全球首个「活体机器人」生娃；AI登上Nature封面；Google X的机器人开始打工；AI变身抽象派画家

MOLAR FRESH   2021年36期

人工智能新鲜趣闻    每周一更新

这些由计算机设计出来的细胞集合结构，以一种看上去像是集体智慧的举动，做出了令人震惊的事情。

如果这个「堆」足够大，这些细胞群就能发育成会游泳、带纤毛的后代。

但是初代Xenobots的复制，最多只能持续两轮。

然后根据结果筛选出持续复制最久的细胞群构型。

实验表明，在经历AI算法筛选出的「吃豆人」形状下，机器人的自我复制系统寿命，由最多2代增加到了4代。

参考资料

https://www.pnas.org/content/pnas/118/49/e2112672118.full.pdf

来源：新智元、量子位

现在，AI不仅能参与数学研究，甚至还快人一步，开始帮助人类提出数学猜想了。

为什么这次的研究被Nature评价为「AI与人类合作」甚至是「AI指引人类直觉」，与「人类使用AI工具」有何不同？

第一个问题关于纽结理论（Knot Theory），是拓扑学的一个分支。

以此为依据给纽结分类，才能理解它们的性质，进一步与实际应用问题建立联系。

纽结理论在现实世界中，可以用来确定一个化学分子是否有手性，还有希望靠拓扑量子计算模型构建出量子计算机。

组合不变性猜想已经存在了40年，却只有部分进展。

两位科学家将这个猜想作为初始假设，通过AI中的监督学习模型从Bruhat区间预测KL多项式。

一个无标记的Bruhat区间的KL多项式可以用上述的方法，并通过任何超立方体分解（hypercube decomposition）进行计算。

虽然还没有进行严格证明，但目前他们已能在300万个测试例子上验证这一方法。

AI到底是如何帮助引导数学家的直觉的呢？

简单来说，这篇论文中提出了一种框架，用来快速验证对两个量之间关系的猜想（直觉）是否值得继续探索，如果是的话，则指导如何进一步研究。

参考链接：

[1]https://deepmind.com/blog/article/exploring-the-beauty-of-pure-mathematics-in-novel-ways

[2]https://techcrunch.com/2021/12/01/ai-does-pure-mathematics-and-protein-hallucination/

[3]https://www.nature.com/articles/d41586-021-03593-1

来源：量子位

机器人来自Google X的Everyday Robots项目，在登月工厂（Moonshot Factory）内研发。

他们的目标是生产一些生活中的机器人，每天他们都会将机器人送往实际工作的场景，咖啡馆就是其中之一。

任务完成后，它开始移动，继续寻找下一张空桌子。

领导整个Everyday Robots机器人团队的挪威工程师Hans Peter Brondmo于2015年加入Google X，Brondmo希望他们的机器人可以和人类在同一个世界一起生活和工作，而非进入机器人的世界。

参考资料：https://www.wired.com/story/plaintext-alphabet-x-robots/

来源：新智元

这是我用于神经渲染的POC。该模型只是试图最小化输出与真值图像（在本例中为 celeb 数据集）之间的 L2 距离。

动图中展示的是训练运行期间验证过程，遵循单一形状收敛。输入形状可以以任何形式开始，但 4×4 网格输入应该是最有趣的， 这一实现效果可扩展到很多应用。

有网友分享了一篇今年 7 月的文章《 Differentiable Drawing and Sketching 》与项目作者的研究内容类似。

虽然论文与reddit项目作者的最终实现效果不同，但论文采用的方法对项目具有借鉴意义。

例如图 4 和图 5 利用图 3a 中大小为 200 × 266 输入图像作为目标图像进行优化。

图 4 显示了使用模糊 MSE 损失优化 1000 个点和 1000 条线的结果，并展示了可以实现的整体效果。

图 5 显示了使用一系列不同损失从同一起点优化 500 条线段的效果。

论文地址：https://arxiv.org/pdf/2103.16194.pdf

GitHub 地址：https://github.com/jonhare/DifferentiableSketching

来源：机器之心