研究人员使用机器学习算法（最初是为垃圾邮件过滤而开发的）来分析 Hydra 的行为。  它可以实时分析行为并显示 Hydra 的神经元如何响应不同的环境。  为此，他们对包含 Hydra 所有活动的视频应用了词袋分类模型。  几个世纪以来，我们一直在研究动物的行为。它涉及大量详细的观察和潜心的关注。但有一些有效的技术可以自动化识别和分类过程。 最近，哥伦比亚大学的科学家展示了如何使用垃圾邮件过滤算法来分析动物的行为。他们建立了一个自动行为分析管道，可以学习（从视频中）挑选出 Hydra 的完整行为指令。 水螅是一种具有再生能力的淡水生物——它们不会因年老而死亡。它们没有任何大脑，但数百

科学家开发了一种通过量子级联激光器中的红外频率梳产生太赫兹频率的技术。 在此频段传输的数据传输速度是现有无线网络的数百倍以上。  这是第一次有人证明激光器能够充当正交调制器。  蜂窝数据和 WiFi 流量正在以惊人的速度增长。到 2020 年，全球将有超过 500 亿台 WiFi 连接设备。但速度会受到无线网络容量的限制，这些设备产生的流量可能会导致难以忍受的瓶颈。 即将推出的第五代无线系统是一个临时解决方案，将于 2018 年及以后部署。其毫米波频段每秒可处理高达 20 吉比特 (Gbit/s) 的数据。然而，这似乎不是一个长期的解决方案。 因此，科学家们将重点放在电磁频谱的亚毫米波

新型自动驾驶汽车技术无需使用 3D 地图即可在农村地区导航。  它将本地系统与开放街道地图相结合，用于导航各个路段。   无地图驾驶框架使用 LiDAR 传感器可靠地跟踪道路边界。 现有的自动驾驶汽车需要 3D 地图来导航。这就是自动驾驶汽车实际上无法在所有地方自动驾驶的原因。 事实上，美国超过 1/3 的道路没有铺砌，并且 65% 的道路没有可靠的车道标记。 这些车辆使用预先设计的地图来了解它们在哪里、要走什么路线以及如果它们看到任何障碍物该怎么办。由于大部分农村道路连通性较差，自动驾驶难度极大。 为了解决这个问题，麻省理工学院的工程师（与丰田研究院合作）开发了一种先进的系统——无

科学家开发出一种新型显微镜，可以对多细胞生物体的亚细胞动态进行成像。  为此，他们将晶格光片显微镜和自适应光学技术结合起来。  他们能够实时观察细胞器在细胞内塑造自身的行为。  1665 年，罗伯特·胡克 (Robert Hooke) 使用显微镜观察一小片软木塞，发现了小块，他称之为“细胞”。从那时起，许多创新人士做出了无数的努力，以更好地了解这些生命的组成部分。 现在，哈佛医学院和霍华德休斯医学研究所的研究人员开发了一种先进的显微镜，可以捕获特殊的细节，包括活细胞的 3D 图片和视频。 显微镜的分辨率能够对多细胞生物中的亚细胞动力学进行成像，例如通过细胞运输分子货物的囊泡（微小气泡）

新的人工智能可以精确估计生物年龄和与健康相关的主要风险因素。  它会分析智能手机和可穿戴设备收集的数据。 开发者发布了一款应用，可以观察您的日常活动模式如何影响您的预期寿命。   基因表达、DNA 和血液循环水平等许多生物因素与年龄密切相关。然而，基因组图谱或大规模生化对于科学研究以外的任何应用来说都是相当困难和昂贵的。 为了让事情变得简单，生物技术公司 GERO 和俄罗斯莫斯科物理技术研究所的开发人员建立了一个人工智能系统，可以估计生物年龄和与健康相关的主要风险因素。它的工作原理是分析智能手机和可穿戴设备收集的数据。 人工智能已经在模式识别、语音识别、视觉对象识别等领域展现出惊人的性

Facebook 人工智能研究团队构建了一个通用音乐翻译网络。  它会复制听到的音频，并以各种风格、流派和乐器进行播放。  它可以处理闻所未闻的音乐源（例如拍手声或口哨声），并生成高质量的音频。 说到音乐，人类一直创造性地复制歌曲，并通过拍手、吹口哨或在不同的乐器上演奏将其变成各种其他形式。 尽管音乐是最早被计算机和算法数字化和处理的领域之一，但今天的人工智能在模仿音频方面仍然远远不如人类。 现在Facebook AI研究团队开发了一种通用音乐翻译网络，可以将音乐从一种形式转换为另一种形式。它复制它听到的音乐，并以不同的风格、流派和乐器播放。 他们是怎么做到的？ 该AI系统基于2项最

科学家利用扫描电子显微镜建造了世界上最小的微型房屋。  它长近 20 微米，建立在劈裂光纤上。  该实验是展示 µRobotex 准确性和灵活性的有趣方式。  在纳米尺度上工作是一项极其困难的任务。开发微型折纸结构涉及大量复杂的材料、组装技术和机器人设计。 现在，法国 Femto-ST 研究所的科学家们已经开发出一种在如此小规模下工作的新方法。他们使用双束扫描电子显微镜（SEM）/聚焦离子束（FIB）和6自由度机器人制造了世界上最小的微型房屋。 他们首次实现了小于 2 纳米的图案化和组装精度，这可能有利于未来的机器人和光学应用。 他们是如何构建这个的？ 他们将纳米组装组件组合在真空室

电池可用于窃取智能手机上的敏感信息。  为此，工程师在电池内部集成了一个微控制器，以监控电池的使用峰值。  然后，他们使用人工智能将这些尖峰与特定的击键相匹配。  德克萨斯大学、以色列理工学院和希伯来大学的安全研究人员发现，智能手机电池可以在您不知情的情况下窃取您的敏感信息。 如今，移动设备配备了“智能电池”，旨在提供响应能力并延长电池寿命。但是，这些电池可能会使您的所有数据（您在手机上输入的所有内容）面临风险。 研究人员已经演示了如何使用恶意电池来监视用户的活动，并通过秘密通道将收集到的私人数据发送给远程攻击者。他们表明，设备的电池电量日志（以 1 KHz 采样）有足够的数据来提取广

新型自热电池可在低至 -42°C 的温度下在 15 分钟内充满电。  它可以承受 4,500 次充电周期，容量仅损失 20%。  这相当于 12 年的电池生命周期或 280,000 英里的电动汽车使用寿命。 大型汽车制造商之间正在进行一场激动人心的竞赛，以增加快速充电站的功率和数量。 2017年，戴姆勒、大众、福特和宝马成立了一家合资企业，计划到2020年底在欧洲建造400个“超快”充电站。与此同时，本田计划到2022年推出具有15分钟快速充电能力的电动汽车。 2018年5月，美国能源部宣布拨款1900万美元，支持先进电池和电气化研究，将充电功率进一步提升至400kW。 现有的电动汽

DARPA 开发了基于机器学习的工具来生产新分子。 该计划名为 Make-It，可以加快多种军事产品和应用的化学发现过程。 现代有机化学最严峻的挑战之一是教计算机如何规划化学合成。尽管经过多年的研究，我们仍未能实现由计算机构建并在实验室成功实施的完整路径。 目前，计算机软件/硬件还不足以处理庞大的化学转化知识库、有效地导航巨大的合成可能性“树”和高阶逻辑。 DARPA 目前正在开发一种基于专家编码和机器学习技术的软件工具，以预测针对时间、成本、安全性和废物最小化等参数进行优化的合成途径。 该计划名为 Make-It，旨在解放研究人员，使他们能够专注于化学创新，而不是测试众多化合物合

一种新算法通过大幅减少解决问题所需的迭代次数，以指数方式加快计算速度。 它在大规模数据集（例如社交媒体分析和聚类遗传数据）上的表现远远优于传统（顺序）算法。  数以千计的优化问题（从所有可行的解决方案中找到最佳解决方案的问题），例如将资金分配给股票以最大限度地降低回报风险，或将员工分配到可用的办公室以最大化工作流程和员工统计人员，都严重依赖顺序算法。 这些算法的基本工作模式自 20 世纪 70 年代初首次建立以来一直没有改变（增强）。他们以“n”步顺序解决任何特定问题。 步骤的数量取决于问题的大小（为算法提供某些值作为输入）。这种方法通常会导致计算瓶颈。随着算法的进行，每次迭代的相对

研究人员开发了一种利用量子系统和机器学习技术测量磁场的新方法。 它们的灵敏度比传统技术高 6 倍。  人们测量事物的精确程度存在一定的限制。以 X 射线图像为例，它非常模糊，需要专业医生才能正确解读。虽然更高的强度和更长的曝光时间可以改善多个组织之间的对比度，但如此大量的辐射对人类来说并不安全。 您可能知道标准量子极限，它表示测量精度与给定资源的平方根成反比。您应用的资源（辐射功率、时间、图像数量）越多，您的测量就越准确。因此，更高的精度意味着使用广泛的资源。 现在，来自 MIPT、阿尔托大学、兰道研究所和苏黎世联邦理工学院物理系的国际物理学家团队提出了一种更好的方法，利用量子系统和机

研究人员开发了一种神经网络，可以从 2D 图像生成完整的 3D 头发几何形状。  该网络能够在几毫秒内渲染多达 30,000 根头发。 它可以平滑地采样和插入各种发型，包括波浪、卷曲和直发。  在数字化虚拟人类时，在机器上渲染真实的头发可能是最艰巨的任务。与眼睛、鼻子和耳朵等其他物体相比，头发的形状变化范围广泛，并且由于每根单丝的可变形程度及其体积结构而可能极其复杂。 现有系统并不是不能生成高质量的 3D 头发模型，但它们通常需要特定的硬件和软件设置，而这些设置并不容易部署。一些现代技术确实利用了数据驱动的方法，但它们对于实时应用程序和内存空间有限的系统来说并不可行。 现在，微软、Pi

新的卷积网络学习将颜色从一个参考帧复制到后续帧。  在执行此操作时，它可以跟踪不同的对象并通过遮挡进行跟踪。  它还可以跟踪人体姿势。  教机器跟踪视频中的对象是计算机视觉中最困难的任务之一，主要是因为它需要巨大的标记训练数据集来进行跟踪。当然，记录和标记地球上发生的一切是不切实际的。 这就是为什么有必要建立一个在没有人类监督的情况下学习跟踪的系统，而不是利用大量原始的、未标记的剪辑。 你问，为什么它如此重要？嗯，跟踪视频中的对象对于许多应用都很有用，例如对象交互、活动识别、视频风格化等等。 现在，谷歌的研究人员开发了一种卷积网络，可以学习从单个参考帧复制颜色。该模型被限制为使用视频第

新型卷积神经网络可以分析人类呼吸中的化合物并检测疾病。 该技术使整个过程变得更快、更便宜且更可靠。 它可用于法医学、医学和环境分析。 如今，人工智能 (AI) 引起了很多关注。开发人员正在将人工智能融入几乎所有领域：无论是识别人群中的声音、制造全自动车辆、将视频转换为高质量，还是开发更好的电池或炸药，人工智能已经在所有领域证明了其非凡的能力。 从现在开始，AI也能闻了。爱丁堡大学、西部总医院和拉夫堡大学的研究人员建立了一个基于深度学习的系统，可以检查人类呼吸中的化合物并检测疾病，包括不同类型的癌症，其准确性比人类更高。 典型的人类呼吸含有 1,000 多种不同的挥发性有机化合物，它们是

研究人员提出多域显示来改善视角和色彩再现。  它适用于液晶聚合物聚（二正烷基硅氧烷）。  它可以简化制造过程并在印刷和有机电子领域打开新的大门。  液晶显示器 (LCD) 市场已充分认识到液晶物质态的优势，它结合了移动性和有序性，可实现高效率、低功耗和设备紧凑性。 然而，LCD 技术的主要限制之一是它的视角：从侧面看，它不能准确地呈现颜色。这是由于液晶的共排列而发生的。 为了解决这个问题，来自德国、俄罗斯和法国的研究人员组成的国际团队提出了一种液晶定向新技术。让我们看看他们到底做了什么来克服这个几十年前的问题。 液晶 大多数晶体是固体：它们的原子或分子形成有序的 3D 结构。但液晶缺

独特的窗户涂层技术可以提高普通家庭的能源效率。  半透明光伏电池是一种轻质、色彩丰富的薄膜，能够将窗户变成隔热体和发电机。  环保建筑（通常称为绿色建筑）的趋势增加了先进窗户涂料的普及，这种涂料可以通过阻挡不必要的阳光辐射来降低制冷或供暖成本。 绿色建筑实践补充了传统建筑设计对实用性、耐用性、经济性和舒适性的关注。它们激励工程师和研究人员开发薄型、透明的太阳能电池，可以将窗户变成小型发电机。 如果这两种功能可以结合到一种与窗户兼容的材料中，这不是令人难以置信吗？现在，中国的一个材料工程师团队也取得了同样的成就。他们开发了一种独特的涂层技术来提高普通家庭的能源效率。 半透明有机光伏 商

智能绷带可以监测慢性伤口的状况并提供适当的药物。  它具有在羊皮纸上制作的 pH 值、温度和氧气传感器。 所有组件均经过精心挑选，以保持低成本。  慢性不愈合伤口，如床结石和糖尿病足，每年影响超过 650 万美国人。根据一项研究，每年治疗此类伤口的费用超过 250 亿美元，并且由于老龄化人口中糖尿病和肥胖症的加剧，该费用每年都在增加。 现有的治疗方法是通用的、劳动密集型的并且相当昂贵。大多数情况下，他们依赖于典型的清洁、氧疗、清创（去除受损组织）或全身施用抗生素。医院和诊所提供的敷料——水胶体、泡沫、水凝胶、藻酸盐等——效果并不理想。 因此，塔夫茨大学的研究人员制造了一种智能绷带，可

神经网络可以自动增强您的照片，而无需接受无噪照片的训练。 它可用于低光摄影、磁共振成像和基于物理的图像合成。  如果您可以在不使用 Photoshop 的情况下拍摄低光、像素化或颗粒状的照片并消除伪像和噪点，那不是很好吗？新的机器学习模型可以通过简单地观察损坏图像的样本来完成同样的任务。 从损坏的测量中重建信号是统计数据分析的关键部分。如今，由于机器学习技术的最新进展，我们看到人们对避免信号损坏的传统统计建模非常感兴趣。 麻省理工学院、英伟达和阿尔托大学的研究人员已将基本统计推理应用于使用神经网络的信号重建。它学会了恢复信号，而无需查看干净的信号。 它不同于其他最先进的方法或最近开发

新的机器学习模型可以根据预告片预测观众最有可能观看的电影内容。  它使用协作过滤方法来提取预告片特征，例如面孔、物体、风景等。 然后将这些特征与出席人数和人口统计数据相结合，以预测观众出席人数。 预告片是新电影营销活动中最重要的部分。它们呈现人物、传达情节、揭示故事情节的一些暗示，并提高电影爱好者的认知度。 对于电影制作人来说，这是一个了解观众观点的机会：他们喜欢什么，什么没有给他们留下深刻的印象。通常，这些细节可以帮助他们规划营销活动的下一步策略。 为了帮助获得最佳的预告片预览，20 世纪福克斯电影制片厂的工程师构建了一种名为 Merlin Video 的机器学习方法，该方法可以根据