美國人工智慧業界，今天起風了。三大領軍企業 Facebook、微軟和 Google 之間的關係發生了重大的變化：Facebook 和微軟結盟，推出一套開放神經網路交換格式（Open Neural Network Exchange，ONNX），提升兩家公司主導的神經網路框架格式間的互通性。 ▲ 已確認支援 ONNX 的 3 種深度學習框架：Caffe2、CNTK 和 PyTorch。給非神經網路專業人士簡單解釋一下怎麼回事：人工智慧的實現技術主要是深度學習神經網路，而神經網路訓練和使用（推理）通常採用一種主流的深度學習框架或程式庫，主流的框架或程式庫和主導者、主要支援者有以下這些：TensorFlow（Google）、Caffe / Caffe2（Facebook）、CNTK（微軟）、MXNet（亞馬遜為主）、PyTorch 等。不同框架有不同優勢。比如 PyTorch 出現很早，學術界擁護者很多，用它訓練神經網路取得的效能更好，用專業術語來說叫做 state-of-the-art（目前水準最高的）。PyTorch 是 Facebook 主導，FAIR（Facebook 人工智慧研究院）都用它。但 Facebook 還有一個學術大神、在知乎上活躍度很高的賈揚清帶隊開發的 Caffe2 框架，這個框架的極限效能並不一定最出眾，但優勢是非常適合在終端機裝置（比如手機甚至內嵌式裝置）執行。Facebook 的產品很多都依賴 Caffe2。這些框架之間的互通性過去並不好，大部分沒有。為什麼需要框架間有互通性？情況一：有時候另一個框架或程式庫某個模型效能更好，但和你的整體專案不相容；情況二：因為框架 A 表現很好，你用它訓練了一個神經網路，結果你公司的生產環境用的是框架 B，這意味著你的研究成果沒法投產。想想，Facebook 一家公司內就有兩種主流框架，工作起來不累嗎？如果你還不太理解這種尷尬，就想像你寫一個程式：大部分程式碼都用 A 語言來寫，但某個很重要的組成部分已有現成的開源，用的是 B 語言，但這兩種語言之間沒有很好的互通機制，無法共同工作，所以你只能繼續用 A 寫，結果就是不僅累且效率低。Facebook 和微軟今天合作就是為了解決這個問題。根據雙方透露的情況，9 月內，CNTK、Caffe2 和 PyTorch 都會發表更新，支援新的互通格式 ONNX。Facebook 和微軟說，他們期待人工智慧的學術研究和工業生產的世界是一個開放的生態，而 ONNX 是他們走向開放生態的第一步。如果你相信了，那你可能太年輕了：這次合作並沒有 Google 的事。Google 是...
本文為整理作者阿薩姆在知乎「未來 3~5 年內，哪個方向的機器學習人才最緊缺？」問題下的回答，對機器學習有興趣的朋友不妨參考看看。既然身在業界，那麼我就談談業界未來幾年需要什麼樣的機器學習人才。不談學界主要還是因為大部分人最終不會從事研究，而會在應用領域奮鬥。相較而言，業界對人才的需求更保守，這和學界不同。這受限於很多客觀因素，如硬體運算能力、資料安全、演算法穩定性、人力成本開支等。這個答案可能更適合兩類人：1. 在校學生。2. 工作不久想轉行的朋友。特別厲害的技術大腕建議探索適合自己的路線，而我只能談一談適合大部分人的路線。在回答前，我還是忍不住吐槽那種簡單回答 「深度學習」、「大數據」、「NLP」、「機器視覺」的人。以上領域的小方向多如牛毛，以自然語言處理（NLP）為例，細分有自然語言生成、自然語言理解，還有不同語言的語言模型。任一個方向花幾十年研究也不為過，只給幾個字答案和買彩券有什麼差別……因此大部分機器學習實踐者還是腳踏實地吧。盲目追逐熱點很容易跌進陷阱，而鞏固基礎、尋找自己擅長的領域和機器學習交叉點，可幫助你在就業市場保持炙手可熱，成為業界最想要的人才。0. 背景工業界未來需要什麼樣的機器學習人才？老生常談──能將模型用於專業領域的人，也就是跨領域讓機器學習落地的人。有人會問現在不就需要這樣的人嗎？答案是肯定的，我們需要並也長期需要這樣的人才，現階段機器學習落地還有各種各樣的困難。這種需求不是曇花一現，這就跟 web 開發是同樣道理，從火熱到降溫也過了十年。一個領域的發展有特定週期，機器學習的門檻比 web 開發高且正在日出期，所以大家致力於成為「專精特定領域」的機器學習專家不會過時。什麼是特定領域的機器學習專家？舉個例子，我以前曾回答 「人工智慧會否取代財務工作者」 時提到，我曾在某個公司研究如何用機器學習自動化一部分稽核工作，但遇到的最大困難是我自己對稽核的了解有限，而其他稽核師對我的工作不是非常支援，導致進展緩慢。所以如果你有足夠的機器學習知識，並對特定領域理解良好，職場供需中你肯定站在優勢方。以一個問題「阿薩姆：反欺詐（Fraud Detection）用到的機器學習模型有哪些？」回答為例，特定領域的知識幫助我們更能解釋機器學習模型的結果，得到老闆和用戶的認可，這才可說是演算法落了地。能寫程式碼、構建模型的人千千萬萬個，但理解自己在做什麼，並結合自己的領域知識，提供商業價值的人少之又少。調侃一句，哪個方向的機器學習人才最缺？答：每個領域都需要專精的機器學習人才，你對特定領域的理解就是你的武器。當然，給雞湯不給湯匙很不厚道，所以我會再給一些具體建議。再次申明，這裡我僅建議以就業為主的朋友，走研究路線有不同建議，本文不再贅述。1. 基本功說到底機器學習還是需要一定的專業知識，這可以透過學校學習或自學完成。但有沒有必要通曉數學，擅長最佳化呢？我的看法是不需要，大前提是要了解基本的數學統計知識即可，更多討論可看我在「阿薩姆：如何看待『機器學習不需要數學，很多算法封裝好了，調個包就行』這種說法？」的答案。最低程度我建議掌握五個小方向，對於現在和未來幾年內的業界夠用了。再次重申，我對演算法的看法是大部分人不要造輪子、不要造輪子、不要造輪子！只要理解自己在做什麼，知道選什麼模型，直接呼叫 API 和現成的工具包就好了。 回歸模型（Regression）。學校課程其實講更多分類，但事實上回歸才是業界最常見的模型。比如產品定價或預測產品的銷量都需要回歸模型。現階段比較流行的回歸方法是以數為模型的 xgboost，預測效果很好，還可以自動排序變數重要性。傳統的線性回歸（一元和多元）也還會繼續流行下去，因為良好的可解釋性和低運算成本。如何掌握回歸模型？建議閱讀《Introduction to Statistical Learning》的 2-7 章，並看一下 R 裡 xgboost 的 package 介紹。 分類模型（Classification）。老生常談，但應該對現在流行並繼續流行下去的模型有深刻了解。舉例，隨機森林（Random Forests）和支援向量機（SVM）都屬於現在業界常用的演算法。可能很多人想不到的是，邏輯回歸（Logistic Regression）這個常見於大街小巷每本教科書的經典老演算法，依然占據業界半壁江山。這個部分建議看李航《統計學習算法》，挑著看相對應的那幾章即可。 神經網路（Neural Networks）。我沒有把神經網路歸結到分類算法還是因為現在太紅了，有必要學習了解一下。隨著硬體能力的持續增長和資料集愈豐富，神經網路在中小企業的發揮之處肯定有。三、五年內，這個可能會發生。但有人會問，神經網路內容那麼多，比如架構，比如正則化，比如權重起始化技巧和觸發函數選擇，我們該學到什麼程度呢？我的建議還是抓住經典，掌握基本的三套網路：a. 普通的 ANN。b. 處理影像的 CNN。c. 處理文字和語音的 RNN（LSTM）。對每個基本網路只要了解經典的處理方式即可，具體可參照《深度學習》的 6~10 章和吳恩達的 Deep Learning 網路課程。 資料壓縮／可視化（Data Compression & Visualization）。業界常見的就是先可視化資料，比如這兩年很紅的流形學習（manifold learning）就和可視化有很大的關係。業界認為做可視化是磨刀不誤砍柴工，把高維資料壓縮到 2 維或 3 維，可很快看到一些有意思的事，能節省大量時間。學習可視化可以使用現成的工具，如...
即將發表的蘋果新一代 iPhone 智慧型手機，傳出可能捨去 Touch ID，改用 3D 臉部辨識的消息，臉部辨識功能一時成為辨識科技的當紅炸子雞。只是，臉部辨識真如業者所說那樣神奇精準嗎？以近期英國倫敦警察局開始臉部辨識的治安維護測試來說，出現一天抓錯 35 個人的情況，目前臉部辨識功能恐怕還有待努力。根據外電報導，8 月底，英國倫敦大都會警察局上線即時人臉辨識系統，員警在倫敦街頭偽裝後，以警用車輛監控人群，並使用系統尋找混雜在人群裡的通緝嫌疑犯。不過系統上線的第 2 天，倫敦警察局發現一個很嚴重的問題，就是系統說要抓的一個嫌疑犯，連性別都搞錯，甚至一天出現 35 次問題。其中 5 次的錯誤落差太大，工作人員及時發現，立刻阻止了後續逮捕行動。此外，倫敦警察局還指出，這套系統問題在於不僅「識人不明」，甚至連資料庫都對不上。員警還表示，他們抓到一個「辨識正確」的嫌疑犯時，發現該嫌疑犯的案子已和解，且洗脫了罪名，但系統依然辨識他是嫌疑犯，導致警察抓錯人，可見該系統與資料庫的連結也有問題。英國警察局這次試驗突顯臉部辨識技術和人工智慧發展仍有不足。雖然臉部辨識和人工智慧是未來發展潮流之一，但應用前這些技術還需要強化，才能確保不會對一般人的生活產生負面影響。（首圖來源：shutterstock）
隨著氣象衛星技術的進步帶來巨量的氣候資料，使氣象科學家現在也要仰賴人工智慧（AI）梳理所有資訊，希望能發現新的氣候模型，改善預測準確度。《自然》（Nature）期刊網站刊登一篇文章指出，氣象現在已經是一個數據問題，而透過機器學習技術，人工智慧系統可隨著數據量的增加提高性能。這種方法非常適合氣候科學，光是單獨執行的高分辨率氣候模式就能產生數百億筆數據，英國國家氣象局維護的氣候數據存檔現在擁有約 45PB（PB＝1,024TB）的資料量，每天增加 0.085PB。這方面的工作正在迅速發展，過去幾年研究人員利用人工智慧系統幫助科學家在真實與模擬的氣候資料中，排序氣候模式，定位氣旋與其他極端天氣事件，並確定新的氣候模式。常規的電腦演算法依賴工程師輸入規則和事實，指導系統產生結果。常規電腦很難辨識人們認為理所當然的事情，譬如了解語言、閱讀手寫筆記或在雜亂數據庫中辨識某類別，如在 YouTube 影片發現貓。而機器學習系統以及模擬人腦複雜神經網路的深度學習系統，透過大量數據進行梳理後，可以自行產生規則。科學家認為，氣候是另外一個複雜的主題，很適合使用深度學習方法來分析。2016 年研究人員報告首次使用深度學習系統來確定熱帶氣旋、大氣河流（atmospheric river）和鋒面，這些鬆散的特徵，通常取決專家判斷，而深度學習技術證實可以複製人類的專長。現在位於加州勞倫斯伯克利國家實驗室（Lawrence Berkeley National Laboratory）團隊希望使用類似的技術研究各種極端氣候事件，包括尚未被定義的氣候模式。研究人員的最終目標是能更精準評估和預測氣候事件在面對氣候變化時的轉變方式，科學家認為這工作雖然不簡單，但不像深度學習的商業應用程式，如語言翻譯和圖像辨識那麼難。美國明尼蘇達大學電腦科學家 Vipin Kumar 利用機器學習打造監測森林火災和評估去森林化的演算法，研究團隊使用一台已能辨識空氣壓力模式如聖嬰現象氣候模式的電腦，這套演算法在南太平洋塔斯曼海發現先前沒有被辨識的氣候案例。喬治華盛頓大學電腦科學家 Claire Monteleoni 開發機器學習演算法，將氣候變化專門委員會使用的大約 30 個氣候模型建立一個加權平均數，科學家認為這種演算法產生比傳統方法更好的結果，且這些方法可以平等對待所有模型。由於深度學習系統會制定自己的規則，所以研究人員通常無法解釋結果產生的原因，故有些科學家不敢仰賴黑盒子預測如洪水等緊急災難，因此不願意使用人工智慧代替自己的工作。但即使如此，科學家認為人工智慧演算法最適合幫助測試下一代氣候模型，這些模型目的在融合複雜的氣候現象，如雲、大氣河流和海洋渦流的精細結構。然而，一些人工智慧演算法證明對天氣預報有用，2016 年來自美國國家氣象局（National Weather Service）9 位氣象學家在預測暴風持續時間時選擇人工智慧執行大約 75% 的工作。現在研究人員計畫將人工智慧演算法納入冰雹預報。雖然大部分氣象專家仍使用傳統方法分析資料，但是科學家相信機器學習的參與程度會愈來愈高，氣象資訊學將成為一種顯學。 How machine learning could help to improve climate forecasts （首圖來源：Flickr/Tom Brandt CC BY 2.0）
自從比爾蓋茲喊出機器人稅的概念之後，因科技造成貧富差距愈來愈大的舊金山開始認真研擬可行性方案，發起人之一就是舊金山市監事 Jane Kim，她於今年 4 月公開這項計畫，而最新進度是成立了一個名叫未來工作基金（Jobs of the Future Fund）的組織，開始著手進行實務面的討論，當中遇到許多困難，首先就是定義問題。機器人稅將用來促進人類技能，補償因機器人造成的工作損失，包括職業培訓、免費社區大學、普世基本收入等等，Jane Kim 認為，善加利用機器人稅，或許能提高人類對機器人的容忍度。但在研擬機器人稅的過程中，首先遇到的問題就是什麼是機器人？這個問題連機器人專家都難以達成共識。減少人類工作量的人工智慧算機器人嗎？Jane Kim 表示關於機器人定義，以及定義什麼樣的工作算是被機器人取代等都還需要釐清，未來工作基金的任務就是要以公共論壇的形式，與利益關係者及加州公民展開對話。且討論到最後，有可能不會是所謂的機器人稅形式，而是確定國家將會經歷一個經濟轉型的過程，進而想出一個資助轉型過程的方式，或許是透過不同的稅收，或是其他種收入來源。Wired 分析指出，人類害怕機器人取代工作，不只是怕沒了收入，而是失去自己在社會中的定位，畢竟人類透過工作來定義自己，所以工作本質不只是錢。當然不管以什麼樣的形式徵收機器人稅，企業老闆都不會願意，就連學者專家也不見得同意，因為機器人與人工智慧只是一種新技術，現在還不清楚到底會造成什麼影響。且以汽車業為例，雖然幾十年來打造一台汽車需要的勞工人數變少，但整體來看並沒有造成大量失業現象。人工智慧專家吳恩達樂觀看待人工智慧對人類社會的影響，但他強調過程中並非沒有風險，有些人的工作的確會被取代，有些工作薪水會變低，但他認為問題在於人類如何精進自己的技能，而不是人類工作從此消失。他預期存在自動化風險的工作比例約 3~5 成。若人類工作技能提升，人工智慧帶來的軟體與硬體應用，將可與人類一同協作，提高生產力，甚至可減少工時。Jane Kim 也深知這一點，她說機器人對人類工作的影響不能想得太簡單，因為大部分自動化是取代任務，而不是工作。她組織研究的動機不是要逼迫老闆拿錢出來，而是讓社會注意到，無論自動化將人類帶往何方，未來勞動力都將產生巨變。 TAX THE RICH AND THE ROBOTS? CALIFORNIA’S THINKING ABOUT IT ‘AI Is the New Electricity’, Says Coursera Co-Founder, and Former Google and Baidu AI Researcher, Andrew Ng （首圖來源：Flickr/Michael Coghlan CC BY 2.0）延伸閱讀： 盼能緩下自動化步伐，南韓推全球首創「機器人稅」 比爾蓋茲：若勞工繳稅，政府也必須對機器人課稅
亞馬遜（Amazon）29 日宣布，即日起美國、英國及德國地區客戶將可在 Echo、Echo Dot 及 Echo Show 揚聲器裝置上使用「多房」（multi-room）音樂同步串流功能。亞馬遜表示，用戶只需透過 Alexa 應用軟體設定 Echo 裝置群組（例如，給予家中樓下兩台 Echo「樓下」［downstairs］的群組名稱）。在完成設定後，只需說：「Alexa，在樓下播放音樂」即可。上述多房音樂同步串流播放功能目前支援 Amazon Music、TuneIn、iHeartRadio 及 Pandora，未來將增添 Spotify、SiriusXM 的支援服務。亞馬遜同時宣布將在明年初釋出 Alexa 語音服務（AVS）多房音樂軟體開發套件（SDK）。在未來，擁有 3 台 Echo 裝置與兩台獨立 AVS 揚聲器的消費者將可在這 5 台裝置上同步播放音樂。亞馬遜 29 日還宣布與 Sonos、Bose、Sound United 及三星（Samsung）等知名品牌合作，並且自即日起釋出連結揚聲器應用程式介面（API）。韓聯社 27 日報導，LG Electronics Inc. 當日表示，公司將在 9 月 1 日登場的德國柏林消費性電子展（IFA）亞馬遜在 8 月 28 日正式完成購併全食超市（Whole Foods Market Inc）的所有程序。美國部分全食超市店面開始陳列販售 Echo（99.99 美元）、Echo Dot（44.99 美元）智慧揚聲器。英國金融時報報導，亞馬遜第二季純益（1.97 億美元）創下 7 季以來新低。亞馬遜財務長 Brian...
亞馬遜、微軟 8 月 30 日宣布，Alexa、Cortana 將可在今年稍後相互對談、溝通。使用者可以對 Echo 裝置說：「Alexa，啟動 Cortana。」或者，用戶也可以對 Windows 10 裝置說：「Cortana，開啟 Alexa。」Alexa 用戶將能透過語音指令使用 Cortana 獨特功能，比如預定會議日期或查詢工作行事曆，提醒使用者在回家途中買束花或念出工作電子郵件內容。同樣地，Cortana 用戶可要求 Alexa 控制家中智慧家庭裝置，到 Amazon.com 網站上購物或者使用第三方開發商所打造的逾 2 萬項語音指令技能。亞馬遜執行長貝佐斯（Jeff Bezos）30 日表示，能夠讓 Echo 裝置用戶輕鬆地使用 Cortana 是一件很棒的事。全球前五大企業（以市值計算）當中亞馬遜、微軟 8 月 30 日的股價表現最好，分別收漲 1.42%、1.31%。（本文由 MoneyDJ新聞 授權轉載；首圖來源：亞馬遜）延伸閱讀： 蘋果願意嗎？亞馬遜：Echo 智慧音響或可支援 Siri 服務 亞馬遜與三星、Bose 合作，Alexa 支援多房音樂播放
透過研究顯示，人類研發的機器也能學到人類看世界的觀點，無論是否有意。對閱讀文本的人工智慧來說，它可能會將「醫生」一詞與男性優先關聯，而非女性，或影像辨識也會更大機率將黑人錯誤分類為大猩猩。2015 年，Google Photos 應用誤把兩名黑人標註為「大猩猩」，當時這錯誤意味著 Google 的機器學習還處於「路漫漫其修遠兮」的狀態。Google 立即對此道歉，並表示將調整演算法，以修復該問題。近日，身為錯誤的責任方，Google 正在嘗試讓大眾了解 AI 如何不經意間永久學到創造它們的人持有的偏見；一方面，這是 Google 對外 PR（公關）的好方式，其次，AI 工程師也可用一種簡單的方法來簡介自己的偏見演算法。在影片中，Google 介紹了 3 種偏見：互動偏差：用戶可透過我們與其互動的方式來偏移演算法。例如，Google 召集一些參與者，讓他們每人畫一只鞋，但多半用戶會選擇畫男鞋，故以這些資料為基礎的系統可能不會知道高跟鞋也是鞋子。潛在偏差：該演算法會將想法和性別、種族、收入等不正確地聯繫。例如，當用戶在 Google Search 搜尋「醫生」時，出現的大多為白人男性。之前 Quarts 發了一則相關新聞，該報導稱，經普林斯頓大學最新研究成果，這些偏見，如將醫生與男性相關聯，將護士與女性關聯，都來自演算法被教授的語言影響。正如一些資料科學家所說：沒有好的資料，演算法也做不出好決策。選擇偏差：據了解，用於訓練演算法的資料量已大大超過全球人口，如果訓練影像辨識的資料僅針對白人進行，那麼得到的資料也只能來自 AI 有限的認定。（Source：Qaurtz）去年 6 月，「青年實驗室」（輝達、微軟等科技巨擘均是該實驗室的合作夥伴和支援者）舉辦了一次 Beauty.ai 網路選美大賽。比賽透過人工智慧分析，徵集了 60 萬條紀錄。演算法參考皺紋、臉部比例、皮膚疙瘩和瑕疵的數量、種族和預測的年齡等因素。最後結果顯示，種族因素比預期發揮更大的作用：在 44 名獲獎者中，其中有 36 人為白人。事實上，關於演算法中含有性別、種族偏見的研究和報導，早已有之。據之前報導，要消除這些偏見，並不容易。正如微軟紐約研究院的進階研究員 Hanna Wallach 所說：只要機器學習的程式是透過社會已存在的資料訓練，那麼只要這個社會有偏見，機器學習就會重現這些偏見。 Google explains how artificial intelligence becomes biased against women and minorities （本文由...
智慧音箱正火熱！除亞馬遜（Amazon）、Google 已推出「Echo」、「Google Home」之外，蘋果（Apple）、LINE 也已分別宣布將推出智慧音箱產品「HomePod」、「WAVE」，日前南韓三星電子也證實正在籌備智慧音箱產品，而最新又有日本大廠宣布搶進，Sony、Panasonic 紛紛於 IFA 正式開幕前於柏林發表智慧音箱產品。日經新聞報導，Sony、Panasonic 紛紛於 8 月 31 日在德國柏林發表搭載人工智慧（AI）的智慧音箱產品，其中 Sony 智慧音箱產品為「LF-S50G」（見首圖）、Panasonic 為「SC-GA10」（下圖），該兩款產品皆採用 Google AI 助理「Google Assistant」。（Source：Panasonic）「LF-S50G」將在 10 月於美國開賣，除主打高音質之外，還能藉由手勢進行操作，美國市場售價為 199 美元；「SC-GA10」有黑色和白色兩種色款可選擇，將在今年冬天於英法德開賣，售價未定。據美國調查公司 Gartner 指出，2021 年智慧音箱市場規模有望擴大至 35.2 億美元，將達 2016 年的 4.9 倍。（本文由 MoneyDJ新聞 授權轉載；首圖來源：Sony）延伸閱讀： 智慧音箱 Vega 沒胎死腹中，三星：準備中或近期亮相
在清醒的狀態下，看著自己「凍」住，無法動、無法說話、無法吞嚥，直到無法呼吸。這是漸凍人症，又稱肌萎縮性脊髓側索硬化症（ALS）或說運動神經元病的發病症狀，人們熟知的當代著名理論物理學家、科學巨匠史蒂芬·霍金就是位「漸凍人」，毛澤東晚年時也罹患該病。目前漸凍人尚無治癒的方法，合適的藥物治療是目前緩解「漸凍人症」病情的唯一手段。美國 FDA 僅批准兩類延緩 ALS 惡化的藥物：一種 1995 年獲得批准；另一種今年才獲批准。與此相對的是，全球每年有 14 萬病人診斷為 ALS。傳統的藥物開發平均要耗費數十年時間、耗資新台幣約 270 多億元，人工智慧或許能帶來轉機。「很多醫生將這種疾病視為醫學領域最嚴重的疾病，對藥物的需求很巨大。」 謝菲爾德翻譯神經科學研究所的理查德·米德（Richard Mead）說。目前，他的研究專案已廣泛應用人工智慧技術。這種軟體系統在強大的電腦上執行──它像一名永不疲倦且永不分心的資深研究員般工作。它們分析化學、生物和醫學等巨型資料庫和大量論文，速度遠超過人類，搜尋新的生物學標靶和潛在的藥物。近日，謝菲爾德研究所一項臨床前試驗中，AI 機器篩選出一種候選化合物呈現出好效果──能有效預防運動神經細胞死亡和延緩疾病惡化。理查德·米德打算在今年 12 月醫學會議展示，目前正計劃下一步臨床試驗。在英國，探索 AI 開發 ALS 新型藥物的不僅這家。去年 12 月，巴羅神經科學研究所透過使用 IBM Watson 發現了 5 個與 ALS 相關基因，如果沒有這種機器，研究人員估計這項發現將會耗費幾年時間而不是幾個月。這對 ALS 患者是個天大的好消息，這意味這他們可能接受更好的治療。如果研究人員提供新型藥物，這無疑表示 AI 在藥物開發領域應用有成功的可能性，這也將照亮這個領域的創業公司前景。這些公司的觀點是：AI 不會取代科學家或臨床醫生，但是他們應該用新技術，能比以前快十幾倍的速度發現新藥，還幫他們節省時間和資金。目前，理查德·米德正與 BenevolentAI 合作，後者是英國眾多「獨角獸」之一──市值超過 10 億美元。這領域的其他公司包括蘇格蘭 Exscientia 和美國 Berg、Numerate、twoXAR、Atomwise 和 InSilico Medicine，據悉 InSilico Medicine 近日發表一款專門針對 ALS 藥物的開發平台。「本質上，我們正在做的事情就是發現（標靶與藥效間）新關係，找到治療疾病的新標靶。」GSK 前「藥物獵人」Jackie Hunter 說。現在他是 Benevolent 藥物業務部負責人。傳統的藥物開發依舊是一場「擊中或打偏」遊戲，Hunter...