日本醫療設備商 Cyber​​dyne 2 日宣布，它們已與美國布魯克斯康復中心（Brooks Rehabilitation）合作，將在雙方合資在美成立的 Brooks Cybernic 治療中心正式推出醫療用下肢外骨骼 HAL。

在網路發達的年代，許多人在身體出現異樣時，第一件事應該都是上網查詢相關症狀與治療方式。然而，日前一名中國大學生魏則西因盡信百度搜尋引擎的結果而葬送了寶貴性命，更引發了大眾的輿論，認為百度的「競價排名」根本是利益取向，不把使用者的性命當一回事，更讓百度的名聲跌到谷底。而 Google 似乎也間接從此事件學到教訓，在近期改善並增添了用戶在搜尋病因的診斷結果。

轉載從: 開眼電影網《少女與戰車》故事大集結！把劇情一次追完就在這部！ 本次電影版匯集了TV版和OVA「這是真正的安齊奧之戰！」的劇情內容，代理商也吸收過去經驗，僅針對感受力比較強烈且一致獲得好評的4DX及MX4D版本做戲院上映發行。 ...

研究人員說，全球的抗生素使用量，15 年間增加了 65%，科學家擔憂具抗藥性的超級細菌，將對全球健康構成威脅，可能嚴重到失控地步，呼籲各國制訂新政策限制使用抗生素。

人工智慧會威脅人類的安危嗎？當機器人越來越聰明，有一天會成為人類的敵人嗎？這可能是許多人正在擔憂的事，微軟信息技術和創新基金會發表報告稱，人們對於人工智慧存在五大誤解，人工智慧不會對人類帶來威脅。人工智慧讓許多人失業和歷史上每一次的技術升級一樣，人工智慧能夠提升勞動效率，但不會對工作職位的總量、失業率造成影響。這些擔憂高估了人工智慧的能力，事實上取代人類勞動者是非常困難的，近幾年人工智慧和機器人都處於高速發展階段，但美國的生產率成長速度卻處於歷史低點，人工智慧不會大規模地讓工作職位消失，而是幫助人類提升產能和推動創新。即使人工智慧能夠承擔部分工作，總體而言能夠降低生產過程中的勞動力成本。人工智慧讓人類變傻？人工智慧發展到一定程度，能夠幫人類解決許多問題，本來需要學習掌握的技能可能就不需要了，但是能夠被淘汰的技能就已經不是必要的了，就像在汽車出現之前，人要遠行就必須學會騎馬，有了汽車就不必學習騎馬了，人工智慧也是如此，技術會升級人類的技能。人工智慧讓人類沒有隱私？人工智慧的學習很多時候是需要大量的資料做為基礎，但並不等於人工智慧侵犯人類隱私的可能性更多，因為後者只承擔統計和分析工作，這一問題不是技術問題，而是法律問題，如果建立一個有效的規範保證在不侵犯個人隱私的狀況下，讓人工智慧系統獲得足夠的資料。人工智慧讓技術被濫用？人工智慧使用的機器學習技術比以往的軟體系統技術都更複雜，會根據數據和分析結果進行改進，有人擔心這會產生一種技術性的偏見，甚至有可能存在人為的濫用技術，但技術本身不存在惡意，技術只是完成了人類的意圖，大多數狀況下人類的決策中帶來的偏見，比技術系統更多。人工智慧最終將消滅人類接管地球？長期來看人工智慧將變得越來越聰明，甚至在智力水準上超越人類，這一種觀點高估了技術發展的速度，由於晶片處理能力的成長速度在放慢，機器學習之外的人工智慧技術都發展緩慢，即使真有一天能夠製造出接近人類智力水準的機器，這些機器還是會受控於人類，如果不能保證安全，是不會被創造出來的。人工智慧的發展過程中存在風險，但應該以樂觀的態度去看待，新技術的誕生和發展都會遇到這樣的問題，發現問題就去解決，而不是抑制人工智慧的發展，人工智慧能夠在人類進步的過程中扮演一個重要的角色。 New Report Rebuts Hyperbolic Myths About Hypothetical Harms from Artificial Intelligence (首圖來源：Flickr/University of Washington CC BY 2.0)

卷積神經網路（CNN）廣泛用於影像分類、人臉辨識、物體偵測及其他工作。然而，為行動裝置設計 CNN 模型是個大挑戰，因行動模型需要又小又快，同時還要保持足夠的準確率。雖然研究人員花了非常多時間精力在行動模型的設計和改良，做出 MobileNet 和 MobileNetV2 這類成果，但人工設計高效模型始終很有難度，其中有許多可能性需要考慮。受 AutoML 神經網路架構搜尋研究的啟發，Google Brain 團隊開始考慮能否透過 AutoML 的力量讓行動裝置 CNN 模型設計也更進一步。Google AI 部落格的新文章，介紹了用 AutoML 思路為行動裝置找到更好網路架構的研究成果，以下為文章編譯。Google 論文《MnasNet: Platform-Aware Neural Architecture Search for Mobile》中，嘗試了一種基於強化學習範式的自動神經網路架構搜尋方法來設計行動模型。為了應付行動裝置的執行速度限制，Google Brain 研究人員專門把執行速度資訊也加入搜尋演算法的主回饋函數，這樣搜到的模型就是可在執行速度和辨識準確率之間取得良好平衡的模型。透過這種方法，MnasNet 找到的模型比目前頂級人工設計模型 MobileNetV2 快 1.5 倍，比 NASNet 快 2.4 倍，同時還保持同樣的 ImageNet 首位準確率。以往的網路架構搜尋方法中，模型的執行速度通常借助另一種指標參考（比如考慮裝置的每秒運算數目），而 Google Brain 此次透過在給定的裝置上執行模型，直接測量模型的執行時間長短；研究使用的就是自家 Pixel 手機，可直接測量模型在真實環境執行時的具體表現，尤其不同型號的行動裝置有不同的軟硬體屬性，僅憑運算速度這項指標無法概括全部情況；為了達到準確率和執行速度之間的最佳平衡，所需的模型架構也有不同。Google Brain 方法的總體流程主要由 3 個部分組成：一個基於 RNN 的控制器用於學習模型架構並取樣，一個訓練器用於構建模型並訓練模型得到準確率，還有一個推理引擎，會在真實手機上透過 TensorFlow Lite 執行模型、測量模型的執行速度。他們把工作公式化為一個多目標最佳化問題，最佳化過程中得以兼顧高準確率和高執行速度；使用的強化學習演算法有個自訂回饋函數，可在不斷探索時找到帕累托最優的解決方案（如不斷提升模型準確率，同時不讓執行速度降低）。▲ 為行動裝置自動搜尋神經網路架構的總體流程圖。對網路架構搜尋過程，為了在搜尋彈性和空間大小之間取得平衡，Google...