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旨在收集一些最相关的最新发现和论文——特别是但不限于人工智能——并解释它们为何重要。
在过去的几周里，科学家们开发了一种算法来揭示关于月球昏暗——在某些情况下是漆黑——小行星陨石坑的迷人细节。在其他地方，麻省理工学院的研究人员在教科书上训练了一个人工智能模型，看看它是否可以独立地找出特定语言的规则。 DeepMind 和微软的团队研究了动作捕捉数据是否可以用来教机器人如何执行特定的任务，比如走路。
随着阿尔忒弥斯一号的未决（并且可以预见地延迟）发射，月球科学再次成为人们关注的焦点。然而，具有讽刺意味的是，月球最黑暗的区域可能是最有趣的，因为它们可能包含可用于无数目的的水冰。很容易发现黑暗，但那里有什么？一个国际图像专家团队已将 ML 应用于该问题并取得了一些成功。
尽管陨石坑位于最深的黑暗中，但月球勘测轨道飞行器仍然偶尔从内部捕捉到光子，该团队将多年来曝光不足（但不是完全黑色）的曝光与“基于物理的、深度学习驱动的后处理”结合在一起工具”在地球物理研究快报中描述。结果是“现在可以设计进入永久阴影区域的可见路线，大大降低了阿尔忒弥斯宇航员和机器人探险家的风险，”月球与行星研究所的大卫克林说。
要有光！陨石坑的内部是由杂散光子重建的。图片来源：
我们想象他们会有手电筒，但最好事先大致了解去哪里，当然这可能会影响机器人探索或着陆器集中精力的地方。
无论多么有用，将稀疏数据转换为图像并没有什么神秘之处。但在语言学领域，人工智能正在对语言模型如何以及是否真的知道他们所知道的内容进行了引人入胜的研究。在学习语言语法的情况下，麻省理工学院的一项实验发现，在多本教科书上训练的模型能够建立自己的模型来了解给定语言的工作方式，以至于它的波兰语语法可以成功地回答教科书问题关于它。
“语言学家认为，为了真正理解人类语言的规则，理解是什么让系统运转起来，你必须是人类。我们想看看我们是否可以模仿人类（语言学家）为这项任务带来的知识和推理，”麻省理工学院的亚当奥尔布赖特在新闻发布会上说。这是这方面的早期研究，但很有希望，因为它表明人工智能模型可以“理解”微妙或隐藏的规则，而无需明确的指令。
但该实验并没有直接解决人工智能研究中一个关键的、悬而未决的问题：如何防止语言模型输出有毒、歧视性或误导性的语言。 DeepMind 的新工作确实解决了这个问题，采用哲学方法来解决将语言模型与人类价值观保持一致的问题。
实验室的研究人员认为，没有“一刀切”的方式来获得更好的语言模型，因为模型需要根据部署的上下文体现不同的特征。例如，旨在协助科学研究的模型在理想情况下只会做出真实的陈述，而在公共辩论中扮演主持人角色的代理人将行使诸如宽容、文明和尊重等价值观。
那么如何将这些价值观灌输到语言模型中呢？ DeepMind 的合著者并没有提出一种具体的方法。相反，它们暗示模型可以通过他们称为上下文构建和阐明的过程随着时间的推移培养更多“稳健”和“尊重”的对话。正如合著者所解释的那样：“即使一个人不知道支配给定对话实践的价值观，代理仍然可以通过在对话中预想这些价值观来帮助人们理解这些价值观，从而使交流过程更深入、更有成效。为人类说话者。”
谷歌的 LaMDA 语言模型回答问题。图片来源：谷歌
找出最有前途的方法来对齐语言模型需要大量的时间和资源——财务和其他方面。但在语言以外的领域，特别是科学领域，情况可能不会持续太久，这要归功于美国国家科学基金会 (NSF) 向芝加哥大学、阿贡国家实验室和阿贡国家实验室的一组科学家提供的 350 万美元赠款。麻省理工学院。
在 NSF 资助下，受助人计划建立他们所说的“模型花园”，或旨在解决物理、数学和化学等领域问题的人工智能模型存储库。存储库将模型与数据和计算资源以及自动化测试和屏幕链接起来，以验证其准确性，理想情况下，让科研人员更容易在自己的研究中测试和部署这些工具。
参与该项目的 Globus Labs 数据科学研究员 Ben Blaiszik 在新闻稿中说： “用户可以来到 [模型] 花园，一眼就能看到所有这些信息。” “他们可以引用模型，他们可以了解模型，他们可以联系作者，他们可以在领导力计算设施或自己的计算机上的网络环境中自己调用模型。”
与此同时，在机器人领域，研究人员正在为人工智能模型构建一个平台，而不是软件，而是硬件——确切地说是神经形态硬件。英特尔声称，其最新一代的实验性 Loihi 芯片可以使物体识别模型“学习”识别它以前从未见过的物体，其功耗比模型在 CPU 上运行时少 175 倍。
配备英特尔实验性神经形态芯片之一的人形机器人。图片来源：英特尔
神经形态系统试图模仿神经系统中的生物结构。虽然传统的机器学习系统要么快速要么高效，但神经形态系统通过使用节点处理信息和节点之间的连接以使用模拟电路传输电信号来实现速度和效率。这些系统可以调节节点之间流动的电量，允许每个节点执行处理——但仅限于需要时。
英特尔和其他公司认为，神经形态计算在物流方面有应用，例如为机器人提供动力，以帮助制造流程。在这一点上它是理论上的——神经形态计算有它的缺点——但也许有一天，这个愿景会实现。
图片来源： DeepMind
更接近现实的是 DeepMind 最近在“具身智能”方面的工作，或者使用人类和动物的动作来教机器人运球、搬运箱子，甚至踢足球。实验室的研究人员设计了一个装置来记录人类和动物佩戴的运动跟踪器的数据，人工智能系统从中学会推断如何完成新动作，例如如何以圆周运动行走。研究人员声称，这种方法可以很好地应用于现实世界的机器人，例如让四足机器人像狗一样走路，同时运球。
巧合的是，微软今年夏天早些时候发布了一个动作捕捉数据库，旨在促进对可以像人类一样行走的机器人的研究。该库名为 MoCapAct，包含动作捕捉剪辑，当与其他数据一起使用时，可用于创建灵活的双足机器人——至少在模拟中是这样。
“[创建这个数据集]在许多配备 GPU 的 [服务器] 上花费了相当于 50 年的时间……这证明了 MoCapAct 为其他研究人员消除了计算障碍，”该工作的合著者在一篇博客文章中写道。 “我们希望社区能够以我们的数据集为基础，努力在人形机器人的控制方面进行令人难以置信的研究。”
科学论文的同行评审是一项非常宝贵的人类工作，人工智能不太可能接管那里，但它实际上可能有助于确保同行评审实际上是有帮助的。一个瑞士研究小组一直在研究基于模型的同行评审评估，他们的早期结果好坏参半。没有明显的好坏方法或趋势，出版影响评级似乎无法预测评论是否彻底或有帮助。不过没关系，因为尽管评论的质量不同，但您不希望除了主要期刊之外，到处都系统地缺乏良好的评论。他们的工作正在进行中。
最后，对于任何关注该领域创造力的人，这里是 Karen X. Cheng 的个人项目，展示了如何将一点独创性和辛勤工作与人工智能相结合，创造出真正原创的东西。
AI时尚教程 –
昨天视频的更详细的细分。 （顺便说一句，在画外音中打开声音以获得更多上下文） #dalle2 #dalle #ArtificialIntelligence #digitalfashion #virtualfashion pic.twitter.com/B9PlWXQa6O— Karen X. Cheng (@karenxcheng) 2022 年 8 月 31 日
感知器：点亮月亮的人工智能，即兴语法并教机器人像人类一样走路作者Devin Coldewey最初发表在TechCrunch上