机器学习和人工智能领域的研究如今已成为几乎所有行业和公司的一项关键技术，其内容之丰富远超任何人能够全部阅读的范围。本专栏 Perceptron 旨在收集一些最新的相关发现与论文——特别是人工智能领域（但不限于此）——并解释它们为何重要。
过去几周中，一款利用声呐读取面部表情的“耳戴设备”引起了我们的注意。同样引人注目的还有来自艾伦人工智能研究所（AI2）的 ProcTHOR，这是一个可以程序化生成环境以用于训练现实世界机器人的框架。在其他亮点中，Meta 创建了一个 AI 系统，仅凭单个氨基酸序列即可预测蛋白质结构。此外，麻省理工学院的研究人员开发了一种新硬件，据称能以更低的能耗为 AI 提供更快的计算能力。
康奈尔大学：声呐耳戴设备捕捉面部表情
这款“耳戴设备”由康奈尔大学的一个团队开发，外观有点像一副笨重的耳机。扬声器向佩戴者脸部侧面发送声波信号，而麦克风则捕捉由鼻子、嘴唇、眼睛和其他面部特征产生的几乎难以察觉的回声。这些“回声轮廓”使耳戴设备能够捕捉眉毛上扬和眼球转动等动作，随后由 AI 算法将其转化为完整的面部表情。
这款耳戴设备存在一些局限性。其电池续航时间仅为三小时，且必须将处理任务卸载到智能手机上；此外，用于转换回声的 AI 算法必须在开始识别表情之前，先经过 32 分钟的面部数据训练。但研究人员指出，与传统用于电影、电视和视频游戏动画的记录器相比，它提供了更加轻便的体验。例如，在悬疑游戏《黑色洛城》（L.A. Noire）中，Rockstar Games 搭建了一套包含 32 台摄像机的装置，专门针对每位演员的面部进行追踪。
AI2 ProcTHOR：程序化生成机器人训练环境
也许有一天，康奈尔大学的耳戴设备将用于为人形机器人创建动画。但这些机器人必须先学会如何在房间内导航。幸运的是，AI2 的 ProcTHOR 朝这个方向迈出了一步，创建了数千个自定义场景，包括教室、图书馆和办公室，模拟机器人必须在这些场景中完成任务，如拾取物体和绕过家具。
这些场景背后的理念是，它们具有模拟光照，并包含大量表面材料（例如木材、瓷砖等）和家用物品的子集，目的是让模拟机器人尽可能接触多样化的环境。在人工智能领域，一个公认的理论是：在模拟环境中训练可以提升现实世界系统的性能；像 Alphabet 旗下的 Waymo 这样的自动驾驶汽车公司会模拟整个街区，以微调其真实车辆的行为表现。
至于 ProcTHOR，AI2 在一篇论文中声称，增加训练环境的数量可以一致地提升性能。这对即将进入家庭、工作场所等地的机器人来说是个好消息。
麻省理工学院：新型模拟处理器加速 AI 计算
当然，训练这类系统需要大量的计算能力。但这种情况可能不会永远持续下去。麻省理工学院的研究人员表示，他们开发了一种“模拟”处理器，可用于构建超快的“神经元”和“突触”网络，进而执行图像识别、语言翻译等任务。
研究人员的处理器使用排列成阵列的“质子可编程电阻器”来“学习”技能。通过增加和减少电阻器的电导率，模拟大脑中神经元之间突触的强化与弱化，这是学习过程的一部分。电导率由控制质子运动的电解质调节。当更多质子被推入电阻器的通道时，电导率增加；当质子被移除时，电导率降低。
一种无机材料——磷硅酸盐玻璃，使麻省理工学院团队的处理器速度极快，因为它含有纳米级孔隙，其表面为质子扩散提供了理想路径。此外，这种玻璃可在室温下运行，并且不会被沿孔隙移动的质子损坏。
首席作者、麻省理工学院博士后 Murat Onen 在一份新闻稿中表示：“一旦拥有模拟处理器，你将不再训练其他人正在使用的网络。你将能够训练具有前所未有的复杂性的网络，而其他人无力承担，从而远远超越所有其他方法。换句话说，这不是更快的汽车，而是航天器。”
机器学习应用于粒子加速器管理
说到加速，机器学习现在正被用于管理粒子加速器，至少处于实验阶段。在劳伦斯伯克利国家实验室，两个团队展示了基于机器学习的整机和束流模拟能够给出高度精确的预测，其精度比常规统计分析高出多达 10 倍。
该实验室的 Daniele Filippetto 表示：“如果你能以超越束流波动的精度预测束流特性，就可以利用这些预测来提升加速器的性能。”模拟所涉及的所有物理过程和设备并非易事，但令人惊讶的是，各团队早期的努力取得了令人鼓舞的成果。
而在橡树岭国家实验室，一个由人工智能驱动的平台使他们能够利用中子散射进行高光谱计算机断层扫描，从而找到最优方案。
UCL：AI 模型检测癫痫脑部病变早期迹象
在医学领域，机器学习驱动的图像分析在神经学方面有了新的应用。伦敦大学学院（UCL）的研究人员训练了一个模型，用于检测导致癫痫的脑部病变的早期迹象。
药物难治性癫痫的一个常见原因是所谓的局灶性皮质发育不良（focal cortical dysplasia），即大脑中某个区域发育异常，但由于某种原因，在 MRI 上并不显得明显异常。早期发现这种病变极具帮助，因此 UCL 团队在数千个健康脑区和受 FCD 影响的脑区样本上，训练了一种名为“多中心癫痫病灶检测”（Multicentre Epilepsy Lesion Detection, MELD）的 MRI 检查模型。
该模型能够识别出所呈现病例中三分之二的 FCD，这已经相当不错，因为相关征象非常细微。事实上，它发现了 178 例医生未能定位 FCD 但模型成功找到的病例。当然，最终诊断权仍归专科医生所有，但计算机提示可能存在异常，有时就足以促使医生进一步仔细观察并做出明确诊断。
UCL 的 Mathilde Ripart 表示：“我们强调创建一个可解释的 AI 算法，以帮助医生做出决策。向医生展示 MELD 算法是如何做出预测的，是这一过程中的关键环节。”