五对俄罗斯夫妇愿意让科学家对孩子进行基因编辑?|技术前沿洞察


640?wx_fmt=gif


硅谷Live / 实地探访 热点探秘 / 深度探讨


大家好,技术前沿洞察又来啦!在今天的文章,无论是美国高校、海外高校都有一些技术动态,像 AI 击败德扑选手的,纤维人造肌肉的,乃至基因编辑婴儿再度提上议程,到底如何,赶紧来看!


美国高校


  • CMU和Facebook联合研发的AI系统在六人扑克中击败职业选手


由卡内基梅隆大学与 Facebook AI 合作开发的人工智能系统 Pluribus,在六人无限注德州扑克的比赛中,击败了职业选手、世界冠军 Darren Elias 和 Chris "Jesus" Ferguson。每个职业选手分别玩了 5000 手扑克牌,来对抗五个 Pluribus。


Pluribus AI 在多人扑克中取得的这种表现,是人工智能和博弈理论中公认的里程碑。到目前为止,战略推理中的“超人”AI的主要成就仅限于两方竞争,而在六人扑克如此复杂的游戏中击败其他五名玩家的能力为使用AI解决各种各样的现实问题开辟了新的机会。


去年加入 Facebook AI 的 Noam Brown 表示,“我们对其表现感到高兴,并相信一些Pluribus的比赛策略甚至可能会改变职业选手的比赛方式。”


你们说,下回该到啥游戏被 AI 打败人类了?麻将能不能呢?


感兴趣的可以点击原文阅读:

https://www.cs.cmu.edu/news/carnegie-mellon-and-facebook-ai-beats-professionals-six-player-poker


  • 轻巧、灵活、可编程:MIT 打造出首款纤维人造肌肉


7月12号,Science 杂志发表 MIT 最新研究成果:MIT博士后Mehmet Kanik 与研究生SirmaÖrgüç 等,开发打造出了第一款 “人造肌肉纤维”,肌肉纤维随着温度改变而伸缩。与目前其他种类的人造肌肉相比,此种人造肌肉更轻巧、响应速度更快。


人类的很多技术创新都是以大自然为灵感,MIT 这款纤维人造肌肉也不例外。不少种过黄瓜、葡萄的人都知道,黄瓜、葡萄的藤蔓会寻找附近的一根竿子或架子,在它上面伸缩、缠绕,以确保自己得到充分阳光。这为MIT的研究人员提供了灵感:他们找到了模拟植物藤蔓在竿子上卷绕的方法制造可伸缩纤维,并用这种纤维制造人造肌肉。


640?wx_fmt=png

(最新一期 Science 杂志封面,图片版权属于 Ken Richardson)


目前现有的人造肌肉以液压系统、形状记忆金属等方式制造,但这些方式造出来的人造肌肉,有的太重、有的则是响应时间太长。如果此次基于纤维的新方法能大规模运用,则是一种更灵活、更轻巧的新方法。


别看它轻便灵巧,但拉伸力一点不含糊:这些基于纤维的致动结构足足可以举起自身体重650倍的重量,并能承受>1000%的拉力。


感兴趣的可以点击原文阅读:https://science.sciencemag.org/content/365/6449/145


  • 斯坦福大学:在边缘土壤中种植作物的新方法可以帮助养活世界


世界上大约三分之一的可耕地缺乏可吸收铁元素,使其不适合玉米和大豆等主要农作物的种植。


去年,由斯坦福大学化学工程副教授Elizabeth Sattely领导的研究小组发现了一种遗传适应,允许一种耐寒植物在这些缺乏铁元素的边缘土壤上茁壮成长。


现在,她的实验室已经更多地揭示了这种生存特性背后的遗传机制。虽然需要更多的研究,但Sattely相信这一研究途径有一天能够让科学家将这种适应性机制融入主要作物的基因组中,从而为粮食生产开辟更多的可用农田,并形成一种新的生态友好型的植物遗传工程。


该实验室主要研究土壤微生物组 - 生活在植物根部周围的细菌群体,帮助他们处理营养物质,就像肠道细菌帮助人们消化食物一样。


他们发现了一种名为拟南芥(Arabidopsis thaliana)的植物,它是甘蓝和芥菜的亲戚,由于它的根分泌到土壤中的香豆素分子会驱除某些也需要铁来生长的细菌,从而帮助其克服了这种缺铁的问题。实验室也将继续研究这种香豆素适应性如何应用到小麦、玉米等作物的工程化中。


感兴趣的可以点击原文阅读:

https://engineering.stanford.edu/magazine/article/new-way-grow-crops-marginal-soils-could-help-feed-world


海外高校


  • 或许真有“长寿药”!意科学家发现一种可抵抗心血管疾病的 “长寿基因”


7月10日,《欧洲心脏杂志(European Heart Journal)》发表了来自意大利萨勒诺大学(University of Salerno)科研团队的一项研究。该研究将一种名为 “LAV-BPIFB4” 的长寿基因,转入动脉粥样硬化小鼠模型的 DNA 中,结果发现这些小鼠血管内皮功能改善,动脉粥样硬化显著减少。


动脉粥样硬化是一种受遗传和环境因素影响的多因素疾病,每年约有上千万人死于动脉粥样硬化所引起的心血管疾病,脑中风、冠心病就属于此种疾病。


有意思的是,虽然动脉粥样硬化是一种 “老年病”,但与其相关的心血管疾病发病率在长寿老人中却明显比在一般老人群体中的发病率更低、或推迟发病。而长寿者身体里独有的 “LAV-BPIFB4” 长寿基因,则是 BPIFB4 基因的变体。后者往往意味着更健康的血管,而LAV-BPIFB4 遗传变体的携带者通常身体里有更多的 BPIFB4。


为了验证这个想法,研究人员把BPIFB4 蛋白质输给患有动脉高血压或肢体缺血等动脉粥样硬化疾病的小老鼠身上。结果发现,输入该种蛋白质的小老鼠血压正常化、血管再生速度加快。


看来,”家有一老,如有一宝” 这句话真的非常有道理,因为长寿老人在自己长寿的同时,还有望帮助更多的人长寿。


  • 以小蚂蚁为灵感的微型机器人:更强大的协作能力


近日,瑞士洛桑联邦理工学院(EPFL)的机器人研究团队,开发了一种以小蚂蚁为灵感的微型机器人 Tribots,这一研究成果发表在了近期的 Nature《自然》杂志上。


我们从很小就知道,小蚂蚁虽小,却是大力士:它们能够举起自身重量数倍甚至数十倍的物体,相比之下人类的举力真是弱爆了。不仅如此,蚂蚁还是非常有秩序的社会动物,一群蚂蚁能有序地分工合作,搬动重物、建造巢穴、进行复杂的沟通等...其交流与协作的能力在动物世界里十分超群。


而此次新研发出来的 Tribots 机器人则以蚂蚁为灵感:单个的 Tribots 像蚂蚁一样,也能推动自身重量数倍的物体、跳上数倍于自身尺寸的高度。而当 Tribots 机器人聚集成群时,不同的个体之间 —— 像蚂蚁一样 —— 也能通过高效的交流合作,共同完成同一个任务。


虽然设计灵感来源于蚂蚁,但这些 Tribots 机器人其实并没有触角、长得也一点不像蚂蚁。它们看起来更像是一个迷你的、长了腿的电路板,通过多张轻薄的材料折叠组装而成。它能垂直跳跃、水平跳跃、翻过障碍物、在平台及非平坦的平面上行进。它非常小巧,尺寸不到 10 厘米,重量仅为 10 克。


640?wx_fmt=png


感兴趣的可以点击原文阅读:

https://actu.epfl.ch/news/robot-ants-that-can-jump-communicate-and-work-toge/



  • 五对俄罗斯夫妇愿意让科学家对孩子进行基因编辑


据 New Scientist 报道,俄罗斯生物学家 Denis Rebrikov 表示,他计划对人类胚胎进行基因编辑,以防止后代耳聋。


到目前为止,闹得沸沸扬扬的基因编辑婴儿事件还是何建奎事件,他曾公开声称对婴儿进行基因编辑,声称能阻止婴儿继承其父亲的艾滋病病毒。


此前,Rebrikov 已对 Nature 杂志透露,目前有五对俄罗斯父母渴望对他们的胚胎进行基因编辑,以防止后代继承他们父母的耳聋。


640?wx_fmt=jpeg

(图片来自New Scientist,版权属于原作者)


Rebrikov 表示,对他的研究感兴趣的每个家长都因其自身携带的 GJB2 基因突变而耳聋,且无法通过 IVF 胚胎筛选等方法来获得健康后代。因此,当这样两个带有突变基因的人进行生育繁殖时,后代孩子是注定天生耳聋的,因此,Rebrikov 相信,通过基因编辑,他将能够让父母生出一个没有耳聋的孩子……Rebrikov 表示将向俄国有关机构申请开展相关试验。


大家怎么评价?


感兴趣的可以点击原文:

https://futurism.com/five-couples-crispr-babies-avoid-deafness



大公司及行业


  • 英伟达打破8项AI训练记录


本周,MLPerf 基准测试公布了最新的测试结果,据英伟达官网公布,其硬件打破以往 AI 训练测试的记录,展现了在训练人工智能方面的强大性能。


MLPerf 是一项用于测试机器学习硬件、软件以及服务的训练和推理性能的公开基准。它能帮助人工智能研究人员采用通用标准来衡量用于训练人工智能的硬件、软件的最佳性能和速度。MLPerf 基准测试如今也成为测量机器学习性能的一项行业标准,得到来自 40 多家公司和研究人员的支持,比如亚马逊、ARM、百度、谷歌和微软等。


640?wx_fmt=png

(截图自英伟达官网)


这项测试包括图像分类、目标检测、翻译、测量、推荐和强化学习等六类,基准测试结果则依据机器学习加速硬件的训练性能,以及达成标准质量目标所需的时间。比如,英伟达在图像分类上,就实现了 80秒 内完成的记录,这在 2017 年春天时,英伟达所需的时间还是 8 小时。


感兴趣的可以点击原文:

https://blogs.nvidia.com/blog/2019/07/10/mlperf-ai-performance-records/


  • FCC决定拍卖2.5GHz频谱关键频段,助推5G发展


近日,美国联邦通信委员会(FCC)以3比2的投票结果,决定拍卖未被充分利用的2.5GHz频谱的一个关键频段,以帮助推进下一代5G无线网络的发展,并放弃了肯尼迪时代建立的将其用于教育领域的要求。


FCC委员Jessica Rosenworcel曾在推特上指出,“全球大多数5G部署都集中在中频频段。但在美国,我们正专注于高频段。我们在5G的竞赛中选择了错误的道路,美国面临着严重落后的风险。”


2.5GHz频谱是下一代移动业务(包括5G)的主要频谱。Sprint在其现有4G网络和即将推出的5G网络中使用了2.5GHz频段的租用频谱。这一中频频段优势或许是T-Mobile希望用260亿美元收购Sprint以实现其5G计划的原因。


另外,FCC还投票决定,为即将到来的高频段频谱拍卖建立程序,并称这将是美国有史以来规模最大的频谱拍卖。竞标定于12月开始。


https://www.telecomstechnews.com/news/2019/jul/11/fcc-rules-open-mid-band-spectrum-5g/


  • 11家大企业联合发布自动驾驶白皮书


本月,奥迪、大众、戴姆勒等传统车企,再加上英特尔、百度等科技公司在内的11家公司联合发布了一份题为“自动驾驶安全第一”的白皮书,这是一本关于开发安全自动驾驶汽车的详尽指南。


在这份长达146页的文件中,核心是十二个指导原则,详细说明了自动驾驶汽车在被认为是“安全”之前必须具备的各种能力,且可以证明自动驾驶车辆“比人类驾驶员更安全”。


这 12 项指导原则包括数据记录、安全评估、驾驶员如何切换接管汽车、车辆操作员和自动驾驶系统(ADS)之间的相互依赖性等多项。但值得注意的是,该名单中特斯拉,Waymo等大公司并未出现。


不过,尽管Waymo、Uber、Lyft 等公司未参加,是因为他们此前在 2016 年 4月 就联合了福特、沃尔沃等传统车企,成立了自己的联盟——“安全街道自动驾驶联盟”(Self-Driving coalition for safety Streets)。目标是“与立法者、监管机构和公众合作,实现自动驾驶汽车的安全和社会效益”。


感兴趣的可以点击原文阅读:

https://venturebeat.com/2019/07/02/self-driving-car-report-safety-first-for-automated-driving/


今天的技术前沿当中,你对哪条印象最深刻?想了解更多科技前沿感兴趣?欢迎关注硅谷洞察,点击此前文章:

兰博基尼居然能被打印出来了... | 技术前沿洞察

像钢铁侠一样工作、用意念控制机器人,本周的技术前沿洞察有点炫酷





推荐阅读

640?wx_fmt=jpeg

区块链报告 | 脑机接口报告 

硅谷人工智能 | 斯坦福校长

卫哲 | 姚劲波 | 胡海泉 

垂直种植 | 无人车

王者荣耀 | 返老还童 



640?wx_fmt=jpeg

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值