机器学习和人工智能已成为各行业关键技术，研究体量庞大。本专栏Perceptron旨在收集最新发现与论文，解读其重要性。
近期，科学家利用算法揭示月球暗区撞击坑细节；MIT用教科书训练AI推断语言规则；DeepMind与微软探索动作捕捉数据在机器人任务中的应用。
🌕 月球暗区探测：机器学习照亮永久阴影
随着Artemis I发射在即，月球科学再受关注。最黑暗区域因可能蕴藏水冰而具极高研究价值。国际团队将机器学习应用于此，利用《地球物理研究快报》描述的基于物理的深度学习后处理工具，整合多年欠曝图像。据David Kring称，该成果可设计通往永久阴影区的可见路径，大幅降低宇航员及机器人探索风险。
提前了解大致方向不仅有益，还能指导机器人探索或着陆器聚焦重点区域。
🗣️ 语言学AI：从教科书中“理解”语法规则
MIT实验发现，经多本教科书训练的模型能构建语言运作模型，成功解答波兰语语法问题。Adam Albright表示，研究旨在模拟人类语言学家处理任务时的知识与推理能力。这表明AI无需显式指令即可“理解”细微或隐藏规则。
⚖️ 价值观对齐：DeepMind的哲学方法
针对语言模型输出有害内容的问题，DeepMind提出避免“一刀切”，主张根据部署情境体现不同特质（如科研模型重真实，调解代理重尊重）。通过语境构建和阐明过程，模型可随时间培养更稳健、尊重的对话能力，帮助人类理解支配特定对话实践的价值观。
🔬 NSF资助350万美元：构建科学AI“模型花园”
NSF向芝加哥大学等机构团队提供350万美元资助，构建解决物理、数学、化学问题的AI模型存储库“模型花园”。该平台链接模型、数据、计算资源及自动化测试验证，简化科研人员部署流程。Ben Blaiszik表示，用户可一站式查看信息、引用模型并在Web环境中调用。
🤖 神经形态硬件与具身智能新进展
Intel Loihi芯片：新一代实验性神经形态芯片使物体识别模型功耗较CPU降低多达175倍，并能学习识别未见过的物体。该系统模仿生物神经系统，通过模拟电路传输信号并调节电量，兼顾速度与效率，未来有望应用于物流制造机器人。
DeepMind具身智能：利用人兽动作追踪数据教机器人运球、搬运甚至踢足球。该方法已成功转化至真实世界四足机器人。
微软MoCapAct数据集：包含动作捕捉片段，助力创建敏捷双足机器人。该项目相当于节省50年GPU服务器算力，消除了社区研究计算障碍。
📝 AI辅助同行评审与创意应用
瑞士团队研究显示，基于模型的同行评审评估结果好坏参半，发表影响力评分无法预测评审质量。虽工作仍在进行，但有助于确保评审机制发挥作用。
此外，Karen X. Cheng展示了结合独创性与AI生成原创时尚作品的个人项目。