IT思维

因此，研究人员想出了一种技术，将公平性直接引入模型的内部表示本身。

科学家和机构每年都投入非常多的资源来发现新材料，以期为燃料提供催化剂。

数据集为 AI 模型提供燃料，例如汽油（或电力）为汽车提供燃料。

今天，生物医学研究人员可以通过使用机器学习进行基于图像的分析，有效地对显微镜图像中的数千个细胞进行分类。

得益于空军科学研究办公室的195 万美元赠款，马萨诸塞大学阿默斯特分校数学和统计系教授 Markos Katsoulakis 和 Luc Rey-Bellet，以及布朗大学的 Paul Dupuis 将在接下来的四年开发一种新的机器学习方法，超越对大数据的传统依赖。

机器学习正在重塑许多科学和工程领域的研究方法。

杜氏肌营养不良症（Duchenne muscular dystrophy，DMD）是一种由肌营养不良蛋白基因突变引起的肌肉萎缩性遗传疾病。

原子的 3D 构型决定了材料的属性。

来自美国莫格里奇研究所的 Timothy Grant 发表观点文章，评论《Nature Methods》上的两项蛋白质分子动力学方面的研究，并表示新的计算方法从冷冻电镜图像中捕获分子运动，并提供对蛋白质动力学的更完整理解。

化学元素几乎构成了物理世界中的一切。

化学反应是将反应物转化为一种或多种产物的过程。

研究机器学习，既要数据拟合，也要能解释数据。

在计算机里模拟一个演变了几十亿年的宇宙是非常困难的，有无数的变量需要考虑。

东京大学工业科学研究所的两名科学家展示了自适应免疫系统如何使用类似于强化学习的方法来控制免疫反应以重复感染。

贫瘠高原是在机器学习优化算法中发生的可训练性问题，算法无法在似乎没有特征的景观中找到向下的坡度，也没有通往最小能量的明确途径。

今天，有许多人工智能与我们互动的例子，使我们的生活的效率更高。

Gary Marcus 认为，人工智能不可能只是机器学习或深度学习。我们需要更丰富的综合方法才能取得进展。

随着可编程性等问题在 FPGA 上的解决，FPGA 将成为市场人工智能应用的选择。

据 VentureBeat 报道，大约 90% 的机器学习模型从未投入生产。换句话说，数据科学家的工作只有十分之一能够真正产出对公司有用的东西。

这一回，帝国理工学院和剑桥大学首次把目光转向了动物，并开创性地提出：AI可以从动物身上学习常识！

「弱人工智能」对应深度学习，围绕单一任务点，需要大量数据做支撑，有时候不那么可靠，可移植性差/移植过后需要大量重新训练。

在全球所有 AI 模型中，OpenAI 的 GPT-3 最能引发公众的遐想。

矿物燃料发电厂是引起温室效应的最大气体排放源之一。

即使是最官方的记录，关于历史的档案也常常会出错。例如，在南非结束种族隔离制度下的白人统治多年之后的十年中，该国学校使用的书籍仍然没有反映人们的经历。

关注的人都知道，谷歌“Arts & Culture”总会发布些有趣的应用来增强人们与艺术和历史间的互动，很有意义。