大家好，本周的科技前沿又跟大家见面啦，无论是3D打印的肺会呼吸，还是AI能控制动物大脑活动，都有点厉害啊！新技术、新研发出现，赶紧跟硅谷洞察一起来看！
美国高校
首先，本周 MIT（麻省理工学院）特别多科研进展，简直是 MIT 专场：
史上首次：MIT 首次用 AI 控制动物的大脑活动
上周，《Science》杂志发表了一篇重磅文章：MIT 的三位科学家首次用大脑视觉神经网络模型，实现了控制动物大脑的神经元活动。这也是使用人工神经网络来理解真实神经网络的一个重大突破。
这三位神经科学家分别是 MIT大脑与认知科学系的负责人、麦戈文脑研究所调查员 James DiCarlo，及研究员 Pouya Bashivan 和 Kohitij Kar。他们利用目前最先进的大脑视觉神经网络模型，对模拟大脑视觉皮层的计算模型进行了测试，并且设计了一种新方法，这种新方法能够精确地控制单个神经元和位于网络中间的神经元群。
（由 MIT 神经科学家创建的计算机视觉模型设计了这些图像，这些图像能激发个体神经元中非常高的活动。图片版权：Pouya Bashivan）
在一项动物研究中，他们利用从计算模型中获得的信息创建了一些图像，这些图像能够强烈地激活所选定的大脑神经元。研究人员分析了这些图像在猕猴视觉皮层产生预期效果的有效性。
结果显示，这些操作对神经元群产生了相当大的选择性影响。也就是说，利用这些图像，神经网络被证明可以再现动物神经反应的整体行为。这些模型与大脑非常相似，可以用来控制动物的大脑状态。
感兴趣的可以点击原文查看：
https://science.sciencemag.org/content/364/6439/eaav9436
MIT机器学习新模型提高乳腺癌风险预测概率
接下来这条可以说是女性福音啊！
近日，Radiology 上一项最新研究称，MIT 研究人员开发创建了一个深度学习模型。该模型用来自 6 万多名 Massachusetts General Hospital 患者的乳房 X 光照片训练，能够根据乳房 X 光照片预测患者未来五年内是否可能会得乳腺癌。
以乳腺密度为例，新的深度学习模型与目前临床上使用乳腺密度作为评估乳腺癌风险标准的Tyrer-Cuzick模型相比，其识别风险的准确率有所提高。Tyrer-Cuzick 模型仅将18% 未来可能患上乳腺癌的患者置于最高风险等级，该模型准确率达到了31%。
（新的深度学习模型可以在×××发病（右图）前四年，识别出乳腺癌风险（左图），图片来自MIT计算机科学和人工智能实验室（CSAIL））
同时，研究人员还努力确保风险评估模型在评估少数群体结果方面，和白人患者一样准确（AUC 均为 0.71），而 Tyrer-Cuzick 模式则不同，白人女性和非裔美国女性的 AUC 分别为 0.62 和 0.45。
该论文作者Regina Barzilay博士表示，未来这项研究可以为乳腺X光检查打下基础，从而确定患者是否存在其他更大的健康风险，如心血管疾病和其他×××等。
感兴趣的可以点击原文查看：
http://news.mit.edu/2019/using-ai-predict-breast-cancer-and-personalize-care-0507
机器学习绘制更全面的抗生素作用图，将来有望制成靶向抗生素
众所周知，大多数的抗生素是通过干扰关键功能（例如DNA复制或细菌细胞壁的构建）来治疗人体疾病。然而，这仅仅是抗生素药物作用图谱的很小一部分。
在一项关于抗生素作用的新研究中，MIT 研究人员开发了一种新的机器学习方法，用于发现有助于某些抗生素杀死细菌的其他机制。“由于药物的压力，对细胞有巨大的能量需求。这些能量需求需要代谢反应，然而，某些代谢的副产物是有毒的，会杀死人体细胞，”麻省理工学院医学工程与科学研究所（IMES）医学工程与科学教授James Collins说。
研究人员表示，通过了解这种机制可以帮助研究人员发现可与抗生素一起使用的新药，以提高整体的药物作用能力。该论文第一作者 Jason Yang 说 “我们希望从根本上了解，哪些以前未被描述的代谢途径对我们理解抗生素如何杀死可能是重要的。”
许多其他研究人员使用机器学习模型来分析生物实验数据，并通过训练算法以基于实验数据生成预测。然而，这些模型通常是“黑盒子”——它们无法揭示这些预测是怎么做的。
为了解决这个问题，MIT 团队采用了一种新颖的方法，他们称之为“白盒子”机器学习。他们不是直接将数据输入机器学习算法，而是先通过一种大规模的计算机模型运行并产生由数据描述的“代谢状态”阵列。然后，再将这些数据阵列转换为机器学习算法，从而识别不同状态之间的联系以及抗生素治疗的结果。
感兴趣的可以点击原文查看：
http://news.mit.edu/2019/how-antibiotics-kill-bacteria-0509
找到神经网络的“子网络”，让神经网络训练更快更好
如今，我们生活中几乎所有基于人工智能的产品都依赖于有自主学习并标记数据能力的“深度神经网络”。
然而，为了更好地学习，神经网络通常需要需要大量的数据集进行大型的训练——这一训练过程耗时长、需要配备昂贵的GPU，有时还需要定制设计的硬件。这些客观因素导致深度学习无法被普及。
麻省理工学院计算机科学与人工智能实验室（CSAIL）研究人员在一篇新论文中表明，大小只有神经网络十分之一的子网络，也可以通过训练并拥有和深度神经网络一样的预测能力，甚至有时子网络需要的学习时间更短。目前，团队正在研究如何“修剪”整个网络，以及成功地找到“子网络”。
麻省理工学院助理教授迈克尔·卡宾说，他团队的研究结果表明，如果我们能够确切地确定原始神经网络的哪个部分与最终预测相关，那么科学家有朝一日可能会完全跳过这个昂贵的过程。这将有可能节省数小时的工作量，并让深度学习可以为开发者们所有，而不再是大型科技公司的专利。
感兴趣的可以点击原文查看：
http://news.mit.edu/2019/smarter-training-neural-networks-0506
大公司
说完 MIT 一系列技术前沿进展，下面先来看看美国大公司们这两周在 AI、自动驾驶、芯片等方面有什么进展。
英伟达：使用基于AI的实时感知进行交叉路口检测
上周，英伟达在其官方博客公布了一个基于 AI 的实时感知深度神经网络 WaitNet，车辆能够检测、停下并穿过交叉路口，以精确准确度完成了这项工作。
英伟达表示，这已从内部开发项目转变为将在未来几周内发布的软件，将会作为 NVIDIA DRIVE 软件9.0版本的一部分。
WaitNet 顾名思义，就是检测自动驾驶汽车必须停下来等待的条件。这是一个卷入 DNN 的训练相机图像数据，用于推断各种等待情况：例如十字路口、建筑区和收费站等，并对它们进行分类。
在英伟达的 DRIVE Hyperion套件中（这是其自动驾驶汽车传感器和计算平台），基于WaitNet 的感知，最远可以检测到距离150米的大多数交叉路口。这能够极大增加检测范围使汽车在接近交叉路口时更便利地进行制动。
英伟达透露，未来基于 WaitNet 的功能还将包括能够检测每个图像帧、交通信号灯和交通标志等的多个交叉点。
感兴趣的可以点击官方博客查看：
https://blogs.nvidia.com/blog/2019/05/10/drive-labs-intersection-detection/
IBM 利用深度学习检测青光眼
青光眼是全世界造成失明的第二大主因，因为青光眼的病程缓慢且大部分都没有症状显现，40％的人在尚未发现到任何异状的情况下，就丧失了视力，而现有治疗只能减缓病程，无法保留视力。
最近，IBM 研究院和纽约大学合作，利用深度学习技术，借由3D的原始视网膜光学断层扫描图片，来侦测青光眼的特征模式，进一步训练模型来评估患者是否患有青光眼。
从生物学角度来看，视野（visual field）测试能够画出病患可看见的视觉空间，用来诊断多种眼睛状态。青光眼造成的视觉神经损坏，会导致上视野和下视野的特征性视野缺损。这项研究通过AI分析视网膜光学断层扫描图片的方法，找出视网膜成像数据中的信息，来协助评估青光眼的状态。
之前的测试完全依赖病患的反馈，因此存在主观和滞后的问题。相比传统的方法，这样能够更快速、系统、且非侵入地检测到视网膜成像信息，协助专家进行诊断。
亚马逊 MARS 大会上 MIT 教授研发芯片亮相
不久前，亚马逊 MARS 大会在加州棕榈泉市举行。MARS 4个字母分别代表：Machine Learning机器学习、Home Automation家庭自动化、Robotics机器人和 Space Exploration 太空探索， 大会东道主是亚马逊创始人兼董事长杰夫•贝佐斯。
在本届大会上，一款名叫 Eyeriss 的人工智能芯片的亮相成为了大会的热点之一，该款芯片由 MIT 电气工程和计算机科学系（EECS）副教授 Vivienne Sze 与英伟达研究科学家、麻省理工学院教授 Joel Emer 合作开发。
（图自 MIT Technology Review，右为Vivienne Sze，版权属于 TONY LUONG）
这种芯片可使人工智能系统在移动设备上进行本地运行。《麻省理工科技评论》认为这款芯片有望成为 “人工智能未来的关键（key to the future of AI）”，且称它 “不仅极度有效率、且极度灵活”。
该芯片与许多标准处理器一起进行了测试，以了解它如何处理一系列不同的深度学习算法。根据去年网上发表的一篇论文*显示，该芯片的性能在综合效率和灵活性上，比现有硬件高出 10 倍、甚至 1000 倍。
它是一个高效能的深度卷积神经网络（CNN）加速器硬件，能够让移动设备执行自然语言处理和面部识别等任务，而无需连接至互联网。其目的是让机器学习变得更加便携。也就是说，在这款芯片的帮助下，智能家具、无人机、智能机器人等物联网设备，在本地环境就能处理复杂的深度学习任务。
该论文地址为：
https://arxiv.org/abs/1807.07928
北美其它高校
《科学》杂志：生物打印的“肺”可以呼吸了
3D打印人造组织或器官是一项复杂课题，其中一个难题是如何在组织或器官内部生成为细胞输送营养的血管。近日，这一难题被莱斯大学生物工程师 Jorden Miller 和华盛顿大学 Kelly Stevens 教授团队攻克了。
5月3日，《科学》杂志刊登了这一重磅论文《Multivascular networks and functional intravascular topologies within biocompatible hydrogels》，这是本期杂志的封面文章。该论文描述，科学家能够通过一种立体光刻 3D 打印技术生成人造器官中的错综交缠的血管网络，生成用于运输空气、淋巴液等物质的管道。
（5月3日的《自然》杂志封面）
该论文包括了一个视觉上令人惊叹的原理验证 —— 一个模仿肺部气囊的水凝胶模型，其中气道将氧气输送到周围的血管。文章还报道了科学家将含有肝细胞的生物打印构建体植入小鼠的实验。
“产生功能性组织替代物的最大障碍之一就是人们无法打印能够为生物稠密组织提供营养的复杂脉管系统，”主要研究员 Miller 在媒体报道中提到， “而我们打印的人造器官实际上包含独立的脉管网络——如肺部的气道和血管，或肝脏中的胆管和血管。我们是第一个以直接和全面的方式应对多种血运的挑战的生物打印技术。“
更多消息可以查看官网链接：
http://news.rice.edu/2019/05/02/organ-bioprinting-gets-a-breath-of-fresh-air/
让肿瘤细胞相互交流，或将成为对抗×××的关键
南加州大学教授 Paul Newton 与博士 Jeffrey West 近日合作发表一篇论文—— 《细胞相互作用限制肿瘤生长》，为抗癌研究领域带来了新思考。
该论文发表于美国国家科学院院刊，他们发现，随着肿瘤细胞开始互相“交流”，整个肿瘤的生长会减慢。这是因为当细胞相互作用时，它们会同步占据体内相似的壁龛，然后耦合的细胞会竞争相同的资源，因此与其他在利用不同资源的细胞群相比，它们生长将变慢。
Newton表示，“我们希望通过靶向细胞之间的相互作用为控制肿瘤生长的新方法奠定基础。”
Newton和West的论文是基于数学模型和计算机模拟的理论论文，尚未尝试进行临床试验来测试他们的想法。不过，他们将他们的理论与现有数据进行比较，并希望他们的模型可以帮助肿瘤学家理解细胞间相互作用和整体肿瘤生长之间的联系。这项研究，或许将有助于开发针对性的靶向疗法，从而取代传统的放射疗法或化疗法。
感兴趣的可以点击原文查看：
https://viterbischool.usc.edu/news/2019/04/is-communication-the-key-to-fighting-cancer/
UCLA ：用深度学习能检测花粉密度……
春天到了，又到了易敏感、易过敏人群的灾难季节……想想飘扬的柳絮，还有各种叫不出名字的花粉……然而，常见的各类过敏源检测多半是根据一个城市整体情况进行检测的。
加州大学洛杉矶分校（UCLA）的研究人员最近就给这类易敏人群带来了福音！该校研究人员开发了一种便携式人工智能设备，根据该团队最近论文透露，可以确定花粉和霉菌孢子中五种常见过敏原的水平，准确率为94％。这比传统的机器学习方法提高了25％。
UCLA 研究人员还表示，他们发明的这款便携式工具不仅可以节省资金，还能使他们从多个位置用分布式传感器收集数据，从而创建具有更精细分辨率的实时空气质量图，该地图未来将会考虑在线向公众提供。而且，由于该设备重量约为1磅，甚至可以被个体过敏或哮喘患者使用，允许他们随时监测周围的空气质量并通过智能手机访问数据。
不得不说，这是一个有用的工具，如果真的是某个街角或公园属于敏感源密度高的地方，易敏感人群就最好不要靠近了。
感兴趣的可以点击新闻源查看：
https://blogs.nvidia.com/blog/2019/05/01/deep-learning-allergens-ucla/
更多精彩，敬请关注硅谷洞察官方网站（http://www.svinsight.com）