AlterEgo：用内心声音控制电子部件

本文内容取自MIT Technology Review的报道--Say Goodby to Alexa。

现在的新技术很多都容许人用声音来启动电子器件的机械操作，而Arnav Kapur的AlterEgo让你用思想来转换电视频道等等。

按照MIT的项目介绍，AlterEgo是一种闭路的可穿戴部件，它允许人用无声交流的方式对机器，人工智能助理，电子服务，和其他人，发出指令信号。用户无需开口出声，也不需要作出外部可观察到的动作，只要借着内心的有意发言，好像对自己说话，就可以进行高带宽自然语言交流。

可穿戴部件捕捉到电子信号，这些信号是由内部语音发音器（当用户故意在内部发声）细微而有意的移动引起的。MIT的媒体技术研究人员用这种方式来促成双向自然语言计算处理。 从今以后，控制电子产品将能够不开口啦。

由MIT媒体实验室研究生Arnav Kapur所创建、名为AlterEgo的部件原型已实现了这一目标。 Kapur的部件是一个三维打印出来的塑料小产品，看上去好像一根贴在头上的瘦白色香蕉 –让用户可以翻转电视频道，改变灯泡的颜色，下棋，计算复杂的算术等等，都不用说一句话，也不用举手。 AlterEgo可以让人们彼此默默沟通，并且不至于互相影响。 Kupur描述自己制作项目时的体验，觉得自己有些像个电子人，不过是最理想的那种。

AlterEgo并不会知道你心里想的一切，尽管听起来好像如此。 它在我们静静地阅读或与自己交谈时，会抓住由面部和颈部肌肉的小动作产生的微小电信号，通过蓝牙发送到计算机，在那里借着算法进行解码，然后行动（例如“开灯”）。 这系统用骨传导耳机给你反馈，并用电脑声音让你知道其他的AlterEgo配戴者想告诉你的东西，却不必塞住耳朵。 那种感觉就像自己被连接到互联网上一样。Kapur说，没有了它，人会突然感到正常。

在一个人工智能快速进步的时代，机器人接管或杀死我们，至少会夺掉我们的饭碗，这类焦虑越来越大。Kapur却看到，AlterEgo在某种意义上解除这些焦虑。 他去年花功夫制作这个部件，显示出AI是帮助人的工作，而不是取代人。

他把AlterEgo看为一种新的电脑，比起在智能手机上敲打，或对Alex发令，它用起来比较不费力，而且比较亲密（安静）。 虽然它现在只是一个初期的原型，但Kapur认为这很有用，比如帮助叫一个优步车辆，或者帮助讲话障碍和听力障碍的人更容易沟通。

到目前为止，Kapur和其他几位媒体实验室的研究人员已经建立了好几个简单的应用程序，其中包括帮助国际象棋和围棋的赛手，提出下一棋步，或解决一个算术问题，让你得到内部声音的答案，甚至可以让你成为物联网上的一个节点，提供的准确数据给你。

研究人员还让人测试了AlterEgo作为默默无闻交流的工具的有效性。根据最近的一篇论文，他们发现平均有92％的机会，AlterEgo能够准确地捕捉用户心里说的话。

康奈尔大学副教授Tanzeem Choudhury负责管理该学校的人群感知计算实验室，她认为AlterEgo可能对于讨论某些事情，对一些可能令人感到尴尬，或情绪感到困扰的谈话特别有帮助。

她说，挑战在于让部件运行良好，而不会使硬件和互动的本身看起来奇怪。 她指出谷歌眼镜 – 一个原型失败的例子-说明当有人头上戴了小工具时，人们之间的互动会受影响而出错。

Kapur想要改进并出正式的产品，现在已开始考虑所有必须首先解决的问题。例如，它的人际交流功能仅限于非常简单的单词和短语：“是”，“不”，“你好”，“再见”和“你知道吗？”虽然它可以静静地从英语翻译成西班牙语和日语，它仍然只能翻译15个短语。

这是因为他对沉默言语解读的方法是新的，不像典型的语音识别，我们没有大型数据集可供研究人员用来训练AlterEgo的算法。 所以，研究人员正在借着让人们使用AlterEgo来建立沉默语言的数据集。

Kapur说，他们还在医院和康复中心开展了一项研究，让那些有语言障碍的人使用AlterEgo，不过他不肯透露具体的内容。 此外，研究人员正在扩展系统可以理解的词汇，开发应用程序，并考虑如何改进AlterEgo的外形。

企业管理的新技术：员工评估APPs

本文内容取自《企业家》杂志2018年5月号Performance Anxiety一文。

除了从试用到转正以外，每年一度，公司都需要对员工的表现进行评估。没有人喜欢这个差事—经理嫌它费时间伤脑筋，员工更不欢迎。根据一个调查，59%的员工说年度评估不会改变他们的工作方式，37%的员工说他们看见年度评估就想要转换工作。而且，将近9成的人事部主管认为年度评估的结果并不准确。

难怪一些领先的公司，像GE、Accenture、IBM、Adobe、Gap干脆放弃了对员工的年度评估。

年度评估的目的本来是提高员工表现，给他们关于工作的反馈意见，并有机会得到教练和晋级。如何能更有效地达到这目的呢，现在有一些apps是专门设计，来给员工提供全面的表现反馈意见，并让他们管理自己的目标，像Impraise、15Five、Zugata、Reflektive、Lattice等等。这些应用程序有些像体育运动追踪器，不断地追踪雇员的工作表现。经理就不必做繁琐的文书工作，雇员也不再担心年度评估了。

Reflektive最近筹得6000万美金的C轮资金，为公司员工提供一个从同事得到实时鼓励反馈的平台，经理也可以记下以后需要当面提说的事项，比如“某某你会上的发言很清晰”，或者“鼓励某某开会多发言”。你还可以随时提供公开的称赞--好像社交网上那些反应，又可以为自己设定个人目标并追踪进展，比如销售额。

Reflektive公司的总裁Rajeev Behera认为，年轻的一代在个人社交平台上习惯了这样的数字反馈评估，也会期待在职场有类似的反馈，没有反而感觉不好。为此，Reflektive最初成立创建的产品只有公开的shout outs功能，让用户对他们的产品有相当满意的评价。

另一家公司15Five也类似，用high five表示赞赏祝贺，并取用社交网络的圆圈个人资料照片、用@标签引起注意，提供like、heart等等表情、容许写评论，但在职场专业上，这app主要是为提供有目共睹的晋升成长。15Five的总裁David Jassell说，“现在公司若没有为员工提供成长空间，人家就要寻找新职场了。”

用apps管理员工表现是这几年才有的新事物，能不能够帮助公司还是还要慢慢看。耶鲁大学管理学院的Amy Wrzesniewski教授的专业是机构行为，她说实时具体的反馈能够帮助人纠正有问题的行为，或鼓励好行为，但不能代替面对面的意见反馈。如果人们离开会议在走廊里都向手机app打字，而不是彼此交谈，那就不利于建立团队。

还有一家人事咨询公司的副总裁David Mallon也说，频繁的反馈意见很好，但也可能搞得过头—一周7天、每天24小时都评论别人的行为，噪音恐怕就太多了，降低了app的有效性。

还有一个问题，所有员工都不断地输入反馈意见会花费很多时间，分散工作的注意力；在有些关系比较紧张的职场，还倾向于有人滥用评论功能；在另外一些公司，能够当面直接地传递信息更加重要，不用apps。

不过，有些使用这些apps的公司并没有利用及时反馈的功能，而是为正式的面对面年度评估积累作准备，经理有了平时的评论记录为根据，就不必临时发挥或另外填表，apps都归纳好了。

你觉得如何？用一个app能够促进你们公司的员工表现和积极性吗？

前列腺癌：大数据找到80项新药物靶点研发的钥匙

在对前列腺癌遗传学进行分析的最大规模研究中，科学家发现不下80个新的潜在药物靶点。这一研究项目为新疗法的设计开辟了广阔的途径。

提取基因数据曾经是一项繁琐且相当耗时的任务，但随着技术的不断改进，这项工作显著变快，而且明显更加便宜。同时，可用来处理大型数据集的工具也已大大改善。

综合起来，这表示我们可以对大量从遗传密码收集到的信息进行分析、绘图，并相对容易地用兩样结合來增加清晰度。

最近，有个国际合作的团队使用这种DNA分析和大数据双管齐下的方法，来深入研究前列腺癌发展的基因变化。这项研究是由英国伦敦的癌症研究所（Institute of Cancer Research）组织策划的。

前列腺癌的挑战

Eeles教授

前列腺癌是美国男性中第二大常见癌。估计今年在美国，将有164,690例前列腺癌新病例，并有将近3万人死于这病。尽管研究人员在理解和治疗前列腺癌方面取得了进展，但仍然有许多困难。

正如这项目的研究负责人Rosalind Eeles教授所所解释的，“我们在癌症研究中面临的挑战之一，就是这疾患的复杂性，以及众多可能的治疗方法。”--你不知道哪一种疗法对一个患者最为有效。

Cancer Research U.K.的Justine Alford博士概述了研究和干预前列腺癌的另一个问题：“治疗前列腺癌取得进展的主要障碍，是缺乏准确的方法来预测一个人的疾病进展，这使得我们很难知道每位患者最适合用哪种疗法来医治。”

收集基因数据
为了换一个角度来解决这个问题，研究人员从112位患前列腺癌男子获得遗传信息，与其他一系列的研究的数据结合起来，总共使用了来自930名患者的样品。Eeles教授说，“我们的研究运用了大数据尖端技术，来分析解锁大量有关前列腺癌的新信息，找出与疾病作斗争的可能方法。”

该研究团队利用最新的大数据技术，对于引发并促使前列腺癌发展的基因变化得到了新的亮光。一旦了解到涉及哪些基因，他们就能够创建一个这些基因编码的蛋白质图谱。

接下来，他们利用一个名为canSAR的数据库来进行分析。该数据库收集了各种癌症治疗药物的临床研究资料，利用机器学习，能够提出有潜力的药物发明见解。

在网站上，canSAR说明了他们的数据库试图回答的问题：“某个蛋白质到底性质如何？其中的癌是遗传表达还是突变？什么样的化学工具和细胞系模型可能用来实验性地探测它的活性？某个药物如何？细胞对其敏感性如何？以及哪些蛋白质的结合让我们知道是不寻常生物活性的可能解释？”

科学家们发现，他们找到的80种蛋白质是潜在的药物靶点。其中11种是现有药物的治疗靶点，另外7种药物可作为正在临床试验药物的靶点。他们的研究结果发表在近期的《Nature Genetics》杂志上。

Paul Workman教授

展望未来
当然，这些发现需要进一步研究才能够用在临床，但它们提供了一系列新的可能性。

合著人Paul Workman教授解释说：“这项研究发现很多新基因，是对生成前列腺癌起了作用，对于如何利用前列腺癌的生物学特性来寻找有潜力的新疗法，我们从中得到了非常重要的信息。”

Workman教授希望他们的工作能够“激起新一轮的研究浪潮，从患者的基因变化来辨认可能的药物靶标，让患者尽快受益。”

设计前列腺癌治疗方案的另一个绊脚石，疾病在每个人身上进展不同，这使得确定哪种治疗方案最适合于各位患者更难。Alford博士希望“通过大大增强我们对该病基因变化的了解，来帮助医生更好地调整癌症治疗个案，希望看到更多的人能够幸免于癌症。”

现在这些还属于早期的发现，但下一代的研究就可能会转化为临床使用。

本文内容译自昨天《今日医学新闻》的报道。

城市交通智能化的交流协作

本文内容译自圣荷西地方报纸The Mercury News 4月5日对“智能城市协作组织”的报道，San Jose joins 21 cities to get ‘smart’ about tech in transportation。

连续两年，硅谷圣荷西市加入了美国各地的其它21个城市，学习如何利用新技术，管理正在重塑交通运输新格局的公司。

圣荷西市的交通运输部发言人Colin Heyne说，圣荷西最终希望看到自动驾驶车辆在城市街道上穿行，载运居民和游客往返于公共交通站点，企业和家庭之间。现在共乘服务也正在发展起来，你常常可以看见共享单车和摩托车，随便丢弃在城市人行道上，并没有经营许可证。 他说，圣荷西希望自动驾驶车辆的项目能够利用这些服务的数据资料，来改善目前的交通网络，更多地了解这些交通工具的用户。

不单是圣荷西如此，美国交通运输部支持倡导了一个“智能城市协作组织”，专门搞城市智能技术的交流协作。

“智能城市协作组织”现已进入第二年，为各参与的城市部门负责人和公职人员提供交流平台，分享最佳做法，结合技术关键展开自己的试点项目，测试新技术。 这个组织的总监Russ Brook在本星期四宣布了今年参与的22个城市，并计划在几个月内召开第一次会议。

Brook表示，这种交流协作是因为城市领导者越来越认识到，他们需要站在新技术的最前沿 - 比如自动驾驶车辆和app驱动的乘坐共享 - 而不是坐在一旁观望。“参与协作的城市都明白，他们不能袖手旁观，让私营部门来决定他们的命运，”他说。

这个协作论坛让各城市官员能够分享知识经验，免得每个试点项目和计划必须从头摸索。比如，去年讨论的一个题目就是关于路边停靠的管理，Uber和Lyft的共乘服务车辆和公交车、出租车的停靠站起了冲突，必须指定特别的停靠站。

还有的城市想要知道如何开展那些共乘服务，来弥补公共交通的缺欠。比如西雅图的官员，想要将公共交通的数据和私营交通公司的数据结合利用，为乘客提供一个更加顺畅的换乘体验。

Heyne说，圣荷西希望利用共乘单车和摩托车的数据，来改进公路的安全性和利用效率。如何利用无人驾驶车辆在市区运送游客或公司员工，或在机场和火车站之间接送旅客，或为无家的退伍军人提供交通中转等等，市政府邀请各公司提交建议和演示项目。

Heyne说，“显然大家都非常需要这些知识。在这方面，我们会彼此学习。”

Apps迈向边缘计算

如果你的公司是制作应用软件的，那你现在的绝大多数产品肯定都能在云端运行，比如在亚马逊的AWS或谷歌的云端硬盘上。你恐怕都已经很难想象没有云端的应用软件是怎样的啦。云计算可以根据用户终端的数据量和数据处理资源来自动缩放调整计算量，不过，现在的技术潮流又開始改变方向了，新的技术架构不在云端，而是真正分布式的终端计算。

云计算有什么问题呢？就拿自动驾驶车辆来说，一部典型的自驾车从它的摄像头、激光雷达传感器、加速计量表、和车上计算机收集数据，速度是每秒100兆，这些数据必须立即处理，才能够保证车辆继续前进。数据量如此大，等候数据传到云端，再把计算结果传回来，目前的这一代的网络是不敷用的。数据处理需要在传感器附近进行，越近越好--在网络的边缘，在车上—称为边缘计算。

我们大多数人到目前恐怕还没有建造或乘坐过自驾车，但我们很可能已经接触到日常的边缘计算技术。比如，将近4000万美国家庭安装了智能扬声器，听见Alexa或Hey Google就开始回答你的问题。最近在年轻人中很流行的图片分享应用软件Snapchat，根据一家市场调查机构，每天得到30亿的面孔数据，到2018年底，全球20%的智能手机将具備硬件加速的機器學習能力。

看到边缘计算的潛力了嗎？这些应用软件和元器件是在两兩大趋势下发展起来的：机器的深度学习算法帮助计算机看见、听见、明白，而终端甚至移动器件上的图像处理器和张量处理器等等专用处理器来有效利用這些算法。

神经网络和深度学习早就有了。第一个人工神经网络是1950年代建造的，失败了好几次。然而这一次，大量有标记的培训数据，和强大的计算能力，使得培训这些神经网络成为可行。尽管人工智能的研究飞速进展，但计算机视觉这类技术刚刚开始成熟。开发公司可以自由选用各种标准模式结构，各种公共数据集，各种工具来培训，你不需要一个博士学位资格就能够开始做了。现在的技术已经相当普及化了。

硬件也逐渐跟上來了，速度更快了。像神经网络这样的机器学习算法其实只是矩阵乘法中的一个长序列，像图像处理器、张量处理器这类的专用处理器，已经为数学运算做到了最优化，比传统的中央处理器快了10到100倍，用的能量却比较少。当集成芯片厂商推出移动就绪的机器学习加速器时，每个电子器件很快就会有能力，运行最新的人工智能型号了。

边缘=新机会：大数据、数据科学、机器学习、深度学习，在过去10年中已慢慢进入各种产品和公司。大多数时候你看不见，因为是在云端。数据库和大量源源不断进来的数据分析结果都存贮在云端，终端用户借着应用程序接口和数据库访问这些结果，这个架构不会变动。然而，边缘计算给我们新的机会去使用机器学习模式的预测能力，更快地提供结果。

现在，算法成为数据的一部分，信息处理是实时的，传感器一经捕捉到信息，运算结果就立即有了。在这个没有延迟的环境中，用户的体验可能是全新的，你的手机屏幕可能成为一个增强现实世界（AR）的入口。你可以把产品作个人化应用，而私人信息并没有离开你的手机--这些应用程序与你的环境密切融合，先行回答你可能会问的问题。

如果做得好，人对人工智能和边缘计算的体验会像变魔术一样。不过，建造这样的功能是特别复杂的，高科技专家用机器学习的模式在云端培训，不同于为智能手机或物联网这样的边缘部件建造应用程序。神经网络可以代替数以千计的程序代码。传统的程序有时在运行时会意外地失败，必须再进行不同的测试。用这些程序来作边缘计算，其性能可以用增加计算能力，或增加对附近的云端存储的专用优化访问来提高，只不过，云端的编程语言和手机上运行的应用软件的语言是不同的。

然而现在这种情况正在改变，硬件和工具改善得很快。苹果和谷歌已把移动部件的机器学习框架搭建起来了，分别称为Core ML和 TensorFlow Lite，为开发商提供开发试用的工具，并正在添加更多的输出功能和更好的互通性。

也许你现在可以开始思考如何改进你手机上的应用程序了，利用机器学习和边缘计算技术。因为现在已经不需要一个人工智能的博士学位了，只要学会怎样使用苹果或谷歌开发出来的小工具就可以了。

我们SVTC的人工智能专家吴韧博士是最早提出边缘计算和终端人工智能的科学家，科技发展的实际被他说中了。本文内容大多译自TechChrunch的文章Why 2018 Will Be the Year Apps Go to the Edge。作者Jameson Toole的公司Fritz.ai专门提供边缘计算开发应用的平台。