丽莎老师讲机器人之世界首块10层3D打印PCB电路板

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
2020年5月19日，德国慕尼黑和佛罗里达州博卡拉顿，传感器解决方案供应商HENSOLDT与领先的3D打印电子（AME）/印刷电子（PE）供应商Nano Dimension合作，在利用3D打印技术开发高性能电子元件的过程中取得了重大突破。利用Nano Dimension公司新开发的介电聚合物油墨和导电油墨，HENSOLDT公司成功地组装出了世界上第一块10层3D打印电路板(PCB)，电路板的两面都焊接了高性能的电子结构。在此之前，3D打印电路板无法承受元件双面口的焊接工艺。
HENSOLDT于2016年开始与Nano Dimension的DragonFly 3D打印系统合作，以研究3D打印电子产品的可能性。2019年，HENSOLDT成功实施了LDM打印技术，这是行业内唯一的3D打印电子电路的快速成型制造平台。
电路3D打印技术原理
电子电路3D打印技术在生产前验证新设计和专用电子元件的功能是非常有用的，是一种高度敏捷和个性化的工程方法，用于新的电子电路原型设计。这使得开发过程中的时间和成本大大减少。此外，在开始生产之前就能提供经过验证和批准的设计，从而提高了最终产品的质量。
同时进行多种材料的增材制造这种种革命性的方法，可以帮助重新定义未来的电子产品的属性，包括密度，尺寸和灵活性。至少 配有两个打印头，一个用于纳米银导电墨水，另一个用于介电聚合物墨水。允许DragonFly LDM在单个3D打印作业中同时使用两种墨水进行打印。
在进行多层电路3D打印的时候，线路的设计走向、层与层直接的间隔距离等问题，一直以来都有大量难题存在。所以，这次10层3D打印电路的突破，是一个新的里程碑。
未来的电路3D打印愿景
电路3D打印有很多传统PCB工艺所没有的优势：
· 自由创新，不受传统制造工艺的限制。
· 3D打印电路设计的各个部分，以便进行动态测试。
· 无需钻孔或电镀即可创建通孔和通孔。
· 只需几个小时即可在内部打印电子电路。
· 通过结合复杂的几何形状和新功能的设计，在节省空间，重量和成本的同时,也进行创新。
· 简化的工作流程和简单的操作。
· 长时间不间断3D打印，可以无人值守。
Nano Dimension目前已经能够实现多层的PCB电路3D打印，长期目标是把3D打印电路技术从原型制作到批量生产应用到工业当中去。目前，他们已经把重点转向多品种、小批量的3D增材打印电子电路，例如传感器、天线、射频放大器、电容器等。

丽莎老师讲拖延之八怎样在过去、现在、未来，以及主观时间和客观时间中保持平衡

丽莎老师讲拖延，让我们面对拖延的挑战，学会接受全部的自己，学会跟自己相处
哲学家和科学家从来没有就时间的本质达成过一致意见。亚里士多德有一个著名的“ 倒树疑问”:假如一棵树在森林里倒下，在旁边没有人的情况下，是不是会发出响声?他对时间的理解同样没有确定的答案,他质疑道:如果没有人来测定时间，时间还存在吗?牛顿相信时间是绝对的，不管有没有人注意到它，时间始终存在。
康德认为，虽然我们不能直接认知时间，但是我们却可以感受到它。爱因斯坦则认为过去、现在和未来全都是幻觉。然而，不管时间是不是幻觉，也不管我们是否喜欢它，时间一直在流逝。
古希腊人认为时间有两个方面钟表时间和沉浸时间，钟表时间之外的时间才有意义和价值。“ 客观时间”是由钟表和日历来衡量的，它是不可更改的，可预知的:我们都知道每年都会有4月15日;电影在7点15分开场，如果到时间没到影院里，就一定会错过开头。每一个生日都标志着你离生命的起点又远了一年，离生命的终点又近了一年。
我们对时间的流逝都有自己独特的感觉，而这是不可量化的,也无从比较，这就是“主观时间”，它是我们对于钟表之外的时间的经验。有时候我们感到时间过得很快;还有一些时候，时间又慢得像蜗牛爬。当你在做自己喜欢的事情时，无论是在互联网上冲浪还是在装饰你的爱车，或者赖床不起，时间都过得令人无法置信的快。但是当你在焦急地等待一个回电，或者在做一项你不喜欢的任务时，一分钟感觉上去就像一个小时那么长。
主观时间的一个变体就是“事件时间”，它指的是围绕着一件事情 的发生、发展而定位你的时间感。当“写完这份记录之后我要去参加一个会议”的时候，使用的就是事件时间，类似的例子还有:“我把房子收拾好之后去机场。
摆在我们每个人面前的挑战是:将我们个人的主观时间(当我们专注于某件事情的时候，它就是事件时间)跟具有不可动摇性的钟表时间，整合到一起。如果我们足够幸运，可以在它们之间达成无缝连接。
我们在沉浸于某件事情的同时，知道自己什么时候该离开，为准时赴约而适时动身出发。当我们在做一个周期较长的工程时，虽然最后期限还遥遥无期，也感受不到一丁点压力，但还是按时开始工作。
很多拖延者生活在主观时间和客观时间的严重冲突中，不愿意也不能认知到两种时间有着很大的差异。
当两个对时间认识不一样的人在一起做一 些安排的时候，可能会令他们恼火不已。一个建筑师认为“当他同意9点出发，他的意思是9点之后10点之前(也就是9点30分左右)，但他的妻子从8点45分就已经准备好了，到9点5分就已经变得怒气冲冲。
我们每个人的主观时间感都是不同的，因为有很多因素影响到我们对时间的感受。人们是参照基于过去、现在和未来的不同坐标来感知时间的。如果你只是局限于其中某一个时间坐标，那么你的生命观就会发生偏差和受到局限。只有在三种不同的时间坐标参照中保持平衡的人才有可能适应社会发展的步伐，更能够充分地享受生活。
轻视未来就是时间感知失去平衡的一个例子，它会给现在制造麻烦。
当一件事或者一个目标其时间设定在很远的将来( 比如为孩子储蓄大学教育基金，或者为自己创建一个适当的退休金账户)，会给人一种不真实的感觉，使这件事看上去没有它实际上那么重要。相反，一些时间很近的目标(比如为周末观看决赛购买一 台大屏幕电视机)则感觉上去更为清晰而紧迫。即便现有的目标(购置电视机)没有长期的目标(为上大学或退休存钱)那么重要，人们往往会急于去做即时的事情，而不做对未来很重要的事情。这被称作“未来折扣”，它体现了人类的某些天性，也是为什么拖延对人的影响会这么大的原因。
拒绝接受钟表时间、坚持遵行自己的主观时间，按照自己的时间表以自己的方式做事情，感觉可以不顾后果而掌控时间，这样做势必会造成拖延，而拖延的其中一个功能就是给了我们一种全知全能的幻觉:可以掌控时间、掌控他人、掌控现实。但是不管喜不喜欢，我们都无法超越时间的规则，也无法避免丧失与限制，更无法抵挡变化和死亡。

丽莎老师讲机器人之量子机器学习如何走进现实

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
2017年图灵奖得主曾说过：“如果能够把量子计算和AI放在一起，我们可能做出连大自然都没有想到的事情。”
这等“敢叫天地换新颜”的技术前景，对于大多数普通人而言可能还略显遥远，但量子计算和量子机器学习的技术研究早已在全球多家科研机构和科技巨头的实验室中落地开花，可以向外界和技术人员提供基础的算法工具和资源，让公众可以一睹量子与智能的神奇力量。
近日，百度飞桨 官宣发布了量子机器学习开发工具Paddle Quantum——量桨，成为国内唯一支持量子机器学习的深度学习平台。量桨的作用就是提供了一套量子机器学习的工具集，开放给科研人员，进行量子神经网络的搭建测试以及量子人工智能的研究。
量桨的出现，到底能为量子机器学习带来多少显著进展，尚待时间检验，但一定程度上推动量子机器学习在我国的普及，为广大AI和量子计算的研究者提供了一条新的学习途径。
按捺不住学习热情的你，一定想到量子计算和人工智能的技术交汇处，一窥量子机器学习的究竟，来衡量下投身入局的可能吧？
为什么“量子计算”很配“人工智能”？
进入正题之前，我们不妨先来简单了解下量子计算的基础背景，来降低下代入难度。
先来看，量子为什么能够计算？
二十世纪，自然界的一个重大物理发现就是量子力学，而量子力学主要的发现是基本粒子有两种状态——叠加和纠缠。通俗来理解，叠加，就是量子同时既是这样又是那样，一旦被观察或测量就会变成其中的一个样子，这就是著名的“测不准”；纠缠，就是两个成对的量子粒子，即使相隔宇宙两端，也能发生暗戳戳的神秘互动，这就是大名鼎鼎的“量子纠缠”。
“叠加”决定了量子的并行计算的基础，“纠缠”决定了量子传输的基础。让量子的这些特性被用于计算时，就能用来处理非常复杂的数据计算。
我们知道，经典计算的基本单位是比特（Bit），比特只能在0和1两个状态之间切换。经典计算只能在0和1的开合中实现线性计算，只不过现在的计算力非常巨大，一秒钟可以进行数十亿甚至更高的计算。
而量子计算的基本单位的量子比特（Qubit），量子比特因为叠加效应就可以同时具有0和1的特征。随着量子比特数量的增加，量子比特的计算能力将会以指数级的方式增加。
也就是，一个量子比特可以同时处于两个状态（0 和 1）。因此，两个相互作用的量子比特可以同时存储全部4个二进制值。通常，“n”个量子比特可以同时表示“2的n次方”个经典二进制值。
我们用一个“玉米田迷宫”的例子来理解经典计算和量子计算的不同：经典计算就如同一个人在玉米田里寻找出口，这个人会先找一条路走下去，遇到阻碍就返回，再找一条路重新开始，再遇到阻碍就再返回，直到找到出口。而量子计算就如同有了多个分身，可以同时探索玉米迷宫里的每一条路径，同时一次就把出口找到。
这样，量子计算的叠加态以及纠缠态形成的叠加坍缩构成的高并行计算能力，就为人工智能特别是机器学习所需要的数据处理和算法训练提供了一种新的可能。
量子计算和人工智能也在发生一种相互“纠缠”又密不可分的关系，但这并不意味着量子计算加上机器学习，就可以立刻碰撞出显著的成果。
量子机器学习仍在“襁褓”之初
量子机器学习（Quantum ML）是一个量子计算和机器学习交叉的的跨学科技术领域，二者的结合可以产生一种互利互惠的结果。
一方面，量子计算最主要的目标之一，就是借助于量子特性开发高性能的量子机器学习算法，从而加快或拓宽人工智能的应用场景。另一方面，量子计算在大规模应用落地之前还有许多非常棘手的科学与工程技术难题有待解决，这需要大量的先进计算工具，特别是AI技术帮助突破量子计算研发瓶颈。
在机器学习和量子计算按照算法和数据二维划分下，可以得到四种不同分类——C-C、Q-C、C-Q和Q-Q。C-C就是传统的机器学习；Q-Q属于量子计算的开放域；而C-Q主要就是通过机器学习算法来解决量子物理的问题，比如对量子系统的控制对象建模，对扰动、噪声等参数特征的辨识，推动量子计算发展。
而Q-C就是利用量子理论改进机器学习，推动机器学习算法的量子化。一种方法是通过量子计算把原先经典计算中不可计算的问题变为可计算的, 从而大幅降低机器学习算法的计算复杂度；一种方法是通过量子计算并行加速的优势与机器学习的算法深度结合，催生出全新的量子机器学习算法模型。
传统的神经网络只能使用单个网络来存储许多算法模式；而量子神经网络，因为量子叠加效应带来的并行性，可以使用许多网络来存储许多算法模式。不过，量子神经网络的实现并不容易，因为最终这些算法想要真正发挥作用则需量子计算机（处理器）的支持。
据报道，2018 年，意大利帕维亚大学的研究团队在只有4个量子比特的量子计算机上实现了世界上第一个单层神经网络。
这一模型能够准确地模拟单个神经元的行为，像这样的单层模型能够识别简单的模式。然而，它还没有扩展到由多层神经元组成的深度神经网络。不过，这至少是在量子硬件上有效训练量子神经网络而迈出的第一步。
与传统神经网络相比，量子神经网络具有很多优势，比如，指数级记忆容量、更快的学习和处理速度、更小的规模以及更高的稳定性和可靠性等。
尽管量子硬件的进度稍显缓慢，但算法模型理论可以先行。谷歌的Quantum AI 团队就在当时已经预先构建出一个可以在量子计算机上训练的深度神经网络的理论模型。
而到了今年3月，谷歌又宣布开源一款用于训练量子模型的机器学习库 TensorFlow Quantum（简称 TFQ）。TFQ 包含了特定量子计算所需的基本结构，例如量子比特、门、电路和测量运算符。用户指定的量子计算然后可以在模拟或真实硬件上执行。

目前，量子机器学习的发展仍然处于起步阶段，当前的一些应用上面可以做到使用量子神经网络来生成一些演奏出全新声音的新乐器等。
未来量子机器学习的应用前景却更加令人兴奋，比如拥有指数级存储和检索能力的量子神经网络可以模拟人类大脑或者模拟黑洞，能够帮助人类真正探索世界最深邃的本质。这也许才是量子机器学习和量子计算发挥终极价值的场域。
量子机器学习的成长“难关”
量子计算本身就是一项复杂技术，而量子机器学习这一交叉技术的研发难度自然又进一步提高。量子机器学习算法的成熟自然要得益于软硬件两方面的同时提升，而在这两方现在都仍然还存在一些难关要闯过。
首先，我们要知道，传统的机器学习语言并不能直接地移植到量子计算上面，而是需要先把当前的机器学习代码转换成使用量子比特的量子态，从而构建出量子神经网络。
这就是所谓的量子机器学习的I/O瓶颈，所谓I/O瓶颈是指，目前大部分量子机器学习算法或者需要把大规模数据集编码为量子态，或者只是把问题的解生成在量子态中，因此输入阶段的前处理和信息提取阶段的后处理将耗费大量时间，乃至抵消量子算法所节省的时间。
其次，则是真正意义上的通用量子计算机尚没有出现，而现在意义上的上千个量子比特的量子计算机在可以良好抗噪声、解决退相干问题上还存在着一定的问题，也就是还不能达到迪文森佐标准的量子计算机。这意味着能够支撑量子机器学习算法得以实际验证的硬件手段仍然是缺乏的，研究者大多只能通过量子模拟器的方式来实现多个量子比特的运算。
比如说，此次谷歌TFQ为量子机器学习研究提供了一个内含大约 50~100 量子比特的噪声中级量子处理器（NISQ）的工具，从而控制 / 建模自然或人工量子系统。基于此，现在TFQ的量子机器学习模型可以处理量子数据模型和混合量子经典模型，帮助开发者能够改进现有的量子算法或发现一些新的算法。
基于软硬件上面的现实困难，量子机器学习算法上面的突破还有很长的时间。
此外，在一些计算问题上，量子机器学习的算法和经典算法相比是否一定有加速优势，则仍然存疑。2018年，年仅18岁的华裔学生Ewin Tang受量子推荐算法的启发，设计出了一个经典算法，它能以和量子算法相近的速度解决推荐问题。这一思路给了研究者以启示：通过量子算法思维能促进经典算法的发展，这也是量子计算研究意义的另一种体现。
尽管目前来说，量子机器学习既没有像去年谷歌所宣称的“量子霸权”那样引人瞩目，也不能像人工智能在现实生活的广泛应用而成绩显著。但量子机器学习更像是一个面向未来世界的计算产物。
回到几十年前，量子计算的实现和机器学习的神经网络的实现，都一度被认为是不可能的事情。而这二者竟然都能够实现，现在还处在了相互结合的交汇点上，已然是人类技术的一次奇遇。

丽莎老师讲机器人之推荐AI的本科新生四年课程清单（内含斯坦福课程代码）

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
一位在行业内工作了几年的斯坦福人工智能”师兄“就根据自己的工作和学习经验，为即将入学的师弟师妹们送出了一份大礼：人工智能的本科4年课程清单，希望想要了解人工智能的新生能够靠着这份指路图，少走弯路。
这份清单，非常实用，不仅仅适用于斯坦福的新生，对于每一位想要入门人工智能的同学，都是一份非常好的路径规划。
第1年，打基础
假设你没有计算机系统的经验，这一年的大部分时间应该用在CS和机器学习的核心概念和算法上，推荐的课程有：
1.编程基础，这是AI从业人员必需具备的软件工程学的基本技能。课程为CS106B：http://web.stanford.edu/class/cs106b/
2.计算机系统，这门课的重点在于计算机的基础设计和构建，尤其是学习软件编译的时候，运行一个程序会发生什么，以及程序是如何在内存中运行的。课程为CS107：

http://web.stanford.edu/class/cs107/
3.算法概论，这门课包含了计算机算法背后的数学和理论基础，比如最优搜索算法和动态编程，以及如何分析这些算法的内存和优缺点。课程为CS161：
http://web.stanford.edu/class/cs161/
4.概率论，概率论和统计学是机器学习算法中的核心，尤其是分析数据在实战里很重要。课程为CS109：
http://web.stanford.edu/class/cs109/
5.线性代数，如何计算矩阵和向量，线性方程组，最小二乘法，这些都是机器学习需要用到的数学基础。课程为EE103：
http://web.stanford.edu/class/ee103/
6.多维微积分，调试函数的梯度，反向传播以及机器学习，这些都是经常用到的。课程为向量微积分（工程师）：
https://www.coursera.org/learn/vector-calculus-engineers
第2年，从系统的基础知识中开始慢慢探索
AI本科的第二年，至少要明白人工智能的一些原理，应该用什么样的理论去解决问题，还需要加强对计算机系统运行的理解。
1.人工智能概论，这门课包括了人工智能领域所运用的研究，比如搜索，游戏，逻辑以及图像还有机器学习算法的应用。课程CS221：
https://stanford-cs221.github.io/spring2020/
2.编译器，主要是讲编译器背后的设计和理论，你学了之后，至少应该了解一个编译器是如何构建的，还有编译器的模块化组件，也需要了解。如果你对语义识别感兴趣，可以好好琢磨一下编译器的设计和传统的自然语言处理堆栈之间的相似之处，非常有趣。课程CS143：
http://web.stanford.edu/class/cs143/
3.数据库原理，主要讲数据库管理系统背后的原则，比如关系数据模型、索引、模式等主题，但凡你想成为数据专家或者机器学习工程师，就必须要懂得数据库的原理。课程CS145：

https://cs145-fa19.github.io/
4.并行计算，并行计算这门课会讲Apache Spark到GPU这些系统背后的原理，课程CS149：
http://cs149.stanford.edu/fall19/
5.操作系统，你如果想要擅长系统编程，就一定要上这门课，这门课是讲如何从头开始搭建一个操作系统，不仅需要设计系统，还需要明白如何调试和代码管理。如果你不明白，你手下的人敲完：sudo rm -rf /*就撤了，你该如何拯救你的代码？课程CS140：
http://web.stanford.edu/~ouster/cgi-bin/cs140
第3年，开启提升课程
这个时候应该开始学高级课程，开始NLP，BA，CV这些方向的研究，
1.机器学习，监督学习和模型训练的概念，比如偏差、方差，正则化以及模型选择，这些内容看上去简单，实际上每个AI从业者天天都在用的。课程CS229：
http://cs229.stanford.edu/
2.凸优化，这门课运用很广，比如统计学，机器学习，信号处理和其它使用凸优化的领域，虽然现在有不少问题都是非凸化的，但是你最好还是要懂背后的逻辑。课程EE364A：
http://web.stanford.edu/class/ee364a/
3.概率图模型，像CV和NLP就会经常用到，所以还是需要了解。课程CS228：
https://cs.stanford.edu/~ermon/cs228/index.html
4.数据挖掘，大数据与数据挖掘，这门课涵盖了处理大型数据集的技术方法，会运用到推荐算法、聚类以及大规模的数据集计算与分析，要知道每天产生的数量还是比较大的。课程CS246：
http://web.stanford.edu/class/cs246/
5.NLP，自然语言处理，让机器懂得文本数据的理论和时间，而且还会在这门课里学到传统自然语言处理，老师会教如何用深度学习技术来处理这些。课程CS224N：
http://web.stanford.edu/class/cs224n/
6.基于CV的卷积神经网络，基本包含了深度学习背后的理论，比如CV模型就经常运用。课程CS231N：
http://cs231n.stanford.edu/
第4年，同学你该开始打比赛了
经过前面3年课程的训练，你应该对计算机系统和人工智能概念、应用有了清楚的理解，找到你比较感兴趣的方向，拿起数据集，就要开始自己跑模型，做数据分析，调参还有解决Bug。想要成为一个真正的人工智能专家，不仅得学，还得上手练。
1.做研究项目，有的学校会提供这类课程，在这门课里，你需要深入研究整个项目的情况。课程CS341：
http://web.stanford.edu/class/cs341/
2.参加课题研究，主动去找研究生学长学姐，做他们的助理，将基础知识再过一遍，也可以选择自己开一个课题项目，进行研究，主要是让你有一个项目经验。
3.大厂实习，如果你要是时间管理的好，可以考虑在课余时间去AI公司实习，一般大厂都有这种3-6个月的实习机会，在实习里，不仅让你了解书本上的基础知识，还能使用基础知识进行落地的运用，这种应该算比较好的实战机会了。
AI之路任重且道远，不管是不是新生，只要还愿意学习，就一直在路上，加油！！！

丽莎老师讲机器人之微生物半机器人能让细菌成为发电源

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
德国 卡尔斯 鲁厄 理工学院(KIT)的研究人员正在开发一种微生物半机器人，其通过将沙雷菌(Shewanella oneidensis)跟一种纳米复合材料相结合来产生可用的电力。目前所有的电子设备使用的都是一堆死气沉沉的技术，它们由同样死气沉沉的电池和其他能源驱动。
然而，如果KIT的概念被带入实际阶段，那么人们将可以看到生物传感器和微型燃料电池，甚至有朝一日像智能手机等类似的电子产品也能依靠微型机器人获取电力。
正如任何不幸碰到电鳗或踩到鱼雷鱼的人都能证明的那样，活的有机体可以产生惊人数量的电量。这不仅出现在鱼类当中甚至在某些种类的细菌的微生物水平也存在。这些外生电细菌自然产生电子作为其代谢过程的一部分，然后迁移到单细胞有机体的外表面。问题是，这种电流很难控制甚至很难在电极上捕捉到。
研究团队为沙雷菌细菌创造了一个支架。这个支架由多孔水凝胶组成，而水凝胶又是由碳纳米管和硅纳米颗粒组成，纳米颗粒则由DNA链交织在一起。这种纳米复合支架被证明对外生电细菌非常有吸引力进而使得它们在上面定居，而其他物种如大肠杆菌则不会。
这个支架不仅可以支撑细菌几天，而且还能起到导体的作用进而产生可以被电极捕捉到的电化学活性。此外，通过加入一种酶来切断DNA链，科学家们实现了对这一过程的控制。
这种材料的潜在应用范围甚至可能超出微生物生物传感器、生物反应器和燃料电池系统。

丽莎老师讲机器人之从演电影到开车，细数AI的五个落地方向

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
从Siri、Alexa等语音驱动个人助理到无人驾驶技术，AI技术作为如今最大的风口和热门行业实际上已经进入到我们的日常生活中了，并且还继续在多个产业中崭露头角。

面对人工智能的长期发展潜力，苹果，谷歌，Facebook和微软等许多科技巨头都想豪赌一番。
根据研究公司Markets and Markets发布的报告，到2025年，人工智能产业规模预计将达到1900亿美元。下面将带大家了解如今人工智能的五个落地方向。
聊天机器人
由人工智能支持的聊天机器人服务已成为销售和客户服务的关键环节。聊天机器人可帮助品牌方服务客户并提升整体体验，为企业与世界交流提供了新途径。
早期版本的聊天机器人配置的输入数量有限，无法处理某些参数外的任何查询。这就使客户的通信体验大大下降，客户对此很失望。但是如今，人工智能及其技术子集已经改变了聊天机器人的整体功能和智能水平。
人工智能驱动的机器学习算法和自然语言处理让人工智能学习和模仿人类对话成为可能。从电子商务银行到研究、销售和品牌塑造等各领域，内置如此先进的处理程序，让聊天机器人在各种应用中发挥了很大作用。
聊天机器人可以处理耗时且重复的手动业务，从而提高效率，降低人员成本，消除人为错误并确保优质的服务。
急救医疗
人工智能有望对医疗保健产生变革性的影响，其应用范围从药物输送、诊断到消费者健康等等。如今，许多AI应用程序投入使用，例如虚拟个人健康助手，可穿戴健康设备技术和远程医疗应用程序。借助深度学习，机器学习和自然语言处理的能力，医疗行业可以成功地预防，诊断和治疗疾病。
一家丹麦初创公司推出了具有人工智能功能的系统“ Corti”，以帮助紧急医疗调度员做出急救的决定。它使用认知技术来快速，准确地检测出院外心脏骤停。哥本哈根紧急医疗服务公司和其他四个欧洲主要城市都已经采用了Corti。
人工智能具有在最短的时间内处理大量复杂信息（例如病理数据）的能力，对于加快随后的诊断过程和治疗证明是有帮助的。人工智能技术的熟练度越高，准确度越高，越有助于确定深层模式。这可能是确定患者治疗计划的关键点。
韩国的医疗人工智能初创公司Lunit推出了其产品INSIGHT，用于乳腺X线摄影。该公司还开发了一系列基于人工智能的软件产品，以检测肺和乳腺的癌组织。
先进的AI技术可以通过结合临床，放射学和基因组数据来准确诊断疾病并预测患者的病情发展，推动放射学，皮肤病学和病理学领域的发展。
车轮背后
汽车中的AI一直是争议度很高的话题之一。事实上，每个汽车制造商都在努力挖掘人工智能及其技术子集的潜力，以开发无人驾驶技术的创新模型。特斯拉是最早推出以人工智能和自动化技术为主导的无人驾驶汽车品牌之一。
奥迪，凯迪拉克和沃尔沃也纷纷效仿，在其生产模型中采用了半自主技术。无人驾驶汽可以节省燃油、削减成本、减少排放并减少对环境的不利影响。作为全球交通事故主要罪魁祸首的人为错误，在无人驾驶技术的介入下被消除，提高了驾驶安全性。
全新的娱乐体验
人工智能也开始电影中崭露头角，出现了不少AI角色。这些角色有大有小，有拟人机器人有普通机器人，有邪恶的也有善良的。
多年来，这项技术已经进入媒体、娱乐行业。不管是视频游戏还是电影，人工智能技术一直在提高效率和促进增长方面发挥着至关重要的作用。通过运用人工智能、深度学习、机器学习和认知计算实现而得到的的宝贵见解和解决方案，已应用于媒体及其所有子垂直领域。
媒体和娱乐行业中人工智能应用程序的主要用例包括市场营销和广告、个性化用户体验以及搜索优化。Netflix的节目推荐就是一个很好的例子。这项基于订阅的流媒体服务以高度准确的预测技术为后盾，可提供视频推荐。
沉浸式视觉体验也是人工智能的另一大应用方向，VR、AR风靡一时。人工智能用于游戏，现场活动，真人秀和其他娱乐VR内容的开发受到了极大的欢迎和关注。
拯救我们的地球
AI还可以解决诸如气候变化，污染，水资源短缺，物种灭绝等复杂的环境问题，创造更美好的世界。它还能改变传统的部门和系统，还可以保护生物多样性。
通过利用机器学习和深度学习技术的力量，我们可以研究当前和未来的趋势，这种预测能力将有助于创造可持续的环境。例如，南加州大学的一个研究小组使用人工智能来优化野生动植物保护计划。
AI具有收集和处理大量非结构化数据并从中生成模式的能力，在解决许多环境问题方面被证明是有益的。由人工智能驱动的自动驾驶垃圾车就是另一个例子。这款自动驾驶卡车旨在消除海洋中的大量塑料污染并保护海洋生物。
实际上，这五大方向只是AI应用的冰山一角，，随着人类想象力的不断升级，人工智能会给我们更惊喜的答案。

丽莎老师讲机器人之3D打印改变世界的5种方式

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
在过去的几十年中，发生了无数技术创新，对世界产生了重大影响。可以说，最具纪念意义的一项发明就是3D打印机的发明，该设备可以根据数字设计的细节实时创建真实的，有形的3D对象。
如今，3D打印机类型很多，每种类型使用不同的材料进行打印，包括塑料，金属，陶瓷等（包括食物！），我们来看看3d打印改变世界的5种方式：
1.革新教育
今天，许多老师在教室中使用3D打印，调查显示77％的老师打算在课堂上增加3D打印机的使用。
3D打印是教师使用技术发展学生技能的一种方式。甚至，他们可以使用3D打印来改善一系列选修课程，包括科学，历史等。
现在，教师可以3D打印化石，骨头和历史文物等物品的复制品，这些3D模型使他们可以更好地了解实际对象的外观。
3D打印还可用于教授物理和工程学，并帮助激发孩子们的创造力和设计能力。
2.换药
现在可以将3D打印用于医学中以提供更好的护理 -3D打印的对象可以用于诸如精确装配的假体部件，可以重建断裂的骨骼以及可以帮助研究人员更好地进行治疗和治愈的医学模型。
更具革命性的3D生物打印机可以打印活的人体组织。
3D打印可创建精确的对象，其中许多对象都是轻量级的。因此，它广泛用于医学领域，以提供更舒适的治疗选择，并且比以往任何时候都更适合患者。
3.提供按需就餐
3D打印的这种用法也非常令人愉悦（好吃）。现在可以使用3D打印机按需打印食物，这意味着将来，餐厅可能会简单地在3D打印机中存放配料，然后让人们自己设计餐点。
人们曾经认为3D打印机的按需用餐是科幻电影的一部分，但如今，它已成为现实并越来越普遍。
4.减少运输污染
将制造的物品从这里运到那里需要能源，气体和运输。一旦3D打印机变得越来越普遍，人们将能够在家中或办公室中打印所需的对象。
这意味着他们不必将物品运到他们那里，从而减少了飞机，卡车和货船等物品造成的污染量。
5.促进建设
3D打印机不仅需要用于小物体。现在，它们可以用于打印整个建筑物 –这意味着3D打印机有一天可能会完全改变建筑和施工过程。
如果设计人员可以使用3D设计软件设计房屋或建筑物，则3D打印机可以打印房屋，从而消除了曾经用于建造房屋骨骼或地基的施工人员的需要。

目前，大多数人不具备有效设计可以3D打印的安全建筑物的专业知识和专业知识。但是，3D打印机已经普遍用于设计建筑物的组件，例如电源插座，地板等。

丽莎老师讲机器人之德研发出类似白细胞的微型机器人

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
德国马克斯·普朗克智能系统研究所（MPI-IS）成功开发出大小、形状和活动性与白细胞相似的微型机器人，并在磁场的导航控制下实现了微型机器人在模拟血管中的快速逆行，为将来通过微型机器人将药物运送到患者病灶深处铺平了道路。
在过去的二十年中，由于制造技术，材料，控制和成像等方面的重大进步，微机械研究领域得到了长足发展。然而，当前的微型机器人大多只能到达可以观察到或相对容易接近的组织（例如胃肠道），以及缓慢流动的环境。如何让微型机器人克服粘滞力，到达体内深处，并在人体复杂环境中实现精准操控，是围绕靶向药物精准输送研究面临的重大挑战。
德国马克斯·普朗克智能系统研究所的科学家以白细胞为模型，成功开发了一款微型机器人，其大小，形状和活动性与白细胞相似。在实验室模拟血管的环境下，这种微型机器人可以携带抗癌药物，在人工操纵下较快地进行有目的地运动。
白细胞是一类无色、球形、有核的血细胞。它是免疫系统的守护者，也是科学家的灵感来源，因为白细胞是血液中唯一有活跃移动能力的细胞。它能够从毛细血管内皮细胞的间隙中渗出，进入血管周围组织内，并在其中游走。科学家认真研究这一现象，希望利用这一仿生策略来创建一个靶向药物精准输送的新平台。
科学家们为此研发了一款直径约八微米的微型机器人。这种微型机器人由微小的玻璃颗粒组成，镍金材料制成的磁性纳米膜覆盖在球形微型机器人的一侧，可以发现癌细胞的特殊分子作为癌症药物附着在另一侧。在实验室模拟血管的环境中，研究人员使用显微镜对机器人进行成像，然后使用电磁线圈对其进行控制，成功操纵微型机器人快速运动。
“借助磁场，微型机器人可以在导航控制下逆流穿过模拟血管，由于血液流动和密集的细胞环境，这是一个挑战。此前还没有类似微型机器人能够承受这样的流体。此外，机器人还可以独立识别它们感兴趣的细胞，例如癌细胞。它们之所以可以这样是因为我们用细胞特异性抗体包裹着它们。这样，人们可以在运动中（精准地）释放药物分子。”
在实验室中，微型机器人的运动速度可达每秒600微米。这大约是其体长的76倍，这使其成为这种大小的磁性微型机器人中速度最快的。项目的愿景是创建用于微创及靶向药物输送的下一代运输工具，它们可以（像白细胞一样穿过血管）进一步渗透到体内，使难以到达的区域更容易被接近。”
不过，目前这种微型机器人还没有在人体中进行过测试。“在医院中，当前成像方法的分辨率还不够高，无法对人体中的单个微型机器人进行成像。此外，考虑到微型机器人（大约10微米）和器官组织（数千微米）之间的大小差异，单个微型机器人可以携带的载药量显然也不够。人们必须能够在一个群中一起操纵多个微型机器人，以获得足够的效果。离此还有很长的路要走，这仅仅是个开始。”

丽莎老师讲机器人之AI也能作曲，OpenAI神经网络能生成任何流派音乐

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
人工智能（AI）技术生成的音乐会给人以非常奇妙的体验，这其中有两个原因：第一，这是个非常吸引人的全新领域；第二，没有人知道它会走向何方。
由诸多硅谷大亨联合建立的AI非营利组织OpenAI，通过平克·弗洛伊德(Pink Floyd)、埃拉·菲茨杰拉德(Ella Fitzgerald)、2Pac等风格的歌曲创作，揭示了AI在音乐领域的全新应用，结果令人惊叹。有时候有些曲目听起来很像许多流行音乐的醉酒卡拉OK版本。
OpenAI最近发布了音乐生成系统Jukebox，Jukebox是个神经网络系统，可以生成各种流派和艺术家风格的原始音频。
OpenAI还发布了Jukebox背后的代码，以及一个用于探索生成音乐示例的工具。
Jukebox背后的科学非常有趣。研究人员使用原始音频来训练模型，作为回报，模型也会生成原始音频。为了让该系统发挥作用，研究人员首先使用卷积神经网络对原始音频进行编码和压缩。
在那之后，他们使用所谓的变压器来生成新的压缩音频，然后对其进行上采样，将其转换回原始音频。通过这样的做法，神经网络会生成以前不存在的新歌曲。
通过流派、艺术家和歌词作为输入，Jukebox能够输出从零开始创作的新音乐样本。举例来说，如果你选择了经典曲目《Never Gonna Give You Up》，Jukebox就会试图不断地生成更多类似风格的歌曲。
通过Jukebox Sample Explorer，我们可以浏览来自众多艺术家的近8000首生成的曲目，这其中包括器乐和歌词。如果有人已经听厌了自己最喜欢的艺术家的所有歌曲，这对我们来说可能是一座新的“金矿”。
OpenAI团队继续致力于根据不同类型的启动信息，如MIDI文件和STEM文件来生成音频样本。通过这种方式，将能够让音乐家对未来几代人有更大影响力。这可能是一次会永远改变音乐文化的尝试。

丽莎老师讲机器人之照片不是照骗，骗得过人工骗不过AI

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索钉钉群：31532843。
俄罗斯研究团队开发的一项AI新技术。是关于AI照片性格识别术，或者简单地说就是AI看相。最新的这项新研究表明，人工智能（AI）可“仅凭一张自拍照片辨别个人性格”。这可以说是继人工智能在棋牌类领域完胜人类之后，在心理学领域再次打败人类的新证据。与人类相比，机器能够更好地识别一种特征，通过分析人物面孔来确定物种不同的性格特质。
研究旨在分析目标人物的五种性格特质（外向、神经质、乐于助人、率真、尽责）。研究涉及大约1.2万名志愿者和3.1万张自拍照。除了提供自拍照，志愿者还被要求填写了个性调查问卷。结果发现，当分析同一个人的不同自拍照时，AI会给出一致的个性判断。此外与男性相比，AI在评估女性自拍照时更加准确。最终，该AI的评估准确性“高于平均水准”，且综合表现优于人类志愿者。
可以说这项AI技术所带来的第一大冲击是看相行业，其次是心理咨询行业。俄罗斯的这项AI照片性格识别技术，不论是在恋爱环节，还是在商业谈判环节，亦或是在招聘面试以及企业管理环节，我们只要提前借助于社交媒体获得对方的照片，基于AI分析就能非常清晰并且准确地掌握对方的性格特点。
当这项技术融入智能眼镜之后，我们行走在路上就能被路人一眼看穿我们的内心世界。或许在人工智能时代，在AI面前，我们人类一切的伪装都将变得极为脆弱。我们需要做更为纯朴、本真的我，因为相由心生所生出来的相将轻而易举的被AI看穿