449，IBM发布重磅产品：推出新的人工智能能力。IBM研发AI向用户提供自动化的运维（生态）服务。
IBM新任CEO Arvind Krishna5月6日在IBM举办的“Think digital”大会上说：IBM致力于帮助企业（用户）加快数字化转型步伐。他还指出，IBM发布的重磅产品之一是其推出新的人工智能能力。通过WatsonAIOPS推动自动化的IT运维，实现高弹性与低成本。
这反映了IBM顺应世界产业革命的潮流，把人工智能（及其形成的能力）作为核心技术、拳头产品来抓，而且以运维（生态）为重点抓AI应用落地。
运维管理、运维服务（OPS或DevOps）是现代企业管理的重要环节，采用AI技术提升自动化IT运维（生态），实现高弹性、低成本、开发维护一体化、自动化操作、多样化服务。
450，谷歌发布AIExplorables，进一步降低机器学习参与门槛。
近年来，人工智能机器学习已经相当普及，如：AlphaGo就成为人类棋手的一位劲敌，又如：科学家用以探索暗物质，营销员借此制定最佳广告策略，研究人员期望用它能够攻克COVID—19这样的流行病。如此说来，机器学习获得广泛应用，而且用它“干大事”。为了进一步降低机器学习的访问和参与门槛，谷歌研发并推广一个新项目：AIExplorables。
451，数学推理挑战人工智能-中国工程院《Engineering》2019第5期
深度神经网络形式的人工智能在从图像识别到游戏，从自然语言翻译到语音合成的各种高质量使用情景中均有出色表现。当前，它在数学推理中表现显得不尽如人意。而数学推理是人类智能的一项核心能力。
2019年4月，Alphabet旗下AI企业DeepMindTechnologies在探讨最先进的通用神经网络执行数学运算的能力的测试中，DeepMind不及格（在40分总分中得了14分），相当于在高中数学考试中失败。
OpenAI研究常用的神经网络功能时表明：在数学推理方面，这些神经网络模型遭遇了困难。这种数据推理对AI具有挑战性，因为它不仅涉及处理数学，还需要一套认知能力（包括学习基本公理及以正确的顺序进行推理、计划和做亊的能力），AI首先需要读懂问题：“任何有用的AI系统都要能够处理数学、推理和计算，并在现实世界中灵活运用这些技能。”
后来DeepMind致力于解决数学推理问题（他们开发的数据集更侧重于数学推理而不是对问题的语言理解），经测试，性能最佳的模型是Transformer（特别是训练有素的模型）。
452，阿里研发AI推理引擎MNN发布，以满足手机淘宝需求。
阿里轻量级AI推理引擎MNN1.0.0正式发布。
因为原来手机淘宝采用的推理引擎TFLite难以满足手机淘宝的发展需要（今天手机淘宝已发展为一个亿级用户与日活的超级APP），阿里陶系技术部组织自主开发推理引擎MNN（1年前MNN在Github上开源，至今获得3.9K stars）。
MNN比其他推理引擎更快、更轻量、更符合像手机淘宝这样庞大、复杂的生产部署环境。
阿里在MLsys2020上发表了论文。
453，为实现人机交互控制人机界面（HMI）的关键技术，一种用于语音关键词识别的脉冲网络具有语音识别高度准确率并降低边缘设备中低功耗硬件的实现传感器技术、微电子制造技术和人工智能算法的最新进展促使人机界面（HMI）迅速发展，实现了人机之间的有效且易于使用的之交互。在不同的通信方式中，语音是一种有吸引力的选择，因为它易于使用且免提操作。基于AI的语音识别已成为语音控制HMI的关键技术。
卷积神经网络（CNN）在模式识别任务（如图像识别和语音识别）中以很高的分类精度取得了巨大成功。但是典型的CNN系统由数百个神经元和数百万个配置在多层中的参数组成，导致能耗高，不适合低功率边缘应用。
在IEEE会议中，论文《Ⅴoicekeyword recognition based onspiking convolution al neural network forHuman—Muchine Interface》提出了一种用于语音关键词识别的脉冲神经网络模型。该模型由一个输入预处理层，一个带有内置滤波器组的脉冲神经网络（SNN）层和卷积神经网络（CNN）层组成。具有能量检测器的16通道无限冲击响应（IIR），滤波器组从语言信号中提取功率，并通过SNN层转换为脉冲。在定义的时间窗口中的加标率用作后续CNN层输入以进行分类。使用语音数字数据集来训练网络，而卷积层的权重是通过训练从峰值层获得的尖峰积分结果来调整的。
此模型已实现用于语音关键字识别，并达到96.0%的准确性。SNN和CNN组合可减少系统中层和神经元总数，而不会影响分类精度。它适用于人机界面（HMI）应用的边缘设备中的低功耗硬件的实现。
454，比利时研制世界首台基于开源信号处理芯片的雷达问世。
鲁汶—Imec（研究与创新中心）是世界上第一个研发脉冲递归神经网络处理雷达信号的芯片，并将其构建世界第一台基于开源芯片的雷达。Imec的芯片模仿了生物神经元群识别时间模式的方式，其功耗比传统实现方法少100倍，延迟减少了10倍，可以实时决策，并减少了雷达功耗，提高了雷达性能。如仅用30微瓦的功率即可对微多普勒雷达信号进行分类。Imec的新型芯片最初设计为在功率受限的设备中支持正电图（ECG）和语音处理，然而由于其具有全新数字硬件设计的通用架构，它也可以轻松地重新配置以处理各种其他感官输入，例如声纳、雷达和激光雷达数据。与模拟SNN相反，Imec的事件驱动数字设计使该芯片能够像神经网络仿真工具所预测的那样精确且重复地运行。
比利时鲁汶—Imec是世界领先的纳米电子和数字技术研究与创新中心。
455，实施机器学习，监测及防治抗药性癫痫，监测抗药性癫痫（DRE）患者的脑部活动对于有效治疗慢性癫痫至关重要。
日前，德国和法国的研究团队提出了基于SNN的癫痫患者检测系统。
实施机器学习工具以分析从DRE患者大脑皮层获取的电信号可以导致癫痫发作发生之前的检测。因此，这项工作的目的是为癫痫性癫痫发作检测开发一个深度尖峰神经网络（SNN）。
节能高效的SNN与神经形态系统具有很好的兼容性，使其成为边缘计算设备的适当模型。此外SNN与神经形态芯片的集成使无需云计算即可对敏感医学数据进行安全分析。
可查阅https://link.spinger.com/chapter/10.1007/978-3-030-45385-5-34
456，麻省理工学院研究人员探索如何训练机器更准确识别现实世界。
麻省理工学院的研究人员探索人工智能模型在其想像的照片中物体或与动物姿势或与颜色的关联是否可能举一反三？研究人员指出，电脑对世界的理解，往往是它们所训练的数据决定的，如果它们看到的只是红色消防车的图片，它们很难想像出其他颜色的东西属于同类。为了给计算机视觉模型一个更完整丶更富想象力的视图，研研人员试着为它们提供更多不同的图像。有些人尝试从奇特角度和不寻常的位置拍摄物体，以便更好地传达真实世界的复杂性。其他人则要求模型使用称为生成对抗网络的人工智能技术来生成自己的图片。在这两种情况下，其目的都是为了填补图像数据集的空白，以更好地反映三维世界，并减少面部和物体识别模形型的偏差。在国际学习表示会议上的一项新项研究中，麻省理工学院研究人员提出一种创造力测试，以了解GAN可以对给定图像进行细化处理。他们将模型应用到照片的主体中，并要求其在明亮的光线下，在空中旋转或以不同颜色绘制特写的物体和动物。研究人员说，数据推断和以新颖的的发明方式形象化世界的能力而引起了情报研究人员的注意。他们可以拍摄照片，然后将其转换成文艺复兴时期风格的肖像。但是，尽管GAN能够自己学习令人惊讶的细节，例如如何将风景分成云朵和树木，或生成人们脑海中的图像，但它们仍然非常依据于原始数据。GAN的创作反映了成千上万摄影师的偏见，无论是他们选择拍摄的东西还是构图的方式。