AI 算法从 NASA 旧数据中识别出 50 颗新行星；LIT让模型训练不再「黑箱」

开发者社区技术周刊又和大家见面了，快来看看这周有哪些值得我们开发者关注的重要新闻吧。

• IDC：预计全球人工智能支出将在四年内翻一番

• AI 算法从 NASA 旧数据中识别出 50 颗新行星

• 到 2022 年，90% 的工业企业将使用边缘计算

• 谷歌团队新突破，量子计算机模拟化学反应，再现黑科技

• 隔空打字、脑波成像，这家华人脑机接口公司发布人类智能操作系统

• 我国 IPv6 网络基础设施改造基本完成

• 台积电透露 Graphcore 下一代 IPU 将基于 3nm 工艺研发

• 谷歌开源 NLP 模型可视化工具 LIT，模型训练不再「黑箱」

• 史上最强二值化网络 ReActNet，精度首超 ResNet

行 业 要 闻

Industry   News

▲▲▲

根据 IDC 全球人工智能支出指南预测，未来四年全球人工智能（AI）相关支出将翻倍，从 2020 年的 501 亿美元增长到 2024 年 1100 多亿美元，随着企业组织将人工智能作为他们数字化转型工作的一个组成部分，以及希望在数字经济中保持竞争力，将促使未来几年内人工智能系统加快增长，2019 年到 2024 年期间的复合年增长率（CAGR）将为 20.1%。

据外媒报道，人工智能算法用于分析旧的 NASA 数据后，已经确认存在 50 个新行星。这一算法由华威大学的天文学家和科学家创建，用于观察以前的望远镜任务。它分析了来自美国宇航局开普勒和运输系外行星调查卫星（TESS）的数据，这些任务用于调查太阳系外行星。研究人员对该算法进行了训练，使其能够分离出真实行星和假阳性的迹象，从而识别出人类先前遗漏的部分。这项技术不仅比其他方法更快，而且还可以通过进一步的培训实现自动化和改进。研究人员建议，它可以用作将来验证行星的工具之一。

据市场调研机构 Frost & Sullivan 的最新报告分析，预计到 2024 年，5G 和边缘计算的云工作负载转移到边缘。报告指出，边缘计算是工业企业的一项基础技术，因为它提供了更短的延迟、强大的安全性、响应迅速的数据收集和更低的成本。在这种超连接的工业环境中，边缘计算及其解决方案具有不可知的属性，可用于各种应用，如自主资产、远程资产监控、从闲置资产中提取数据、自主机器人、自主车辆和智能工厂。Frost&Sullivan 预测，到 2022 年，大约 90% 的工业企业将使用边缘计算，为边缘计算市场参与者带来巨大的增长前景。

近日，有国外媒体报道称，谷歌 AI 量子技术研究团队在量子计算机上完成了有史以来规模最大的化学模拟数据分析。据了解，这是量子计算机第一次参与到化学模拟反应中，该研究成果引起了计算机领域、化学领域和量子技术领域的轰动，并于本月28日登上了《Science》杂志封面。

8 月 28 日消息，在“2020 中国 IPv6 发展论坛”上，推进 IPv6 规模部署专家委员会公布了中国 IPv6 发展状况白皮书。白皮书显示，截至 2020 年 7 月，我国排名前 100 位的商用网站/应用已经全部支持 IPv6 访问，我国 IPv6 活跃用户数达到 3.62 亿，占比达 40.01%。IPv6 流量大幅增长。截至 2020 年 7 月，中国电信、中国移动、中国联通 LTE 核心网总流量 4372.06Gbps， IPv6 流入流量平均占比达 10.25%。

据国外媒体报道，5nm 工艺在今年一季度投产之后，台积电下一代工艺研发的重点已转移到了 3nm，目前正在按计划推进，计划在 2021 年风险试产，2022 年下半年大规模投产。在介绍 3nm 的工艺时，台积电重点提到了为人工智能和机器学习研发加速器的半导体厂商 Graphcore。台积电透露，Graphcore 用于加速机器学习的下一代智能处理单元（IPU），将基于台积电的 3nm 工艺研发，越过 5nm 工艺。

学 术 前 沿

Academic News

▲▲▲

深度学习模型的训练就像是「黑箱操作」，知道输入是什么、输出是什么，但中间过程就像个黑匣子，这使得研究人员可能花费大量时间找出模型运行不正常的原因。假如有一款可视化的工具，能够帮助研究人员更好地理解模型行为，这应该是件非常棒的事。Google 研究人员发布了一款语言可解释性工具 （Language Interpretability Tool, LIT），这是一个开源平台，用于可视化和理解自然语言处理模型。

论文链接：https://arxiv.org/pdf/2008.05122.pdf

《ReActNet: Towards Precise  Binary Neural Network with Generalized Activation Functions》是 Bi-Real Net 作者在二值化研究领域的最新成果。该论文用简单的平移激活值分布的操作，就取得了超过等同于实数值 ResNet 的精度，可以说是长久以来对于 BNN 的艰苦探索的里程碑式的工作。

论文链接：https://arxiv.org/abs/2003.03488

*以上信息来源于网络，由“京东智联云开发者”公众号编辑整理，

不代表京东智联云立场*