439，彩虹一號無人機實現人類永不落地的追求
日媒：中國亮出殺手鐗
世界各國一直在研究提高飛機的續航能力
國內研製的彩虹一號無人機採用人工智能和其他高新技術，飛行高度30000米，並終於研製成功實現人類永不落地的追求。
440，日本開發出光刻機亷價可靠的極紫外射線EUV光源
東京工業大學KeijiNagai教授率領的研究團隊（並與都柏林大學學院科學家合作）最近研發了一種極低密度的錫“氣泡”，使得極紫外射線的產生變得可靠且便宜。
以往採用高強度激光器來產生EUⅤ光源，但對這些激光器而言，要保持可產生EUⅤ範圍內光的目標密度的控制是有挑戰性的。而今天他們研發的錫塗層微膠囊“氣泡”技術，不但可保持高效、可擴展和低成本，而且是一種可高度挖制的、穩定的低密度結構。測試的結果產生了13.5nm的EUⅤ光（並與傳統的EUⅤ光源兼容）。
這項研究成果，使得攻克光刻機不必僵持在整體攻關上，而找到將整體分解爲各局部，將各局部關鍵技術各個擊破的途徑。
441，大腦控制的真實感假肢問世，患者無需訓練即可使用
一個歐美科學家團隊報告說，有史以來最先進的仿生假肢取得成功
一個歐美科學家團隊（由查爾黙斯理工大學、Sahlgrenska大學醫院、哥德堡大學、IntegrumAB、維也納醫科大學和麻省理工學院研究人員組成）研究一種新的仿生假肢傳感系統：將該系統整合到傷殘患者的神經中，讓患者只需想一想就能控制假肢（就像使用自然肢體一樣），並能將感覺反饋到大腦中。與傳統的套筒假體只是在肢體殘端開槽不同，新系統是一種神經一肌肉一骨骼假體。這意味着它可以直接與肢體殘端的神經和肌肉對接，因此患者可用自已的大腦來控制它，達到效果逼真，無需訓練即可使用。
對於喪失手掌的患者，假肢通過手術固定在患者肢體剩餘部分，固定在骨頭上以保持穩定。在肌肉和神經中植入電極（使用者可開閉手部開關感受到感覺反饋），假肢的大姆指中內置力傳感器，可測量接觸和壓力。然後這些信息會被傳送到大腦，讓患者感受到他在接觸某物時的感覺，知道它的特性，並確定他按在上面的力度。所有這些都是假肢的關鍵信息，讓假肢的手感與真實東西一樣。
這項研究現有3名瑞典患者，己經和這裝置一起生活了3-7年，證明是安全、穩定和有用的。這種新的傳感系統顯然可以連接到各種不同的假體設備上。
442，人工智能與人腦愈來愈遠還是愈來愈近？
神經網絡之父Hinton的反思
1986年GeoffreyHinton寫了一篇論文《Learning representations by backpropagationerrors》，將反向傳播算法首次被引入到多層神經網絡的訓練中去，其重大意義更是爲人工智能在最近十年的發展奠定了基礎。
當下面對人工智能的侷限性，面對人類大腦尚有很多未知的運作機制，Hinton提出反思和質疑。
反思：我們是否需要放棄反向傳播算法，重新開闢一條新路徑？
質疑：人工智能與人類大腦愈走愈遠還是愈來愈近？
國內AI專家黃鐵軍教授認爲：人類大腦結構是億萬年“優勝劣汰”進化過程造就的。反向傳播是人工智能的訓練手段。
443，臉書發明“最像人類”的聊天機器人
第三方評估各種聊天機器人：
臉書的“融合者”強於亞馬遜的Alexa和蘋果的Siri，比谷歌的“米娜”優秀
美國《財富》雜誌網站4月29日報導，臉書研製一種聊天機器人，可以進行長時間開放式對話，更像人類！
研究者說，這款聊天機器人首次學會融合關鍵的對話技巧——包括扮演角色、討論幾乎任何話題和表達感情
通過亞馬遜的“土耳其機器人”服務平臺招募的評委說：
他們喜歡與臉書的聊天機器人交談，喜愛程度幾乎和他們與真人對話不相上下。
該項目研究者斯蒂芬-羅勒說，這表明我們這款機器人非常接近人類的水平。
大多數商用聊天機器人，如亞馬遜的Alexa、蘋果的Siri，只能熟練地圍繞一系列具體任務展開對話，如告訴你天氣預報，或告訴你最近的郵局怎麼走。臉書研製的這種聊天機器人與之不同，它被稱爲開放域聊天機器人，能夠就任何話題進行對話。
臉書將這種聊天機器人稱爲“融合者”，因爲它能“融合”成功對話所需各種技能，它還利用谷歌的聊天機器人——米娜生成的對話進行測試，第三方評估者認爲“融合者”比“米娜”優秀。
臉書研究者說，“融合者”與人類比仍有許多缺點待改進，如有時說長話時前後矛盾，或重複自己說過的話，甚至編造不準確的信息。
444，中國量子無人機橫空出世
性能強大，全球唯一
美俄驚呼不敢相信
南京大學等科研團隊採用人工智能、量子通信和有關高新技術，研製成功全球首架全天候量子通信無人機，這架八轉子八軸無人機原型機正在進行試運行全面測試，安全抗干擾，加密技術不可破解，量子通信（很好處理了量子糾纏現象），遠程操控及組建量子網絡等性能優異（有的還在進行中），取得了很多突破性成果。
445，美國國家加速器實驗室開發一種基於機器學習算法的新技術，加快加速器調諧過程（達5倍），大大提高實驗室工作效率。
美國能源部SLAC國家加速器實驗室在直線加速器相干光源（LCLS）X射線激光器上，每年都要進行數百項化學、材料科學、生物和能源研究的實驗的繁忙任務。
直線加速器相干光源的實驗日以繼夜工作，每天有兩個12小時輪班。在每次輪班開始時，操作員必須調整加速器的性能，爲下一次實驗準備X射線束。
過去操作員要花費數百小時來完成這項任務，稱爲加速器調諧。
由SLAC國家加速器實驗室人工智能機器學習計劃負責人DanielRatner率領的團隊，開發了一種基於人工智能機器學習的新技術，使調諧過程快5倍。其研究成果發表在《物理評論快報》期刊上。
446，全球最快相機創新紀錄，每秒可捕捉到70萬億幀驚人速度
這個速度足以捕捉運動中的光波
（當今最好的手機攝像頭可實現每秒記錄下1000幀下的慢動作）
這項技術是由加州理工學院LihongWang團隊研發的，相關研究已發表在《NatureCommunication》上。該團隊採用機器學習人工智能及物理學、光學等尖端技術。被稱爲壓縮超快光譜攝影系統（CUSP），使用極短的激光脈衝，每一脈衝僅持續1飛秒（1飛秒是千萬億分之1秒），光學系統將這些脈衝分割成更短的閃光，這些脈衝中的每一個都會撞擊相機中的一個特殊傳感器，繼而產生一個圖像，每秒發生70萬億次。該項目可應用於各種極快現象，如超短光傳播、核聚變、雲和生物組織中的光子傳輸、生物分子的熒光衰減等。
447，人工智能走向何方？
喜看三條出發路線，五位世界人工智能大師發評論
人工智能與人腦越來越遠還是近，也有大師發評論
人工智能未來發展的第一目標是人類智能或接近人類智能。
目前有三條路，正在探索走向發展目標：
一、從深度神經網絡（或機器學習/深度學習模型）出發
有人說，深度學習已近天花板，似乎很難往前發展了。他們說，深度學習是一個強大的數據分析工具，帶動了當前人工智能的繁榮，但它本質上也是一項暗箱技術或盲模型，其訓練過程不可解釋、不可理解、不可控，缺乏類人的推理能力，與人類大腦的運作機制差距很大，難以逾越；也有人說，深度神經網絡潛力很大，自監督學習（訓練）可使深度學習達到或接近人類智力水平，這時出現了發展的轉機。說這話的人還是世界人工智能大師，如YoshuaBengio、YannLeCun、GeoffreyHinton等，他們坦率地談了未來深度學習人工智能的研究趨勢，認爲自我監督學習是一種機器學習/深度學習的“理想狀態”，可使之產生類人的推動力，變不可解釋、不可理解、不可控爲可！去年人工智能算法大師John-Hopcroft更是信心滿滿要在5年內打破深度學習這個黑盒子，他說人類知道它在學習，但不知它怎麼學習，我們會在5年內大體能讀出深度學習的數學理論。
對於走這條路是否受限於天花板一直有爭議，現在看來突破天花板發展有轉機！
二、從生物脈衝神經網絡出發
生物脈衝神經網絡與人類大腦神經元網絡在結構、特徵、功能、機制等方面比較相似（或力求相似），因此它在對人類大腦意識處理的探索上比其他路徑有優勢，但我們對生物脈衝神經網絡的研究還處於初級階段，欲達到人類智能或接近人類智能的目標，還有很長的路要走，還會遇到很多挑戰：
在神經形態計算出現後我們必須把傳統的馮-諾伊曼計算架構轉移到神經形態計算（類腦計算）架構上來，把目前採用的人工智能加速技術（AI芯片）轉移到神經網絡擬態技術（芯片）上來（神經擬態芯片模擬人腦運作機制，主要採用異步脈衝神經網絡）；我們應與神經科學聯繫，對生物脈衝神經網絡很多未知的關鍵技術、運作機制和功能表現有待深入研究與工程實踐：關鍵還要進一步深入理解人類大腦神經元的生物特性和運作機制以用於我們的研發；研發基於脈衝信號信息處理的稀疏和時間的動態特性、脈衝時序編碼機制、突觸轉移高效函數、異步脈衝傳輸機制及各項功效指標等；生物脈衝神經網絡向類腦方向發展也離不開自監督學習和訓練。
總之，對於走這條路很多人工智能專家是嚮往的，但日前研究尚處於初級階段，迄今國內外均未拿出亮眼的成果。
三、從知識表示、驅動、推理，建設大規模語義網絡出發
業內人工智能專家歡呼：2019年自然語言處理（NLP）取得重大突破！
這條知識工程之路從感知智能奔向認知智能。上世紀80年代中期啓動了知識工程，本世紀初又更新爲新知識工程。新知識工程的重點是建設大規模語義網絡（以提升知識圖譜）。語義網絡的發展過程是從自然語言處理系統到自然語言理解系統，再到大規模語義網絡。IBM沃森主張在以知識表示、驅動、推理的路上，由大規模語義網絡支持的認知智能目標得以實現。
早年間，IBM“WatsonHealth”搞醫療人工智能走的就是這條路。IBM認爲，對人工智能最重要的能力是知識而非數據。他們探索知識表示、驅動、推理，以期醫療人工智能從不可理解、不可解釋的感知智能階段推向可理解、可解釋的認知智能階段。但IBM走的這條路是失敗的。
IBM的失敗，其中主要原因之一是大規模語義網絡還不夠完善，還沒有能力支持認知智能的實現。這裏我們引用圖靈獎得主、人工智能大師YoshuaBengio對此評論中的一段話：“NLP雖然取得較大進步，但與人類相差還甚遠”。
必須指出，對於常識、專業知識、專家經驗，機器是很難識別的。IBM提出具人（embodiment）概念，強調人工智能專家必須與臨牀醫生結合，在疾病診斷時要取得共識。還有達到人類智能的另一道難題是：背景知識，這在學習和訓練時是不可或缺的。
所以對於走這條路，未來是非常有前途的，但當下還不成熟，路還很長。
448，機器學習：爲新材料研發帶來突破
機器學習作爲一種全新的材料發現研究範式正在興起
南開大學材料科學與工程學院周震教授的課題組在Wiley旗下的旗艦期刊InfoMat上發表論文，題目是：“Machinelearning accelerating materials development for energystorage andclonversion”，文章介紹了ML模型和材料學中常用算法，重點介紹了ML在催化、電池、太陽能電池和氣體捕獲等能源領域的性能預測和材料開發中的最新進展。此外也涉及ML對實驗的貢獻。
本課題研究的重點是用於可再生能源技術的新材料。