研究人员利用人工智能在几秒钟内设计出行走机器人

研究人员利用人工智能在几秒钟内设计出行走机器人人工智能找出了这个机器人的缺陷，并进行了修改。到第10次迭代时，人工智能创造出了一个似乎真的可以在平面上移动的机器人。此时，团队不得不将其变为现实。他们制作了一个机器人身体周围负空间的3D打印模型，并填充了液态硅橡胶。固化几个小时后，这个软绵绵的机器人就可以进行测试了。通过反复充气然后放气，这个机器人就可以运动了。任务完成。"我们发现了一种非常快速的人工智能驱动设计算法，它可以绕过进化过程中的交通堵塞，而不会受制于人类设计师的偏见，"西北大学的萨姆-克里格曼（SamKriegman）说，他是该项目的首席研究员。"我们告诉人工智能，我们想要一个能在陆地上行走的机器人。然后，我们只需按下一个按钮，就可以了！它在眨眼之间就生成了一个机器人的蓝图，这个机器人看起来与地球上曾经行走过的任何动物都毫无二致。我把这个过程称为'瞬间进化'。"并不是每个人都会像克里格曼和他的公司一样对这一创造印象深刻，他们很清楚这一点。克里格曼说："当人们看到这个机器人时，他们可能会认为这是一个毫无用处的小玩意儿。而我看到的是一个全新有机体的诞生"。也许最令人印象深刻的是，人工智能是在一台普通的笔记本电脑上运行的，整个设计过程从开始到结束只用了大约26秒。更重要的是，研究小组没有向人工智能提供任何设计线索。它自己发现，腿是穿越陆地的好方法，尽管它选择了三条腿的设计来完成工作。如果有更多的时间和指导，看看人工智能能创造出什么样的产品，那将是一件非常有趣的事情。克里格曼相信，人工智能设计的机器人有一天会以各种方式帮助人类。他说，现在唯一的障碍是我们不知道如何设计它们。该团队的研究成果已发表在《美国国家科学院院刊》（ProceedingsoftheNationalAcademyofSciences）上。...PC版：https://www.cnbeta.com.tw/articles/soft/1388067.htm手机版：https://m.cnbeta.com.tw/view/1388067.htm

Osium AI：利用人工智能加速材料创新

OsiumAI：利用人工智能加速材料创新这家初创公司由SarahNajmark和LuisaBouneder创立，从YCombinator、Singular、KimaVentures、CollaborativeFund、RaisePhiture和几位天使投资人（JulienChaumond、ThomasClozel、IsaacOates、LizWessel、EbertHeraGroup、PatrickJoubert、SequoiaScout和AtomicoAngel）那里筹集到了260万美元的种子轮资金。本科期间，我曾从事过材料方面的研究，尤其是在化妆品领域。SarahNajmark告诉我："我看到材料开发方法仍然是非常手工的，需要进行大量的试错，许多方法主要依靠直觉。"毕业后，她加入了这家巨型科技公司的登月计划部门-GoogleX，花了三年时间研究机器人和深度技术。她与人合作撰写了一些专利。她说："作为技术负责人的我真正拥有了机器人和系统工程课题的端到端人工智能管道。""Najmark说："在与许多工业公司的讨论中，我们也意识到了与可持续发展相关的新挑战，即新材料的开发：更轻的材料（例如航空材料），以及更耐用、更环保的材料，还有优化和更环保的制造工艺。"联合创始人LuisaBouneder花了三年时间为工业公司开发数据产品，尤其是在材料领域。她还注意到，大量的试验和错误拖慢了开发进程。她评价说："这是一个真正影响各类行业的话题，包括建筑、包装、航空、航天、纺织和智能手机。"图片来源：OsiumAI那么，OsiumAI究竟是如何工作的呢？这就是利用数据驱动方法优化材料配方和测试之间的反馈回路。利用这家初创公司的专有技术，工业公司可以根据一系列标准预测新材料的物理性质。之后，OsiumAI还能帮助完善和优化这些新材料，同时避免试错过程中常见的错误。一些工业公司已经在试用OsiumAI的解决方案，他们看到了其中的潜力。"我们的用户认为，我们的解决方案可以让他们将材料的开发和分析速度提高10倍。因此从测试一开始，我们就看到了我们带来的价值，"Najmark说。在很多方面，OsiumAI才刚刚起步。公司目前只有两名员工（两位联合创始人），因此这家初创公司很快就会扩大团队，并开始将这些工业测试转化为正式合同。...PC版：https://www.cnbeta.com.tw/articles/soft/1399055.htm手机版：https://m.cnbeta.com.tw/view/1399055.htm

人工智能的未来：自学习机器可能取代当前的神经网络

人工智能的未来：自学习机器可能取代当前的神经网络基于物理学的新型自学机器可以取代目前的人工神经网络并节约能源。人工智能（AI）不仅性能惊人，而且需要大量能源。承担的任务越复杂，能耗就越大。德国埃尔兰根马克斯-普朗克光科学研究所的科学家维克托-洛佩斯-帕斯托尔和弗洛里安-马夸特开发出了一种更高效的人工智能训练方法。他们的方法利用物理过程，有别于传统的数字人工神经网络。负责开发为ChatGPT提供动力的GPT-3技术的OpenAI公司没有透露训练这个知识渊博的高级人工智能聊天机器人所需的能量。根据德国统计公司Statista的数据，这将需要1000兆瓦时，大约相当于200个三人或三人以上的德国家庭的年消耗量。虽然这种能源消耗使GPT-3能够了解在其数据集中，"deep"一词后面更有可能出现的是"sea"还是"learning"，但无论如何，它都无法理解这些短语的深层含义。神经形态计算机上的神经网络在过去几年中，为了降低计算机，特别是人工智能应用的能耗，一些研究机构一直在研究一种全新的概念，即未来计算机如何处理数据。这一概念被称为神经形态计算。虽然这听起来类似于人工神经网络，但实际上与人工神经网络关系不大，因为人工神经网络是在传统的数字计算机上运行的。这意味着，软件或更准确地说算法是以大脑的工作方式为模型的，但数字计算机是硬件。它们依次执行神经元网络的计算步骤，一个接一个，区分处理器和内存。马克斯-普朗克光科学研究所所长、埃尔兰根大学教授弗洛里安-马夸特（FlorianMarquardt）说："当一个神经网络用多达1TB的数据训练数千亿个参数（即突触）时，仅这两个组件之间的数据传输就会消耗大量能量。"如果人脑的工作能效与使用硅晶体管的计算机类似，那么人脑就完全不同，在进化过程中可能永远不会具有竞争力。它很可能会因过热而失效。大脑的特点是并行而非顺序地完成思维过程的众多步骤。神经细胞，或者更准确地说，突触，既是处理器，又是存储器。世界各地的各种系统都被视为神经细胞的神经形态对应物的可能候选者，其中包括利用光而不是电子进行计算的光子电路。它们的元件同时充当开关和存储单元。自学物理机器独立优化突触弗洛里安-马夸特与马克斯-普朗克光科学研究所的博士生维克托-洛佩斯-帕斯托尔（VíctorLópez-Pastor）一起，为神经形态计算机设计出了一种高效的训练方法。他解释说："我们提出了自我学习物理机器的概念。核心思想是以物理过程的形式进行训练，其中机器的参数由过程本身进行优化。在训练传统人工神经网络时，需要外部反馈来调整数十亿个突触连接的强度。不需要这种反馈，训练效率就会高得多。在自学习物理机器上实施和训练人工智能，不仅可以节约能源，还能节省计算时间。我们的方法不管自学机器中的物理过程是什么，都能发挥作用，我们甚至不需要知道具体的过程。不过，这个过程必须满足几个条件，最重要的是，它必须是可逆的，也就是说，它必须能够以最小的能量损失向前或向后运行。""此外，物理过程必须是非线性的，即足够复杂。只有非线性过程才能完成输入数据和结果之间的复杂转换。一个弹球在盘子上滚动而不会与另一个弹球相撞，这是一个线性动作。但是，如果它受到另一个弹球的干扰，情况就会变成非线性的。"光学神经形态计算机的实际测试光学中也有可逆非线性过程的例子。事实上，维克多-洛佩斯-帕斯托尔（VíctorLópez-Pastor）和弗洛里安-马夸特（FlorianMarquardt）已经与一个实验小组合作开发了一台光学神经形态计算机。这台机器以叠加光波的形式处理信息，由合适的元件调节互动的类型和强度。研究人员的目标是将自学物理机器的概念付诸实践。弗洛里安-马夸特说："我们希望能在三年内推出第一台自学物理机器。到那时，神经网络的突触数量和训练数据量都将大大超过今天的水平。因此，人们可能会更加希望在传统数字计算机之外实现神经网络，并用训练有素的神经形态计算机取而代之。我们相信，自学物理机器很有可能被用于人工智能的进一步发展。"...PC版：https://www.cnbeta.com.tw/articles/soft/1399137.htm手机版：https://m.cnbeta.com.tw/view/1399137.htm

IBM 利用人工智能将 COBOL 代码转译成 Java

IBM利用人工智能将COBOL代码转译成Java但是，COBOL因其难以驾驭同时又效率低下而声名狼藉。为什么不迁移到更新的语言呢？这是因为对于大型企业来说，由于世界上的COBOL专家为数不多，这往往是一个复杂且成本高昂的命题。澳大利亚联邦银行在2012年更换其核心COBOL平台时，耗时五年，花费超过7亿澳元。为了给COBOL应用程序的现代化问题提供一个新的解决方案，IBM今天发布了IBMZ的CodeAssistant，它使用代码生成人工智能模型将COBOL代码翻译成Java。CodeAssistantforIBMZ将于2023年第四季度全面上市，并将于今年9月初在拉斯维加斯举行的IBMTechXchange大会上进行预览。IBMResearch首席科学家RuchirPuri表示，CodeAssistantforIBMZ旨在帮助企业重构其大型机应用程序，最好能同时保持性能和安全性。CodeAssistant可在本地运行，也可作为托管服务在云中运行，它由代码生成模型CodeNet提供支持，该模型不仅能理解COBOL和Java，还能理解约80种不同的编程语言。"IBM建立了一个全新的、最先进的人工智能代码生成模型，可以将传统的COBOL程序转换为企业级Java，生成的代码具有高度的自然性，"Puri在接受电子邮件采访时说。"除了代码转换，代码助手还支持完整的应用现代化生命周期，帮助开发人员在现代架构中理解、重构、转换和验证翻译后的代码。"CodeNet使用1.5万亿个标记进行训练，拥有200亿个参数，并设计了一个大型上下文窗口--32,000个标记--以"捕捉更广泛的上下文"，从而实现"更高效的COBOL到Java转换"。参数是模型从历史训练数据中学到的部分，本质上定义了模型处理问题（如生成文本）的技能，而"标记"则代表原始文本（例如，"fantastic"一词的"fan"、"tas"和"tic"）。至于上下文窗口，它指的是模型在生成额外文本之前所考虑的文本。如今有很多工具、应用程序和服务可以将COBOL应用程序转换为Java语法，其中一些是完全自动化的。Puri承认这一点，但他认为CodeAssistant在降低成本和生成易于维护的代码的同时，采取了避免牺牲COBOL功能的措施，这与市场上的某些竞争对手的产品不同。Puri说："IBM为IBMZ大型机打造的代码助手能够混合和匹配COBOL和Java服务。如果系统的'理解'和'重构'功能建议应用程序中的某个子服务需要保留在COBOL中，它就会保持这种状态，而其他子服务则会转换成Java。"这并不是说CodeAssistant是完美无缺的。斯坦福大学最近的一项研究发现，使用类似代码生成人工智能系统的软件工程师更有可能导致他们开发的应用程序出现漏洞。事实上，普里警告说，在经过人类专家审查之前，不要部署代码助手生成的代码。Puri说："与任何人工智能系统一样，企业的COBOL应用程序可能存在独特的使用模式，而IBMZ代码助手可能尚未掌握这些模式。必须使用最先进的漏洞扫描仪扫描代码，以确保代码的安全性。"撇开风险不谈，IBM无疑认为代码助手等工具对其未来的发展非常重要。目前，IBM大约84%的大型机客户运行COBOL，其中大部分是金融和政府部门的客户。虽然IBM大型机部门在其整体业务中仍占很大比重，但该公司将大型机视为通向其托管和促进的广阔、有利可图的混合计算环境的桥梁。IBM也看到了更广泛的代码生成人工智能工具的前景--打算与GitHubCopilot和亚马逊CodeWhisperer等应用竞争。今年5月，IBM在其WatsonxAI服务中推出了fm.model.code，该服务为WatsonCodeAssistant（沃森代码助手）提供了支持，允许开发人员在包括红帽的AnsibleLightspeed在内的各种程序中使用纯英文提示生成代码。...PC版：https://www.cnbeta.com.tw/articles/soft/1378851.htm手机版：https://m.cnbeta.com.tw/view/1378851.htm

MIT研发人工智能副驾驶 提高人类精确度 打造更安全的天空

MIT研发人工智能副驾驶提高人类精确度打造更安全的天空有了Air-Guardian，计算机程序就能跟踪人类飞行员的视线（使用眼动跟踪技术），从而更好地了解飞行员在关注什么。这有助于计算机根据飞行员正在做或打算做的事情做出更好的决策。图片来源：AlexShipps/MITCSAILviaMidjourney这就是麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员开发的"空中卫士"系统。现代飞行员需要应对来自多个监视器的大量信息，尤其是在关键时刻，Air-Guardian可以充当主动的副驾驶；这是人类与机器之间的合作关系，其根本在于理解注意力。但它究竟是如何确定注意力的呢？对人类来说，它使用眼动跟踪，而对神经系统来说，它依赖于一种叫做"突出图"的概念，它能精确定位注意力的方向。这些地图可以作为视觉指南，突出显示图像中的关键区域，帮助掌握和解读复杂算法的行为。Air-Guardian通过这些注意力标记识别潜在风险的早期迹象，而不是像传统的自动驾驶系统那样，只在出现安全漏洞时才进行干预。该系统的广泛影响超出了航空领域。有朝一日，类似的合作控制机制可能会用于汽车、无人机和更广泛的机器人领域。麻省理工学院CSAIL博士后LianhaoYin是有关Air-Guardian的新论文的第一作者，他说："我们的方法有一个令人兴奋的特点，那就是它的可区分性。我们的合作层和整个端到端过程都可以训练。我们特别选择了因果连续深度神经网络模型，因为它在映射注意力方面具有动态特性。另一个独特之处在于适应性。Air-Guardian系统并不死板，它可以根据实际情况进行调整，确保人机之间的平衡合作。"实地测试和结果在实地测试中，飞行员和系统在导航到目标航点时都根据相同的原始图像做出了决定。Air-Guardian的成功是根据飞行过程中获得的累积奖励和到达航点的较短路径来衡量的。监护人降低了飞行的风险水平，提高了导航到目标点的成功率。麻省理工学院CSAIL研究机构成员、液态神经网络发明人拉明-哈桑尼（RaminHasani）补充说："该系统代表了以人为本的人工智能航空创新方法。我们使用液态神经网络提供了一种动态、自适应的方法，确保人工智能不会仅仅取代人类的判断，而是对人类判断的补充，从而提高天空中的安全性和协作性。"技术基础与未来展望Air-Guardian的真正优势在于其基础技术。它采用基于优化的合作层，利用人类和机器的视觉注意力，以及以擅长破译因果关系而闻名的液态闭式连续时间神经网络（CfC），分析传入的图像以获取重要信息。作为补充，VisualBackProp算法可识别系统在图像中的焦点，确保清晰了解其注意力图谱。要想在未来得到广泛应用，还需要完善人机界面。反馈信息表明，一个指示器（如条形图）可能会更直观地显示监护系统何时开始控制。空中卫士预示着一个更加安全的天空新时代的到来，它为人类注意力动摇的时刻提供了一个可靠的安全网。麻省理工学院安德鲁（1956）和埃尔纳-维特比（ErnaViterbi）电气工程与计算机科学教授、CSAIL主任、论文资深作者丹妮拉-鲁斯（DanielaRus）说："空中卫士系统突出了人类专长与机器学习之间的协同作用，进一步实现了在具有挑战性的场景中利用机器学习增强飞行员能力并减少操作失误的目标。哈佛大学计算机科学助理教授斯蒂芬妮-吉尔（StephanieGil）说："在这项工作中使用视觉注意力指标的最有趣的成果之一，就是有可能让人类飞行员更早地进行干预，并提高可解释性。这展示了一个很好的例子，说明如何利用人工智能与人类合作，通过利用人类与人工智能系统之间的自然交流机制，降低实现信任的门槛。"...PC版：https://www.cnbeta.com.tw/articles/soft/1388203.htm手机版：https://m.cnbeta.com.tw/view/1388203.htm

引入对抗性训练可以让人工智能更难被攻击和愚弄

引入对抗性训练可以让人工智能更难被攻击和愚弄洛斯阿拉莫斯国家实验室的研究人员开发了一种比较神经网络的新方法，该方法着眼于人工智能的"黑箱"，以帮助研究人员理解神经网络的行为。神经网络可以识别数据集中的模式，并被用于虚拟助手、面部识别系统和自动驾驶汽车等不同的应用中。PC版：https://www.cnbeta.com/articles/soft/1330007.htm手机版：https://m.cnbeta.com/view/1330007.htm