二是无法从新的视角去理解对象。比方说下图中胶囊网络在识别1、2行为同一玩具的不同视角中表现要比CNN出色得多。CNN则需要更大的训练数据集才能认出每个方向的对象。已经有黑客通过引入少量噪音就能让CNN把目标误认成其他对象。
非常早期的研究正在出现，通过生物、物理、机器学习的结合来解决修复术最困难的问题之一：灵敏性。
从2006年开始，DARPA就投入了数百万美元跟约翰霍普金斯大学合作先进修复术计划来帮助受伤的老兵。但是这个问题解决起来并不容易。
比方说让截肢者活动假肢的手指，对自发运动背后的大脑和肌肉信号进行解析，然后再转换为自动控制均需要跨学科的知识。
最近，研究人员已经开始利用机器学习对植入人体的传感器的信号进行解码，然后将之翻译为移动假肢设备的指令。
约翰霍普金斯大学的应用物理实验室一个进行中的项目就是利用“神经解码算法通过”神经接口来控制假肢的。
去年6月，德国及帝国理工学院的研究人员利用机器学习解码截肢者残肢的信号，并让计算机来控制机械臂。
另一个思路是利用中介解决方案，比如利用肌电信号来激活摄像头，然后再用计算机视觉算法估计抓手类型以及面前物体的大小。
临床试验登记
临床试验的最大瓶颈在于登记合适的病人库。苹果有可能可以解决这个问题。
互操作性——也就是跨机构和软件系统分享信息的能力——是医疗保健的最大问题之一，尽管有了病历数字化的努力。
临床试验在这方面问题尤其严重，将合适的试验与适当的病人进行匹配是很耗时且充满挑战的过程。而光美国目前就有18000项临床研究正在招募病人。
理想的AI解决方案是由人工智能软件析取病人病历的相关信息，将之与进行中的试验进行对比，然后给出匹配的研究建议。
在病人与医疗保健计划匹配方面，苹果等技术巨头已经取得了一定的成功。
从2015年开始，苹果就推出了2个开源框架——ResearchKit与CareKit——来帮助临床试验招募病人，并且远程监控病人的健康状况。这些框架使得研究人员和开发者得以创建医疗app来监控人们的日常生活，化解了登记的地理障碍。苹果还在跟热门的电子病历供应商合作解决互操作性问题。
2018年6月，苹果面向开发者推出了Health Records API。用户现在可以选择向第三方应用和医疗研究人员分享数据，为疾病管理与生活方式监控打开新的机会。
生成对抗网络（GAN）
两个互相比聪明的神经网络正在变得非常擅长创作出逼真的图像。
你能认出下面哪些图像是假的吗？
答案是全都是。这些全都是GAN创造出来的。
生成对抗网络是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。该方法由Google研究人员Ian Goodfellow于2014年提出。生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。
扩充GAN式的大规模项目的主要挑战是计算能力。Google研究人员在创建“BigGAN”用了512块TPU来创建512像素的图像，一次试验的电耗大概就要2450到4915千瓦时之间。这已经相当于普通美国家庭半年的电耗。
而且GAN要想扩充，AI硬件也的并行扩充。
除了有趣的试验以外，GAN也有其他严肃的用途，比如假冒政治视频和色情作品的换脸等。随着GAN研究的扩大，这种技术势必会对新闻、媒体、艺术及网络安全构成挑战。GAN已经改变了我们训练AI算法的方式。
联邦学习
这种新方法旨在用敏感用户数据训练AI的同时保护隐私。
我们跟智能设备的日常互动可以产生丰富的数据，这些数据用于训练AI算法的话可以极大地改善其表现，比如可以更加精确地预测你接下来要输入的字是什么。但是这些用户数据也会涉及到个人隐私问题。
Google于是提出了联邦学习的方案，旨在利用这一丰富数据集的同时保护敏感数据。简而言之，你的数据依然留在你的手机里，不会发送或存储到云服务器上。而是由云服务器将最新版的算法（算法的“全局状态”）发往随机选择的用户设备上。
你的手机做出改进然后基于本地化的数据对模型进行更新。之后只有这种更新（以及来自其他用户的更新）会回传给云服务器以改善该“全局状态”，然后再不断重复这一过程。
把单个更新聚合起来的做法其实并不新鲜，其他算法早就这样做了。联邦学习的不同在于它考虑了数据集的两个重要特征：
Non-IID：其他分布式算法均假设数据是独立同分布（Independent and identically distributed，IID）的，但其实每一部手机生成的数据都是独特的，因为不同的人使用习惯不同，联邦学习考虑到了这种不同。
不平衡：某些用户使用app更加活跃，自然也会产生更多的数据。因此每一部手机的训练数据量也不一样。
Firefox自称是在重要软件项目中首个实现联邦学习的用例之一。当用户在浏览器输入URL时，Firefox会利用联邦学习进行URL推荐排名。
AI初创企业OWKIN则利用联邦学习来保护敏感的病人数据。其方案可以让不同的癌症治疗中心在病人数据不离开本地的情况下进行协作。
先进医疗保健生物测定
研究人员正在开始利用神经网络来研究和测定此前难以量化的非典型风险因素。
Google的研究人员利用视网膜图像训练神经网络，然后再用该神经网络去寻找心血管风险因素。其研究发现，通过视网膜不仅可以识别年龄、性别、抽烟习惯等风险因素，还可以对这些因素量化到一定的精确程度。
类似地，梅奥诊所也跟以色列初创企业Beyond Verbal合作，通过分析声音的声学特征来寻找冠心病人独特的声音特性。研究发现，当受试者描述一段情感经历时，有两个声音特性跟冠心病存在强关联。
初创企业Cardiogram最近的研究发现，利用深度学习，糖尿病引起的心率变异性改变可通过现成的可穿戴心率传感器检测出来。其检测精确率可达85%。
AI寻找模式的能力将会继续为新的诊断方法和识别此前未知的风险因素开辟新的道路。
自动索赔处理
保险公司和初创企业正开始用AI计算车主的“风险评分”，对事故场景图片进行分析，并监控司机行为。
蚂蚁金服在“事故处理系统”中利用了深度学习算法来进行图片处理。过去需要理算员现场处理的事情现在可以由先进图像处理承担了。车主只需上传车辆照片给蚂蚁金服，神经网络就会分析图片，自动进行损失评估。
蚂蚁金服还建立了司机的风险档案来影响车险的定价模型。他们引入了所谓的“车险分”，基于信用记录、消费习惯、驾驶习惯等利用机器学习计算车主的风险评分。
初创企业Nexar鼓励司机把自己的智能手机当成行车记录仪使用，并且将记录上传给Nexar app。车主的好处是可以有车险的折扣。
拿到视频的app会利用计算机视觉算法监控路况、司机行为以及事故。App还提供了“事故重现”功能，并与保险客户合作处理索赔。
初创企业Tractable可以让保险公司将受损车辆图片及车损估价上传到其索赔管理平台。“AI Review”功能就可以将这些资料与库中的几千图片对比，然后进行相应的定价调整。
防伪/打假
假货越来越难以识别，而在线购物又让卖假货变得空前的便利。为此，品牌商正在开始利用AI来打假。
拼多多在18年Q3财报会上提了11次“假货”，称“打击假货和不诚信商家非常困难。”
品牌正在两条战线上对抗假货的冲击：
在线上，需要识别并让侵权商品下架。
在线下，需要识别宰客的假货（如高级手包）。
阿里巴巴正在利用深度学习持续扫描自家平台以发现IP侵权的情况。它利用了图像识别来确认图片的特征，再加上语义识别，从而监控上架商品图片中是否有品牌名称或者口号。
造假者会利用跟品牌十分类似的关键字和图片来销售假货。而且他们就像牛皮藓一样，一旦假货下架之后，他们又会换一组关键词重新发布同样的假货。
初创企业Red Points正在利用机器学习扫描网站潜在的侵权情况，并且找出造假者使用的关键字选择模式。
线下打假就更加棘手了，而且需要更大的人力。
卖家卖或者典当二手奢侈品手包时，验证过程通常需要鉴定专家亲自检查手包的工艺、材料及缝线模式。
但是一些A货已经逼真到肉眼无法辨别的地步。
（编辑：温州站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
