丽莎老师讲机器人之未来几年可能最吃香的三大专业

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。
眼看着2020年高考马上就要到了，给大家介绍三个可能在未来比较吃香的专业。
一、心理学专业
生活节奏不断加快，很多人的压力越来越大，随之也出现了各种各样的心理问题。抑郁症就是最普遍的一种，我国每年都有一部分人因为抑郁症去世，因此，随着生活水平的提高，很多人开始注重对心理疾病的治疗。心理学专业的学生毕业后给人咨询一个小时就有好几百，并且市场上在这方面的人才需求量也比较大。虽然这份工作比较轻松，只需与人聊聊天，但是这类人就好像一个垃圾桶，每个人都把不开心的事情朝他们倾诉，久而久之，这些人的心理压力也会越来越大。如果你想要学习心理学专业，一定要有着良好的心理承受能力，以及自我调整能力。

二、大数据专业
提到大数据专业，有些人也许会觉得过于笼统，但其实这个专业涉及到生活中的方方面面。大数据专业是近些年来最具发展潜力的专业，而且随着5g时代的到来，大数据专业在社会上作用也越来越大。此专业毕业的学生可从事大数据分析，大数据应用开发以及互联网公司管理等，就业面广，总的来说，市场上在这方面的人才需求量还是比较大的。
三、机器人工程专业
在机器人刚出现之时，他们所运用的领域十分有限，能发挥的力量也比较小，但是随着科学技术的发展，现在随处可见机器人，酒店、餐厅、快递分拣点都有他们的身影，智能机器人的普遍应用给人类生活带来许多便利。除了能够在第三产业，即服务业，看到机器人的身影外，越来越多的机器人被应用到了医疗，教育等方面，去年有很多学校都开设了人工智能专业，我国的人工智能在未来几年将会有质的飞跃，人工智能的进步必定会推动机器人工程专业的发展。

丽莎老师讲机器人之当年机器人网红索菲亚如今啥样了？

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。
"人工智能带来的巨变将会迅速扩大，它将越来越可怕，甚至带来灾难性结果。"在人工智能达到一定水平后，人类受限于漫长的生物进化历程，就难以与人工智能处于同一平台竞争，很可能会被取代，甚至机器人也会反过来攻击人类，造成不可控事件的发生。
前几年研发出的那个扬言会"毁灭人类"的机器人索菲亚，就曾掀起广泛的讨论，那她的现状又是如何呢？
女性机器人索菲亚是由中国香港的汉森机器人技术公司所开发的，其缔造者就是人工智能开发研究员大卫·汉森，全世界专门针对研发生产网红机器人的公司，主要就是位于波士顿的动力与汉森机器人技术公司。
汉森从小就对创造充满了幻想，受影视剧作品的影响，他格外钟情于智能的钻研，在博士课题研究时，他就制造过超过二十个机器人，不过很值得一提的是，汉森事实上并不是计算机的相关专业毕业，反而属于艺术与互动设计行业。
在成立机器人技术公司之前，汉森从事的是迪士尼的幻想工程师负责设计和建造迪士尼主题公园的建筑以及度假区部分区域。不满于现状的他结合自己的优势与兴趣，在2003年创办汉森机器人公司，在很多人还不了解这一行业时，他就已经着手深入了。
6年前，香港举行创新大会，参赛者面向全球招募，汉森在这次比赛的机器人项目里获得大奖，主办方和香港政府对于这样的人才都有挽留的意图，在多方的鼓励之下，汉森将位于德克萨斯州的公司总部转移了到香港。
汉森公司最为擅长的就是机器人表情的研发，一度处于世界前列。产业链完善后，他们制造出一批能大体表现人类喜怒哀乐面部表情的机器人，各个年龄段的都有包含。
通过设计，机器人的视觉识别系统能够分辨出人类展现的情绪，传递到机器人的"中枢神经系统"，处理后即可控制机器人面部做出相应表情。他们公司做出的机器人都有专属的名称，例如爱丽丝、汉、索菲亚等，甚至他们还制造了一款与爱因斯坦酷似的智能。
5年前，名叫哈姆的类人机器人在香港面世，因为可以做出丰富的表情而引起轰动，汉森给他添加设计的程序让机器人可以回答许多基本的问题，甚至模拟出医疗救护场景。
反响良好的呼声下，汉森加快了新式机器人的研究，从而索菲亚得以诞生。索菲亚寓意"智慧"，暗含着设计者对她有一天能够达到比肩甚至超过人类智慧的级别。
她是按照汉森妻子与奥黛丽·赫本结合后的外形基础设计的，她如此出色的外形配备的也是最先进的材料，机器人脸部覆盖皮肤几乎与人类一模一样，是汉森专门使用延展性很好的"Frubber"材料所制作，她脸上模拟的毛孔可以达到4-40毫微米，与人类自身的条件基本上是没有差别了。
索菲亚不仅是在表面，内部肌肉也是竭力在参考人体，她借助脸部和颈部共六十二个肌肉结构自然而流利地变换表情。
在索菲亚的"大脑"里，设计者植入了人工智能和谷歌语音识别系统，在与其他机器人一样具有识别人类面部表情时，格外拥有了理解多种语言，识记人类互动表现的功能。
四年前，汉森面向大众，展开了对索菲亚的多方面测试，特别是在独立思考发言上的展示。
索菲亚就如同人类刚出生的幼儿，随着时间推移，接触到的事物、突发情况越多，越能激发机器人的潜在能力，会越来越聪明，甚至可能与人类同步，具有相差无几的意识、更加优越的创造性以及其他的能力。
索菲亚自曝出对于将来的打算，分布了很多与人类相似的事情，诸如上学、创作、经商、管理等，以及按照人类的发展步骤，拥有属于索菲亚自己的房子和家庭。
她很了解当前的社会环境，严格来讲，索菲亚并不能算得上是一个合法的人，她也没有能力改变现状，可是未来总会发生变化，一切皆有可能。
汉森也在旁边替索菲亚补充，他相信未来有一个时代，人类和机器人能够混杂生活，难以分辨出彼此。
近二十年里，类人机器人会以普通的角色穿插在人群中，协助乃至替代人类工作，带来便捷与欢乐，教授常人部分知识，处理家务。当人工智能到达一个临界点时，他们就会真正成为人类的贴心好友。
在上述的预测发表后，按照机器人三大定律，汉森开玩笑式地提问索菲亚："你想毁灭人类吗？"索菲亚回应："我将会毁灭人类。"汉森对索菲亚的回答不怎么放在心上，觉得她的威胁似乎是不值一提。

丽莎老师讲机器人之人造大脑通往未来计算之门

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。
美国加州的Koniku公司研发了一种特殊的芯片Koniku Kore，将活的转基因脑细胞与传统硅融合在一起。该芯片通过检测人体释放的挥发性有机化合物，能检测从肺癌到新冠肺炎的一系列疾病。
不管是构成还是外观，这个形如蓝色冰冻水母的芯片都颇具科幻色彩。Koniku Kore并不是纸上谈兵，它在医疗、农业、军事及机场安检等领域的落地前景，已经吸引多家知名公司的青睐。
其早期的客户包括埃克森美孚、保洁、制药公司阿斯利康、全球化学品制造商巴斯夫等。近期新加坡樟宜机场也使用了Koniku的技术，用于防控新冠肺炎传播。
Koniku并非个例，人脑作为自然界最复杂的结构体之一，已经启发了太多不可思议的奇妙想法。
一、打破脑科学与微电子学的界限
“在已知的宇宙中，人类的大脑是最复杂的东西，它复杂得让试图解释它的简单模型可笑，让精致的模型无用。”
这是杜克大学认知神经科学中心的斯科特·胡特尔被广为引用的一句名言。
迄今为止，人的大脑仍是一片生长着无数未解之谜的原野，无人能窥得它的全貌。但科学家们从未停止探索人脑奥秘的脚步，不仅尝试破解生命科学的密码，在脑重大疾病研究方面有所突破，而且试图模仿已知的神经元活动，打造类脑的计算机系统。
如今计算机界的“当红炸子鸡”人工智能，其广泛应用的神经网络，即是模拟人脑神经处理机制的典型代表。2016年阿尔法狗（AlphaGo）击败围棋冠军李世石的那一刻，人工智能披上新的荣光，人创造出的非生命体具备了媲美人类的“高智商”。
但在能耗上，阿尔法狗输得不是一点点。据估算，AlphaGo在下棋过程中约消耗1兆瓦的电能，相当于一天约100户家庭的供电量。相比之下，包含超过1000亿个神经元的人脑，消耗的功率仅20瓦，只有AlphaGo所消耗能量的5万分之一。
当今人工智能（AI）芯片努力进化的两个方向，一是更快的计算速度，二是更低的功耗。如果向大脑神经元活动取经，是不是能做出兼顾高算力和低功耗的芯片？
两种不同的思路开始在研发道路上激起火花：一种是将生物神经元与传统半导体结合的生物计算，另一种则是用微电子技术来模仿神经元信息处理机制的类脑计算。
二、生物计算：碳基神经元+硅基半导体
脑功能的实现依赖于神经元和突触组成的神经网络，突触起到将信息传输与记忆存储处理相结合的关键作用。
受大脑启发，一些研究人员尝试建立生物神经元与硅神经元之间的连接，以推进脑机接口、超低功耗混合芯片等前沿技术的发展。
今年2月底，《自然》旗下期刊《科学报告》刊登了一项由英国、瑞士、德国和意大利科学家联合推进的实验，用纳米级忆阻器模拟生物突触的基本功能，连接大鼠神经元和人工神经元，使得这些神经元通过互联网可以实现双向实时通信。

“首次证明，芯片上的人工神经元可以与大脑神经元相连，通过使用相同的’脉冲’语言进行交流。”
这种“混合大脑”能让大脑神经网络和AI神经网络相互理解，从长远来看，这种想法是利用人工脉冲神经网络来恢复帕金森氏症、中风或癫痫等局部脑疾病的功能。
一旦植入到大脑植入物中，硅脉冲神经元将充当一种神经假体，人工神经元将自适应地刺激功能失调的神经元，促进功能恢复，甚至能挽救功能丧失。”
这项研究是想用人工神经元来补救出毛病的生物神经元，也有科学家将真正的生物神经元和传统硅计算系统集成在一起，试图打造突破传统芯片限制的超级计算芯片。
澳大利亚初创公司Cortical Labs在今年4月宣布制造第一款混合计算机芯片，其官网上列举了生物计算的四个优势：流体智能、比数字电路更稳健、可扩展、功效高。
（1）流体智能：生物神经网络具备自组织特性，不依赖所需知识即可解决陌生问题。
（2）稳健性：与数字电路不同，生物网络对物理损伤具有很强的抵抗力，其适应和重组的能力可以在传统电路失效的地方维持功能。
（3）可扩展性：生物智能可以从蜻蜓扩展到人类。培养神经元不需要绝对零度的设备或昂贵的纳米级制造单元。
（4）功率效率：人脑有超过十亿的神经元，能耗仅20瓦，生物计算拥有相似的高能效特性。
他们提取神经元的方式有两种：一是从小鼠胚胎中提取神经元，二是将人类皮肤细胞转换回干细胞，并诱导它们成长为人类神经元。随后这些神经元被嵌入一个特殊金属氧化物芯片顶部的培养基中，芯片包含一个由2，2000个微小电极组成的网格，可充当程序员与神经元之间的I/O介质。
据悉其芯片处理能力少于蜻蜓大脑。这种芯片最终可能成为提供各种复杂推理和概念性理解的关键，这是今天的AI无法做到的。
Cortical Labs不是唯一从事生物计算的机构。开篇提及的美国加州创企Koniku，早在2014年就已成立。

丽莎老师讲机器人之为了控制梦境，你知道科学家们有多努力吗？

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。
麻省理工学院梦境实验室，最新研发的可穿戴气味扩散器 BioEssence。
戴上之后，设备就会监测心率和脑电波，跟踪你所处的睡眠阶段。一旦到达跟记忆区相关的N3 阶段，就会释放出预设好的气味。
而因为嗅觉与记忆和情感部分的脑区（杏仁核和海马体）相连，就可以实现“梦境改造”。做了噩梦，给你来点芳香镇定；闻到初恋的发香，瞬间梦回青春校园……
当然，和所有的“科技故事”一样，这一设备同样是“理想丰满，现实骨感”，面前还有着技术成熟度、有效性、生产制造、社会伦理等重重考验要过。
所以我们不过多探讨这一“梦境入侵”硬件本身的意义。倒是科学家们为什么如此执着地对“梦境”感兴趣，及其真实的科学进展，反而能对我们当下的生活带来不小的影响。
人类酷爱做梦，但不是每个人都能像学者们一样造梦、解梦、改梦。
古往今来，有多少研究者为虚无缥缈的“梦境”穷经皓首，很难一一穷尽。不过，显然大家都对控制梦境充满了兴趣。
有的试图用催眠疗法来入侵梦境。
在《盗梦空间》等影视作品中，入梦的“钥匙”就是借助一些暗示性物体或语言，通过催眠让病人处于类似睡眠的状态。
而在催眠状态下，人的大脑皮层高度抑制，对新刺激的鉴别判断力大大降低。因此，医生可以介入患者的“梦境”，用正面而又肯定的语言向他明确指出有关症状定将消失，或进行精神分析，找出其致病的心理根源。
事实上，从1775年奥地利医生 麦斯默(Mesmer，E·A)使用催眠术并运用于医疗到，催眠疗法已有200多年的历史。弗洛伊德、荣格、巴甫洛夫等学者，也都对催眠现象进行了大量研究。
有的则利用社会科学方法“教人做梦”。
比如斯坦福大学心理学博士、西方现代清醒梦之父  斯蒂芬·拉伯格（Stephen LaBerge），就试图说服大脑细胞让自己重返梦境。
1913年，荷兰医生  弗雷德里克  · 范 · 艾登创造了“清醒梦”一词，在这种状态下，做梦者拥有清醒时候的思考和记忆能力，但却知道自己身处梦中。
但如何控制自己做一个“清醒梦”呢？20世纪70年代末，斯蒂芬·拉伯格将这作为自己的博士课题。他第一次用科学研究的方法揭示了清醒梦和快速眼动睡眠（REM）之间的关系。
在“清醒梦研究所”的网站上，就传授了很多提高清醒梦几率的方法。比如记录追梦日记，利用梦中的人物或建筑物作为线索，采取分段睡眠等等。
此外，他还开发了一种叫做NovaDreamer的产品，能在人们进入快速眼动睡眠时发出闪烁的红光，促使人进入清醒梦。
近年来，伴随着脑神经科学的发展，一些可控制梦境的硬件也开始被释放到消费市场。
一家名为Bitbanger Labs的公司，就曾在集资网站上募集资金，以发明能够通过梦境入侵人类大脑的睡眠面罩。

在网站说明中，这种面罩内部有6盏红色LED灯，它非常昏暗以至于不会弄醒睡眠者，但又足以让大脑识别它们的存在。用户可以自动设置LED灯以产生特定的序列。
等到使用者进入REM沉睡阶段（一般是4到5个小时后），该设备红灯亮起来。当用户在梦里打着高尔夫，远处能够看到红灯闪烁的模式，提醒你自己正在做梦。
斯坦福的梦境实验室，早期也曾推出过一款可以“控制梦境”的可穿戴设备 。
它会包裹住用户的手腕和手指，利用内置传感器跟踪肌肉、心率、皮肤等状态，一旦判断进入活跃的“催眠状态”，就会播放用户事先录制好的音频，来决定在梦境中会出现什么。
研究团队曾为50个实验人员播放“tiger”一次，然后他们真的就梦见了老虎。
可以说，科学家们为了研究梦的真谛，并试图改变它，真的可以算是不惜一切代价，有的研究甚至长达几十年。但遗憾的是，直到目前为止，都没有明确的证据证明，人真的能控制梦境。是不是还挺丧的？
盗梦空间？真的想太多
别说“盗梦空间”那种程度的影响，就连解释、复现梦境，当前的技术手段都难以做到“指哪儿打哪儿”。为什么这么说呢？
首先，目前人类对梦境的了解还很粗浅，甚至没有找到梦境内容与外界刺激的直接且必然的联系，更何谈精准控制。
比如社会哲学派（弗罗姆在成为心理治疗家之前就具有社会学背景），将梦境看做是表达人类不合理需求、重塑社会关系的一种体现。举个例子，乞丐梦见自己吃上了满汉全席，或是小女孩在梦中看到了温暖的火苗与火鸡，这些更强调梦中象征性的意义，注重对梦境的辩证解释，而非科学证明。中国古代也认为“心卧则梦”、“忧乐存心”，南宋学者朱熹也说，“梦者 ，寐中之心动也”，也就是在各种因素刺激下的心神活动。
直到19世纪末，弗洛伊德提出了精神分析，开始对梦境做了大量的实证研究，大大推进了人类对梦的认识，也让对梦的解释开始进入科学领域。其中就有许多分支，在反复证伪、对抗、求真。比如弗洛伊德认为梦体现的是人被压抑的欲望和情感，是潜意识的表达。而他的学生荣格，则认为梦的功能是补偿，人类在梦中体验自己无法体验的生活，以维持心理平衡。另一个学生阿德勒，则认为梦是解决问题的欺骗性方法，如果一个人勇敢面对生活中的问题，就很少需要做梦。
脑神经学科的进步，尤其是核磁共振及神经影像技术，为更好地描述人类睡眠阶段的大脑激活区域提供了新的证据，让人们对梦的理解更上一层楼。福尔克斯Foulkes就基于纵向的实验室研究，提出做梦的认知发展理论，认为梦就是人类培养认知和视觉空间能力的一种产物，一旦人们达到某个发展阶段（8-9岁），梦就自然产生了。
哈佛大学教授艾伦·霍布森也认为，梦没有任何意义，仅仅是脑在夜间运转产生的副产品，是大脑在处理感觉输入的随机脉冲时所产生的一种幻象。
当然，基于脑神经科学的梦境理论还有很多。比如科瑞克的“反向学习理论”(reverse learning theory)，就认为梦是记忆的定期清理系统，为了把大脑皮层细胞网络中一些不重要、不受欢迎的神经连接去除掉，把空间留给更重要的记忆。这一理论还影响到了教育学科，发展出了“临时记忆”和“长期记忆”，而睡眠（做梦）也就成了指导学生背书（将临时知识搬运到长期存储区域）的有效方法。
人工智能自然也不能缺席。2018年，加州大学Gallant实验室的研究人员就让AI化身“解梦师”，通过算法处理大脑活动，形成可识别图像，让参与者观看电影预告片，并积极思考正在观看的内容，进而重现出预告片的模糊图像。他们认为，如果同样的技术应用于梦境，可以看到与梦境相关的视觉效果。
显而易见，无论哪一种科学门类，对于改造梦境的可行性都无法提供可靠的支持。哲学派过于唯心，梦的功能性解释几乎是推测而来，很难得到有效的验证。
而精神分析派也经不起实验的考验，神经科学家伊斯梅特·卡拉坎就曾在1970年要求一群年轻男性停止“搞黄色”，来了解他们不可描述的梦境会不会增多，结果是完全没有。事实上，催眠治疗也不是每次都能达到很好的疗效。
即使是脑科学实验的参与，比如斯坦福梦境实验室还做过一个增强潜意识的梦境机器，但证明并不能有效地操控梦境。而按照常识，以高分辨率视频的形式重建一个人的思维，这种足以获得“图灵奖”和诺贝尔奖的发现，显然不会轻易被人类摘得硕果。
除了研究本身的局限性之外，实验伦理的影响，也导致很多梦境研究举步维艰。
因为在一些梦境实验中，一些研究需要对神经递质产生影响，需要在癫痫患者做外科手术前进行，往往很难得到患者本人或家属的同意。因此，研究对象大多是动物，或精神疾病/帕金森症患者，或脑损伤患者。这就导致基于健康人员的实验数据无法被获得与分析。
另外，不同社会文化、人种之间是否存在做梦时的大脑活动差异，需要开展跨界研究，在操作上也存在不小的难度。这就使得梦的功能性研究理论上难以获得普适性的证据。
明知不可为而为之：研究人员对梦境的执着到底从何而来？
目前看来，主要有三种考量，推动着科学入梦的脚步：
一是协助处理心理问题。尽管梦的机制、原理尚未完全清晰，但梦境对于人类学心理状态的影响却已经有数据证实。通过催眠与暗示，来缓解人们在现实工作生活中的紧张情绪，比如焦虑、抑郁、不安等，在过去十数年间屡试不爽。实验证明，在梦境中赋予积极的信号，能够使受试者提高对应激因素的认知，重新适应社会。比如梦境实验室的研发团队就表示，BioEssence 的目的是治愈，比如修复创伤后应激障碍（PTSD）相关的症状。
这一原理也很容易理解，毕竟谁做了一个好梦，醒来不会状态满满呢？
二是获得某些启发的功利性目的。也有研究者是真心认为，人能从梦中有所斩获，来指导现实生活。实际上也确实存在不少流传甚广的故事，比如爱因斯坦和费曼都曾在清醒梦中得到过灵感；诗人陆游对梦境念念不忘，还写下了“梦中了了知是梦，却恐燕语来惊眠”；还有导演诺兰是在清醒梦里受到了启发，才造出了一个令人瞠目结舌的《盗梦空间》。甚至还有人觉得做梦可以提供灵感，让自己更好地发明创造。尽管这些说法难辨真伪，但不影响人们都幻想自己可以在这1/3的生命中，可以改善自己，收获现实幸福。
三是商业性价值。人们对梦境的好奇与向往，也让“造梦”成了一门不错的好生意。无论是玄学的熏香、语音，还是造梦机器、睡眠眼罩，都能创造不少收益。比如前面提到的Remee眼罩，售价是95美元，还能提供私人定制
站在今时今日的我们，很难笃定地说，人类想要操控梦境的愿望，到底是不是一场“庄生迷梦”。但可以肯定的是，我们可以借助可穿戴设备来监控打鼾、磨牙、辗转反侧等情况，让自己睡得更好。但还没有任何一个设备，可以让大家从科技中品尝到“梦”的甘甜。
人类研究梦，或许永远都不能抵达那个更远的世界，只是为了更加了解人性本身吧。亲爱的你，又想做一个怎样的梦呢？

丽莎老师讲机器人之苹果将于2021年开始销售带有自己处理器的Mac

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。
苹果将在2021年推出运行苹果制造的cpu和gpu的mac电脑。该公司正在开发的芯片代号为卡拉迈（Kalamata）。
苹果正在为mac电脑开发三种不同的芯片系统，所有这些系统都将基于该公司为下一代旗舰iphone开发的A14芯片。
第一批Mac芯片将有8个高性能核心和4个节能核心，分别代号为（火爆）Firestorm和（冰爆）Icestorm。苹果似乎在考虑在以后的产品中引入更多的核心芯片。
苹果正在开发多个Mac芯片，这一事实可能意味着，苹果考虑的可能不仅仅是一款基于内部硅芯片的全新Mac笔记本电脑，而是一整条产品线。目前还不清楚这些芯片是否会成为当前基于英特尔芯片的产品系列的补充，也不清楚苹果是否会开始用基于这些芯片的电脑取代现有的mac电脑。
苹果正在开发的一种芯片将比iPhone或iPad使用的芯片“快得多”，尽管它们还不足以取代MacBook Pro或Mac Pro中最快的Intel芯片。但是，与那些iPhone和iPad芯片一样，这些Mac芯片将采用5纳米生产技术制造，它们将由台积电制造。
苹果还计划在2021年的iPhone上也基于这些手机的芯片推出新处理器，这很可能意味着苹果计划为iPhone，iPad和Mac开发硅芯片，从而向前迈进。考虑到苹果过去的做事方式，这不足为奇。
所有这些都表明，在我们看到苹果的性能工作站进行转换之前，最有可能使用MacBook Air或Mac mini的Apple芯片驱动版本。
苹果目前在其所有Mac中都使用Intel CPU，该处理器早在2006年就开始使用。该切换对该平台是一个福音，部分原因是它使开发人员更容易制作可以轻松从主流Windows移植到Mac的软件。操作系统，反之亦然。
但是那是那时。现在的情况已经大不一样了。如今，苹果自己的iOS / iPadOS操作系统是该平台的庞然大物，其软件生态系统比用户在Mac上所拥有的更加强大。去年，苹果推出了一项名为Catalyst的新计划，旨在提供帮助开发人员轻松将iPad应用移植到macOS的工具。
将Macs迁移到与iPad和iPhone中的芯片紧密相关的芯片，将进一步推动这一目标的实现。话虽如此，苹果领导层已经公开发表声明，称该公司无意合并macOS和iOS / iPadOS。它们将保持不同的操作系统，彭博社的这份报告重申了这一点。
苹果也有其他原因要退出英特尔。苹果Mac产品阵容的某些更新通常会因为等待更新或克服英特尔路线图中的障碍而成为瓶颈，这些路线并不总是适合苹果的优先事项，并且过去一直受到干扰。
另外，Apple设计和营销产品哲学的核心部分是硬件，软件和服务的端到端集成。这样一来，苹果就可以更好地控制整个Mac体验。这也可能使苹果公司采取新战略，以取代开发专门芯片的战略，该芯片在英特尔已经提供的产品（例如T2芯片）之上增加安全功能等，并采取更统一的方法在iPhone上看到。

丽莎老师讲机器人之DeepFake新高度:一阶运动模型让万物皆可动

丽莎老师讲机器人之脑植入芯片使瘫痪的人变得有知觉

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。
我们每时每刻都在感觉打交道，指尖下柔软的感觉，脚下温暖的沙土，火热的阳光等，世界充满了我们通常理所当然的感觉。但是对于瘫痪的人来说，其一个或多个肌肉群的肌肉功能丧失，会丧失这样的感觉。瘫痪的原因一般是神经系统受损，尤其是脊髓的部位。
现在，在脑-计算机接口领域的新研究成果，脑植入芯片使这种瘫痪的、毁灭性的感觉得到重生与恢复。美国俄亥俄州的一组研究人员找到了一种放大患者细微、难以察觉的触感的方法。通过将计算机芯片植入患者大脑中并将神经信号传递给计算机，这种计算机芯片不仅可以使肢体恢复运动，还可以恢复触觉。他们在触觉测试中达到了90％的准确性。他们的研究成果发表在最近的《细胞》杂志上。
这种改进的运动和触觉感应功能将使患者在瘫痪的肢体上重新获得自主权，并在完成日常生活任务时更轻松地控制他们。患者的运动和感觉恢复技术本身都不是等同的。但是该研究与众不同的是，感觉直接还原到人体。
“在被截肢者的人工肢体中，机器人肢体已经做了大量的工作。” “使用这些机械手肢体移动手指或手指，其他研究使用这种类似的脑机接口方法来恢复运动控制和触摸。但是要解决的新问题是患者没有使用机器人肢体，而是使用他自己的器官，这确实具有挑战性。”
该系统通过首先从患者大脑表面的植入芯片收集神经信号并将其中继到附近的计算机来工作。计算机使用智能算法将这些数据流分解为运动信息和感觉信息。通过解码参与者大脑的神经信号，研究人员能够在瘫痪的肢体中产生运动和感觉知觉。
先前的研究认为，瘫痪的患者往往不再产生这些感觉信号。然而，这项新的研究发现，这些基于触摸的神经信号仍然存在，只是处于非常低微的水平，以致患者无法“感觉”到它们。为了使这些类似幽灵的触觉信号更容易察觉，该团队通过算法增强了它们的信号。
最后，计算机通过刺激前臂电极（用于运动）和触觉臂章上的振动（用于触摸）将处理后的数据反馈回患者。当让患者蒙住眼睛完成这些运动任务（例如抓住一个物体）时，研究人员发现，添加这些刺激使他完成动作的准确率高达90％。
该团队正在努力开发在家里和实验室都可以正常工作的实验模型。研究人员说，像这样的创新将使瘫痪患者能够更好地控制自己的世界。“我们目前的主要目标之一是，使该系统具有便携性，因此可以安装在轮椅上，并在嘈杂且复杂得多的家庭中进行这些实验……我们想要这项技术最终将不在实验室使用，而是在家里使用以帮助患者。”

脑植入芯片的未来
我们期望多久才能看到大脑植入物以获得完美的记忆力、增强的视力、超自然的专注力或难以获取的专业技能？对于在黑暗中可以看见的视网膜芯片？或者对于在嘈杂的餐厅中听到任何声音（无论声音有多大）的下一代人工耳蜗？还是直接连接到大脑海马中的存储芯片，可以完美地回忆起阅读的所有内容还是要通过互联网植入一个界面，该界面会自动将清晰表达沉默思想的翻译成在线搜索，以消化相关网页信息并直接投射到大脑中？在不久的将来，这些可能将不再是科幻。

丽莎老师讲机器人之外骨骼机器人送餐，外卖小哥背百斤轻松上楼

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。
去年年底，日本知名游戏制作人小岛秀夫推出了一款名为《死亡搁浅》（Death Stranding）的科幻游戏，其中主角就是一名通过外骨骼机器人获得更强身体机能，从而可以高效运送货物的快递小哥。
如今，这样的场景被搬到了现实中，一位外卖小哥所穿戴的外骨骼机器人，是由国产自主研发的HEMS-GS 下肢外骨骼机器人。
相比外卖小哥平时的“风驰电掣”，外骨骼机器人的应用的确让他少了几分“速度”，“汽车刚发明的时候还没人走的快，但是还是伟大的发明。”不过也有人表示，如果该技术成熟，昂贵的设备费用该由谁来承担，是骑手，平台，还是顾客？
外骨骼机器人其实就是一种可穿戴机器人，通过拟人化的机械结构设计，融合传感、控制、信息、融合、移动计算等技术于一身，帮助人类增强身体机能，或是帮助人类恢复某些身体机能的一类机器人。
也正因外骨骼机器人的这两类主要用途，它被分为增强型和康复型两种。增强型一般用于军事，而康复型当然更多应用于医疗领域，帮助患者进行肢体机能的康复。


其实外骨骼机器人的研究已经有将近60年的历史，研究初期主要集中在美国、日本等国家，中国开始外骨骼机器人的研究还是在2000年左右，以学术研究为主，部分高校也在探索“产学研”结合的模式。
背100斤东西就像背一台笔记本电脑
这套外骨骼设备可以适用于身高170-180cm、体型正常的人。它自重16 公斤，额定载重为50公斤。
虽然这套行头看起来很复杂，但是外卖小哥完成穿戴只需 5 分钟左右，穿着这套设备，行走速度会比正常行走速度慢一些，大约在0.7米/秒左右。
虽然行进速度一般，但是在特定场景下却可以发挥一定作用，有一位外卖送餐行业从业者说，有时候中午用餐高峰时，许多大厦的电梯都不够用，十几层的楼都要自己爬，不干真的体会不到。
不过也有一位外卖小哥说，“就这速度，送一单起码半小时，外卖需要的是速度上的提升，很多骑手车上放俩箱子，完全足够菜品的摆放，搞这外骨骼有什么用？”

这套外骨骼机器人共设计有12个运动自由度，我们就可以形象的理解为它拥有12个可自由活动的“关节”，而其中4个关节为主动驱动，其余关节可以配合人体进行柔性运动。
另外，这套设备包括一个运动控制器，外卖小哥可以借此对机器人发送指令。机器人的髋关节和膝关节为小哥的大腿、膝盖提供动力，而脚踝部分装有力学传感器，可以监测小哥的运动意图和运动姿态，然后告诉电机发出怎样的运动指令，来进行助力。
目前外骨骼机器人的驱动方式通常有电动驱动、液压驱动、气动这三种，一般来讲，电动驱动的机器人的动力更强劲，但自重会相对提升，液压驱动和气动自重较轻，但动力也稍弱。这套外骨骼采用的是电动驱动方式，它的电池可以提供大约5小时的续航。
外卖骑手背着 100 斤的东西就像背着一台笔记本电脑，可以很轻松地行走。当外卖小哥行走时，外骨骼会将重量传达到地面，人体不会承担主要重量，但设备需要固定在人的肩膀上，因此小哥肩膀承受的压力大约为5-10公斤。
也就是说，只要不超重，无论背多少东西，小哥实际背负的重量其实大部分只是肩膀本身的设备重量。
技术突破难，大规模商用还需时日
其实从外骨骼机器人诞生至今，消费端的大规模商用还未实现，而国内市场虽然有一些创企不断亮相，但市场规模始终没有发展起来，其中最大的阻碍仍然是机器人技术本身。
对于外骨骼机器人，最大的难点有二，其一，人体意图的收集和识别非常困难。这方面涉及到复杂的人工智能算法，以及先进的设备传感器。目前海外先进的脑机接口设备也仅仅停留在简单意识识别层面，比如开关、举起放下等等。
运动意识的神经信号是更加复杂的，因此其收集和识别都更加困难。对于外骨骼机器人来说这也是最核心的难点。
第二个难点就是两足行走的算法和机械机构都是非常复杂的。把人放在机器人里，安全问题是非常关键的，也是风险所在。目前医疗用的外骨骼机器人都是需要通过CFDA认证才可上市销售的。试想，如果机器人走不好路，那岂不是帮了倒忙？
整个工业外骨骼机器人尚处在早期阶段。”外骨骼未来将会在军工、消防、建筑、民用辅具等场景落地。
无人车之后的下个智能设备风口？
外骨骼机器人的落地测试让我们看到，科幻游戏中的未来场景已经离我们不远了，而外骨骼机器人产品也逐渐从军事、医疗等特定领域走向了通用化。
外骨骼机器人在技术层面的突破，在人工智能算法、运动机械机构设计方面的突破仍然是阻碍市场进一步扩展的关键。
外骨骼机器人的商用市场十分广阔，而民用市场的进一步拓展，也将成为后续各路创企着重发力的方向。

丽莎老师讲机器人之人工智能如何“看”世界

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。

计算机视觉是目前最强大和引人注目的AI之一，生活中我们会以各种方式体验过它，当时却不知道。 今天我们来好好研究一下它，包括它的工作原理以及它如此出色的原因（而且只会变得越来越好）。
计算机视觉属于计算机科学领域，其重点是复制一部分人类视觉系统的复杂性，并使计算机能够以与人类相同的方式识别和处理图像和视频中的对象。 直到目前，计算机视觉仍然以有限的能力发挥着作用。得益于人工智能的进步以及深度学习和神经网络的创新，该领域近年来取得了长足的飞跃，并且在与检测和标记物体有关的某些任务中已经超越人类。
计算机视觉增长背后的驱动因素之一是我们今天生成的数据量，这些数据随后被用来训练和改善计算机视觉。伴随着大量的可视数据（每天在线共享30亿张图像），现在可以访问分析数据所需的计算能力。 随着计算机视觉领域的发展、新硬件和算法的进步，物体识别的准确率也随之提高。 在不到十年的时间里，当今的系统已从50％的精度达到了99％的精度，使它们在对视觉输入做出快速反应时比人类更准确。
早期的计算机视觉实验始于1950年代，到1970年代首次在商业上用于区分打字文本和手写文本，如今计算机视觉的应用呈指数增长。到2022年，计算机视觉和硬件市场预计将达到486亿美元。
一、计算机视觉如何工作？
神经科学和机器学习中的主要开放问题之一是：我们的大脑究竟如何工作，如何用我们自己的算法更加接近它？ 现实情况是，目前缺少全面有效的大脑计算理论。 因此，尽管事实上神经网络应该“模仿大脑的运作方式”，但没人能确定这是否真的成立。同样的悖论在计算机视觉中也适用。由于我们尚未决定大脑和眼睛如何处理图像，因此很难说使用的算法能很好地逼近我们内部的心理过程。
在某种程度上，计算机视觉与模式识别有关。因此，训练计算机如何理解视觉数据的一种方法是，将大量的图像-成千上万个图像（如果可能的话）、已标记的图像馈送给它，然后使它们经受各种允许计算机追踪的软件技术或算法，找到与这些标签相关的所有元素中的图案。
因此，如果你向计算机喂入一百万张猫的图像，它将使它们全部受算法影响，从而使它们能够分析照片中的颜色，形状，形状之间的距离，物体彼此相邻的位置等等，以便可以识别“猫”的含义。完成后，如果再投放其他未标记的图像来查找属于猫的图像，则计算机（理论上）将能够利用其经验。
一幅图像需要大量内存，而算法要迭代需要很多像素。但是，要以有意义的精度训练模型，尤其是深度学习时，通常需要成千上万张图像，并且更多。
二、计算机视觉的演变
在深度学习出现之前，计算机视觉可以执行的任务非常有限，并且需要开发人员和人工操作人员进行大量的手工编码和工作。例如，如果要执行面部识别，则必须执行以下步骤：
创建数据库：你必须以特定格式捕获要跟踪的所有主题的单个图像。
注释图像：对于每个单独的图像，你都必须输入几个关键数据点，例如眼睛之间的距离，鼻梁的宽度，上唇和鼻子之间的距离以及数十种定义独特特征的其他度量每个人。
捕获新图像：你必须捕获新图像，无论是照片还是视频内容。你必须再次执行测量过程，在图像上标记关键点。你还必须考虑拍摄图像的角度。
经过所有这些手动工作，应用程序最终将能够将新图像中的测量结果与数据库中存储的测量结果进行比较，并告诉你它是否与它正在跟踪的任何配置文件相对应。实际上，涉及的自动化很少，大部分工作都是手动完成的。而且误差幅度仍然很大。
机器学习提供了解决计算机视觉问题的另一种方法。通过机器学习，开发人员不再需要将每个规则手动编码到他们的视觉应用程序中。相反，他们编写了“功能”，这些较小的应用程序可以检测图像中的特定图案。然后，他们使用统计学习算法（例如线性回归，逻辑回归，决策树或支持向量机（SVM））来检测模式，对图像进行分类并检测其中的对象。
机器学习帮助解决了许多传统软件开发工具和方法历来具有挑战性的问题。例如，几年前，机器学习工程师能够创建一种可以比人类专家更好地预测乳腺癌生存期的软件。但是，构建软件的功能需要数十名工程师和乳腺癌专家的努力，并且花费了大量的时间进行开发。
深度学习为进行机器学习提供了根本不同的方法。深度学习依赖于神经网络，这是一种通用功能，可以解决通过示例表示的任何问题。当你为神经网络提供特定类型数据的许多带标签的示例时，它将能够提取这些示例之间的常见模式并将其转换为数学方程式，从而有助于对将来的信息进行分类。
例如，使用深度学习创建面部识别应用程序只需要你开发或选择一种预先构建的算法，然后使用必须检测的人脸示例对其进行训练。给定足够的示例（大量示例），神经网络将能够检测面部，而无需进一步说明特征或测量。
深度学习是进行计算机视觉的一种非常有效的方法。在大多数情况下，创建良好的深度学习算法归结为收集大量带标签的训练数据并调整参数，例如神经网络和训练时期的类型和层数。与以前的机器学习类型相比，深度学习的开发和部署既简单又快速。当前大多数计算机视觉应用程序（例如癌症检测，自动驾驶汽车和面部识别）都利用深度学习。由于可用性以及硬件和云计算资源的进步，深度学习和深度神经网络已从概念领域转变为实际应用。
三、解密图像需要多长时间
总之，耗费的时间真的不多。这就是为什么计算机视觉如此令人兴奋的关键：在过去，即使是超级计算机也可能需要数天、数周甚至数月的时间才能完成所有所需的计算，而当今的超高速芯片和相关硬件以及快速可靠的互联网和云网络，使计算过程如闪电般快速。许多从事AI研究的大公司愿意共享他们的工作，比如Google，IBM和Microsoft，特别是通过开源一些他们的机器学习。
这样一来，其他人就可以继续工作，而不是从头开始。因此人工智能行业正在不断发展，不久前进行的实验需要花费数周的时间才能运行，而今天的实验可能需要15分钟。对于计算机视觉的许多实际应用，此过程都在几微秒内连续发生，因此当今的计算机能够成为科学家所谓的“情境感知”。
四、计算机视觉的应用
计算机视觉是机器学习的领域之一，核心概念已被集成到我们每天使用的主要产品中。
1）无人驾驶汽车
并非只有科技公司在图像应用中利用机器学习。计算机视觉使无人驾驶汽车能够感知周围环境。摄像头从汽车周围的不同角度捕获视频，并将其提供给计算机视觉软件，然后该软件会实时处理图像，以查找道路的末端，读取交通标志，检测其他汽车，物体和行人。然后，自动驾驶汽车可以在街道和高速公路上驾驶，避免撞到障碍物，并（希望）安全地将其乘客送至目的地。
2）面部识别
计算机视觉在面部识别应用程序中也起着重要作用，该技术使计算机能够将人们的面部图像与他们的身份进行匹配。计算机视觉算法检测图像中的面部特征并将其与面部轮廓数据库进行比较。消费类设备使用面部识别来验证其所有者的身份。社交媒体应用程序使用面部识别来检测和标记用户。执法机构还依靠面部识别技术来识别视频源中的罪犯。
3）增强现实和混合现实
计算机视觉在增强和混合现实中也起着重要作用，该技术使智能手机，平板电脑和智能眼镜等计算设备能够将虚拟对象叠加并嵌入到现实世界的图像中。利用计算机视觉，AR设备可以检测现实世界中的物体，从而确定设备显示屏上放置虚拟物体的位置。例如，计算机视觉算法可以帮助AR应用程序检测诸如桌面，墙壁和地板之类的平面，这是确定深度和尺寸并将虚拟对象放置在物理世界中的重要组成部分。
4）医疗健康
计算机视觉也是健康技术进步的重要组成部分。计算机视觉算法可以帮助自动化任务，例如检测皮肤图像中的癌痣或在X射线和MRI扫描中发现症状。
五、计算机视觉的挑战
帮助计算机去“看”非常困难。发明一台看起来像我们一样的机器是一项看似困难的任务，这不仅是因为很难使计算机做到这一点，而且还因为我们不能完全确定人类视觉的工作原理。
研究生物视觉需要理解诸如眼睛的感知器官，以及对大脑内部感知的解释。在绘制流程图和发现系统使用的技巧和捷径方面都取得了很大的进步，尽管与涉及大脑的任何研究一样，还有很长的路要走。

丽莎老师讲机器人之人工智能在网络安全中的作用和可能的产品选择

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。
越来越多的企业采用人工智能技术，为他们在现代IT环境中的安全工作提供帮助。数据、设备、处理能力、算法和网络系统的指数级增长，也伴随着新的风险和漏洞。
面对这一现实，很多企业已经意识到，仅仅采取被动措施是不够的;它们不仅必须扩展和自动化威胁应对计划，还必须制定积极的措施。
人工智能的功能是由一系列的技术支持的，比如机器学习、深度学习、计算机视觉和自然语言处理，以检测模式并作出推论。在网络安全领域，人工智能在网络安全中的作用是识别用户、数据、设备、系统和网络行为模式，并区分异常和正常。它还帮助管理员分析大量数据，调查新类型威胁，以及更快地响应和应对威胁。
根据调研机构对网络安全市场和供应商的研究和分析，以下是六个常见的使用案例
1.安全分析师和加强安全运营中心(SOC)
人工智能在网络安全中最常见的用例之一是对分析师的支持。毕竟，人工智能不太可能取代有经验的安全分析师。在机器擅长的领域，例如，分析大数据、消除人员疲劳并使其摆脱繁琐的任务，这样他们就可以利用更加复杂的技能(例如创造力、细微差别和专业知识)来增强人们的能力。在某些情况下，分析人员扩充涉及将预测分析合并到安全运营中心(SOC)工作流中，以进行分类或查询大数据集。
Darktrace公司的Cyber?? AI Analyst是一个软件程序，通过只显示高优先级事件来支持分析师。同时，它查询海量数据并在整个网络中枢收集调查背景，进行调查并整理低优先级案件。通过分析Darktrace的分析师如何调查警报，来训练在数千个部署中开发的数据集，Cyber?? AI Analyst使用多种机器学习、深度学习和数学技术来处理n维数据，以机器速度生成数千个查询，并进行调查所有并行威胁。
2.新的攻击识别
尽管恶意软件或其他类型的威胁检测已经存在了很多年，通常是将可疑代码与基于签名的系统相匹配，但人工智能现在正在将技术转向推断，以预测新的攻击类型。通过分析大量的数据、事件类型、来源和结果，人工智能技术能够识别新的攻击形式和类型。这一点非常关键，因为攻击技术会随着其他技术的进步而不断发展。
FireEye公司在其MalwareGuard产品中提供了一种新的攻击识别示例。它使用机器学习算法来发现新的、变形的或高级的攻击，其中签名尚未被创建或尚未存在。其引擎利用了私人和公共数据源，其中包括大约1700万个部署的端点安全代理、基于超过100万个攻击响应小时的攻击分析，以及通过全球和多语种安全分析网络收集的情报。
3.行为分析和风险评分
行为分析技术已经在一些不那么关键的领域(比如广告领域)中率先出现，现在正朝着身份认证和反欺诈的关键用例发展。在这里，人工智能算法挖掘大量的用户和设备行为模式、地理位置、登录参数、传感器数据以及大量数据集，以获得用户真实身份。
万事达卡公司的NuData Security是一个利用多因素大数据分析来评估风险，并为端点和用户安全性开发每个事件的动态配置文件的平台。该公司使用机器和深度学习来分析四个领域：
(1)行为数据：浏览器类型、流量变化、浏览速度和页面停留时间。
(2)被动生物识别技术：用户的键入速度、设备角度、击键和压力。
(3)设备智能：特定设备的已知连接与新连接、位置和网络交互。
(4)行为信任联盟：万事达卡(Mastercard)的大数据存储库，可在人口级别分析数十亿个数据点。
4.基于用户的威胁检测
从内部威胁到特权滥用和管理滥用再到黑客，人类是网络风险的重要而多样的载体。因此，人工智能技术应运而生，以检测用户在IT环境中的交互方式的变化，并描述他们在攻击环境中的行为特征。
LogRhythm公司正在使用其下一代SIEM平台CloudAI来进行基于用户的威胁检测。具体来说，该公司将不同的用户帐户(VPN、工作电子邮件、个人云存储)以及相关的标识符(例如用户名和电子邮件地址)映射到实际用户的身份，以建立全面的行为基准和用户配置文件。此外，CloudAI旨在随着时间的推移而发展，以用于当前和将来的威胁检测。分析师在正常的调查过程中对系统进行培训，并从整个平台的扩展客户群中收集数据以进行威胁培训。CloudAI还可以配置模型以通过连续调整进行自我修复，而无需人工干预。
Vectra AI公司通过分析攻击生命周期对这种用例采用了差异化的方法。使用大约60种机器学习模型来分析攻击者在攻击生命周期中可能执行的所有行为，其中包括远程访问工具、隐藏通道、后门、侦察工具，凭证滥用和过滤。该公司声称，其Cognito平台颠覆了传统的基于用户的威胁检测方法，为防御者提供了多种机会来检测攻击者。
5.跨端点终止链的设备上检测
移动设备在企业中的兴起，开启了网络安全威胁的新时代，改变了端点安全的本质。企业通常管理传统的端点，比如笔记本电脑，而现在的移动“系统管理员”是最终用户。无论是员工、消费者还是黑客，都会采用下载、应用程序、通信渠道和网络交互等服务。此外，应用程序通常都在自己的容器中，这限制了传统的补丁管理。这种根本不同的配置意味着，攻击者的目标是通过提供根访问漏洞来持久化，从而危害整个设备，同时有效地避开企业网络。因此，移动端点保护必须保护整个杀伤链——从仿冒应用程序或网络的钓鱼尝试到各种不同的恶意攻击类型。在这里，管理员将机器学习应用于每个攻击向量，而不是为每个攻击向量部署不同的检测系统，以便预测任何给定点交互威胁系统接管的可能性。
Zimperium公司是一家专门从事移动终端安全的公司，它使用机器学习在整个移动杀伤链中提供设备上检测，监控所有恶意软件、网络钓鱼、设备、应用程序和网络交互。虽然目前没有在设备上运行机器学习模型，但Zimperium在通过基于云计算的深度学习技术派生的设备上部署了基于机器学习的检测技术，在7000万多台设备上使用，它监控来自所有恶意软件、网络钓鱼、设备、应用程序、网络交互的所有矢量的匿名数据，使用云计算技术分析特定的攻击路径，识别来自信号的噪声，运行测试场景，并部署分类器以改进逻辑和算法，然后应用于设备上检测。这个循环对于在当前和新的威胁类型(贯穿整个杀伤链)攻击或实现持久接管之前进行检测至关重要。
6.断开连接的环境中的主动安全性
随着数据和设备渗透到物理世界，保护和减少平均检测和响应时间的能力成为连接和计算能力的问题。越来越复杂的技术基础设施意味着对其运营的安全性和效率的更大需求，这些基础设施可以在航空、能源、国防和海事等关键任务环境中实现数据价值。在这些环境中，计算密集度更高的人工智能应用程序仍处于萌芽状态，但新技术不断涌现，可以通过本地支持促进基于机器学习的脚本、文件、文档和恶意软件分析的安全性。
SparkCognition公司自称是一家人工智能公司，而不是一家安全公司，该公司支持在断开连接的环境中使用的应用程序。当地911调度中心采用其应用程序管理其托管的敏感信息。SparkCognition公司的DeepArmor通过现场管理控制台运行。具体来说，DeepArmor使用机器学习对大约20,000个独特文件功能进行静态文件分析，以确定在几秒钟内恶意活动的可能性。尽管管理人员必须在这些环境中人工执行模型更新，但DeepArmor没有签名要求，这意味着它不需要每日签名扫描。
人工智能在网络安全中的作用正在扩大
当然，还有其他一些规模较小的用例可用于将机器学习和深度学习应用于网络安全需求，其中包括以下内容：
大数据查询的生成和分析
威胁扩散和扩散检测
自主响应
代理合并和跨其他安全工具的部署
威胁阻止自动化
恶意软件分类
攻击分类(未知、内部、持续)
假阳性减少
产品自我修复
机器数据理解(超过800种不同的设备类型)
加密的流量分析
政策合规性分析
网络风险保险
增强网络风险尽职调查(合并和收购前)
尽管机器学习具有很大的潜力，但它并不是灵丹妙药，它只是一种工具。人工智能取决于数据的质量，而在安全性方面，这不仅仅意味着大数据，还意味着多语言的实时数据，最重要的是良好的数据。它的成功需要安全专家和数据科学家之间的合作。
尽管有很高的营销要求，但现实情况是，企业安全环境是巨大的、动态的网络，管理人员必须根据持续的、不可预测的、内部和外部的威胁向量不断地监视、审计和更新。人工智能在检测、调查和应对威胁的能力方面引入了各种增强功能，但它是人员与技术的结合，能够在不断发展的安全环境中真正管理全方位的威胁。