机器学习与人工智能已成为各行业关键技术，研究成果浩如烟海。本专栏“感知器”（前身为深度科学）旨在汇集并阐释近期最具相关性的发现与论文——聚焦AI但不限于此，解析其重要性。
本月AI领域动态包括：宾夕法尼亚州立大学研制出每秒可处理近20亿张图像的芯片；卡内基梅隆大学签署1050万美元美国陆军合同，扩大预测性维护中的AI应用；加州大学伯克利分校团队将AI研究应用于解决气候问题，如理解雪作为水资源的作用。
宾夕法尼亚州立大学：光学芯片突破图像处理瓶颈
宾夕法尼亚州立大学研究旨在克服传统处理器在AI图像识别与分类任务中的局限。传统流程需先由传感器捕获光信号并转换为二进制数据，系统才能处理分析。该校工程师设计了一种变通方案，消除了传统芯片AI图像处理中最耗时的环节。
包括博士后研究员法尔希德·阿什蒂亚尼、研究生亚历山大·J·盖尔斯及副教授费罗兹·阿夫拉图米在内的团队，开发了一款9.3平方毫米定制处理器。该芯片采用“光学深度神经网络”，直接处理来自目标物体的光线。
本质上，该处理器利用波导互连的“光学神经元”构成多层深度网络。信息逐层传递以完成分类。得益于光传播过程中即可计算的特性，芯片无需存储信息，约半纳秒内即可完成图像分类。
Geers表示：“我们并非首个能直接读取光信号的技术，但我们是首个在芯片上构建完整系统的人，既兼容现有技术，又具备处理复杂数据的可扩展性。”该技术有望应用于照片文字检测、自动驾驶障碍物识别等计算机视觉任务。
卡内基梅隆大学：提升数字孪生建模准确性
卡内基梅隆大学Auton实验室专注于预测性维护技术。在新合同支持下，主任阿图尔·杜布拉斯基将领导基础研究，扩大“数字孪生”技术在多领域的适用性。
尽管GE、AWS及多家初创公司已提供数字孪生产品，但该技术的核心痛点仍是数据不准确导致的建模偏差（即“垃圾进，垃圾出”）。
为解决此问题，杜布拉斯基团队正与临床医生等利益相关者合作，探索医疗等场景。Auton实验室旨在开发高效方法“捕捉人类专业知识”，使AI系统理解数据中缺失的上下文，并将这些知识分享给用户。
DARPA资助项目：赋予机器人“常识”
DARPA资助多项倡议，旨在赋予机器人通用意识，使其在行走、搬运或抓取物体遇到意外时懂得应对。现有模型往往脆弱，参数异常即失效。通过训练“常识”，可使机器人更灵活地调整参数以抵消影响，而非简单失败。
研究表明，经“常识”训练的机器人在崎岖地形移动能力更强，负载转移处理更好，对陌生物体抓取也更稳固。
加州大学伯克利分校：AI助力气候变化研究
伯克利人工智能研究气候倡议（BAIR）近期启动，联合气候专家、政府及行业伙伴，寻求气候与AI双赢目标。首个项目将结合飞机观测、天气及卫星数据，追踪雪的整个生命周期，估算内华达山脉积雪水量并预报其对溪流流量的影响。
全球约12亿人依赖融雪，仅内华达山脉就为加州超半数人口供水。BAIR联合创始人特雷弗·达雷尔强调，相关技术研究将公开发表，不设独家授权。
然而，AI训练本身也是碳排放源。艾伦人工智能研究所（AI2）作为绿色软件基金会项目的一部分，研究如何智能调度训练以减少环境影响。由于电力来源动态变化且高峰用电难以拆分，这并非简单的计算优化问题。
OpenAI发布VPT：迈向通用计算机使用代理
OpenAI公布视频预训练（VPT）技术，利用少量标注数据教AI完成特定任务（如在《我的世界》制作钻石工具）。该方法通过网络视频搜索与人工标注相结合，训练模型根据视频帧预测动作。
OpenAI以《我的世界》为测试案例，声称该方法具有通用性，标志着向“通用计算机使用代理”迈出重要一步。目前，该模型及相关实验数据均已开源。