大家好，本週無論是美國高校，還是海外高校，乃至一些大公司的技術前沿探索都十分讓小探激動啊！像能讓機器人去核反應堆裏進行搜索、檢測、拆除任務，捐血的A型血也能變成通用血型O型，連不是哈利波特，也能進行記憶遺傳了？！
最新的全球科技前沿進展，趕緊一一來看！
美國高校
MIT：新算法可以告訴機器人附近的人類在哪裏，提高工作效率
在2018年，麻省理工學院與寶馬的研究人員在測試人類與機器人共同作業時發現，爲了保證人類的安全，機器人在感應到有工人越過它的工作路徑之前就會停止工作，並無法再重啓繼續。然而，在真實的製造環境中，這種不必要的停頓可能會導致工作效率低。
最近，麻省理工學院的同一個研究團隊提出了一個新的解決方案：他們研發出了一種能夠實時準確地對齊運動軌跡的算法，從而可以用運動預測器準確地預測人的運動時間。這樣，在人機共同作業的工廠裏，當人們再次越過機器人的預定路線時，機器人只會往與人類相反的方向移動並安全離開，當工人離開後再恢復工作。
麻省理工學院航空航天副教授 Julie Shah 說：“這種算法構建的組件可以幫助機器人理解和監控它們周圍物體在運動中的停止和重疊，這也是人體運動的核心部分。”
雖然算法主要是針對人類的運動軌跡預測，但它也可以用作人機交互領域中其他技術的預處理步驟，例如動作識別和手勢檢測。Julie Shah說，該算法將成爲讓機器人識別和響應人類運動和行爲模式的一個關鍵工具，從而幫助人類與機器人在結構化環境中協同工作，並最終運用在工廠與家庭中。
感興趣的可以點擊原文查看：
http://news.mit.edu/2019/robots-predict-human-movement-0611
MIT：設計出比現有電子芯片效率高1000萬倍的光子芯片
由於對於運行大型神經網絡的數據中心的需求越來越大，計算這些大量數據變得越來越困難，只有更高效率的神經網絡硬件才能滿足這些計算需求，並解決對能源的消耗並提升效率。近期，麻省理工學院的研究人員在 《Physical Review X》雜誌上發表的論文中，描述了一種使用**更緊湊的光學原件及光信號處理技術的新型光子加速器。**
傳統的光子加速器由於空間的限制，很難將大型神經網絡應用到其架構中。麻省理工學院研究人員論文中描述的光子芯片則採用了更緊湊和節能的“光電”方案：該方案利用光信號對數據進行編碼，使用“平衡零差檢測”進行矩陣乘法，即計算兩個光信號的幅度（波高）的乘積之後產生可測量的電信號。
該技術有望極大幅度地降低功耗和芯片面積，使得芯片能夠輕鬆應對大型神經網絡的大規模計算。在模擬訓練中的數據表明，從理論上來說，該加速器在處理神經網絡時比傳統電子加速器的能耗限制小1000萬倍以上。研究人員正在研究原型芯片，進而實驗證明研究成果，並最終希望可以建立一個可以擴展到大型神經網絡的光子加速器。
感興趣的可以點擊原文查看：
http://news.mit.edu/2019/ai-chip-light-computing-faster-0605
斯坦福大學：工程師讓編輯視頻像編輯文本一樣簡單
在影視作品的拍攝中，偶爾演員疏忽或嘴瓢，說漏了個別關鍵詞的情況時有發生。目前僅有的唯一解決方案是接受這些不完美的鏡頭，或者再次召集所有演員，重新拍攝這些鏡頭。
最近，來自斯坦福大學馬克斯普朗克信息學研究所、普林斯頓大學和Adobe Research 的研究團隊開發出了一種“讓編輯視頻像編輯文本一樣簡單的”算法：這種新算法可以對演員的面部表情和聲音進行基於文本的編輯，將其所說的話進行改變，並使得嘴形、面部表情以及口音都與原本視頻一致。
（感興趣的可以查看視頻地址：
https://www.youtube.com/watch?time_continue=18&v=0ybLCfVeFL4）
該算法從各種已有視頻片段中提取語音樣本和麪部運動樣本，並使用機器學習將這些視頻轉換爲看起來幾乎沒有破綻的最終視頻。
在編輯這樣的視頻時，剪輯者可以像編輯文本一樣輕鬆地添加新單詞，刪除劇本中不需要的單詞或者根據需要通過拖放來重新排列文字，並最終生成完整的全新視頻。到底有多逼真呢？未經訓練的普通人幾乎是看不出任何破綻的。研究人員表示，這個新算法對視頻編輯和製片人來說都將個福音，但是由於修改過後的視頻並非是如實拍攝的結果（演員本人並沒有說這些話），這也會涉及到一些倫理方面的問題。
感興趣的可以點擊原文查看：
https://news.stanford.edu/2019/06/05/edit-video-editing-text/
佐治亞大學：可將×××細胞與血分開的微流體裝置
“×××轉移” 是很可怕的字眼，而×××之所以會轉移，就是當循環腫瘤細胞從×××腫瘤原位處脫離、並經血流播散到全身時，隨血液流通的癌細胞形成新的轉移性腫瘤。因此，爲了形成更有效的治療措施，科學家們一直努力想把患者血液裏的癌細胞 —— 也就是循環腫瘤細胞 —— 捉住、並精確分析。
問題在於，從血液裏捉出循環腫瘤細胞很難，因爲每個循環腫瘤細胞大小形態各異，給甄別造成了很大難度。
近期佐治亞大學（UGA）工程學院的 Leidong Mao 教授及其研究團隊開發出了一種新的微流體裝置。這種微流體裝置可以更快、更有效地將循環腫瘤細胞與全血樣本分開。
（圖自論文，版權屬於原作者）
該研究小組開發了一種基於生物相容性鐵磁流體（膠體磁性納米顆粒懸浮液）細胞磁化強度對比的新方法，這種新方法被命名爲循環腫瘤細胞“綜合鐵水動力細胞分離”（iFCS）檢測法。這種方法非常有效，可捕獲血液樣本中高達 99.08％ 循環腫瘤細胞。
感興趣的可以點擊原文查看：
https://pubs.rsc.org/en/content/articlelanding/2019/lc/c9lc00210c#!divAbstract
海外高校
蘭卡斯特大學：新型機器人可以安全的拆除核反應堆
通常情況下，處理核廢料的機器人，例如，在海嘯摧毀福島核反應後，被送入處理廢物的機器人，需要人類對其每一步都進行遠程控制；而對於現有技術來說，讓機器人完全自主處理這樣的任務是不現實的。
英國卡斯特大學的工程師開發了一個新的半自動機器人，能夠自主進入廢棄的核反應堆，自己處理部分任務 —— 比如檢測、抓取和切割對象，逐個安全地拆除核反應堆。
（圖自：futurism.com）
該項研究發佈在《機器人》期刊上。蘭卡斯特大學工程師James Taylor 介紹說，對於操作員來說，操作核反應堆中的機器人是極其困難的，廢棄的核反應堆內的任務的複雜性極高。 但是，在近期憑藉人類現有的技術，完全自主的解決方案不太可能是安全的，所以其團隊研發了一個介於兩者之間的半自動解決方案。
英屬哥倫比亞大學：科學家可將所有血型的捐贈者血液轉變爲通用血
我們都知道，人體的血型包括 A、B、AB和 O 型，其決定了每個人輸血時可以被接受的血型。如果輸入“錯誤”的血型，結果可能是致命的。
但是，任何人都可以在輸血時接受O型血，這使得O型血被稱爲“萬能血”，非常有價值。英國不列顛哥倫比亞大學的研究人員發現了一種可以將A型血液轉化爲O型血方法。該項研究可能會使人類的“萬能血”供應量增加一倍。
人類各種血型之間的差異主要體現在紅細胞表面的糖分子或抗原上。如果血型爲A的人接受B型輸血，他們的免疫系統會注意到B型抗原的存在並***血細胞。但由於O型血沒有任何抗原，任何人都可以接受它。
（圖自futurism.com）
發佈在6月10日的《自然微生物學》雜誌上的這項研究發現，人體腸道中的一種微生物可以產生兩種酶，這些酶可以有效地剝離其A型血的紅細胞表面的抗原，將其轉化爲O型。
該團隊計劃進行進一步推進這項研究，以確保使用該種酶，可以去除A型血的所有抗原。
特拉維夫大學：不是哈利波特：記憶或許可以被遺傳
本週，特拉維夫大學生命科學學院教授 George S. Wise，及 Sagol 神經科學學院的 Oded Rechavi 教授在 Cell 雜誌發文，宣佈其領導的一項新研究研究成果。該研究發現：線蟲的神經系統可以通過神經元，與生殖細胞進行信息交流，生殖細胞中包含傳遞給後代的信息（遺傳和表觀遺傳）。這項研究確定了神經元向這些後代傳遞信息的模式。
他們發現，線蟲的小 RNA 會將來自神經元的信息傳遞給後代，並影響後代的各種生理過程，包括後代的覓食行爲等。換句話說，也就是線蟲的神經系統竟然能夠遺傳給它們的後代，從而影響、控制其後代的命運。
比如，線蟲需要在神經元中合成小 RNA，才能被其所需食物的氣味吸引、順着氣味找到食物。在父母一代的神經系統中產生的小 RNA 影響了這種行爲，而沒有產生小 RNA 的線蟲則會在食物識別上存在缺陷。
（圖自論文，版權屬於原作者）
但該科研團隊也說，目前還不知道相同情況是不是也同樣適用於人類 —— 畢竟人類和線蟲還是有些區別的。
感興趣的可以點擊原文查看：
https://www.cell.com/cell/fulltext/S0092-8674(19)30448-9
大公司
研究人員試圖建造機器學習系統，識別Facebook帖子背後的意圖
含有惡意意圖的內容是 Facebook 面臨的一個主要挑戰。Facebook 正在尋找一種快速識別和刪除有惡意意圖的帖子的方法。例如，新西蘭3月15日大規模槍擊事件，如果能以最快的速度被識別出來，就不會在Facebook上直播了。
美國 Cornell Tech 計算機系教授 Serge Belongie 的研究項目 “intentonomy”（意圖學），旨在找到潛伏在 Facebook 和 Instagram 帖子背後的複雜的心理、情緒因子。
Facebook爲這項研究撥給了價值 177 萬美元的三年期贈款。而 Belongie 教授的團隊將與 Facebook 一起協作，來識別 Facebook 上的帖子背後的意圖，不管是良性的，仇恨的，還是極端的，並建起一個有足夠的樣本的數據庫。
這個研究的目標是創建和訓練一個機器學習系統，使之能夠快速判斷甚至預測社交媒體上的帖子的意圖，從而實時的幫助社交媒體運營者甄別有問題的帖子。
感興趣的可以點擊原文查看：
http://news.cornell.edu/stories/2019/06/research-examines-intent-behind-facebook-posts
谷歌發佈顛覆×××：不用人類訓練、AI自動構建的超強網絡
我們知道，通常來說機器學習的方法是人類通過調整參數等方法訓練機器。但谷歌本週發佈的一項最新研究，則有望顛覆這個傳統辦法。
本週早些時候，谷歌大腦團隊發佈了一項新研究：權重不可知神經網絡（WANN）。它是隻靠神經網絡架構搜索出的網絡，不訓練、不調參，就能直接執行任務。
準確率如何呢？這種新的神經網絡在未經訓練和權重調整的情況下，準確率就能高達 92% —— 和訓練後的線性分類器表現相當。
不訓練權重參數就能獲得極高準確度，這種新的 “權重不可知神經網絡” 是如何做到的呢？研究人員提出了一種神經網絡架構的搜索方法，無需訓練權重就能找到執行強化學習任務的最小神經網絡架構。此外，該篇論文從還架構搜索、貝葉斯神經網絡、算法信息論、網絡剪枝、神經科學這些理論中獲得啓發。
對這方面有一定研究背景的小夥伴可以點擊以下鏈接：
https://weightagnostic.github.io/
更多精彩，敬請關注硅谷洞察官方網站（http://www.svinsight.com）