欢迎来到 Perceptron，这是 TechCrunch 每周整理的全球 AI 新闻与研究综述。机器学习已成为各行业关键技术，但发展速度极快，本专栏旨在精选近期重要发现与论文并解读其价值。
（前身为《深度科学》；在此查看往期内容。）
Meta 两项前瞻性研究：减排混凝土与类脑语言模型
本周综述以 Meta 的两项研究开篇。第一项联合伊利诺伊大学厄巴纳 - 香槟分校（UIUC），旨在降低混凝土生产排放。混凝土占全球碳排放约 8%，微小改进对实现气候目标意义重大。
Meta/UIUC 团队在包含上千种配方的数据集上训练模型，涵盖沙子、矿渣、碎玻璃等材料比例变化。通过挖掘数据细微趋势，模型输出兼顾强度与低排放的新配方。获胜配方排放较地区标准减少 40%，并满足部分强度要求，前景广阔，后续实地研究有望推动进展。
第二项研究聚焦语言模型机制。Meta 计划联合神经成像专家等，对比语言模型执行任务时与实际大脑活动的差异。
核心在于人类说话或倾听时预判后续词汇的能力（如预知句子结尾或转折词）。当前 AI 虽擅长逐词生成并回顾上下文，但仍处于起步阶段，已取得初步有趣成果。
橡树岭国家实验室：AI 逆向设计材料
橡树岭国家实验室利用量子化学计算数据集创建神经网络预测材料属性，并将其反转：输入理想属性即可让模型推荐对应材料。
研究员 Victor Fung 表示：“我们不满足于预测既定属性，而是希望选择理想属性并逆向高效设计，即‘逆向设计’。”该方法已验证有效，相关代码已在 GitHub 开源供验证。
ETHZ 项目：卫星数据绘制全球树冠高度图
ETHZ 结合 ESA 哨兵 -2 卫星光学影像与 NASA GEDI 激光测距数据，利用卷积神经网络估算全球树冠高度，生成精确至 55 米的全球树木高度地图。
NASA Ralph Dubayah 指出，定期全球生物质调查对气候监测至关重要：“我们缺乏全球树木分布地图，砍伐释放的碳量尚不明确。”该地图数据现已开放浏览。
DARPA RACER-Sim：超大规模越野自动驾驶模拟
DARPA 授予 Intel 合同，构建超大规模虚拟环境供自动驾驶车辆穿越恶劣地形。相比游戏《Snowrunner》，该项目更侧重专业模拟。
RACER-Sim 旨在培养越野自动驾驶车辆在岩石沙漠等地形的适应能力。四年项目将先建环境与模拟器模型，再迁移技能至物理机器人系统。
MIT AI 制药：确保分子可合成性
针对 AI 制药领域常提出难合成分子的问题，MIT 模型仅建议由可购材料组成且符合化学定律的分子结构，避免“无法量产”的设计。
该思路类似 Molecule.one 并已整合至发现流程，确保 AI 提出的药物无需奇异物质即可合成。
MIT 等机构：小样本学习机器人抓取日常物品
为解决机器人交互训练数据标注难题，MIT、华盛顿大学等机构新技术通过观察推断三维几何形状，仅需每人 10 个演示示例即可学会抓取物体，远优于需数百示例或数千次模拟的基线模型。
该技术以极少训练量实现 85% 成功率，目前限于少数类别，未来有望泛化。
DeepMind Flamingo：多模态视觉语言模型
DeepMind 推出 Flamingo 通用模型，融合视觉与语言知识，使概念在语法与图像间建立交叉表示（如“三只猫坐在栅栏上”），模拟人脑运作方式。
Flamingo 并非双模型组合，而是统一理解语言与视觉。多模态方法虽结果良好，但仍处高实验阶段且计算密集。