机器学习和人工智能领域的研究，现在几乎是每个行业和公司的关键技术，对于任何人来说都太庞大了，无法全部阅读。本专栏，Perceptron（以前称为Deep Science），旨在收集一些最相关的最新发现和论文 - 特别是在但不限于人工智能方面 - 并解释为什么它们很重要。

本周在人工智能领域，格拉斯哥大学的一个工程师团队开发了“人造皮肤”，可以学习体验模拟疼痛并对模拟疼痛做出反应。在其他地方，DeepMind的研究人员开发了一种机器学习系统，可以预测足球运动员在球场上的位置，而来自香港中文大学（CUHK）和清华大学的小组则创建了可以生成逼真的人体模型照片甚至视频的算法。

根据一份新闻稿，格拉斯哥团队的人造皮肤利用了一种基于“突触晶体管”的新型处理系统，旨在模仿大脑的神经通路。晶体管由印刷在柔性塑料表面上的氧化锌纳米线制成，连接到记录电阻变化的皮肤传感器。

虽然以前已经尝试过人造皮肤，但该团队声称他们的设计不同之处在于，它使用内置于系统中的电路来充当“人造突触” - 将输入减少到电压尖峰。这加快了处理速度，并允许团队通过设置输入电压阈值来“教”皮肤如何对模拟疼痛做出反应，该阈值的频率根据施加在皮肤上的压力水平而变化。

该团队看到皮肤被用于机器人技术，例如，它可以防止机械臂接触到危险的高温。

与机器人技术密切相关的是，DeepMind声称已经开发了一种AI模型Graph Imputer，该模型可以使用仅一部分球员的摄像头记录来预测足球运动员的移动位置。更令人印象深刻的是，该系统可以在摄像机视野之外对球员进行预测，使其能够相当准确地跟踪场上大多数（如果不是全部）球员的位置。

Graph Imputer并不完美。但DeepMind的研究人员表示，它可以用于建模球场控制等应用，或者球员在给定位置控制球的概率。（一些领先的英超球队在比赛期间以及赛前和赛后分析中使用球场控制模型。除了足球和其他体育分析之外，DeepMind预计Graph Imputer背后的技术将适用于道路行人建模和体育场馆人群建模等领域。

虽然人造皮肤和运动预测系统令人印象深刻，但可以肯定的是，照片和视频生成系统正在快速发展。显然，有像OpenAI的Dall-E 2和Google的Imagen这样的高调作品。但看看由香港中文大学多媒体实验室开发的Text2Human，它可以将“这位女士穿着纯色图案的短袖T恤，短裙和牛仔裙”这样的标题翻译成一张实际上不存在的人的照片。

清华大学与北京人工智能研究院合作，创建了一个名为CogVideo的雄心勃勃的模型，可以从文本中生成视频剪辑（例如，“一个滑雪的人”，“一只狮子正在喝水”）。这些片段充满了伪像和其他视觉怪异，但考虑到它们完全是虚构的场景，很难批评得太严厉。

机器学习通常用于药物发现，其中文献和理论中出现的近乎无限的分子需要经过分类和表征，以找到潜在的有益效果。但是数据量如此之大，误报的成本可能如此之高（追逐潜在客户的成本高昂且耗时），即使99%的准确性也不够好。对于未标记的分子数据尤其如此，到目前为止，大部分数据都是如此（与多年来手动研究的分子相比）。

CMU研究人员一直在努力创建一个模型，通过训练它来对数十亿个未表征的分子进行分类，使其在没有任何额外信息的情况下理解它们。它通过对（虚拟）分子的结构进行微小的改变来实现这一点，例如隐藏原子或去除键，并观察所得分子如何变化。这让它了解了这些分子如何形成和行为的内在特性，并导致它在测试数据库中识别有毒化学物质方面优于其他AI模型。

分子特征也是诊断疾病的关键 - 两名患者可能表现出相似的症状，但仔细分析他们的实验室结果显示他们有非常不同的条件。当然，这是标准的篡改做法，但随着来自多个测试和分析的数据堆积起来，很难跟踪所有的相关性。慕尼黑工业大学正在研究一种临床元算法，该算法集成了多个数据源（包括其他算法），以区分具有相似表现的某些肝脏疾病。虽然这样的模型不会取代医生，但它们将继续帮助解决不断增长的数据量，即使是专家也可能没有时间或专业知识来解释这些数据。