在即将过去的一周里，虽然疫情仍在影响着我们，但生活还在继续，技术也在出现着或大或小的进步，给人类带来福祉。我们一起来看一下本周前沿技术领域值得关注的新鲜事。
1.以往人们设定各种药理前提，让AI去筛选药物，或者寻找靶点。最近MIT的研究团队却让AI在没有人类提供假设也没有做大规模数据标注的情况下，独立发现了一种能力超强的抗生素。这在技术上是怎么实现的，有哪些价值？
2.《麻省理工科技评论》发布了2020 年全球十大突破性技术，这里面都有哪些激动人心的新技术，这些技术的应用价值是什么？
3.疫情之下，电梯按键也成了不可忽视的传播源。从华为、百度等巨头到思必驰、云知声等语音公司都推出了智能声控电梯方案。这个场景看上去很小，为什么会吸引这么多厂商？
AI独立发现超强抗生素，助力药物研发
美国麻省理工学院（MIT）科学家最近研究出一种深度学习算法模型，通过该模型在6000多种分子库当中，发现了一种全新抗生素halicin。这种抗生素能有效杀死多种世界上最麻烦的致病细菌，包括一些对所有已知抗生素耐药的菌株，如艰难梭菌、鲍曼不动杆菌和结核分枝杆菌等。研究成果发布在最新一期《细胞》杂志上。这项研究成果是AI在药物研发上的新成就，以前都是AI辅助做药物研发，这次MIT的新成果是AI在没有人类假设的情况下，独立发现新的抗生素。
抗生素是杀菌消炎的必备武器，但抗生素的大量使用也使得细菌的耐药性越来越强，研发新的能力更强的抗生素势在必行。以往的抗生素筛选方法，如极端环境微生物、靶标定向筛选、高通量筛选等，科研成本都比较高。例如靶标定向筛选，往往是从细菌的DNA复制、细胞分裂与蛋白质合成中的某些步骤去寻找新的靶点，研发的时间、投入的研发资源都会比较多。
MIT的新方法，则是借用AI的模型和算力来降低研发成本。研究团队使用约2500个分子来训练他们的神经网络模型，包括约1700种已获批的药物以及800种来自植物、动物和微生物的天然物质，以发现能抑制大肠杆菌生长的分子。通过这样的手段，开发出了一个神经网络模型，经过大量的学习之后，模型可以逐个原子地学习分子的结构特性。研究团队介绍，该算法不需要任何药物工作原理方面的假设，也无需对化学基团进行标记，就可以预测分子功能。
模型训练完毕后，被用来筛选一个药物分子库，该分子库包含约6000种科学家正在研究、用于治疗人类疾病的分子。他们让该模型预测哪种分子能有效抑制大肠杆菌，并仅展示看起来与常规抗生素不同的分子。
模型筛选出了一些适合条件的分子。研究团队选择了约100个分子进行测试与动物实验，发现其中一种分子具有很强抗菌活性的抗生素halicin，除铜绿假单胞菌（一种难以治疗的肺病原体）外，还对包括艰难梭菌、结核分枝杆菌和鲍曼不动杆菌等在内的多种病原体具有活性。且化学结构与任何现有抗生素不同，并可能对人体细胞具有较低毒性。
用AI模型来发掘新的具有高强度抗菌性的抗生素，比传统的借助药理的手段进行研发，成本低了很多。这其中的关键在于，团队在算法模型上取得了突破，模型的训练采用了无监督学习的模式，不需要对大量的分子结构信息进行标注然后让AI去学习。如果要进行标注，成本会大幅上升。而且实验显示该模型的泛化能力不错，研究小组又用模型对一个包含1亿多种分子的数据库进行筛查，又发现了两种功能强大、抗菌活性好的分子。
众所周知的是，无监督学习技术很不成熟，应用也很少，在没有标注信息的情况下让机器去学习数据之间的关系，就现在来说有点“强人所难”。MIT本次在算法上的突破就是让机器在缺乏标注的情况下去发现了能力较强的抗生素。
这个实验表明，AI在药物研发中可以起到更大的作用。我们在前几期的周报中也提到，国内一些机构也在用AI来筛选可能对新型冠状病毒有抑制作用的药物或者分子。当前AI在药物筛选方面的应用方向主要是靶点筛选，需要做大量的文献学习，去筛选比已上市药物更多的靶点，AI的学习成本高。此次MIT的实验则验证了无监督学习在药物筛选中的应用，不需要大量的药理学习，也不需要做大规模的数据标注，这是比较厉害的地方。
当然，这个实验也只是开了一个头。算法不能解决该分子抗病菌的原理问题，即可解释性差。而且发现的分子可成药性如何，还不得而知。此外还只是进行了体外测试，还需要大量的临床试验去证明这个分子有实验所指出的抗菌能力。
《麻省理工科技评论》发布2020 年全球十大突破性技术
《麻省理工科技评论》每年都会评选当年的“全球十大突破性技术”。近日，该媒体登出了2020年的十项突破性技术：防黑互联网、超个性化药物、数字货币、抗衰老药物、人工智能发现分子、超级星座卫星、量子优越性、微型人工智能、差分隐私、气候变化归因。十项突破性技术基本就是信息技术与医疗技术的组合。
这其中，人工智能发现分子就是我们上面讲过的AI筛查药物与分子。另外数字货币与量子优越性在我们的前沿技术情报所专栏也发布过相关的文章，防黑互联网也跟量子计算相关，是一种使用量子技术在城市之间传输信息的网络。本期周报我们来看一下其他的突破性技术。
其他技术中， 与医疗健康相关的技术还有两个，即超个性化药物和抗衰老药物。
超个性化药物顾名思义是针对患者的独特病症开发的药物，一般是指基因药物，说白了就是基因编辑技术来治疗特殊的病症。这种药物主要是针对罕见病，或者叫孤儿病，因为病例较少，医药公司为其开发专用特效药往往入不敷出，导致罕见病缺乏针对性药物。这些病症包括唐氏综合征、血友病、渐冻症、白化病、自身免疫性脑炎、腓骨肌萎缩症等。我国于2018年曾发布《第一批罕见病》目录，共涉及121种罕见疾病。
基因编辑技术的兴起，为开发治疗罕见病的超个性化药物提供了可能。人出现各样病症，往往都是基因中的碱基发生变化引起的。通过基因编辑技术，可以对DNA中发生突变的特定片段进行敲除与替换，达到修复的目的。相比于传统的药物研发，时间会更短。就罕见病来说，80%都是单基因遗传疾病。伴随着CRISRP-Cas9基因编辑技术的兴起，使得简单高效地编辑单条基因成为可能，可以对单个突变基因进行原位修复。
抗衰老药物当然不能让人长生不老，只是通过抑制体内的衰老细胞来治疗某些病症。人在走向老年的过程中，体内会积累不少停止细胞分裂的衰老细胞，这些“僵尸细胞”会释放某些化学物质，影响周围细胞的正常运行。比如老年人的心脏机能、关节功能、肺功能、心血管健康状况和身体柔韧性等都下降，在一定程度上是受到了衰老细胞的影响。国外有研究，将一些衰老细胞植入到年轻小鼠体内，引发了年轻小鼠的功能障碍。抗衰老药物的作用就是消除或者减少这些衰老细胞，从而减轻衰老引发的病症。美国最新的一项实验表明，患者连续三天服用抗衰老药物后，脂肪组织内的衰老细胞减少了30%，血液中衰老细胞水平也下降，糖尿病、肾病等症状也有所减轻。
其他技术大多数是信息技术。
超级星座卫星大家都比较熟悉了，SpaceX、OneWeb、亚马逊都在做这事，就是发射大量卫星，数量可能需要几千甚至上万，从而让地球上每个角落，哪怕是茫茫大海之上，都可以接入卫星网络。这项宏伟的计划面临着成本收益的难题，成本极高，一颗卫星从制造到升空成本数亿美元，但偏远地区上网带来的价值却可能很难覆盖这项成本。另外这项计划也引发了人们对于大量太空垃圾的担忧。
微型人工智能主要是针对现在AI带来的高能耗问题。越来越复杂的算法，越来越高的维度，越来越庞大的算力，背后是数据中心的高能耗，以及大量散热对环境的影响。有数据显示，训练一个 AI 模型，所产生的能耗多达五辆汽车在使用期内所排放的碳总量，而 BERT 模型的碳足迹（即温室气体排放总和）约为 1400 磅二氧化碳，与来回坐飞机穿越美洲的排放量相当。
微型人工智能希望在不影响算法功能的前提下，缩小深度学习模型，从而实现更低的功耗。而要实现微型人工智能，一方面是在算法上取得突破，降低更多的无效计算，另一方面则是计算更多在终端和边缘进行，数据不用大规模流动到云端去做批量处理。这需要能耗比更高的芯片支持。
不过我总感觉，指责AI的能耗，对AI似乎苛刻了一点。毕竟AI还在社会经济中发挥着很大的作用。而各种虚拟货币的挖矿、记账耗费的能源也是很大的。但这些活动对实体经济还没有产生什么价值。
差分隐私技术，最早由苹果公司于2016年提出，用于解决大数据应用中的隐私保护问题。大数据分析的目的是想在宏观层面上获得一些分析结果，比如消费者更喜欢白天下单，还是晚上下单，而不是要得到并传播某个消费者的消费情况。通过差分隐私技术，在数据集中加入一些噪音或者扰动，使得用户数据被改变，无法窥探这个用户的真实隐私情况。但这些加入的噪音在总和上有控制，又不会对大数据的整体分析结果形成干扰。理念很先进，不过这几年来差分隐私应用不多，由于加入噪音信息不好控制，往往造成数据可用性受影响，数据分析结果没有想象中优秀。
气候变化归因是近几年来国际气候变化领域的重要研究方向，是研究自然灾害、极端天气与气候变化之间关系的一门学问，比如一场飓风，一次泥石流，一场山洪，是否与全球气候变暖有关，有多大的关系，都是气候变化归因的研究范畴。有点像财务学、金融学领域的敏感性分析。保持其他影响因素不变，研究自变量与因变量之间是否有直接关系，以及有多大的关系。就目前的研究情况看，全球层面的不同变量气候变化归因的研究已经取得了一定进展，但不同区域气候变化的原因和归因研究因为数据量小、研究难度大等原因，仍存在不小的挑战。
这些技术都是很前沿的技术，也都对于人类福祉很有帮助。从这些技术的构成看，信息技术与隐私保护、医疗健康技术、环保技术是现在前沿技术领域的重心，也是影响人类命运的核心选题。但愿新的一年里真如MIT科技评论所预料的那样，可以取得突破性成果。
从巨头到语音公司，都看上了声控电梯这个小场景
当下还处在疫情控制的关键阶段，同时又是各地方复工的关键时期，电梯作为一个可能的传播病毒的场景，也在被加以研究。人要在电梯中按键才能达到所在楼层，病毒可能通过按键在不同的人中间传播。现在大多都是采用提供纸巾或者牙签的形式避免交叉感染。很多AI公司凭借在语音技术上的积累，通过将语音识别算法封装在芯片中，并将芯片安装在电梯里，实现对电梯按键的控制。
这块看似不大的场景，吸引了大量公司进入，包括华为、百度这样的巨头，科大讯飞、思必驰、云知声、声智科技等语音技术公司，以及海信等智能家居厂商，奥的斯、远大智能等电梯厂商，都推出了相关技术方案，通过自己的资源切入，试图在这个领域分一杯羹。
在技术与功能上，各家基本大同小异，大多都支持在线、离线两种场景，支持方言的识别，在一定程度上支持噪音环境下的识别，且不少厂商选择通过小程序来预定电梯，让电梯来到用户所在楼层。
大家都切入到这个领域，一方面是技术上相对简单，无需多轮对话，也不需要比较高的智能化程度，只需要对若干个关键词有比较好的识别结果就可以。
另一方面，这块市场的前景还是有的。与其他受疫情影响需求大增的行业不同，如果交互可以做得很好的话，即使疫情结束，大家也会继续选择用语音的方式来控制电梯。数据显示我国电梯在用量在2018年达到了539万台，如果每台电梯的部署价格能控制在5000元，这个市场潜在规模也可以达到200亿元以上。而且电梯人流量大，品牌效应会比较好，还有其他的潜在商业机会。
技术上主要的难点是算法要有泛化能力，能够支持各种口音，算法需要考虑带口罩影响声源信号采集。另外，电梯封闭轿箱场景下，存在多径反射、混响及噪音干扰等问题，算法上需要能解决。现在各家公司的解决方案大都要唤醒词，而要保证比较好的体验，最好是免唤醒来维持使用，这样麦克风可能需要一直开着。更大的问题是怎么做到更大的安装量。要触达更多的写字楼，销售成本、执行成本比较高。现在企业大多采用技术平台的形式降低交付成本，与三方机构合作来做推广与部署。
评论