Intel 想靠 AI 來重連受損的脊髓神經

Intel 與布朗大學日前開始了一項由 DARPA 撥款支持的「智慧脊柱介面」計畫,希望藉助 AI 之力,來幫助那些脊髓神經受到嚴重損傷的患者重拾運動和對膀胱的控制能力。據介紹,在這項暫定週期兩年的研究中,科學家們將會利用基於植入受損位置兩端電極的「智慧支架」,來捕捉源於脊髓的運動和感覺訊號。以此為基礎,運行在 Intel 產品上的神經網路將有機會依靠蒐集到的相關數據,重新在脊柱上建立起聯繫,恢復受損脊髓神經的功能。 根據官方介紹,初期的「智慧脊柱介面」將會使用外部的運算硬體來處理訊號,但最終的目標是開發出一套可以完全植入體內的方案。當然,對於計畫成功的可能性,在現階段我們只能說拭目以待。但在工程助教 David Borton 看來,不管結果如何,此次合作都將有助於「發掘(跟脊髓有關的)新知識」,而且對「促進(治療)創新」也有著非常積極的意義。

樂高為視障人士提供英文點字及語音的組裝說明書

樂高的說明書向來以指示明確、人人都能照著做而出名,但對視障人士來說,再精美的說明書也與無字天書無異。為了讓視障人士也能享受拼樂高的樂趣,樂高基金會今天宣佈了將與奧地利人工智慧研究所合作,針對一小部份的盒組,將樂高設計師用來描述產品的 LXFML 語言,轉換為英語的點字與語音說明書,並放在專門的 Legoaudioinstructions.com 網站上供人取用。 之所以會有這樣的計畫,源自於一位 22 歲的盲人樂高愛好者 Matthew Shifrin。自從他的家族友人 Lilya 送他一組 821 片的波斯王子套組,且附上完整的一份點字說明書後,他就愛上了樂高,並且與 Lilya 兩人合力為 20 多組樂高建立了點字的說明書,放在自己的 Lego for the Blind 網站上。取決於套組的複雜度,將圖像式的說明書轉成文字,可以花上 45 分鐘到一個月之久。 不幸的是,Lilya 於 2017 年過世了。為了緬懷 Lilya,Shifrin 希望能將樂高的樂趣帶給更多盲人朋友,因此他的一位 MIT 的朋友將他與樂高的創意玩樂實驗室(Creative Play Lab)搭上線,而後者則是將這個想法帶到了奧地利人工智慧研究所。Shifrin 很高興與樂高合作了超過兩年之久,終於有了成績,特別是看到視障的小朋友也能和其他人一起玩樂高,對他來說是很有成就感的事。就算是有了這個合作,Shifrin 依然在更新自己的 Lego for the…

Gmail 利將會有 AI 來修正滑手打錯的字詞

Google Doc 的 AI 修正功能開始應用到別的同門產品之中了,首先的是 G Suite 用戶會在同樣經常撰寫文件內容的 Gmail。這 AI 會為你抓出錯字,自動修正常見錯誤,同時也會提供英文語法的建議,讓大家在寫電郵給同事和客戶時能減少誤會。有在使用 G Suite 的朋友,可以留意看看 9 月 12 日的排程更新日後,Gmail 開放這功能給你沒有,沒的話也只可以等等囉。而個人 Gmail 用戶則還沒有計劃,那大家就只好多翻幾遍文法書了。

DeepMind 的 AI 能提前 48 小時預檢到急性腎損傷

DeepMind 預想中的 AI 用途,可不僅僅是讓機器在各類對戰中勝過人類而已。他們之前與美國退伍軍人事務處聯手,針對急性腎損傷開發了專門的預檢演算法。根據今日發表於 Nature 上的論文內容,雙方的合作成果可以至少提前 48 小時預測到疾病的惡化。DeepMind 的 AI 在 10 名病人中,準確識別出了 9 名後續已需要採取透析治療的患者。 除此之外,DeepMind 還找到倫敦大學學院的研究者們對其行動診斷助手 Streams 進行了評估。結果顯示,在這款 app 的幫助下醫生可以在 15 分鐘內檢查出急症,相較耗時可能達到數小時的常規方法要節省了非常多的時間。而且使用 Streams 後急性腎損傷的漏診率僅有 3.3%,這項數據也比常規診斷的 12.4% 要低了不少。在結合了前面提到的演算法後,Streams 也能給早期預檢提供幫助,從而達到降低診療整體開支的目的。 據統計,在美國和英國每年分別有 50 萬和 10 萬死於急性腎損傷,透過這次的合作 DeepMind 希望將對應的醫學治療方案由病發後的應對改變成以預防為主。而且不光是急性腎損傷,他們未來還希望能探索更多疾病,進一步減少可預防的死亡。而相關工作未來會被歸屬為 Google Health 的一部分,以此來擴大其在全球的影響。

人工智慧系統自己學會了如何解魔術方塊

魔術方塊是有已知的演算法可以計算出最佳步數,也有人做出了僅需 0.38 秒就能自動將打亂的魔術方塊複原的機器人,但這次不一樣 —— 加州大學爾灣分校的研究學者們開發了一套完全自主學習的「DeepCubeA」人工智慧系統,在僅僅提示最終狀態的前提下,由 AI 自行研究出了解法。 像許多這類的系統一樣,科學家們自己也不知道 DeepCubeA 是如何搞懂怎麼做的,只是利用了「強化學習」的機制,放任機器自己研究該如何轉動。最終的成果是 DeepCubeA 只要 1.2 秒的時間就能完成計算,而且算出的結果大多數只要 20 步左右就能將方塊復原,大約 60% 的時候甚至就是最佳方案。這是該研究團隊第二次嘗試這樣的系統,第一代的方式大約要花 30 步,且需要約 10 分鐘的時間計算。 由於 DeepCubeA 不是專門針對魔術方塊而設計的演算法,其成功將有機會衍伸到類似的圖樣式謎題上。對於朝著開發可以自行理解問題,並計算出解決方案的 AI 系統來說,也是重要的一步吧。

DeepMind 的 AlphaStar 要開始跟普通《星海爭霸》玩家對戰了

今年初時以十勝一負戰績將職業《星海爭霸》戰隊斬於馬下的 AlphaStar,現在已確定將會以匿名形式,開始和普通玩家的對戰測試。早些時候 Alphabet 與 Blizzard 宣佈了這項合作,初期 AlphaStar 將僅會加入歐洲區與小部分玩家進行比賽。用戶在遊玩時並不會知道自己面對的是 AI,而勝負記錄也會如往常般記錄,並不會有什麼特別的改動。 當然,說是說「勝負」,一般玩家若想要擊敗已擁有累計 200 年對戰「經驗」的 AlphaStar,應該都會是不可能完成的任務。但盡管如此,有條件的朋友還是可以一試(歐區玩家在遊戲中會有對應的選項,開啟後就有機會遇上 AlphaStar)。不過想確定自己是否有跟 AI 過招的話,就要等事後官方公佈的比賽錄像囉。

Steam 正實驗由 AI 向玩家推介遊戲

做為內容平台,能留住用戶的方式就是源源不斷地推出合適口味的內容,讓他們樂不思蜀。Valve 就想到了用 AI 來推介 Steam 遊戲給用戶,他們現在透過 Steam Labs 的方式進行三個不同的實驗。雖說仍在測試階段,不過各位 Steam 玩家也已經可以試用,看看這些 AI 推介能否成功分析到你的口味並推介適合的新遊戲。 其中一個名為 Interactive Recommender 的功能是利用經過「數十億」個遊戲時段訓練的神經網路,並基於玩家的遊玩歷史和「其他顯著的數據」來作出推介。所以並不是代表玩了 Doom 之後就會推介一大堆 FPS 遊戲——Steam 是分析玩家的規律,而非類別。當然玩家可以自行修改遊戲推介的類別、主流或非主流、新推出或是經典遊戲等規則。 Steam Labs 之中還有兩個試驗功能,Micro Trailers 是播放 6 秒的遊戲片段,讓玩家能對這款遊戲有個大概想法;The Automated Show 則是半小時的節目,介紹最新推出的遊戲,同樣都是以 AI 和自動化工具來生成的內容,能針對每個玩家不同的口味來進行介紹。

你的智慧喇叭未來有可能在你心臟病發時替你求救

一個人在家時突然心臟病發而求救無門的情況,想必是不少心血管疾病患者的惡夢。借助著機器學習與 AI 的幫助,未來你的智慧喇叭可能成為你的救星,在關鍵時刻替你求救。 美國華盛頓大學的研究學者打造了一個示範性的 AI,利用 911 報案電話中錄下的音訊樣本,讓 AI 學習心臟病發時特有的喘息聲。這個 AI 會先向室內廣播,請求附近的人協助做 CPR,如果沒有人回應的話,它就會自動播打 911 求助。錄音的樣本有經過挑選,盡量涵蓋從智慧喇叭到手機的各種不同的收音設備,來模擬各種有可能搭載這 AI 的裝置。初步的實驗顯示,該 AI 的誤判率僅 0.22%,如果間隔十秒後再聽到一樣的訊號,就基本完全不會誤判了。 科學家們可不只是示範可行性而已,事實上他們已經成立了一間名為 Sound Life Sciences 的公司,準備讓這個技術商品化。問題是,這個系統的前提就是收音的裝置要持續不斷地開著,不像目前的智慧喇叭那樣只有聽到指令才會啟動,因此直接套用在現有的 Alexa 或 Google Assistant 裝置上,難免會有隱私上的疑慮。比較可能的做法,是將它的判讀系統獨立建置在機器上,不用透過雲端,但這麼一來就會變成打造專門的機器,而不是利用愈來愈普及的智慧喇叭了。 無論是用什麼方法出現,有相關疾病的朋友都可以注意一下產品的推出 —— 對於獨居的老年人或高風險的族群,這樣的機器或許有天能救人一命呢。

Adobe 訓練 AI 來偵測 Photoshop 對臉部的修改

隨著機器學習與人工智慧相關應用的迅速開展,一些利用 AI 的潛在危險也逐漸浮出水面。雖然不是說像天網直接毀滅人類那種等級,但像 deepfake 這種將「假臉」貼到真人上的應用,除了有可能為公眾人物帶來無端的困擾外,更可怕是它可以讓領導人、政治人物說出虛假的話或做出虛假的事。如果不能立即被辨認為造假的話,甚至有可能對國家安全帶來危害。 Adobe 這裡就踏出了對抗這種假臉應用的第一步,採用「以毒攻毒」的方式,靠機器學習來辨識造假的圖片。當被訓練過的 AI 被用來辨識被 Photoshop 液化濾鏡修過的圖時,有高達 99% 的成功率,而相較之下人類僅有 53% 的成功率。不僅如此, AI 還能試圖「還原」修改前的原貌呢。 Adobe 認為在當今世界上,數位內容愈來愈難被信任,如果說發現圖片是否被修改變得和修改圖一樣容易的話,每個人就都能有工具來找出圖片的真相了吧。