异步编码的电子皮肤可以以超高的精度和响应能力感知压力、温度和湿度。 它检测触摸的速度比人类感觉神经系统快 1000 倍。 它可以与人工智能集成，以实现高性能的机器-大脑接口。 多年来，科学家们一直试图为机器配备触觉。他们为类人智能机器人和假肢配备了电子皮肤，使皮肤能够自然地与人类协同工作，以操纵环境中的各种结构。 这些电子皮肤由大量传感器组成，可提供快速的体感感知。然而，它们串行传输来自传感器的触觉数据，这导致更高的读取延迟瓶颈。 现在，新加坡大学的研究人员开发出具有超高响应性和鲁棒性的异步编码电子皮肤（ACES）。受神经系统的启发，ACES 可以感知压力、温度和湿度。它可以与几

名为 DeepCubeA 的全新深度强化学习方法可以在几秒钟内解出魔方。 深度学习模型可以应用于其他各个领域，包括机器人和自然科学。 人工智能 (AI) 已经在国际象棋和围棋中被证明是成功的，但像魔方这样更难的谜题还没有通过机器智能解决。这是一个经典的组合难题，为机器学习带来了独特而有趣的挑战。 虽然机器学习技术以前曾被用于解决魔方，但它们未能有效、可靠地解决这个难题。此外，这些技术不得不依赖于特定的领域知识。 现在，加州大学欧文分校的研究人员构建了一种名为 DeepCubeA 的深度强化学习方法，无需任何特定领域知识即可解决极其复杂的难题。它可以在几秒钟内解决魔方，无需人类在游戏中进

新的统计方法可以检测 AI 生成的内容。 它的工作原理是识别过于可预测的文本，而不仅仅是标记文本中的错误。 近十年来，自然语言处理社区见证了越来越大、越来越智能的语言模型的发展。 在人工智能和配备人类自然语言的深度神经网络时代，哈佛大学和 IBM 研究院的研究人员开发了一种统计方法来检测计算机生成的文本。 他们构建了一个交互式工具（公开可用）来区分自然人类语言和机器生成的文本与人类语音。目的是为人们提供更多信息，以便他们能够就什么是假的和什么是真的做出明智的决定。 人工智能模型通常在数百万个文本（取自万维网）上进行训练。他们预测最常跟随的单词以模仿人类语言。例如，“你”这个词静态

麻省理工学院的研究人员利用超导纳米线设计了一种人工神经元。 理论上，这种神经元的简单电路可以像人脑一样高效地工作。 该网络每秒每瓦可进行 100 万亿次突触操作。 科学界已知的最迷人的计算设备是人脑。它可以在单个组件（神经元）的组的帮助下执行各种复杂的操作。 与以千兆赫兹速度运行的现代 CPU 不同，大脑以只有几赫兹的时钟速度运行。然而，它每秒[并行]执行数万亿次计算，这使人类能够轻松完成传统计算机尚未实现的复杂事情：交谈、步行、驾驶等。 与今天的计算设备相比，我们的大脑消耗很少的能量来执行这些任务。因此，研究人员正在尝试使用高效的神经网络来模拟人脑的计算性能。虽然传统的微处理器可以

研究人员构建了一个新的软件程序来简化生物分析。 它可以自动处理大型数据集，并支持交互式可视化、快速精确的对齐和实时融合。 现代光学显微镜方法（例如样品清除和扩增显微镜）可提供对器官的详细了解，但它们会产生大量极难处理的数据。 这些方法在先进的光片显微镜的帮助下，使科学家能够快速处理大样本。然而，此类程序会产生过多的数据（以 TB 为单位），使科学家难以筛选和组织数据。 为了在混乱中创造秩序，一个国际研究人员团队开发了一个名为 BigStitcher 的软件程序，使生物分析过程变得简单。它以这样的方式重构复杂数据，使得结果看起来像 3D 模式下的 Google 地图。 它有什么作用？

2016 年，法国政府投资超过 500 万美元建造了一条一公里长的太阳能公路。 事实证明，该模型既不节能，也不经济。 试验现已结束，因为道路已经出现裂缝和损坏。 世界上第一条太阳能公路于 2016 年 12 月在法国开通。这是一个昂贵得离谱的项目：法国政府斥资 520 万美元修建了一条 1 公里长的公路，由 30,000 平方英尺的太阳能电池板组成。 这条路是由法国一家大型土木工程公司 Colas Group 建造的。它专门从事公路建设和铁路轨道建设。五年多来，该公司一直致力于开发自己的太阳能道路技术 Wattway。 法国环境部表示，这条道路将产生足够的电力为当地城镇图鲁夫的路

麻省理工学院的研究人员对气候变化对硅光伏电池性能的影响进行了简单预测。 平均而言，温度每升高 1 度，光伏电池的输出就会降低 0.45%。 在 21 世纪，有两件事肯定会发生：地球将变暖，太阳能电池板的部署将增加。考虑到这两个因素，问题出现了，全球变暖将如何影响未来几十年的太阳能生产。 由于光伏电池对温度很敏感，它们的性能主要取决于当地的气象条件，例如大气中的气溶胶浓度和水含量。最流行的光伏技术硅的性能随着温度和湿度水平的升高而降低。 尽管温度上升对太阳能电池性能的影响已在多项研究中得到解决，但对太阳辐射变化的预测仍不确定。现在，麻省理工学院的研究人员对气候变化对全球硅光伏电池性

新的深度神经网络使车辆在夜间更容易看到，同时确保其他司机不会被大灯弄瞎。 它可以使单个远光灯 LED 变暗，根据交通模式创建无眩光区域。 尽管前大灯中的远光灯显着增加了夜间能见度范围，但它们可能会给其他驾驶员带来危险的眩光。 今天，所有车辆都安装了远光灯，为驾驶员提供明亮的远距离照明，但这些灯光系统仍然需要手动控制。而且由于人类驾驶员容易出错，他们大多滥用（或未充分利用）这些远光灯。 现在，英伟达公司的研究人员开发了一种人工智能模型，可以让车辆在夜间更容易看到，同时确保其他司机不会被大灯弄瞎。换句话说，人工智能使用感知来减少迎面而来的汽车的眩光。 AutoHighBeamNet

新的数学模型可评估全球数据中心之间链路的故障概率。 它从金融风险理论中汲取灵感。 它可以帮助云服务提供商更好地利用其数据中心资源并节省数百万美元。 为了满足对云存储和云计算不断增长的需求，公司花费数百万美元来增加其 WAN 主干网的容量。 主要挑战之一是在网络可用性和利用率之间保持良好的平衡。高利用率的通道可能无法应对突发的流量激增，从而导致节点/链路故障。 为了解决这个问题，麻省理工学院、微软和希伯来大学的一个研究团队从金融风险理论中汲取灵感，开发了一种新的数学模型，帮助股市投资者在市场波动中最大限度地提高收益，同时最大限度地减少财务损失。 新模型称为 TeaVar（Traf

研究人员使用自由传播的电子来观察光在波长限制之外的表现。 他们能够开发一种新的全息方法来捕捉纳米级物体。 它可以为量子计算打开新的大门。 全息图的概念于 1948 年首次被发现，但直到 1960 年发明了合适的光源——激光，科​​学家们才能够创建全息图。从那时起，全息图在显示和科学图像领域迅速扩展. 光学全息现在已成为宏观材料 3D 成像和安全应用的流行方法。然而，这种方法的空间分辨率受到光波长（1 微米）的限制。因此，它不能用于成像更细小的（纳米级）物体。 最近，瑞士联邦理工学院的研究人员提出了一种技术，可以帮助他们观察光在超出波长限制（纳米尺度）的情况下如何表现。他们使用了一

NASA 将在 3 年内资助 600 万美元用于支持大学领导力倡议项目。 该项目旨在开发一种可排放零二氧化碳且无其他有害排放物的全电动飞机。 为了减少本世纪的气候变化，重要的是让一切都电气化，包括航空旅行。我们将需要电动飞机。尽管这个想法听起来有些牵强，但许多研究中心和私人组织正在努力在 2030 年之前实现电动飞行。 迄今为止设计的电动飞机使用电动机来驱动产生推力的螺旋桨。它们的电能成本比航空燃料低得多。与内燃机相比，尾气排放和噪音也较低。 最近十年，美国宇航局也涉足了这项技术。本月（2019 年 5 月），NASA 宣布他们将在 3 年内资助 600 万美元，以支持大学领导力倡议项

研究人员打造了首个通过降雪产生静电的设备。 它可以与太阳能电池板集成在一起，在下雪的条件下获得持续供电。 它还可以作为自供电传感器来监测风向和降雪率。 在降雪地区，很难获得绿色可再生能源，例如风力涡轮机和太阳能。极端天气条件，如日照时间短、云层覆盖时间长、低于零的温度和大雪堆积，都会影响能源生产。 几种替代技术利用这种当地的天气条件并提供更可行的能源生产策略。然而，通常的气象传感器和气象站有许多局限性，例如它们在极端环境下工作的能力、设计复杂、成本以及需要可持续电源才能有效运行。 最近，加州大学洛杉矶分校的研究人员开发了一种能够从降雪中发电的新设备。这是一种价格低廉的首创设备，像

一种新型木材可以反射阳光并散发多余的热量。 这种新木材的单位重量机械强度是钢材的 3 倍。 它可以将建筑物的温度最高降低 10°C，从而削减 60% 的冷却成本。 在美国，建筑物占用电量的近 70%，每年产生的国家能源费用超过 4300 亿美元。仅制冷和供暖就占了该能源使用量的 48%。 根据热力学第二定律，冷却比加热更具挑战性。到目前为止，科学家们已经提出了各种关于如何处理混凝土和钢铁生产的技术以及各种被动冷却方案来降低冷却成本。 现在，马里兰大学和科罗拉多大学的研究人员发现了一种单一的解决方案，该解决方案似乎可以使用反射阳光并散发多余热量的木质材料来管理一切。 制作新木 大多

新的 3D 卷积神经网络可以填充开始帧和结束帧之间的序列。 它使用潜在表示生成器来生成各种视频序列。 人工神经网络架构和生成对抗网络的最新进展促进了图像/视频合成方法的发展。现有的研究大多集中在两个操作上：无条件视频生成和视频预测。它们都涉及使用有限数量的过去帧生成/预测新的似是而非的视频。 最近，谷歌的一个研究团队专注于在只有两帧（开始帧和结束帧）可用时创建多样化和合理的视频序列的问题。该过程称为中间，通常通过使用门控循环单元或长短期记忆训练/运行循环神经网络来执行。 然而，在这项研究中，研究人员表明这个问题（中间）可以通过 3D 卷积神经网络解决。这种方法的一个主要优点是简单。由于

微软在对话式人工智能领域创造了新的记录。 他们开发了多任务深度神经网络的增强版本，用于学习跨各种自然语言理解任务的文本表示。 稳健且通用的语言表示对于在各种自然语言处理 (NLP) 任务中获得不错的结果很重要。集成学习是增强模型泛化的最有效方法之一。到目前为止，开发人员已经使用它在各种自然语言理解 (NLU) 任务中获得了最先进的结果，从机器阅读理解到问答。 然而，这种集成模型包含数百个深度神经网络 (DNN) 模型，并且实施起来非常昂贵。预训练模型（例如 GPT 和 BERT）的部署成本也非常高。例如，GPT由48个transformer层组成，15亿个参数，而BERT有24个tr

开发和优化大型神经网络可以排放多达 284,000 公斤的二氧化碳。 这相当于普通汽车生命周期排放量的 5 倍。 人工智能 (AI) 领域的最新进展迎来了一个基于海量数据训练的大型网络的新时代。这些网络在几个基本的自然语言处理 (NLP) 任务中具有显着的准确性改进。 尤其是最需要资源的模型获得了最高分。然而，训练这样的模型需要大量的计算资源，需要大量的能量。 最近，马萨诸塞大学阿默斯特分校的研究人员发表了一篇论文，他们通过对训练大型神经网络进行生命周期评估来描述 AI 模型的二氧化碳排放量。 十年前，可以在传统服务器或笔记本电脑上开发和训练 NLP 模型，但现在已不再如此。如今

一家名为 Lumii 的初创公司使图像在 ID、标签、包装等上呈现 3D 效果。 它使用受机器学习启发的算法将数千万个墨点准确地放置在干净薄膜的两侧。 该设计为印刷材料增添了动感、深度和色彩效果。 创建用于验证货币和产品的 3D 全息图通常需要复杂且昂贵的打印机。这就是使它们如此难以伪造的原因。 现在，麻省理工学院的一组研究人员开发了一种新技术，可以在印刷材料上复制全息图的视觉效果。它不使用任何花哨的显示屏或摄像头。 两位麻省理工学院的博士创办了一家名为 Lumii 的初创公司，该公司使图像在 ID、标签、包装等上呈现 3D 效果。他们多年来一直致力于这个项目。 3D 外观背后的技术

许多国家将大量资金（以数十亿计）投入太空计划。自 1958 年以来，美国一直处于领先地位——他们每年在美国国家航空航天局 (NASA) 上的支出超过 180 亿美元。有人质疑美国为什么在太空项目上花这么多钱。 事实上，美国宇航局自成立以来所做的不仅仅是研究外层空间。今天，您在日常生活中使用了很多您可能不知道是 NASA 研发成果的产品。我们重点介绍了一些我们每天都认为理所当然的 NASA 惊人发明。 30。耳温计 红外技术用于测量恒星的温度。耳温计（医院常用）也采用了相同的技术，通过检测鼓膜释放的能量来获取我们的体温。 29。鞋垫 1950 年代后期，美国宇航局在靴子中发明了 3

仅通过 Facebook 帖子就可以预测糖尿病、抑郁症、焦虑症和精神病等疾病。 与基因组信息一样，社交媒体内容能够个性化医疗保健。 超过 20 亿人在社交媒体平台上分享他们日常生活的信息，通常会透露他们的个性、情感和人口统计数据。预计到 2021 年，这一数字将超过 30 亿[每月活跃社交媒体用户]，约占总人口的 1/3。 此类信息包含人口层面的有用健康信号。最近，宾夕法尼亚医学院和石溪大学的研究人员将患者的电子病历 (EMR) 与他们的社交媒体数据联系起来，以识别某些疾病标志物。 研究团队包括 999 名同意分享他们的医疗记录和社交媒体信息的患者。他们分析了大约 949,000

宇宙的第一个 AI 模拟器既快速又准确。 AI 模型可以在 30 毫秒内模拟 6 亿光年宽的宇宙，相对误差为 2.8%。 令人惊讶的是，研究人员不知道这个模拟器是如何在幕后工作的。 为了解释我们宇宙的演化，科学家需要大量的模拟来从天空观测中提取信息。该过程涉及在数十亿年的庞大体积中使用精确的物理模型评估数十亿个粒子。 天体物理学家通常使用一种称为 N 体模拟的方法来预测宇宙的结构形成。但该方法计算量大。 现在，美国的一组研究人员开发了一种新模型——一种替代 N 体模拟的模型——来生成复杂的宇宙 3D 模拟。它使用深度学习技术在更短的时间内输出更准确的结果。 深密度位移模型 名为