據TechCrunch報道，機器學習和人工智能領域的研究，現在幾乎是每個行業和公司的關鍵技術，其數量太多，任何人都無法全部閱讀。Perceptron專欄旨在收集一些最相關的最新發現和論文–特別是在人工智能領域，但不限於此–並解釋它們為什麼重要。
在過去的幾周里，科學家們開發了一種算法，以發現月球上光線暗淡–在某些情況下漆黑一片–的小隕石坑的迷人細節。在其他地方，麻省理工學院的研究人員在教科書上訓練了一個人工智能模型，看看它是否能獨立地找出一種特定語言的規則。DeepMind和微軟的團隊研究了運動捕捉數據是否可以用來教機器人如何執行特定的任務，如行走。
隨着阿爾忒彌斯1號（Artemis 1）任務即將發射，月球科學再次成為人們關注的焦點。然而，具有諷刺意味的是，月球上最黑暗的區域才可能是最有趣的，因為它們可能藏有水冰，可以用於無數的用途。要發現黑暗是很容易的，但是裡面有什麼呢？一個由圖像專家組成的國際小組將ML應用於這個問題，並取得了一些成功。
雖然隕石坑位於最深的黑暗中，但月球勘測軌道器仍然從裡面捕捉到了偶爾的光子，該團隊用《地球物理研究快報》中描述的 “基於物理學的、深度學習驅動的后處理工具”將這些曝光不足（但不是完全黑色的）的年數放在一起。其結果是，“現在可以設計出進入永久陰影區域的可見路線，大大降低了阿爾忒彌斯1號宇航員和機器人探險家的風險，”月球和行星研究所的David Kring說。
無論多麼有用，把稀疏的數據變成圖像並不神秘。但是在語言學的世界里，人工智能正在對語言模型如何以及是否真的知道它們所知道的東西進行迷人的探索。在學習一種語言的語法方面，麻省理工學院的一項實驗發現，一個在多本教科書上訓練的模型能夠建立自己的模型，了解一種特定的語言是如何工作的，以至於它對波蘭語的語法，比如說，能夠成功地回答關於它的教科書問題。
“語言學家們認為，為了真正理解人類語言的規則，為了理解是什麼讓系統運轉，你必須是人類。”麻省理工學院的 Adam Albright在一份新聞稿中說：“我們想看看我們是否可以模仿人類（語言學家）帶給我們的各種知識和推理。這方面的研究非常早期，但很有希望，因為它表明微妙或隱藏的規則可以在沒有明確指令的情況下被人工智能模型‘理解’。”
但該實驗並沒有直接解決人工智能研究中的一個關鍵的、開放的問題：如何防止語言模型輸出“有毒的”、歧視性的或誤導性的語言。DeepMind的新工作確實解決了這一問題，採取了一種哲學方法來解決使語言模型與人類價值觀相一致的問題。
該實驗室的研究人員認為，沒有“一刀切”的途徑來獲得更好的語言模型，因為這些模型需要根據其部署的環境體現出不同的特徵。例如，一個旨在協助科學研究的模型最好只做真實的陳述，而一個在公共辯論中扮演主持人角色的代理人將行使寬容、文明和尊重等價值觀。
那麼，如何將這些價值觀灌輸給一個語言模型呢？DeepMind的合著者們並沒有提出一個具體的方法。相反，他們暗示模型可以通過他們稱之為語境構建和闡釋的過程，隨着時間的推移培養出更加”穩健”和”尊重”的對話。正如合著者們所解釋的：“即使一個人沒有意識到支配特定對話實踐的價值觀，代理人仍然可以通過在對話中預示這些價值觀來幫助人類理解這些價值觀，使溝通的過程對人類說話者來說更加深入和富有成效。”
篩選出最有希望的方法來調整語言模型需要大量的時間和資源–財政和其他方面。但是在語言以外的領域，特別是科學領域，這種情況可能不會持續太久，這要歸功於美國國家科學基金會（NSF）授予芝加哥大學、阿貢國家實驗室和麻省理工學院的一個科學家團隊的350萬美元撥款。
在國家科學基金會的資助下，獲獎者計劃建立他們所說的”模型園”，或人工智能模型庫，以解決物理、數學和化學等領域的問題。儲存庫將把這些模型與數據和計算資源以及自動測試和屏幕聯繫起來，以驗證其準確性，最好是讓科學研究人員更簡單地在自己的研究中測試和部署這些工具。
參與該項目的Globus實驗室數據科學研究員Ben Blaiszik在一份新聞稿中說：“用戶可以來到‘模型園’，一目了然地看到所有這些信息。他們可以引用該模型，他們可以了解該模型，他們可以聯繫作者，他們可以在領導的計算設施或自己的計算機上的網絡環境中自己調用該模型。”
與此同時，在機器人領域，研究人員不是用軟件，而是用硬件–確切地說，是用神經形態硬件–為人工智能模型構建一個平台。英特爾聲稱，其最新一代的實驗性Loihi芯片可以使一個物體識別模型”學會”識別一個它以前從未見過的物體，所使用的功率只有該模型在CPU上運行時的功率的1/175。
神經形態系統試圖模仿神經系統中的生物結構。傳統的機器學習系統要麼速度快，要麼功率大，而神經形態系統通過使用節點處理信息和節點之間的連接，利用模擬電路傳輸電信號，實現了速度和效率。這些系統可以調節節點之間的電力流量，允許每個節點進行處理–但只在需要的時候。
英特爾和其他公司認為，神經形態計算在物流方面有應用，例如，為幫助製造過程而製造的機器人供電。在這一點上，它是理論上的–神經形態計算有其缺點–但也許有一天，這種設想會實現。
更接近現實的是DeepMind最近在”具身智能”方面的工作，即利用人類和動物的動作來教機器人運球、搬箱子，甚至踢足球。該實驗室的研究人員設計了一個設置，從人類和動物佩戴的運動追蹤器中記錄數據，人工智能系統從中學習推斷如何完成新的動作，如如何以圓周運動方式行走。研究人員聲稱，這種方法很好地轉化為現實世界的機器人，例如，允許一個四條腿的機器人像狗一樣行走，同時運球。
巧合的是，微軟今年夏天早些時候發布了一個動作捕捉數據庫，旨在刺激對能夠像人類一樣行走的機器人的研究。該庫被稱為MoCapAct，包含動作捕捉片段，當與其他數據一起使用時，可用於創建敏捷的雙足機器人–至少在模擬中。
這項工作的合著者在一篇博文中寫道：“（創建這個數據集）在許多配備GPU的（服務器）上花費了相當於50年的時間……這證明了MoCapAct為其他研究人員消除了計算上的障礙。我們希望社區能夠以我們的數據集為基礎，努力在仿人機器人的控制方面進行令人難以置信的研究。”
科學論文的同行評審是寶貴的人類工作，人工智能不太可能接管那裡，但它實際上可能有助於確保同行評審真正有幫助。一個瑞士研究小組一直在研究基於模型的同行評議評價，他們的早期結果是好壞參半–以一種好的方式。沒有一些明顯的好或壞的方法或趨勢，出版物影響評級似乎不能預測評論是否徹底或有用。
最後，對於任何關心這個領域的創造力的人來說，這裡有一個Karen X. Cheng的個人項目，它顯示了一點聰明才智和努力工作是如何與人工智能相結合，產生真正的原創性的東西。
