3D metalno printanje

Dok je 3D štampa prisutna decenijama, ona je uglavnom ostala u domenu hobista i dizajnera koji proizvode jednokratne prototipe. A štampanje objekata sa bilo čime osim plastike – posebno metalom – bilo je skupo i bolno sporo.

Sada, međutim, postaje jeftino i dovoljno lako da bude potencijalno praktičan način proizvodnje dijelova. Ako se široko prihvati, to bi moglo promijeniti način na koji masovno proizvodimo mnoge proizvode.

Vještački embrij

U proboju koji redefinira način na koji se život može stvoriti, embriolozi koji rade na Univerzitetu u Kembridžu u Velikoj Britaniji izrasli su realistične mišje embrione koristeći samo matične stanice. Nema jaja. Nema sperme. Samo ćelije izvađene iz drugog embrija.

Pametni grad

Brojne šeme pametnog grada nailazile su na kašnjenja, odbacile njihove ambiciozne ciljeve ili naplaćivale sve osim super-bogatih. Novi projekat u Torontu, nazvan Quayside, nada se da će promijeniti taj obrazac neuspjeha promišljanjem urbanog susjedstva iz temelja i njegovom izgradnjom oko najnovijih digitalnih tehnologija.

Vještačka inteligencija za sve

Veštačka inteligencija je do sada bila uglavnom igračka velikih tehnoloških kompanija kao što su Amazon, Baidu, Google i Microsoft, kao i neki startupi. Za mnoge druge kompanije i dielove ekonomije, AI sistemi su preskupi i suviše su teški za implementaciju u potpunosti.

Koje je rješenje? Alati za strojno učenje bazirani u oblaku dovode AI u daleko širu publiku. Do sada je Amazon dominirao cloud AI sa svojom AWS podružnicom. Google to dovodi u pitanje sa TensorFlow, AI bibliotekom otvorenog izvora koja se može koristiti za izgradnju drugog softvera za strojno učenje. Nedavno je Google najavio Cloud AutoML, skup prethodno obučenih sistema koji bi mogli učiniti AI jednostavnijim za upotrebu.

Microsoft, koji ima svoju AI-baziranu cloud platformu, Azure, udružuje se sa Amazonom kako bi ponudio Gluon, biblioteku za dubinsko učenje otvorenog koda. Gluon bi trebalo da napravi neuralne mreže – ključnu tehnologiju u AI koja grubo imitira kako ljudski mozak uči – tako lako kao što je izgradnja aplikacije za pametne telefone.

Nesigurno je koja od ovih kompanija će postati lider u pružanju AI usluga u oblaku. Ali to je velika poslovna prilika za pobjednike.

Sukobljene neuralne mreže

Vještačka inteligencija postaje veoma dobra u identifikaciji stvari: pokažite joj milion slika, i može vam sa čudnom tačnošću reći koje od njih prikazuju pješaka koji prelazi ulicu. Ali AI je beznadan u samom stvaranju slika pješaka. Ako bi to mogla, mogla bi stvoriti gomile realističnih, ali sintetičkih slika koje prikazuju pješake u različitim okruženjima, koje bi automobil koji se sam vozio mogao koristiti da se trenira bez izlaska na put.

Rješenje se prvo desilo Ianu Goodfellowu, koji je tada bio doktorant na Univerzitetu u Montrealu, tokom akademske rasprave u baru 2014. godine. Pristup, poznat kao generativna kontradiktorna mreža, ili GAN, uzima dvije neuronske mreže – pojednostavljeni matematički modeli ljudskog mozga koji podupire većinu savremenog mašinskog učenja – i prebacuje ih jedan protiv drugog u digitalnoj igri mačke i miša.

Obje mreže su obučene na istom skupu podataka. Jedna, poznata kao generator, ima zadatak da kreira varijacije na slikama koje je već vidila – možda napravi sliku pješaka sa dodatnom rukom. Od drugog, poznatog kao diskriminator, traži se da odredi da li je primjer koji vidi kao slika na kojima je treniran ili lažni proizvod generatora – u suštini, da li će ta trostruka osoba biti stvarna?

Vremenom, generator može postati tako dobar u stvaranju slika koje diskriminator ne može pronaći. U suštini, generator je naučen da prepozna, a zatim stvori realistične varijacije.

Tehnologija je postala jedan od najperspektivnijih dostignuća u AI u protekloj deceniji, sposobna da pomogne mašinama da daju rezultate koji prevare čak i ljude.