丽莎老师讲机器人之日本全日空公司开展“分身”机器人业务

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：3153  2843。
将可把位于别处的机器人的视觉、听觉、触觉传递给操作电脑或智能手机者的“分身（Avatar）”技术运用到生活中、使其成为基础设施的时代或将到来。全日空集团4月成立了专业公司“Avatar-in”。该公司开发的机器人可帮助支援接收新冠病毒感染者的医院和不能外出的儿童，还考虑在岛屿和山区的医疗服务中引进。
该公司开发的机器人“newme”外形模仿人的形态，有高约1米到1.5米的三种类型。配有轮子，可用电脑或智能手机远程操作使其自由移动。相当于脸部的显示器上显示操作者的样子，可进行面对面的对话。搭载的摄像头拍下newme的前方和脚下，可通过电脑或手机屏幕确认。
目前能够利用的newme约有50台。该公司正推进优先向医疗机构供货，旨在防止传染用于院内查房和探视等。3月在停业中的冲绳美丽海水族馆亮相，2天内那霸市课后儿童俱乐部的约120个孩子体验了水族馆参观和猜谜活动。实施在线教育的BBT大学（位于东京）毕业生在家里举行了毕业典礼，通过机器人授予毕业证并致答谢词。
目前利用飞机的人只占世界人口的百分之几，全日空集团欲开拓飞机以外的新“移动手段”，因而关注Avatar。以大分县为试验基地，正与研究机构和企业推进开发。
除了newme之外，还力争利用Avatar技术，推出像“双簧”一样可体验在别处人的动作的类型、以及忠实再现双脚行走和手部动作等的实际应用。未来希望分身机器人能成为克服身体限制和距离自由移动的基础设施”。

丽莎老师讲机器人之“喷气式发动机”推进的最小微型电子机器人

虽然之前我们听说过各种各样的“微型机器人”，但这种号称是世界上最小的微型电子机器人，它的移动方式是通过射出双喷射气泡来实现的。该装置采用了近10年前首次设想的推进系统，由德国开姆尼茨工业大学的国际团队开发。
这款扁平的微型机器人长0.8毫米、宽0.8毫米、高0.14毫米，由一个外部发射器无线操控。接收到发射器发出的电信号后，机器人中央的感应线圈会加热两根卷状聚合物管子中的一根，这两根管子沿机器人顶部的两边纵向运行。这两根管子不断地吸入过氧化氢/水溶液，机器人被浸入其中。每个管子内的少量铂金会引起催化反应，产生氧气气泡，从管子的后端排出。这种设置的作用是产生推力。
但通过对其中一根管子进行不同程度的加热，可以暂时增加该管子内催化反应的程度（从而增加气泡的产生量）。因此，机器人可以通过远程控制引导机器人在水溶液中进行操作。“最初构造这个微型机器人的方式是这样的，如果完全不施加任何热量，它就会在圈子里游动，“如果施加了一些热量，转弯会得到补偿，微型机器人会在一条直线上游动。如果施加了更多的热量，微型机器人就会向另一个方向转动。”
科学家们还为该设备创造了一种机械臂，其形式是由热敏聚合物组成的致动器。随着热量的增加或减少，这个附属装置会打开或关闭，使其能够抓住微小的物体。此外，该机器人还可以配备一个微型LED光源。
不过，在微型机器人可以应用于人体内靶向投递药物等应用之前，它还需要改造成在比过氧化氢更具有生物相容性的“燃料”上运行。

丽莎老师讲机器人之科学家在活生物体中“剪切粘贴”创造转基因猴子

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。
研究人员用一种革命性的新方法创造了转基因猴子，使科学家能够在活生物体中“剪切并粘贴DNA”。
猕猴是通过强大的技术改变其基因组成的首批灵长类动物，许多科学家认为，这将导致遗传医学的新时代。
这一壮举受到了一些研究人员的称赞，这将帮助他们在猴子中重创毁灭性的人类疾病，例如阿尔茨海默氏症和帕金森氏症。已经研究了以这种精确度改变DNA的能力，以使人们对HIV产生抵抗力。
但反对动物试验的团体警告说，这可能会推动研究中猴子的使用增加。一位批评家说，基因工程使研究人员“创造疾病动物的力量几乎是无限的”。
研究使用一种名为Crispr / Cas9的基因组编辑程序来操纵受精猴卵中的两个基因，然后再将它们转移给代孕母亲。
南京医科大学的研究小组在《细胞》（通过单细胞胚胎中的Cas9 / RNA介导的基因靶向产生基因修饰的食蟹猕猴）一书中报道了双胞胎雌性长尾猕猴（宁宁和明明）的交付。五名代孕妇女流产，另外四名怀孕仍在进行中。
由于其巨大的潜力， Crispr程序在世界各地的实验室中受到遗传学家的欢迎。
与标准基因疗法不同，Crispr允许科学家从细胞中去除有缺陷的基因，或用健康的基因替代它们。它甚至可以纠正DNA代码中的单个字母拼写错误。
研发团队的工作证明了如何使用Crispr来制作带有遗传缺陷的猴子，这些缺陷会导致人类疾病。但是，对于在实验室中生长并用于测试药物或监测严重疾病进展的人体小器官，也可以这样做。
尽管研究人员经常使用小鼠来研究人类疾病，但由于它们的大脑如此不同，因此很难在动物体内重现脑部疾病。
“人们一直在寻找针对整个疾病列表的灵长类动物模型，但是在过去，它要么完全不可行，要么变得难以置信的昂贵。这意味着我们可以相对廉价，快速地做到这一点，这是一个重大进步。”
就像在动物研究中一样，定义使用它的问题将非常重要。在提议进行动物研究之前，您想使用所有替代方法。这将保留给可怕的疾病，因为它给人们带来了其他任何途径都无法获得的希望。”
“如果我们能够在临床环境中识别出神经系统疾病的基因并将其转染到猴子中，将大有裨益。我不知道这会不会导致猴子在医学研究使用率的上升，但它将导致更集中的研究，”

丽莎老师讲机器人之布里斯托科学家利用传感器使机器人指尖产生触感

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：3153  2843。
布里斯托大学的研究人员最近训练了一种基于深度神经网络的模型，以收集有关机器人的触觉信息。他们将深度学习技术应用于具有传感功能的机器人指尖，并发现该技术可以帮助机器人推断出有关周围环境的更多信息。
这项研究的目的是当控制机器人与周围环境进行物理交互时，可以实现人为地重新创造触摸感。
与机器人相比，人类之间的触感是不经意的，通过触摸就能感知物品的形状，然而这背后的计算极其复杂。为了使机器人拥有同样的触觉，布里斯托大学的研究人员通过将深度学习，在机器人上实现了这种类型的物理交互，它的作用与人类皮肤的指尖十分相似。
机器人中重塑触觉的研究已经进行了十年之久。过去的研究中一直在采用更传统的机器学习技术，例如概率分类器等。但是研究者们发现这些技术仅允许机器人执行非常基本的任务，例如以缓慢的敲击运动感觉简单的2D形状。
而这项新论文的突破在于，自然复杂物体上使用的方法在三个维度上起作用，使指尖滑动得像人类一样。
为机器人提供触摸感可以帮助控制其手和指尖，从而使它们能够估计与其接触的对象或对象的一部分的形状和纹理。例如，当机器人沿着一条边缘在表面上滑动时，机器人可能能够估算出边缘的角度并相应地移动其机器人手指。
通过深度学习构建机器人从感觉数据到表面特征（例如边缘角度）的可靠地图，这背后的逻辑相当困难，因为必须经历像人一样可扭曲、会滑动才能收集到数据。通过收集准确的表面角度估算值，机器人可以更好地控制机械手的指尖。
将来，这种方法可以为机器人提供类似于人类的物理灵巧性，使他们可以根据与之交互的对象有效地调整其抓握和操纵策略。
到目前为止，研究人员已经通过将其与单个机器人指尖集成来证明了其技术的有效性，将来可以将其应用于软机器人的所有指尖和四肢，从而使其可以像人类一样操作工具并完成操纵任务，这最终可能为开发更高效的机器人以在各种环境中部署铺平道路，其中包括用于完成家务、在农场采摘农产品或满足医疗机构中患者需求的机器人等等。

丽莎老师讲机器人之用于靶向药物输送的“开瓶器”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。
在不久的将来，微型机器人可能会在我们的身体内输送药物，但在实现 这一设想之前，还有一些障碍需要清除。现在，研究人员已经开发出了“开瓶器”微型机器人，它可以钻入癌细胞内，并在落下药物有效载荷的同时保持快速，防止药物被血液或其他液体冲走。
如果药物被直接送达目标组织，那么药物的效果最好。但不幸的是，身体是一个动态的环境，药物可以被分散，使药物在靶区的作用力降低，并在健康组织中引发不必要的副作用。
近年来，科学家们一直在尝试使用微型机器人将药物准确地送到需要的地方。为了做到这一点，微型机器人需要在那个地方停留一定的时间。但这本身就是一个挑战，因为体液往往会把它们推来推去。
之前的一些微型机器人是通过医生从体外施加的磁场将其固定在原地。但在这次研究中，团队设计了一种不需要长时间维持磁场就能保持自身的机器人。新的微型机器人的形状像一个开瓶器，顶端有针头。外部涂有一层镍和氧化钛的涂层，使其能够被磁力引导。然后，药物可以被装入针头内，并进入“开瓶器”支架的孔隙中。
其原理是，医生利用磁场将机器人引导到人体所需的位置，一旦它到了那里，它就会刺入目标细胞。这样，它就可以一直待在那里，直到任务完成。研究人员在充满液体的腔体中测试了微型机器人，引导它们附着在组织样本上。当手动操纵磁场时，需要55秒，但一个专门设计的自动瞄准系统只需7秒就能完成。
研究小组发现，需要以每秒480毫米的流速才能将针头移开。这在某些地方会很好地发挥作用----例如，小动脉血管的流速约为每秒100毫米--但较大的静脉和动脉可以施加更大的压力。在另一项实验中，该团队在人类大肠癌细胞上测试了这一设计。果然，微型机器人能够有效地瞄准并杀死细胞。
虽然它在人类身上的应用还有很长的路要走，下一步要想办法把更多的药物装到微型机器人上，并开发出更好的控制磁场来引导它。

丽莎老师讲机器人之隐私保护新突破:高斯差分隐私框架与深度学习结合

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。
宾夕法尼亚大学的研究组开发了一个新的数据隐私分析框架，可以在多个类型的机器学习问题中有效保护个人隐私。这个框架现已成功和深度学习结合，并在多个需要保障隐私的深度学习任务中达到最高准确率。
什么是差分隐私
在这个大数据时代，如何妥善获取和使用与真人相关的数据，渐渐成为迫切需要解决的问题。没有人希望自己生个病，上个网，买件衣服都会被人随意知晓，更别提手机里没有修过的自拍了。一种简单的隐私保护方法就是「匿名」：将收集到的数据中涉及个人信息的特征剔除。可惜这种方法并不可靠，曾有研究将 Netflix 匿名处理过的观影记录通过交叉对比 IMDb 数据库解匿成功，这直接导致了第二届 Netflix 数据分析大奖赛的取消。
2006 年，隐私算法的研究迎来了新的里程碑。几位科学家定义了「差分隐私」（以下缩写为 DP），来严谨地分析隐私这个概念。差分隐私很快被证明是个强有效的工具，并被谷歌、苹果、微软、阿里巴巴等各大机构使用。而四位发明者于 2017 年获得了被誉为理论计算机科学界诺贝尔奖的 Godel 奖。
要理解差分隐私，我们可以看看下面这个简单的假设检验：假设有两个数据集 S, S'
S={小明，小刚，小美}；S'={小红，小刚，小美}
这两个数据集是邻近的，因为它们的差异仅体现在一个人上。目的是检验模型是否是基于 S 训练的，这等价于检验小明是否存在于我们的数据中。如果这个假设检验非常困难，那么想要获取小明信息的攻击者就难以得逞。严谨来说，一个随机算法 M 符合 (epsilon,delta)-DP 意味着对于任何的事件 E,从定义不难看出，epsilon 和 delta 越小，隐私性越好。那么，如何实现能保证算法的隐私性呢?
具体做法是衡量算法的中间产物（比如梯度）的敏感性，并根据其大小施加一个成正比的噪音。由于噪音的存在，想要窃取小明信息的攻击者便无法确定小明是否在训练集中。在深度神经网络中，每一次迭代都会牺牲一部分隐私来换取性能的提高。我们可以对每个批（batch）的梯度加噪音，从而达到混淆攻击者的目的。
当然，噪音加的越大，隐私就越安全，但是随之性能也自然越差。在有限的隐私预算下，很多时候隐私算法的性能表现会不如人意。
深度学习经常需要敏感的个人信息来训练。现存的差分隐私定义以及隐私模型都试图在性能和隐私中找到一个平衡。可惜的是，这些尝试仍不能很好的处理两个重要环节：subsampling 和 composition。这导致了隐私算法的性能通常远逊于非隐私算法。
高斯差分隐私
Gaussian differential privacy (GDP) 高斯差分隐私是最近被提出的一种隐私表示方法。它可以精确的刻画 optimizer 在每个 epoch 所消耗的隐私。GDP高斯差分隐私 的表达简洁且是广义的（在 SGD, Adam, Adagrad 等多个优化器上的刻画是完全一样的）。
高斯差分隐私GDP 的分析被进一步推广到 Poisson subsampling 和新的优化器上。新的推广得到了理论上严谨的证明，尤其证明了它优于此前最先进的 Moments accountant 方法。
在《Gaussian Differential Privacy高斯差分隐私》一文中，宾夕法尼亚大学的研究人员创新性地定义了「f-DP」来刻画隐私。如果用 alpha 来表示第一类错误，beta 来表示第二类错误，对于任何一种拒绝规则 (rejection rule) phi，都存在一个抵换函数 (trade-off function) T：降低第一类错误会导致第二类错误增加，反之亦然。我们将两类错误的和的最小值称为最小错误和。
一个随机算法 M 在 S 和 S』上的抵换函数 T 如果始终大于函数 f，那么它就满足 f-DP。
对比于传统的 eps,delta-DP，f-DP 使用的是一个函数 f，这也使得其刻画更为自由和准确。
作为 f-DP 的一个重要案例，研究人员随后介绍了高斯差分隐私（GDP）来区分两个高斯分布。根据中心极限定理（CLT），任何基于假设检验的隐私定义在极限情况下都会收敛于 GDP。事实上，相对于谷歌在 2016 年提出的，适用于计算 epsilon,delta-DP 的 Moments Accountant (MA) 方法，本文提出的 CLT 方法可以更简易地计算 GDP，而且非常准确。
GDP 的好处还不止于此。在最新工作《Deep Learning with Gaussian Differential Privacy》中，卜至祺、董金硕，龙琦和苏炜杰等作者指出 GDP 和 eps,delta-DP 可以通过他们设计的 Dual 函数互相转换。也就是说，研究者可以在 f-DP 的框架下分析算法再转成传统的 dp，或者从传统领域中拿来已有的理论和技巧，不必二次开发。这项技术现在已经在 TensorFlow 中实现。
在实验中，将 GDP 和深度学习结合，并在多种类型的任务上取得了不俗的成绩。此前谷歌也曾将 epsDP 和深度学习结合，虽然在 MNIST 图像识别上取得了 97% 的正确率（无隐私算法可达到 99% 以上），在 CIFAR10 上却止步于 73% 的正确率（无隐私算法可达 86%）。而利用 GDP 的精确刻画，作者们在 MNIST 上取得了 98% 的准确率。不仅如此，MA 计算的结果表示 MNIST 的 96.6% 正确率对应的是 9.4% 的最小错误和，意味着攻击者有超过九成的概率猜对一张图片是否在数据集中。而 CLT 的计算表明 epsDP 太过于保守：同样的模型同样的表现，实际对应的最小错误和其实是 77.6%，也就是说隐私并没有损失很多。
为了全面探讨 GDP 的优越性，作者在 高斯差分隐私GDP 框架下分析了神经网络的表现。实现了 SGD 和 Adam 的隐私版本，并通过让神经网络不断迭代直到 高斯差分隐私GDP 达到了 mu=2。在 IMDb（自然语言处理），MovieLens 1M（推荐系统）和 Adult Income（非图像型分类任务）上，GDP 模型都取得了非常接近无隐私模型的性能。例如在 Adult Income 数据上，隐私神经网络和无隐私神经网络表现几乎一样好，意味着隐私也许并不需要以很大的性能牺牲为代价。更进一步的，作者强调文中的神经网络都相对简单（不超过三层），如果使用更复杂更高级的神经网络可以在同样的隐私保证下更显著地提升性能。而另一方面，使用高效的优化算法（减少迭代次数，即隐私的损失次数）也能让性能变得更好。
既然 CLT 可以在同样性能的条件下比 MA 更好地保护隐私，那么反过来想，在同样的隐私预算下，GDP 也能显示出更强的性能。作者构思了一个实验来说明这一点：训练一个加了 sigma 噪音的神经网络若干步，通过 MA 可以算出目前损失了多少隐私，通过 CLT 和 Dual 反解出真正必须的噪音 sigma hat。注意 sigma hat 必然小于 sigma，然后训练同一个神经网络但只加 sigma hat 噪音。由于噪音变小，新的神经网络学习效果会更好，而且在每一次迭代，新神经网络都会更好地保护隐私。
将神经网络和 GDP 结合，可以更精准地呈现隐私损失，从而更好地保护隐私以及提升隐私算法的性能。另一方面，已有的 (epsilon,delta)-DP 研究也可以嫁接到 GDP 中，为两个领域带来了新的机遇。这一隐私算法领域的新进展给予了研究者们更大的信心去相信，随着机器学习的进一步发展，也许在不远的未来就能以可忽略不计的代价来保护我们的隐私。同时，它也鼓励人们更愿意分享涉及个人信息的数据，来推动机器学习的发展。

丽莎老师讲机器人之欲在大脑中搜寻AI方法的存在

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。
直到现在，几乎我们听说过的每一个关于人工智能的进步，仍基于 30 年前的一篇阐述多层神经网络训练方法的论文演变而来。
那就是 杰弗里·辛顿Geoffrey Hinton 在 1986 年写下的《Learning representations by back-propagation errors》。
这篇论文具有重要的意义，可以说是代表着反向传播算法（Backpropagation algorithm）首次被引入到多层神经网络训练，为后来该算法的推广埋下伏笔，尤其是为人工智能在最近 10 年的发展奠定了基础，但要保持这种进步，还得清醒地面对人工智能的局限性。
而作为反向传播的提出者，仍然站在反思（甚至质疑）反向传播的第一线。在 2017 年时，他还曾明确表示，“我们需要放弃掉反向传播算法，重新开辟一条新的路径。”
解谜人的大脑将被包含在这种路径之中，近年来，这位 “人工神经网络之父” 频频表现出了其对脑科学研究的浓厚兴趣，并发表了一定数量的有关脑神经科学的论文。
反向传播支配下的人工神经网络
反向传播在 AI 领域的地位是主导性的，尤其是它在人工神经网络（Neural Networks，NNs）中发挥的作用。
要理解这一概念，你可以首先把人工神经网络想象成一块有很多层的三明治。每层都有人工神经元，也就是微小的计算单元。这些神经元在兴奋时会把信号传递给相连的另一个神经元（和真正的神经元传导兴奋的方式一样）。每个神经元的兴奋程度用一个数字代表，例如 0.13 或 32.39。两个神经元的连接处也有一个重要的数字，代表多少兴奋从一个神经元传导至另一个神经元。这个数字是用来模拟人脑神经元之间的连接强度。数值越大，连接越强，从一个神经元传导至另一个神经元的兴奋度就越高。
以深度神经网络最成功的应用图像识别为例，正如 HBO 的电视剧《硅谷》中就有这样一个场景：创业团队开发了一款程序，能够辨认图片中有没有热狗。
要让它们发挥作用，首先需要一张图片。举一个简单的例子，让神经网络读取一张宽 100 像素、高 100 像素的黑白照片，输入层每一个模拟神经元的兴奋值就是每一个像素的明亮度。那么，在这块三明治的底层，一万个神经元（100x100）代表图片中每个像素的明亮度。
然后，将这一层神经元与另一层神经元相连，假如一层上有几千个神经元，它们与另一层上的几千个神经元相连，然后一层一层以此类推。最后，这块三明治的最顶层，即输出层，只有两个神经元，一个代表“热狗”，另一个代表“不是热狗”。这个过程是为了训练神经网络在图片中有热狗时将兴奋仅传导至第一个神经元，而在图片中没有热狗时将兴奋仅传导至第二个神经元。这种训练方法就是 Hinton 开发的反向传播技术。
当你刚刚创建一个神经网络时，神经元之间连接的强度是随机的。换句话说，每个连接传导的兴奋值也是随机的，就像人脑中的突触还没有完全成形。
反向传播发挥的作用就是通过改变数值，在输入不变的情况下提高输出的敏感度（类似于通过负反馈校准），从而让神经网络实现特定的目标。它是实现人工神经网络中非常重要的技术，作为训练神经网络的基本算法之一，它让神经网络变得更加“智能”。
现在来看，反向传播的原理其实并不复杂，但它需要大量的数据才能达到最佳效果。这也是为什么这项技术于 30 年前提出，但直至近年来数据作为最基本 “粮食” 到位之后，才在现实生活中产生巨大价值。
问题在于，反向传播是 Hinton 作为计算机科学家设想出来的一种工程方法，它让机器更加智能，但这种机制真实存在于人的大脑中吗？如果要让机器朝着仿生人脑的路径实现更高层次的类人的智能，这个问题或将难以回避，也正是 Hinton 最新论文讨论的核心。
人工神经网络中，反向传播试图通过使用对突触权值的微小改变来减少误差。
在这篇最新研究中，尽管大脑可能不存在完全依照反向传播的概念运作，但是反向传播为理解大脑皮层如何学习提供了新的线索。
已知的是，人脑通过调整神经元之间的突触连接来进行学习，不过由于皮层中的突触被嵌入到多层网络中，这使得很难确定单个突触修饰对系统行为的影响。
虽然反馈连接在大脑皮层中无处不在，但很难看到它们如何传递严格的反向传播算法所需的错误信号。在这里，我们在过去和最近的发展基础上，论证了反馈连接可能会诱导神经活动，而这些神经活动的差异可以用来局部近似这些信号，从而驱动大脑中的深度网络的有效学习。
最近的工作表明，与灵长目动物视觉皮层腹侧流中表征的其他模型相比，反向传播训练模型与所观察到的神经反应匹配程度更高，而且未使用反向传播训练的模型（如使用 Gabor filter 的生物启发模型，或使用非反向传播优化的网络）的性能不如使用反向传播进行优化的网络。
反向传播对比之下体现的实用性和效率，至少暗示了大脑存在利用误差驱动的反馈进行学习，而这正是反向传播的核心思想。
Hinton 团队将这种基于活动状态误差驱动突触变化的学习机制称为 NGRAD（neural gradient representation by activity differences）。
“反向传播这一概念的引入在神经科学领域引起了轰动，它可能成为深入了解大脑皮层学习的一个开端。但反向传播与大脑皮层的相关性很快遭到质疑——部分原因是它在人工系统中未能产生优秀的表现，且具有明显的生物学不可靠性。随着更强大的计算能力、更大的数据集和一些技术改进的出现，反向传播现在可以训练多层神经网络来与人类的能力竞争。NGRAD 以一种与我们认为的生物回路运作方式一致的方式解决了反向传播的重大不可靠性”，
局限性在于，虽然越来越多证据表明，使用反向传播训练的 多层网络有助解释神经数据，但关于如何在皮层中实现类反向传播的学习仍有很多疑问，例如在反向传播中，传递的误差信号不影响前向传播产生的神经元的活动状态，但是在大脑皮层，这些连接会对前馈传播产生的神经活动产生影响，大脑皮层的反馈连接不仅可以调节、激活还可以驱动活动，这比反向传播要复杂得多。
在 GATIC 2017 就曾提出一个观点，即人脑的神经网络结构是进化大数据训练的结果。大脑的结构是亿万年‘优胜劣汰’的进化过程造就的，这个过程很可能存在广义的反向传播机制。
“这就像深度学习中，反向传播把一个无结构的多层人工神经网络训练成为一个具有特定结构的专用网络，大脑进化也是把不断增生的没有特定结构的皮层，逐渐训练成分工明确、结构基本确定的神经网络。后天学习只是微调，而不能改变大脑的基本结构。
反向传播如果发挥作用的话，也主要是在大脑先天结构的形成过程中，而不是在后天学习过程中。包括这篇文章在内，许多学者正在从个体大脑的后天学习中寻找反向传播机制，但这可能没有瞄准方向”，
人类视觉系统的神经网络结构在出生时是基本确定的，例如初级视皮层 V1 到 V4 的分区和区间连接关系都是确定的，婴儿期接受真实的视觉刺激，进行突触修改，V1 以及大部分视觉皮层的突触就此固定下来，形成我们的视觉功能，注意，婴儿期只是突触修改，并没有改变 V1 到 V4 的这种基本结构，相比之下，深度学习的起点并不是这样一个先天形成的有基本结构的神经系统，只是一个多层的神经网络，可以被训练成视觉网络，也可以被训练成语言网络，因此，深度学习的训练过程，实际上是在重复大脑亿万年进化要完成的结构生成任务”。
从自然环境对人脑的 “训练” 来看，反向传播是可能的训练手段。
“亿万年生物进化过程的大数据就是地球环境，训练机制也丰富多样，反向传播可能是其中之一。深度学习算力再强，大数据再大，也都难以望其项背。“因此，模仿生物大脑已经训练好的神经网络结构，而不是从零开始寻找结构，才是实现更强智能的更快捷的道路”，
当然，这些诸多可能性仍待计算机科学家、神经科学家们共同推动探索。
尽管深度学习这一概念在诞生初期仍有神经科学的影子，但近年随着深度学习本身的快速发展，它也愈发自成一派，几乎与神经科学无关联：研究深度学习的专家们专注于提升算法，而神经科学家们探讨的问题也基本上和人工深度神经网络无关。
如 Hinton 团队这样，采用深度学习中发展出的思想来研究大脑并非主流，却是希望在神经科学与现有的人工智能（尤其以深度学习技术为代表）建立更多连接。
30 年前人们认为神经科学可能没什么可学的，因为从生物学角度看反向传播算法有些方面是不现实的。随着梯度学习算法在深度神经网络表现出强大的学习能力，我们开始思考大脑的高效学习非常有可能近似计算梯度”。
AI 算法与人类大脑会越走越远，还是越走越近？

丽莎老师讲机器人之AI诊断在实验室达到准确度只是第一步

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。
Google 发表的 AI 诊断系统据称在实验室里能达到 “专家水准”，但在临床中护士甚至不推荐患者使用 AI 系统。此种落差，又把人们的视线拉回了 AI 的老问题，“人工智能” 为何到最后还不如人工？
Google 通过研究获得的经验是，把 “以人为中心” 的评估纳入模型。
泰国是 Google 选定的测试地区。该国卫生部希望在一年时间内完成对该国 60% 的糖尿病人进行糖尿病性视网膜病变（DR）筛查的任务，这意味着 200 名视网膜专家要对 450 万名患者进行诊断，如果不能及早完成筛查，DR 可能会导致失明。
泰国卫生部传统的方法是，护士在做检查时为患者的眼睛拍照，通过电子邮件或者光盘送到其他地方的专家手里进行筛查，整个过程可能需要长达十周的时间。不过护士通常会通过初步判断，通知有明显的异常的患者转诊眼科医生。护士的初步判断一般是根据轻度、中度、严重非增殖期和增殖期四个程度，以及糖尿病性黄斑水肿（DME）的情况，给患者复查建议或者要求转诊。
针对如此典型的 “问诊难” 问题，Google 希望通过自己的 AI 诊断系统解决。
Google 研究人员此前建了一个有 12.8 万幅图片的数据集，每张图片记录了 3-7 名眼科医生的评估结果，然后训练算法。该系统已经拿到了 CE 认证，但仍在等待 FDA 批准。这套系统通过扫描眼睛，利用图像分析来显示是否有血管堵塞或者渗漏，以此识别 DR 的症状，据称准确率超过 90%，Google Health 研究小组称之为“人类专家水平”，原则上，十分钟内就能出结果。
理想状态下，这套系统理论上能省去护士判断和分级的步骤，并且不用再把图像发给眼科专家。
我们必须在 AI 工具被广泛应用之前，了解它是如何在环境中为人们工作的，尤其是在医疗领域。”Beede 和她的同事在泰国的十一家诊所配备了他们的深度学习 AI 诊断系统，在几个月的时间里，他们观察护士的使用情况，并采访他们的使用体验。
要想使图像更利于人或者机器进行分级，就必须要捕获清晰的视网膜区域，也就是说相机的光线需要进入到眼睛的后部，这就需要患者的瞳孔放大，或者是在黑暗的环境中，或者使用瞳孔扩张滴液。但 Google 测试的十一家诊所中，不同诊所的检查环境大不相同，只有两家诊所有专门的暗黑拍片室，一些诊所没有扩张滴液，其他诊所都是在办公室进行拍摄，即使相机上方有荧光灯，也无法拍出满足系统要求的图像。
根据现有的 AI 法规，CE 和 FDA 的认证主要针对准确性而不是诊断或者治疗效果。为了保证系统的准确性，Google 研究人员对图像质量有严格的阈值，未满足要求的图像会被拒绝识别。这就造成算法拒绝了 21% 的图像。这种情况下，系统会通知护士，护士要告知患者转诊。其中一个诊所的护士说：“系统给出了确定的结果，但也有一定的局限性。有些图像比较模糊，我还能看清，但是系统看不清。”
在现实条件下，可以通过拍摄两次图像合成一张完整的图像，他们希望系统能做到这一点。但系统做不到，因为参数设置要求每一张照片都必须是高质量的。这让护士感到沮丧，相机的闪光灯会造成病人的不适，病人最多接受两次拍照，并且两次拍照也会浪费时间。
另一个重要的问题是，整个系统的运转强烈依赖网络，图像要被上传到云端才能被评估。但是在此项研究中的诊所网络连接时长出问题，往往需要 60-90 秒才能完成上传，严重减慢了筛查速度。如果网络断开两小时，一家诊所一天能检查的病人数会减半。一个诊所表示：“病人喜欢即时结果，但网速慢，病人抱怨。他们从早上 6 点就在这里等了两个小时，我们只能检查 10 个病人。”
这场测试反映了理想的 AI 系统，与资源有限的现实环境之间的尖锐矛盾。
最终，Google 似乎从中得到了很多经验：“把以人为中心的评估纳入深度学习模型评估，并通过临床网络生成的数据来提升模型性能，我们可以降低深度学习系统在现实条件下失败的风险，并增加对患者和临床医生有意义的改进的可能性。”Google Health 小组正在与当地诊所进一步完善工作流程，比如，训练护士在临界情况下自行判断；调整模型算法以处理不完美的图像。
有一个护士自己筛选了 1000 个病人，有了这个工具，她是不可阻挡的。病人并不真的在意识别图像的是机器还是人类， 他们更关心自己接下来将会经历什么。”
Google 布局医疗领域早在 2016 年就有所行动，IBM 也在同年成立了 Watson Health，与世界各地的不少知名医院进行了合作。在 2017 年 IBM 研究院还发布研究成果，称在视杯及视盘的检测上，机器能达到 95% 的准确度。但从发布结果到现在，该系统几乎没有重大临床使用进展。
AI 医学影像是目前人工智能 + 医疗领域较为热门的行业之一，据 Global Market Insight 的数据，2024 年，AI 医学影像将达到 25 亿美元规模，占整个 AI 医疗市场规模的 25%。
“利用成像数据进行诊断方面，深度学习网络一直优于专业的医生。尤其是视网膜图像，相比于皮肤或者病理成像，它的变异性更小、数据更好，深度学习系统的表现也更好。这就是为什么 Google 和 IBM 等大公司都决定专注这一领域的原因，”“但在临床中，系统的限制变得明显。现实中的数据质量和用于训练的质量相差很大，导致影响性能。”
这项研究只是强调了 AI 工具在大规模应用部署中所需要克服的一个小挑战。
加拿大滑铁卢大学的研究人员 也从事 AI 影像诊断工作，认为 Google 的研究是至关重要的，但在实验室确保准确性只是第一步。
早在上个世纪，《黑客帝国》就为我们描述了一个人机共生的未来。而现在人们讨论的“人机共生”，更多的是剥离了《黑客帝国》的反乌托邦主义色彩，人机各有所长，互为补充，人类投身于更具价值的工作，同时将大量重复的工作交给 AI。对于医疗行业而言，人与科技之间的关系或许也应如此。“最理想的情境是人与科技共同找出最优的解决方案，而不是由任何一方单独完成。”
最后，有必要重新思考“以人为本的 AI”（human-centered A.I.），其中第一个目标是：AI 需要更深层地反映人类智能。人类的视觉感知非常丰富，它很复杂并且受周围环境应影响，可以自然地将我们对显而易见的目标的认识与对细微差异的敏感性平衡起来。相比之下，机器的感知仍然非常狭窄。
让 AI 对整个人类思想更敏感并非易事。这些解决方案可能需要来自超越计算机科学领域的洞察力，这意味着程序员将不得不学习如何与其他领域的专家进行更频繁的协作。这种合作意味着回归 AI 的根源，而不是背离它。