机器学习和人工智能领域的研究，现在几乎是每个行业和公司的一项关键技术，对于任何人来说都过于庞大，无法通读。本专栏 Perceptron（前身为Deep Science ）旨在收集一些最相关的最新发现和论文——尤其是在但不限于人工智能方面——并解释它们为何重要。
本周在人工智能领域，格拉斯哥大学的一组工程师开发了“人造皮肤”，可以学习体验模拟疼痛并做出反应。在其他地方，DeepMind 的研究人员开发了一种机器学习系统，可以预测足球运动员在球场上的跑动位置，而来自香港中文大学 (CUHK) 和清华大学的研究小组则开发了可以生成逼真的人类照片甚至视频的算法楷模。
根据新闻稿，格拉斯哥团队的人造皮肤利用了一种基于“突触晶体管”的新型处理系统，旨在模仿大脑的神经通路。这些晶体管由印刷在柔性塑料表面的氧化锌纳米线制成，连接到皮肤传感器，该传感器记录电阻的变化。
图片来源：格拉斯哥大学
虽然之前曾尝试过人造皮肤，但该团队声称他们的设计不同之处在于它使用系统内置的电路充当“人造突触”——将输入减少到电压尖峰。这加快了处理速度，并允许团队通过设置输入电压阈值来“教”皮肤如何对模拟疼痛做出反应，该阈值的频率根据施加在皮肤上的压力水平而变化。
该团队看到皮肤被用于机器人技术，例如，它可以防止机器人手臂接触危险的高温。
与机器人技术切线相关的是，DeepMind 声称已经开发了一种人工智能模型Graph Imputer ，它可以仅使用一部分球员的摄像头记录来预测足球运动员的移动位置。更令人印象深刻的是，该系统可以在摄像机视野之外对球员进行预测，使其能够相当准确地跟踪场上大多数（如果不是全部）球员的位置。
图片来源： DeepMind
Graph Imputer 并不完美。但 DeepMind 的研究人员表示，它可以用于模拟音高控制等应用，或者假设球员在给定位置控制球的概率。 （几支领先的英超球队在比赛期间以及赛前和赛后分析中 使用球场控制模型。）除了足球和其他运动分析之外，DeepMind 预计 Graph Imputer 背后的技术将适用于行人建模等领域。体育场内的道路和人群建模。
虽然人造皮肤和运动预测系统令人印象深刻，但可以肯定的是，照片和视频生成系统正在快速发展。显然，有像 OpenAI 的Dall-E 2和谷歌的Imagen这样的高调作品。但是看看中大多媒体实验室开发的Text2Human ，它可以将“女士穿着纯色图案的短袖T恤和牛仔短裙”这样的标题翻译成一个人的照片。 ‘实际上并不存在。
清华大学与北京人工智能研究院合作，创建了一个更加雄心勃勃的模型，称为 CogVideo，它可以从文本中生成视频片段（例如，“滑雪的人”、“狮子在喝水”）。这些剪辑充满了伪影和其他视觉怪异，但考虑到它们完全是虚构的场景，很难过分严厉地批评。
机器学习通常用于药物发现，其中需要对文献和理论中出现的几乎无限种类的分子进行分类和表征，以发现潜在的有益效果。但是数据量如此之大，误报的成本可能如此之高（追逐线索既昂贵又耗时），即使是 99% 的准确率也不够好。对于未标记的分子数据尤其如此，到目前为止，大部分数据都存在（与多年来人工研究的分子相比）。
图片来源： CMU
CMU 的研究人员一直在努力创建一个模型，通过对其进行训练以在没有任何额外信息的情况下理解它们，从而对数十亿个未表征的分子进行分类。它通过对（虚拟）分子的结构进行轻微改变来做到这一点，例如隐藏原子或移除键，并观察生成的分子如何变化。这让它能够了解这些分子如何形成和表现的内在特性，并使其在识别测试数据库中的有毒化学物质方面优于其他人工智能模型。
分子特征也是诊断疾病的关键——两名患者可能表现出相似的症状，但仔细分析他们的实验室结果表明，他们的病情截然不同。当然，这是标准的医生实践，但随着来自多个测试和分析的数据堆积，很难跟踪所有相关性。慕尼黑工业大学正在研究一种整合多个数据源（包括其他算法）的临床元算法，以区分具有相似表现的某些肝病。虽然此类模型不会取代医生，但它们将继续帮助处理越来越多的数据，即使是专家也可能没有时间或专业知识来解释这些数据。