MIT、哈佛联合开发“张力活塞”、英特尔创建3D数据集助机器人理解事物本质、MIT教机器人“想象”触感等
1.MIT、哈佛联合开发“张力活塞”，低压下提高近40%能量转化效率
麻省理工学院（MIT）和哈佛大学的研究团队合作开发了一种设计活塞的新方案，借助一个使用柔性材料制成的膜内可压缩结构的机械装置来取代传统的刚性活塞组件，由此制作出的“张力活塞”可产生传统活塞三倍以上的力，同时极大地消除了摩擦，在低压条件下可提高近 40% 的能量转化效率。假使有一天，这种新型活塞可以应用到发动机里，可以让汽车等交通工具的驱动力和经济性得到显著提升。这项研究近日发表在 Advanced Functional Materials 杂志上，研究由 MIT 的中国博士后研究员李曙光、哈佛大学的罗伯特·伍德（Robert Wood）教授和 MIT 计算机科学与人工智能实验室主任丹妮拉·鲁斯（Daniela Rus）教授共同主持。
2.英特尔创建3D数据集助机器人理解事物本质
在英特尔公司最新的一项实验性研究项目中，计算机和机器人被训练不仅要理解和识别物体(例如，烤箱和洗碗机)，而且让它们能够处理人类每天做的相对简单的任务。该项目由英特尔人工智能研究人员与加州大学圣地亚哥分校和斯坦福大学合作，并通过论文形式发表在计算机视觉和模式识别会议上。研究团队详细介绍了如何创建“PartNet”，这是一个非常庞大的数据集和非常详细的3d模型对象；每个对象都有详细的分层说明和注释。该数据集是独一无二的，对于为人工智能应用程序构建学习模型具有非常好的应用。这些应用程序旨在识别和操纵现实世界中的这些对象。例如，如果人想让一个机器人的手臂打开微波炉加热一些饭菜，机器人需要知道“按钮”与其整体之间的关系。
3.MIT教机器人“想象”触感、教导AI学会感官结合
来自麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员提出了一种可以通过触摸学会看到，并通过观察来学习感受的预测性人工智能。该系统可以从视觉输入创建逼真的触觉信号，并直接从那些触觉输入预测哪个对象和哪个部分被触摸。研究团队使用 KUKA 机器人手臂和一个名为 GelSight 的特殊触觉传感器，并用简单的网络摄像头记录了近 200 件物品，如工具，家用产品，织物等，触摸次数超过 12,000 次。通过将这 12,000 个视频片段分解为静态帧，该团队编制了「VisGel」，一个包含 300 多万个视觉 / 触觉配对图像的数据集。「通过盲目地触摸，我们的模型可以纯粹从触觉中预测与环境的相互作用。将这两种感官结合在一起可以增强机器人的能力并减少我们在涉及操纵和抓取物体的任务时可能需要的数据。
4.谷歌团队提出自我监督学习新方法，应用于机器人等方面的设置
来自谷歌的研究人员们提出了一种自我监督的方法，用于学习单目视频对象的表示，并证明了该方法能够有效帮助在机器人等位置方面的设置。通过对比学习训练的自我监督的目标，可以在不使用任何标签的情况下发现和解开视频中的对象属性研究人员利用对象自我监控进行在线调整。在线模型在视频中查看对象的时间越长，对象识别错误越小，而离线基线仍然存在大的固定误差。为了探索一个完全不受人工监督的系统的可能性，研究人员还让机器人收集自己的数据，用研究团队的自我监督方案训练这些数据，结果显示，机器人可以指向类似于前面呈现的物体的物体。
5.华为预计其收入将在未来两年内比预期低 300 亿美元
根据美国的一系列贸易限制，中国的电信设备和智能手机制造商华为预计其收入将在未来两年内比预期低 300 亿美元，创始人兼首席执行官任正非周一在该公司深圳总部的小组讨论中表示。任正非还表示华为的产量将在未来两年放缓，而今年和明年的收入将徘徊在 1000 亿美元左右，海外智能手机出货量将下降 40％。
6.美国宇航局联合 CMU 开发机器人，帮助将月球坑变成潜在栖息地
美国卡内基梅隆大学的研究人员在美国国家航空航天局（NASA）选择接受新的技术，帮助机器人探索月球上的「坑」之后，将尝试使速降机器人成为现实。月球坑与陨石坑不同，陨石坑主要是由陨石撞击引起的表面特征。月球坑更类似于地球上的下沉洞或洞穴，具有地面通道，但也有大型地下空心洞穴和空间，可以更容易地获取矿物和水冰，甚至可以作为未来月球探险者的现成避难所。CMU 机器人研究所教授 Red Whittaker 提出了一种潜在的任务设计，旨在使用智能灵活和快速的机器人来研究月球坑，因为它们已被月球轨道观测者发现，但这些图像并没有真正提供那种需要详细了解真正发现下沉洞是否对未来的月球任务有用或者是应该可以如何利用开发。
7.Facebook使用 AI 根据食物图像生成食谱
直接从食物图像生成食谱的新方法能产生比基于检索的方法更有吸引力的食谱。因此，Facebook AI 研究员通过对大规模 Recipe1M 数据集的评估，相对于成分预测的先前基线提高了性能。从图像生成配方需要同时了解构成培养皿的成分以及它们经历的任何处理，例如切片或与其他成分混合。传统上，图像到配方问题已经被公式化为检索任务，其中基于嵌入空间中的图像相似性得分从固定数据集中检索配方。这些系统的性能很大程度上取决于数据集的大小和多样性，以及学习嵌入的质量。
