日媒：中国亮出杀手锏
世界各国一直在研究提高飞机的耐力
彩虹一号无人机在中国开发，采用人工智能等高科技技术，飞行高度为3万米，最终研制成功，实现了人类永不落地的追求。
东京工业大学KeijiNagai由教授领导的研究团队（与都柏林大学科学家合作）最近开发了一种非常低密度的锡气泡，使极端紫外线的产生变得可靠和便宜。
以前用高强度激光器生产EUⅤ光源，但对于这些激光器，保持可生成EUⅤ控制范围内光的目标密度具有挑战性。今天，他们开发的锡涂层微胶囊气泡技术不仅能保持高效、可扩展、低成本，而且是一种高挖掘、稳定的低密度结构。测试结果为13.5nm的EUⅤ光与传统EUⅤ光源兼容)。
这一研究成果使得攻克光刻机不必僵持在整体攻关上，而是找到了将整体分解为局部，打破局部关键技术的途径。
欧美科学家团队报告说，历史上最先进的仿生假肢取得了成功
欧美科学家团队(查尔的斯理工大学)Sahlgrenska大学医院，哥德堡大学，IntegrumAB、维也纳医科大学和麻省理工学院的研究人员）研究了一种新的仿生假肢传感系统：将该系统集成到残疾患者的神经中，使患者能够控制假肢（就像使用自然肢体一样），并将感觉反馈给大脑。与传统的套筒假体不同，新系统是一种神经、肌肉和骨骼假体。这意味着它可以直接连接到肢体残留的神经和肌肉，所以患者可以用自己的大脑来控制它，达到逼真的效果，不需要训练。
对于手掌丧失的患者，假肢通过手术固定在患者肢体的剩余部位，并固定在骨骼上以保持稳定。将电极植入肌肉和神经(用户可以打开和关闭手部开关，感觉到感觉反馈)，假肢大姆指中的内置力传感器可以测量接触和压力。然后这些信息会传递给大脑，让患者在接触某物时感受到自己的感受，知道自己的特点，确定自己的力度。所有这些都是假肢的关键信息，让假肢感觉和真实的东西一样。
本研究现有3名瑞典患者已与该设备共用3-7年，证明其安全、稳定、有用。这种新的传感系统显然可以连接到不同的假体设备上。
神经网络之父Hinton的反思
1986年GeoffreyHinton写一篇论文《Learning representations bybackpropagationerrors》，将反向传播算法首次引入多层神经网络的训练，为近十年人工智能的发展奠定了基础。
面对人工智能的局限性，人脑仍有许多未知的操作机制，Hinton提出反思和质疑。
反思:是否需要放弃反向传播算法，开辟新的道路？
问题:人工智能和人脑越来越远还是越来越近？
国内AI专家黄铁军教授认为，人脑结构是由数亿年的适者生存进化造成的。反向传播是人工智能的训练手段。
各种聊天机器人的第三方评价：
脸书的融合者比亚马逊强Alexa和苹果的Siri，比谷歌的米娜优秀
美国《财富》杂志网站4月29日报道，Facebook开发了一种可以长期开放对话的聊天机器人，更像人类！
研究人员说，这款聊天机器人首次学会了整合关键对话技巧，包括扮演角色、讨论几乎任何话题和表达情感
在亚马逊的土耳其机器人服务平台上招募的评委说：
他们喜欢和脸书的聊天机器人交谈，几乎和他们的真人对话一样。
该项目的研究人员斯蒂芬·罗勒说，这表明我们的机器人非常接近人类。
亚马逊等大多数商用聊天机器人Alexa、苹果的Siri，你只能熟练地围绕一系列具体的任务进行对话，比如告诉你天气预报，或者告诉你如何去最近的邮局。Facebook开发的聊天机器人是不同的。它被称为开放式聊天机器人，可以对话任何话题。
Facebook称这种聊天机器人为融合器，因为它可以融合成功对话所需的各种技能。它还使用谷歌聊天机器人米娜生成的对话进行测试。第三方评估师认为融合器优于米娜。
Facebook研究人员表示，与人类相比，融合者仍有许多缺点需要改进，如有时长时间的矛盾，或重复他们所说的，甚至编造不准确的信息。
强大的性能，世界上唯一的
美俄惊呼不敢相信
南京大学等科研团队采用人工智能、量子通信及相关高科技，成功开发了世界上第一台全天候量子通信无人机，八转子八轴无人机原型机试运行综合测试、安全抗干扰、加密技术不可破解、量子通信（处理量子纠缠）、远程控制和建立量子网络性能优异（部分仍在进行中），取得了许多突破。
美国能源部SLAC国家加速器实验室直线加速器相干光源（LCLS）X在射线激光器上，每年都有数百项繁忙的化学、材料科学、生物和能源研究实验。
直线加速器相关光源的实验日夜工作，每天轮班212小时。每次轮班开始时，操作员必须调整加速器的性能，并为下一次实验准备x射线束。
在过去，操作员完成这项任务需要几百个小时，称为加速器调谐。
由SLAC国家加速器实验室人工智能机器学习计划负责人DanielRatner领导团队开发了基于人工智能机器学习的新技术，使调谐过程快5倍。其研究结果发表在《物理评论快报》杂志上。
这个速度足以捕捉运动中的光波
(今天最好的手机摄像头每秒记录1000帧的慢动作)
该技术由加州理工学院提供LihongWang团队研发的相关研究已发表《NatureCommunication》上。该团队采用机器学习人工智能及物理学、光学等尖端技术。被称为压缩超快光谱摄影系统（CUSP），使用极短的激光脉冲，每个脉冲只持续1秒（1秒是1亿分之一秒），光学系统将脉冲分成更短的闪光，每个脉冲都会撞击相机中的特殊传感器，然后产生每秒70万亿次的图像。该项目可应用于超短光传播、核聚变、云和生物组织中的光子传输、生物分子荧光衰减等各种快速现象。
喜欢看三条出发路线，五位世界人工智能大师发表评论
人工智能离人脑越来越近，也有大师发表评论
未来人工智能发展的首要目标是人类智能或接近人类智能。
探索发展目标的途径有三条：
从深度神经网络(或机器学习/深度学习模型)出发
有人说，深度学习已经近天花板，似乎很难前进。他们说，深度学习是一种强大的数据分析工具，推动了当前人工智能的繁荣，但它本质上是一种暗箱技术或盲模型，其训练过程无法解释、无法理解、无法控制，缺乏人类推理能力，与人类大脑的运行机制差距很大，难以克服；其他人说，深度神经网络具有巨大的潜力，自我监督学习（培训）可以使深度学习达到或接近人类智力水平，此时出现了发展的转机。说这话的人还是世界人工智能大师，比如YoshuaBengio、YannLeCun、GeoffreyHinton等，他们坦率地谈了未来深度学习人工智能的研究趋势，认为自我监督学习是一种机器学习/深度学习的“理想状态”，可使之产生类人的推动力，变不可解释、不可理解、不可控为可！去年人工智能算法大师John-Hopcroft他说人类知道它在学习，但他不知道如何学习。我们将在五年内阅读深度学习的数学理论。
走这条路是否受天花板限制一直存在争议，现在看来突破天花板发展有转机！
从生物脉冲神经网络出发
生物脉冲神经网络在结构、特征、功能、机制等方面与人脑神经元网络相似（或力求相似）。因此，它在探索人脑意识处理方面比其他路径具有优势，但我们对生物脉冲神经网络的研究仍处于初级阶段。要实现人类智能或接近人类智能的目标，还有很长的路要走，还有很多挑战：
神经形态计算出现后，我们必须将传统的冯-诺伊曼计算架构转移到神经形态计算（类脑计算）架构，并将目前使用的人工智能加速技术（AI芯片)转移到神经网络拟态技术(芯片)(神经拟态芯片模拟人脑操作机制，主要采用异步脉冲神经网络)；我们应该与神经科学联系，生物脉冲神经网络的许多未知关键技术、运行机制和功能性能需要深入研究和工程实践：进一步了解人脑神经元的生物特性和运行机制；基于脉冲信号信息处理、脉冲时序编码机制、突触转移高效函数、异步脉冲传输机制和各种功能指标的稀疏时间动态特性；生物脉冲神经网络的发展也与自我监督、学习和培训密不可分。
简而言之，许多人工智能专家都渴望走这条路，但最近的研究仍处于初级阶段，到目前为止国内外还没有取得明显的成果。
从建设大规模语义网络的知识表达、驱动和推理出发
业内人工智能专家欢呼：2019年自然语言处理（NLP）取得重大突破！
这条知识工程之路从感知智能转向认知智能。知识工程于20世纪80年代中期启动，本世纪初更新为新知识工程。新知识工程的重点是建设大型语义网络（以改进知识地图）。语义网络的发展程是从自然语言处理系统到自然语言理解系统，再到大规模语义网络。IBM沃森主张在以知识表示、驱动、推理的路上，由大规模语义网络支持的认知智能目标得以实现。
早年间，IBM“WatsonHealth”搞医疗人工智能走的就是这条路。IBM认为，对人工智能最重要的能力是知识而非数据。他们探索知识表示、驱动、推理，以期医疗人工智能从不可理解、不可解释的感知智能阶段推向可理解、可解释的认知智能阶段。但IBM走的这条路是失败的。
IBM的失败，其中主要原因之一是大规模语义网络还不够完善，还没有能力支持认知智能的实现。这里我们引用图灵奖得主、人工智能大师YoshuaBengio对此评论中的一段话：“NLP虽然取得较大进步，但与人类相差还甚远”。
必须指出，对于常识、专业知识、专家经验，机器是很难识别的。IBM提出具人（embodiment）概念，强调人工智能专家必须与临床医生结合，在疾病诊断时要取得共识。还有达到人类智能的另一道难题是：背景知识，这在学习和训练时是不可或缺的。
所以对于走这条路，未来是非常有前途的，但当下还不成熟，路还很长。
机器学习作为一种全新的材料发现研究范式正在兴起
南开大学材料科学与工程学院周震教授的课题组在Wiley旗下的旗舰期刊InfoMat上发表论文，题目是：“Machinelearning accelerating materials development for energystorage andclonversion”，文章介绍了ML模型和材料学中常用算法，重点介绍了ML在催化、电池、太阳能电池和气体捕获等能源领域的性能预测和材料开发中的最新进展。此外也涉及ML对实验的贡献。
本课题研究的重点是用于可再生能源技术的新材料。