人工智能设计的合成骨骼有望变革未来的骨科手术

人工智能设计的合成骨骼有望变革未来的骨科手术 在最近的一项研究中，研究人员利用机器学习、优化、3D 打印和应力实验，开发出一种可复制人类骨骼功能的材料，用于骨科股骨修复，揭示了这种复杂关系的奥秘。伊利诺伊大学厄巴纳-香槟分校的研究人员展示了这种新型生物启发材料的三维打印树脂原型，图中的原型附着在人体股骨骨折的合成模型上。图片来源：Fred Zwicky股骨骨折修复的挑战股骨（上肢的长骨）骨折是一种常见的人体损伤，在老年人中十分普遍。断裂的边缘导致应力集中在裂缝尖端，增加了骨折延长的几率。修复股骨骨折的传统方法通常是通过外科手术，用螺钉将金属板固定在骨折处，这可能会导致松动、慢性疼痛和进一步损伤。研究生贾颖琦（左）和教授张雪莉利用机器学习和三维打印技术制造出一种新型生物启发材料，这种材料可能会改善骨折愈合的传统方法。图片来源：Fred Zwicky骨科修复的创新方法这项研究由伊利诺伊大学厄巴纳-香槟分校土木与环境工程系教授谢利-张（Shelly Zhang）、研究生贾颖琦（音译）和北京大学教授刘克（音译）共同领导。他们的研究成果发表在《自然-通讯》（Nature Communications）上，介绍了一种创新的骨科修复方法，该方法利用完全可控的计算框架来生产一种模仿骨骼的材料。"我们从材料数据库入手，使用虚拟生长刺激器和机器学习算法生成虚拟材料，然后学习其结构和物理性质之间的关系，"张说。"这项工作与以往研究的不同之处在于，我们更进一步，开发了一种计算优化算法，以最大限度地提高我们可以控制的结构和应力分布。"在实验室中，张的团队利用三维打印技术制造出了这种新型生物启发材料的全尺寸树脂原型，并将其附着在骨折人体股骨的合成模型上。尽管骨骼、鸟类羽毛和木材等天然材料的结构并不规则，但它们在物理应力分布方面具有智能。一项整合了机器学习、3D 打印和应力实验的新研究让工程师们得以深入了解这些自然奇观，开发出一种可复制人类骨骼功能的材料，用于骨科股骨修复。张说："有了切实可行的模型，我们就可以进行真实世界的测量，测试其功效，并确认有可能以类似于构建生物系统的方式生长合成材料。我们设想这项工作将有助于制造出通过提供优化的支持和保护以抵御外力作用来刺激骨骼修复的材料。""这种技术可以应用于各种生物植入物，只要需要进行应力操作。"她说："方法本身非常通用，可以应用于不同类型的材料，如金属、聚合物几乎任何类型的材料。关键在于几何形状、局部结构和相应的机械特性，这使得应用几乎无穷无尽。"编译来源：ScitechDaily ... PC版： 手机版：

《智能的本质》 (人工智能与机器人领域的64个大问题) 斯加鲁菲

《智能的本质》 (人工智能与机器人领域的64个大问题) 斯加鲁菲 简介：在《《智能的本质》 (人工智能与机器人领域的64个大问题) 斯加鲁菲》这本资料中，你将获得关于《智能的本质》 (人工智能与机器人领域的64个大问题) 斯加鲁菲的系统性学习体验。从基础到深入，涵盖多个知识点，让你轻松掌握相关内容，并运用到实际生活或工作中。 标签： #《智#学习#成长#进步 文件大小NG 链接：https://pan.quark.cn/s/b85d3da33160

人类离实现强人工智能还有多远？

人类离实现强人工智能还有多远？ 很多年前研究过这个问题，那时候觉得难度非常大，因为人和机器之间需要交流的语言是一个巨大的障碍，那时候我的观点是，即便实现带意识的机器，可能也无法与人很好交流协作。 现在大模型出来后、尤其是看了Gemini之后突然发现这个障碍已经不存在了，剩下的一个难点是实现机器意识。这个还有多远的路程？分析了一下需要实现下面几个步骤： 1.实现实时学习的算法。数据训练好之后，不能固化下来，必须实现实时自学习才行。这就需要实现长期记忆、短期记忆、工作记忆分层，才能达到这个效果，还有一段距离，但应该不难。 2.实现自我感知。算法不但能感知人类输入的信号，还要能感知自身的信号，比如机器的输出、机器的思考（计算）过程。 3.实现自驱动。目前的所有算法都是被动式计算，就是你给输入数据，机器计算然后给出结果，这是不行的。需要的是实现机器自身的计算保持自驱动，即随时保持巡航状态。这需要提升算法性能，实际上人脑的计算非常聪明，效率极高，首先计算是分布式并行的 不需要动用整个大脑的计算能力去计算一个局部问题，而且注意力机制保证了粗算与精算结合 大大提高效率。在效率方面目前的算法离人类算法还差的很远，要实现更优的算法 大模型的结构设计还得优化，目前来说大模型的结构基本还是flat状态，非常初级。 克服上面三个问题，大模型基本就已经实现强智能了，具有与人类等同的意识。我预计这个过程可能会在20年内完成。以前我很悲观，觉得人类50年内不可能实现，现在看来好像都不是无法跨越的障碍了。 好兴奋，想想50年后满大街都是机器人的样子，而且是真正的机器“人”哦，不是一个某方面像人的机器，那真是一个很魔幻的世界。

MIT研究人员利用人工智能将仓库改造成高效枢纽

MIT研究人员利用人工智能将仓库改造成高效枢纽 在一个巨大的机器人仓库里，数百个机器人在地面上来回穿梭，抓取物品并交付给人类工人进行包装和运输。这种仓库正日益成为从电子商务到汽车生产等许多行业供应链的一部分。然而，要让 800 个机器人高效地往返于目的地，同时又要防止它们相互碰撞，并非易事。这个问题非常复杂，即使是最好的路径搜索算法，也很难跟上电子商务或制造业的飞速发展。人工智能驱动的高效解决方案从某种意义上说，这些机器人就像试图在拥挤的市中心穿梭的汽车。因此，一群利用人工智能缓解交通拥堵的麻省理工学院研究人员运用了这一领域的理念来解决这一问题。他们建立了一个深度学习模型，对仓库的重要信息（包括机器人、计划路径、任务和障碍物）进行编码，并利用这些信息预测仓库的最佳疏导区域，以提高整体效率。他们的技术将仓库中的机器人分成若干组，因此这些较小的机器人组可以用协调机器人的传统算法更快地消除拥堵。最终，与强随机搜索法相比，他们的方法疏导机器人的速度快了近四倍。除了简化仓库作业，这种深度学习方法还可用于其他复杂的规划任务，如计算机芯片设计或大型建筑的管道布线。尖端的神经网络架构"我们设计了一种新的神经网络架构，它实际上适用于这些仓库这种规模和复杂程度的实时操作。它可以对数百个机器人的轨迹、出发地、目的地以及与其他机器人的关系进行编码，而且能以一种高效的方式在各组机器人之间重复使用计算，"土木与环境工程（CEE）专业吉尔伯特-W-温斯洛职业发展助理教授、信息与决策系统实验室（LIDS）和数据、系统与社会研究所（IDSS）成员凯茜-吴（Cathy Wu）说。该技术论文的资深作者 Wu 和第一作者、电子工程和计算机科学专业研究生 Zhongxia Yan 共同完成了这项研究。这项研究成果将在学习表征国际会议（International Conference on Learning Representations）上发表。机器人俄罗斯方块从鸟瞰图上看，机器人电子商务仓库的地面有点像快节奏的"俄罗斯方块"游戏。当客户下订单时，机器人会前往仓库的某一区域，抓起放置所需物品的货架，然后将其交给人类操作员，由其拣选和包装物品。数百个机器人同时进行这项工作，如果两个机器人在穿过巨大的仓库时发生路径冲突，就可能会撞车。传统的搜索算法可以避免潜在的碰撞，方法是保持一个机器人的运行轨迹，并为另一个机器人重新规划轨迹。但由于机器人数量众多，可能发生碰撞，问题很快就会呈指数级增长。"由于仓库是在线运行的，机器人大约每 100 毫秒重新扫描一次。也就是说，每秒钟，机器人要重新扫描 10 次。因此，这些操作必须非常快速，"Wu 说。由于在重新规划过程中时间非常关键，麻省理工学院的研究人员利用机器学习将重新规划的重点放在最有可能减少机器人总行驶时间的拥堵区域。Wu 和 Yan 建立的神经网络架构可同时考虑较小的机器人群组。例如，在一个拥有 800 个机器人的仓库中，网络可能会将仓库地面切割成更小的组，每组包含 40 个机器人。然后，如果使用基于搜索的求解器来协调该组机器人的轨迹，它就会预测出哪一组最有可能改进整体解决方案。整个算法是一个迭代过程，先用神经网络选出最有希望的机器人组，再用基于搜索的求解器解散机器人组，然后用神经网络选出下一个最有希望的机器人组，依此类推。简化复杂系统神经网络能有效地推理机器人群，因为它能捕捉到单个机器人之间存在的复杂关系。例如，即使一个机器人一开始离另一个机器人很远，它们在行进过程中的路径仍有可能交叉。该技术还能简化计算，只需对约束条件进行一次编码，而无需对每个子问题重复编码。例如，在一个拥有 800 个机器人的仓库中，要消除一组 40 个机器人的拥堵，需要将其他 760 个机器人作为约束条件。其他方法则需要在每次迭代中对每组所有 800 个机器人推理一次。相反，研究人员的方法只需要在每次迭代中对所有小组的 800 个机器人进行一次推理。她补充说："仓库是一个大的环境，因此这些机器人群组中的很多都会在更大的问题上有一些共同点。我们设计的架构就是为了利用这些共同的信息。"研究人员在几个模拟环境中测试了他们的技术，包括一些像仓库一样的环境，一些带有随机障碍物的环境，甚至还有模拟建筑物内部的迷宫设置。通过识别出更有效的疏导群组，他们基于学习的方法疏导仓库的速度比强大的、非基于学习的方法快四倍。即使考虑到运行神经网络的额外计算开销，他们的方法解决问题的速度仍然快 3.5 倍。未来方向与同行认可未来，研究人员希望从他们的神经模型中获得简单、基于规则的见解，因为神经网络的决策可能不透明，难以解读。更简单、基于规则的方法也更容易在实际机器人仓库环境中实施和维护。"这种方法基于一种新颖的架构，在这种架构中，卷积和注意力机制能够有效地相互作用。令人印象深刻的是，它能够考虑到所构建路径的时空成分，而无需针对具体问题进行特征工程。结果非常出色。"康奈尔理工学院安德鲁-H.和安-R.-蒂施教授 Andrea Lodi 说："我们不仅能在求解质量和速度方面改进最先进的大型邻域搜索方法，而且该模型还能很好地推广到未见过的案例中。"编译来源：ScitechDaily ... PC版： 手机版：

回想人类在完成这项工作的过程中是如何表现的。人也不能精确地控制手的位置，但很明显作业时是在控制着接触力。当感觉接触力小了就施加更

回想人类在完成这项工作的过程中是如何表现的。人也不能精确地控制手的位置，但很明显作业时是在控制着接触力。当感觉接触力小了就施加更大的正压力，接触力大了就松开些，这项任务就能完成得很好了。 将这种方式移植到机器人身上，利用力传感器检测任务中发生的接触力，再根据这个接触力控制机器人的运动，以此将接触力控制在一定范围内，机器人就可以像人类那样完成任务了。 另外，人类完成此任务时并不必知道玻璃相对于手臂的精确位置，同样，机器人的力控制对环境参数的要求也简单些，可以应对一些不确定性。 由于机器人的力控制能使得机器人能够对外力有顺应性，因此机器人的力控制也称为顺应控制、柔顺控制等。 机器人基础

超人类作家预测2045年将出现人工超级智能与永生的奇点

超人类作家预测2045年将出现人工超级智能与永生的奇点 在最近接受《卫报》采访时，库兹韦尔介绍了他的新书《奇点临近》，这是他 2005 年的畅销书《奇点临近》的续集：当人类超越生物学》的续篇。库兹韦尔预测，人工智能将在 2029 年达到人类水平的智能，而计算机与人类的融合（奇点）将在 2045 年实现。如今，人工智能已成为人们谈论最多的话题，但他认为自己的预测仍然有效。库兹韦尔认为，五年后，机器学习将在几乎所有领域拥有与最熟练的人类相同的能力。少数能够写出奥斯卡级别剧本或构思出新的深刻哲学见解的"顶尖人类"仍将能够击败人工智能，但当人工通用智能（AGI）最终在所有领域都超越人类时，一切都将改变。要将大型语言模型（LLM）提升到更高水平，只需要更强的计算能力。库兹韦尔指出，我们今天的计算模式"基本上是完美的"，随着时间的推移，它只会越来越好。作者并不认为量子计算会颠覆世界。他说，有太多方法可以继续改进现代芯片，比如 3D 和垂直堆叠设计。库兹韦尔预测，机器学习工程师最终将通过在更多数据基础上训练出的更先进的算法，解决幻觉、人工智能生成的不可思议的图像以及其他人工智能异常现象所带来的问题，一旦人们开始将大脑与云融合，奇点就会到来。脑机接口（BCIs）的进步已经出现。这些 BCIs 最终将由通过毛细血管"无创"进入大脑的纳米机器人组成，它们将使人类拥有自然智能和控制论智能的结合。库兹韦尔作为一名图书作者和热情的超人类主义者，他的想象力是显而易见的。科学界仍未找到将药物直接送入大脑的有效方法，因为人类的生理机能并不像这位未来学家所想的那样。不过，他仍然坚信，在未来二十年内，纳米机器人将使人类的智能提高"一百万倍"。库兹韦尔承认，人工智能将从根本上改变社会，并创造全球自动化经济。人们将失去工作，但也将适应先进技术带来的新的就业角色和机会。全民基本收入也将减轻人们的痛苦。他预计，第一批切实可行的变革计划将在 2030 年代出现。不可避免的"奇点"将使人类长生不老，或无限期地延长我们的寿命。技术甚至可以通过人工智能化身和虚拟现实让死者复活。库兹韦尔说，人们对人工智能的担忧是错误的："这不会是我们与人工智能的对决：人工智能正在进入我们的内部。它将让我们创造出以前无法实现的新事物。这将是一个非常美妙的未来。" ... PC版： 手机版：