人工智能曾經只是科幻小說，是計算世界的遙不可及的夢想，如今已成為現實。 人工智能，簡稱AI，是用來描述機器模擬人類智能的能力。 諸如學習，邏輯，推理，感知，創造力之類的行為曾經被認為是人類特有的，如今已被技術復制并應用于各個行業。

多年來，人工智能已經從計算機視覺的簡單步驟發展為識別灰度手寫數字，并已擴展為能夠識別人臉，執行對象檢測和實例分割，渲染增強現實等的比較新的技術。 更多。 自然語言處理技術也開創了新局面，開發了在大量數據集上訓練的模型，可用于問題解答，情感分析等，新型語音檢測和對話式AI技術的興起，以及更多其他功能。 人工智能領域已在多個視野和新維度上擴展，從而使其被用于多種任務的多個用例中。

以下是最近發生的一些人工智能方面的重大進步：

使用深度學習開發新型強大的抗生素：

麻省理工學院的團隊開發的一種深度學習模型已經確定了一種新的抗生素化合物，該化合物已成功地與世界上一些耐藥性最高的細菌作斗爭。 新開發的藥物是通過計算機模型挑選出來的，該模型有可能在短短幾天內篩選出超過一億種化合物。 研究人員設計了他們的模型，以尋找能夠使分子有效殺死某些種類細菌的化學特征。 他們在2,500個分子上訓練了神經網絡模型，其中包括1,700種已獲美國FDA批準的藥物以及800種具有不同結構和生物活性的天然產物。 在針對五種細菌的實驗室測試中，研究人員發現其中八種分子具有抗菌活性，其中兩種具有強大的功能。 現在，研究人員計劃進一步測試這些分子，并在用于該過程的數據庫中對其進行進一步篩選。

當前篩選新抗生素的方法成本高昂，并且需要大量時間投入，這種模型有望極大地推動醫療行業的發展。

對產品的高級理解和新的購物體驗：

Facebook的AI團隊開發了一種名為GrokNet的計算機視覺模型，旨在通過充當AI生活方式助手來重新定義購物，該助手可以學習人們的品味并大大簡化購物過程。

由于購物時有各種各樣的產品在售而感到沮喪和優柔寡斷是一種普遍的感覺。 Facebook開發的模型使用比較先進的圖像識別模型，根據對個人已經擁有的物品的分析所獲得的個人品味來推薦要購買的產品。 它還可以生成對象的虛擬副本，以實現該項目在房間或人體內的放置方式的可視化。 您會發現自己穿著您要購買的衣服或配件，這是一個更好的選擇。 試用室可能很快變得多余!

該方法使用對象檢測器來識別圖像中可能產品周圍的框，將每個框與已知產品列表進行匹配，并將所有匹配項保持在相似度閾值之內。 它可以預測圖像的各種屬性，例如圖像的類別，屬性和可能的搜索查詢。 它還可以預測可用于執行諸如產品識別，視覺搜索，視覺上類似的產品推薦，排名，個性化，價格推薦等任務的嵌入(例如"指紋")。 該模型已部署在Facebook Marketplace上，并且已經在重塑購物體驗。

通過學習用戶行為自動創建業務流程自動機：

英國初創公司ZappyAI已經完成了曾經艱巨的任務，即了解并自動為企業中的流程創建自動化。 早在自動化的早期，該技術就無法將以前在流程中所做的事情與現在在進行中的事情聯系起來。 自動化工具將需要大量的編碼和配置，而沒有任何認知能力。

人工智能驅動的系統使用長期內存來識別可以自動化的業務流程。 它可以找出正在執行的業務流程中涉及的決策和邏輯，并生成對組織內自動化機會的分析。 ZappyAI計劃使用這種AI技術來運行組織流程分析的主干，從而為公司節省了無數的人工時間，以了解和數字化業務流程。

小巧的AI —可在消費類設備上運行的AI

諸如Google，Amazon，Apple和IBM之類的現代較大的技術公司已經開發了使AI算法能夠直接從人們的電話和其他消費設備運行而無需與云服務進行交互的技術，而傳統上是 缺少強大的計算硬件。 這項被稱為"微型AI"的技術，研究人員通過稱為"知識蒸餾"的過程縮小了現有AI模型的大小，而不會損失任何算法的功能或性能速度。 該技術的優勢包括由于設備與云之間沒有通信而導致的零延遲，以及更少的隱私問題。

減少AI的碳足跡

訓練深度學習AI模型所需的計算能力是巨大的-馬薩諸塞大學(Amherst)的一份報告估計，由此產生的二氧化碳排放量平均約為626,000磅(重)。 這相當于美國普通汽車一生中產生的二氧化碳量的五倍。 在模型的部署階段，隨著具有不同屬性和資源的多個硬件平臺的參與，此問題變得更加嚴重。

麻省理工學院的研究人員已經開發出了一個解決這一問題的網絡，稱為"一次全部"網絡，該網絡將碳排放量減少到傳統模型產生的總排放量的1/1300。 研究人員基于比較新的AI進步AutoML(用于自動機器學習)構建了該系統，從而消除了手動網絡設計。 單一的大型"全民共享"(OFA)網絡充當"母體"網絡，嵌套了大量從"母體"網絡中稀疏激活的子網。

OFA網絡學習到的權重將與所有子網絡共享，從而導致在此過程中對子網絡進行本質上的預訓練。 在推論時，每個子網都以其派生的權重獨立運行，而無需其他培訓。