显微镜是生物学家的利器，然而要得到高精度的显微成像并不容易。这是因为高精度成像需要昂贵的硬件且受实验条件限制，特别是对活体细胞、组织进行成像时，往往要求成像过程不能对原有的生物学特性产生影响，并且不能影响样本的健康状态。例如，在活体荧光成像中，就必须考虑光毒性的影响。 近日的自然-机器智能杂志发表了
当前人工智能技术在某些领域已经取得了不错的精度，然而几乎在所有任务上，人工智能还相当脆弱。例如，人脸识别虽然在测试集上可达到99.9%以上的精度，但在现实场景中经常会发生误识别；语音识别，在安静环境下识别率可达到97%以上，但在嘈杂环境中识别率会显著下降。 我们不得不接受人工智能系统会犯错误的事实，
随着技术的发展，人脸识别已经达到可实用的精度，成为便捷的身份认证工具，广泛应用在高铁安检、小区入户、银行取款，手机转账等各个场景。然而，人脸识别也存在很高的风险，需要提高警惕。 首先，人脸直接暴露在外，极易取得，仿冒风险很高。虽然通过一些技术措施可以降低这一风险（如通过眨眼、转头等动作进行活体检测或
早在17世纪，数学家莱布尼兹就认为大量的人类推理可以被归约为某类运算，这一思想可能是人工智能的最早起源。他曾思考过这么一个问题：“是否存在一种有效的计算方法，可以判断一个逻辑表达式的真或假？”这一问题后来被希尔伯特和阿克曼于1928年形式化为一个判定问题（Entscheidungsproblem ）
机器学习任务可以大体上分为两大类：一类是预测型的，基于观察数据对类别或其它变量进行预测，主要包括分类任务和回归任务；另一类是描述型的，通过估计数据的概率分布来描述数据的自有特性，主要包括聚类任务和流形学习任务。 所谓回归（Regression），是指给定一个变量集A，基于A中变量的取值来预测另一个变
机器学习任务可以大体上分为两大类：一类是预测型的，基于观察数据对类别或其它变量进行预测，主要包括分类任务和回归任务；另一类是描述型的，通过估计数据的概率分布来描述数据的自有特性，主要包括聚类任务和流形学习任务。 在这些任务中，分类具有重要地位，我们日常生活中遇到的问题大部分是分类问题，如识别车牌号、
很多时候我们需要判断信号的方向，例如定位违章鸣笛的车辆或用雷达探测目标轨迹等。一般来说，我们的接收器只是接收信号的强弱，无法直接判断方向。为了判断方向，需要有更多信息。对我们人来说，我们利用了空间和频率两种信息：首先，我们有两个耳朵，不同方向的声源到达我们双耳的时间和压强都有所不同，基于此可以判断声
语音助手已经进驻到我们的手机里，只要你想，随时可以把它呼唤出来，聊聊天。 当然，也可以让它帮我们做点正事，比如设个闹钟，拨个电话什么的。但也有很多时候，我们得到的回答是“听不懂主人在说什么”或“主人，麻烦你换个说法好吗？”。问题是，我明明已经表达的很清楚了，机器为什么听不懂呢？ 事实上，现在的语音助
聚类，顾名思义，把数据样本分堆儿，相似的样本聚在一起，成为一堆儿，如图1所示。 图1：聚类任务将相似的样本聚在一起[1] 聚类是机器学习里的一项基本任务。那么，聚类有什么用处呢？ 1. 人头脑里的聚类 我们先看看人头脑里的聚类。比如我们的祖先在打猎时，看到老虎和羚羊，虽然还不知道他们的名字，但从体形
什么是流形呢？让我们看图1（左）所示的一个数据分布，可以看到虽然数据是三维的，但所有数据都分布在一个蛋卷形的二维曲面上。这个曲面称为一个二维流形。对于分布在这个流形上的数据来说，重要的不是它在三维空间中的座标，而是在这个二维流形上的位置。因此，给定一个三维数据集，我们希望把这个二维流形学习出来，并确
让计算机像人一样拥有创新能力，是一个很大胆的想法。事实上，人们一直认为创新是人类智能的顶点，如果机器也拥有了这种能力，那是多么可怕的事情。 图1：计算创新学[4] 然而，科学家们还是迎难而上了。早在1963年，人工智能的先驱Newell, Shaw和Simon就写了一篇文章“The Process
