针对《评人工智能如何走向新阶段》一文，继续发布国内外的跟贴留言439-448条如下：

439，彩虹一号无人机实现人类永不落地的追求

日媒：中国亮出杀手锏

世界各国一直在研究提高飞机的续航能力

国内研制的彩虹一号无人机采用人工智能和其他高新技术，飞行高度30000米，并终于研制成功实现人类永不落地的追求。

440，日本开发出光刻机亷价可靠的极紫外射线EUV光源

东京工业大学KeijiNagai教授率领的研究团队（并与都柏林大学学院科学家合作）最近研发了一种极低密度的锡“气泡”，使得极紫外射线的产生变得可靠且便宜。

以往采用高强度激光器来产生EUⅤ光源，但对这些激光器而言，要保持可产生EUⅤ范围内光的目标密度的控制是有挑战性的。而今天他们研发的锡塗层微胶囊“气泡”技术，不但可保持高效、可扩展和低成本，而且是一种可高度挖制的、稳定的低密度结构。测试的结果产生了13.5nm的EUⅤ光（并与传统的EUⅤ光源兼容）。

这项研究成果，使得攻克光刻机不必僵持在整体攻关上，而找到将整体分解为各局部，将各局部关键技术各个击破的途径。

441，大脑控制的真实感假肢问世，患者无需训练即可使用

一个欧美科学家团队报告说，有史以来最先进的仿生假肢取得成功

一个欧美科学家团队（由查尔黙斯理工大学、Sahlgrenska大学医院、哥德堡大学、IntegrumAB、维也纳医科大学和麻省理工学院研究人员组成）研究一种新的仿生假肢传感系统：将该系统整合到伤残患者的神经中，让患者只需想一想就能控制假肢（就像使用自然肢体一样），并能将感觉反馈到大脑中。与传统的套筒假体只是在肢体残端开槽不同，新系统是一种神经一肌肉一骨骼假体。这意味着它可以直接与肢体残端的神经和肌肉对接，因此患者可用自已的大脑来控制它，达到效果逼真，无需训练即可使用。

对于丧失手掌的患者，假肢通过手术固定在患者肢体剩余部分，固定在骨头上以保持稳定。在肌肉和神经中植入电极（使用者可开闭手部开关感受到感觉反馈），假肢的大姆指中内置力传感器，可测量接触和压力。然后这些信息会被传送到大脑，让患者感受到他在接触某物时的感觉，知道它的特性，并确定他按在上面的力度。所有这些都是假肢的关键信息，让假肢的手感与真实东西一样。

这项研究现有3名瑞典患者，己经和这装置一起生活了3-7年，证明是安全、稳定和有用的。这种新的传感系统显然可以连接到各种不同的假体设备上。

442，人工智能与人脑愈来愈远还是愈来愈近？

神经网络之父Hinton的反思

1986年GeoffreyHinton写了一篇论文《Learning representations by  backpropagationerrors》，将反向传播算法首次被引入到多层神经网络的训练中去，其重大意义更是为人工智能在最近十年的发展奠定了基础。

当下面对人工智能的局限性，面对人类大脑尚有很多未知的运作机制，Hinton提出反思和质疑。

反思：我们是否需要放弃反向传播算法，重新开辟一条新路径？

质疑：人工智能与人类大脑愈走愈远还是愈来愈近？

国内AI专家黄铁军教授认为：人类大脑结构是亿万年“优胜劣汰”进化过程造就的。反向传播是人工智能的训练手段。

443，脸书发明“最像人类”的聊天机器人

第三方评估各种聊天机器人：

脸书的“融合者”强于亚马逊的Alexa和苹果的Siri，比谷歌的“米娜”优秀

美国《财富》杂志网站4月29日报导，脸书研制一种聊天机器人，可以进行长时间开放式对话，更像人类！

研究者说，这款聊天机器人首次学会融合关键的对话技巧——包括扮演角色、讨论几乎任何话题和表达感情

通过亚马逊的“土耳其机器人”服务平台招募的评委说：

他们喜欢与脸书的聊天机器人交谈，喜爱程度几乎和他们与真人对话不相上下。

该项目研究者斯蒂芬-罗勒说，这表明我们这款机器人非常接近人类的水平。

大多数商用聊天机器人，如亚马逊的Alexa、苹果的Siri，只能熟练地围绕一系列具体任务展开对话，如告诉你天气预报，或告诉你最近的邮局怎么走。脸书研制的这种聊天机器人与之不同，它被称为开放域聊天机器人，能够就任何话题进行对话。

脸书将这种聊天机器人称为“融合者”，因为它能“融合”成功对话所需各种技能，它还利用谷歌的聊天机器人——米娜生成的对话进行测试，第三方评估者认为“融合者”比“米娜”优秀。

脸书研究者说，“融合者”与人类比仍有许多缺点待改进，如有时说长话时前后矛盾，或重复自己说过的话，甚至编造不准确的信息。

444，中国量子无人机横空出世

性能强大，全球唯一

美俄惊呼不敢相信

南京大学等科研团队采用人工智能、量子通信和有关高新技术，研制成功全球首架全天候量子通信无人机，这架八转子八轴无人机原型机正在进行试运行全面测试，安全抗干扰，加密技术不可破解，量子通信（很好处理了量子纠缠现象），远程操控及组建量子网络等性能优异（有的还在进行中），取得了很多突破性成果。

445，美国国家加速器实验室开发一种基于机器学习算法的新技术，加快加速器调谐过程（达5倍），大大提高实验室工作效率。

美国能源部SLAC国家加速器实验室在直线加速器相干光源（LCLS）X射线激光器上，每年都要进行数百项化学、材料科学、生物和能源研究的实验的繁忙任务。

直线加速器相干光源的实验日以继夜工作，每天有两个12小时轮班。在每次轮班开始时，操作员必须调整加速器的性能，为下一次实验准备X射线束。

过去操作员要花费数百小时来完成这项任务，称为加速器调谐。

由SLAC国家加速器实验室人工智能机器学习计划负责人DanielRatner率领的团队，开发了一种基于人工智能机器学习的新技术，使调谐过程快5倍。其研究成果发表在《物理评论快报》期刊上。

446，全球最快相机创新纪录，每秒可捕捉到70万亿帧惊人速度

这个速度足以捕捉运动中的光波

（当今最好的手机摄像头可实现每秒记录下1000帧下的慢动作）

这项技术是由加州理工学院LihongWang团队研发的，相关研究已发表在《NatureCommunication》上。该团队采用机器学习人工智能及物理学、光学等尖端技术。被称为压缩超快光谱摄影系统（CUSP），使用极短的激光脉冲，每一脉冲仅持续1飞秒（1飞秒是千万亿分之1秒），光学系统将这些脉冲分割成更短的闪光，这些脉冲中的每一个都会撞击相机中的一个特殊传感器，继而产生一个图像，每秒发生70万亿次。该项目可应用于各种极快现象，如超短光传播、核聚变、云和生物组织中的光子传输、生物分子的荧光衰减等。

447，人工智能走向何方？

喜看三条出发路线，五位世界人工智能大师发评论

人工智能与人脑越来越远还是近，也有大师发评论

人工智能未来发展的第一目标是人类智能或接近人类智能。

目前有三条路，正在探索走向发展目标：

一、从深度神经网络（或机器学习/深度学习模型）出发

有人说，深度学习已近天花板，似乎很难往前发展了。他们说，深度学习是一个强大的数据分析工具，带动了当前人工智能的繁荣，但它本质上也是一项暗箱技术或盲模型，其训练过程不可解释、不可理解、不可控，缺乏类人的推理能力，与人类大脑的运作机制差距很大，难以逾越；也有人说，深度神经网络潜力很大，自监督学习（训练）可使深度学习达到或接近人类智力水平，这时出现了发展的转机。说这话的人还是世界人工智能大师，如YoshuaBengio、YannLeCun、GeoffreyHinton等，他们坦率地谈了未来深度学习人工智能的研究趋势，认为自我监督学习是一种机器学习/深度学习的“理想状态”，可使之产生类人的推动力，变不可解释、不可理解、不可控为可！去年人工智能算法大师John-Hopcroft更是信心满满要在5年内打破深度学习这个黑盒子，他说人类知道它在学习，但不知它怎么学习，我们会在5年内大体能读出深度学习的数学理论。

对于走这条路是否受限于天花板一直有争议，现在看来突破天花板发展有转机！

二、从生物脉冲神经网络出发

生物脉冲神经网络与人类大脑神经元网络在结构、特征、功能、机制等方面比较相似（或力求相似），因此它在对人类大脑意识处理的探索上比其他路径有优势，但我们对生物脉冲神经网络的研究还处于初级阶段，欲达到人类智能或接近人类智能的目标，还有很长的路要走，还会遇到很多挑战：

在神经形态计算出现后我们必须把传统的冯-诺伊曼计算架构转移到神经形态计算（类脑计算）架构上来，把目前采用的人工智能加速技术（AI芯片）转移到神经网络拟态技术（芯片）上来（神经拟态芯片模拟人脑运作机制，主要采用异步脉冲神经网络）；我们应与神经科学联系，对生物脉冲神经网络很多未知的关键技术、运作机制和功能表现有待深入研究与工程实践：关键还要进一步深入理解人类大脑神经元的生物特性和运作机制以用于我们的研发；研发基于脉冲信号信息处理的稀疏和时间的动态特性、脉冲时序编码机制、突触转移高效函数、异步脉冲传输机制及各项功效指标等；生物脉冲神经网络向类脑方向发展也离不开自监督学习和训练。

总之，对于走这条路很多人工智能专家是向往的，但日前研究尚处于初级阶段，迄今国内外均未拿出亮眼的成果。

三、从知识表示、驱动、推理，建设大规模语义网络出发

业内人工智能专家欢呼：2019年自然语言处理（NLP）取得重大突破！

这条知识工程之路从感知智能奔向认知智能。上世纪80年代中期启动了知识工程，本世纪初又更新为新知识工程。新知识工程的重点是建设大规模语义网络（以提升知识图谱）。语义网络的发展过程是从自然语言处理系统到自然语言理解系统，再到大规模语义网络。IBM沃森主张在以知识表示、驱动、推理的路上，由大规模语义网络支持的认知智能目标得以实现。

早年间，IBM“WatsonHealth”搞医疗人工智能走的就是这条路。IBM认为，对人工智能最重要的能力是知识而非数据。他们探索知识表示、驱动、推理，以期医疗人工智能从不可理解、不可解释的感知智能阶段推向可理解、可解释的认知智能阶段。但IBM走的这条路是失败的。

IBM的失败，其中主要原因之一是大规模语义网络还不够完善，还没有能力支持认知智能的实现。这里我们引用图灵奖得主、人工智能大师YoshuaBengio对此评论中的一段话：“NLP虽然取得较大进步，但与人类相差还甚远”。

必须指出，对于常识、专业知识、专家经验，机器是很难识别的。IBM提出具人（embodiment）概念，强调人工智能专家必须与临床医生结合，在疾病诊断时要取得共识。还有达到人类智能的另一道难题是：背景知识，这在学习和训练时是不可或缺的。

所以对于走这条路，未来是非常有前途的，但当下还不成熟，路还很长。

448，机器学习：为新材料研发带来突破

机器学习作为一种全新的材料发现研究范式正在兴起

南开大学材料科学与工程学院周震教授的课题组在Wiley旗下的旗舰期刊InfoMat上发表论文，题目是：“Machinelearning accelerating materials development for energystorage andclonversion”，文章介绍了ML模型和材料学中常用算法，重点介绍了ML在催化、电池、太阳能电池和气体捕获等能源领域的性能预测和材料开发中的最新进展。此外也涉及ML对实验的贡献。

本课题研究的重点是用于可再生能源技术的新材料。