被整理和表徵以便找到潛在的有益效果。但由於數據量過大，假陽性的潛在成本相當得高，甚至99%的準確率也不夠好。未標記的分子數據尤其如此，截止到目前，這些數據佔了大部分。
CMU的研究人員一直在努力創建一個模型，其通過訓練模型在沒有任何額外信息的情況下對數十億未定性的分子進行分類。它通過對（虛擬）分子的結構進行輕微的改變如隱藏一個原子或去除一個鍵，然後觀察所產生的分子如何變化。這讓它學會了這種分子如何形成和表現的內在屬性–並使其在識別測試數據庫中的有毒化學品時表現優於其他AI模型。
另外，分子特徵也是診斷疾病的關鍵–兩個病人可能會出現類似的癥狀，但仔細分析他們的實驗室結果后發現，他們的病情非常不同。當然，這是標準的醫療實踐，但隨着來自多個測試和分析的數據的堆積，跟蹤所有的相關性變得困難。慕尼黑工業大學正在研究一種臨床元算法，該算法整合了多個數據源以區分具有類似表現的某些肝臟疾病。雖然這種模型不會取代醫生，但它們將繼續幫助處理日益增長的數據量，即使是專家也可能沒有時間或專業知識來解釋。