机器学习和人工智能已成为各行业关键技术，文献体量庞大难以通读。本专栏旨在收集并解读AI及相关领域最新研究发现与论文。
本周亮点：AI在意外领域的突破与应用
凭借处理海量数据及基于有限证据做出合理预测的能力，AI应用正渗透至多个意想不到的细分领域。
国际发展援助项目数据分析
苏黎世联邦理工学院和慕尼黑路德维希-马克西米利安大学的研究人员将机器学习应用于国际发展援助（如救灾、住房）数据。团队利用过去20年涉及2.8万亿美元的数百万个项目训练模型，解决了人工无法详细分析海量复杂数据集的难题。
“你可以将这一过程视为试图阅读整个图书馆并将相似书籍按主题分类上架。我们的算法考虑了200个不同的维度来确定这320万个项目之间的相似程度——这对人类来说是一项不可能完成的工作。”研究作者Malte Toetzke表示。
宏观趋势显示包容性和多样性支出增加，而气候支出近年意外减少。相关dataset和趋势可在线查看。
工业零部件智能识别与再利用
针对各行业大量生产的机器零部件，德国弗劳恩霍夫协会开发了机器学习模型以识别部件并促进再利用，避免其被送往废品堆。
该系统结合普通摄像头、称重、3D扫描及元数据（如来源），解决部件外观相似或磨损导致的识别难题。模型推测部件身份辅助人工检查，预计未来将节省数万部件检查时间，加速数百万部件处理流程。
流体动力学奇点研究
香港城市大学和恒生大学研究人员提出新的深度学习方法，用于隔离流体动力学方程（如欧拉方程）在极端值下失效的奇点实例，为证明这些历史悠久的方程不完整提供了新路径。
剪纸艺术启发二维材料设计
阿贡国家实验室受传统剪纸艺术启发，提出一种能在微观尺度保持电子功能且易弯曲的二维材料理论。团队利用数万次手动切割实验数据训练模型，并通过超级计算机模拟，在几秒内生成了拉伸性达40%的十切变体，远超预期。
“它得出了我们从未要求它得出的结论。它以人类学习的方式学习了知识，并利用这些知识完成了不同的任务。”项目负责人Pankaj Rajak表示。
红外图像色彩重建
计算机视觉模型成功从红外输入中重建颜色数据。实验发现特定红外波段与可见光波段的相关性，能将红外人脸图像转换为近似可见光谱图像。目前虽仅为概念验证，但有望成为科学和摄影的有力工具。
争议与反思：AI的环境成本与商业激励
谷歌AI负责人杰夫·迪恩（Jeff Dean）参与的新研究反驳了“AI环境成本高昂”的观点，认为遵循最佳实践可将机器学习碳排放减少多达1000倍。
所谓最佳实践包括选择高效模型、优化硬件（如GPU）、采用云计算及选址清洁能源数据中心等。仅选择高效模型即可减少五到十倍计算量，专用处理器可将每瓦性能提升两到五倍。
然而，谷歌并非中立方，其众多产品依赖高能耗模型。Knives and Paintbrushes开源研究小组成员迈克·库克（Mike Cook）指出，即便估算准确，若公司能以低效方式扩张获利，便缺乏自我约束动力。学术界的碳指标关注与企业激励机制存在错位。
“我们之所以开始这场对话，根本原因在于像谷歌和OpenAI这样的公司拥有近乎无限的资金……它们知道这能带来优势。我认为这个问题在技术上并不复杂——我们确切地知道，这些公司在需要时会大举扩张，不会自我约束，因此说这个问题现在已经永远解决，感觉只是一句空话。”库克表示。
神经科学进展：构建大脑数字孪生体
EPFL生物信息学研究人员创建了数学模型，生成大量独特且准确的模拟神经元，用于构建神经解剖学数字孪生体。
“这些发现已经使Blue Brain能够通过计算重建大脑区域来进行生物细节丰富的重建和模拟，这些模拟复制了神经元形态的解剖学特性，并包含了特定区域的解剖结构。”研究人员Lida Kanari表示。
该研究主要推动神经科学进步，而非直接提升AI性能，但其对模拟神经元网络的见解有助于深化我们对AI数字化模仿对象的理解。