随着部分投资者开始用 AI 学习和分析其语言模式和语气，企业 CEO 和其他高管越来越多地处于显微镜之下，这一趋势开辟了充满机会的新领域。

语言模式软件专家 Evan Schnidman 表示，2020 年末，IT 行业的高管在讨论供应链中断问题时，刻意淡化半导体芯片短缺的可能性。他们说，一切都很好。然而一个旨在发现口语——最好是没有稿子的口语之中隐藏线索的算法经过分析发现，他们讲话的语气表现出高度的不确定性。Schnidman 表示：“我们发现 IT 部门高管讲话的语气和他们所说的积极言论并不一致。”

Schnidman 为两家金融科技公司提供了这项分析建议。在评论发表后的几个月内，大众汽车和福特汽车等公司警告称，严重的芯片短缺会影响产量。汽车和工业公司的股价随之下跌。IT 部门高管现在表示供应很紧张。Schnidman 认为，如果计算机驱动的量化基金将权重分配给这些高管说话的语气而不是他们所说的内容，原本可以在这场行业动荡之前，处以更有利的位置。对 11 位正在使用或者试用此类系统的基金经理的采访显示，部分投资者将这种被称为自然语言处理（NLP）的技术视为一种新的工具，认为它可以帮助他们获得压倒竞争对手的优势。他们表示，如今传统的财务数据和公司报表已经被挖掘得很透，几乎没什么价值了。

每当人类或者机器学会更好地完成一项任务时，都会留下一系列证据。一系列物理变化——大脑中的细胞或算法中的数值——是提高表现的基础。但系统如何准确地确定要进行哪些调整可不是一件小事。它被称为可信度赋值问题（credit assignment problem），大脑或者人工智能系统必须找出管线中哪些部分应对错误负责，然后对其进行必要的修改。简单说：这是一个问责游戏，找出是谁的过错。

AI 工程师用被称为反向传播(backpropagation)的算法解决了机器的可信度赋值问题，该算法在 1986 年由 Geoffrey Hinton、David Rumelhart 和  Ronald Williams 的工作推广开来。现在它是最成功的人工智能系统——深度神经网络（在输入层和输出层之间隐藏若干人工神经元层）学习的主要驱动力。根据发表在《Nature Neuroscience》期刊上的一篇论文，科学家现在可能终于在活着的大脑中找到了与之对等可实时工作的模型。

由渥太华大学 Richard Naud 与麦吉尔大学和 Mila AI 研究所 Blake Richards 领导的一组研究人员发现了一种大脑学习算法的新模型，该模型可以模拟反向传播过程。它看起来非常逼真，以至于引起了实验神经科学家们注意，科学家现在对研究真正的神经元非常有兴趣，希望了解大脑是否真的这样做。柏林洪堡大学的实验神经科学家 Matthew Larkum 表示：“理论性的想法可以推动我们进行困难的实验，在我看来这篇论文已经超越了这一标准……它具有生物学意义上的合理性，而且可能会产生很大的影响。”

四足机器人是机器人技术最有意思的发展之一。它们小巧灵活，能穿越轮式机器无法穿越的环境。所以把武器安装在这些机器人上面只是一个时间问题。美国公司 Ghost Robotics 制造的四足机器人 Vision 60 配备了轻武器公司 Sword International 的定制枪。枪本身（被称为 SPUR 或者“专用无人步枪”）的设计是打算安装在各种机器人平台上。它具有 30 倍光学变焦、用于在黑暗中定位的热像仪，有效射程为 1200 米。尚不清楚 Sword International 或 Ghost Robotics 目前是否在销售这种配备了武器的机器人。如果还没有开始的话，应该很快了。正如 Sword 网站上的营销文案夸耀的那样：“SWORD Defense Systems SPUR 是无人武器系统的未来，而那个未来就是现在。”

一个旧金山街区被突如其来爆发性增长的交通流量打破了宁静。居民表示，他们的里士满区（Richmond District）的一条死路突然挤满了无人驾驶汽车公司 Waymo 的汽车。“我睡觉时注意到了，”Jennifer King 表示，“我被一阵奇怪的嗡嗡声吵醒了，还以为窗户外有一艘宇宙飞船。”这些不速之客不只是晚上来。它们整天都来，就在 15 大道的尽头，这里什么都没有，车子只能在这里转弯，然后从进来的路出去。一辆车离开后不久，会有另一辆车出现，转弯然后离开，然后又来一辆车，重复同样的事情。虽然可能会有一些中断，但基本上没有真正停过。King 在谈到 WayMo 汽车数量时表示，“有时候可能会有 50 辆……实际上是每五分钟一次。我们都在家工作，所以都能听见。”有几次这些车一起来了。这些高科技汽车停成一排，似乎被这条死路完全搞糊涂了。有些居民觉得它们很讨厌，每个人都觉得情况有些奇怪。

Google 研发主管 Peter Norvig 加盟了斯坦福研究所 Institute for Human-Centered AI 担任杰出教育专家（Distinguished Education Fellow），工作是开发工具和材料解释 AI 的关键概念。Peter Norvig 在 Google 工作了 20 年，他是在 2001 年加盟 Google，之前的工作是 NASA 的计算机科学家，帮助设计了火星漫游车使用的自治导航软件。在担任 Google 研发主管期间，他监督了搜索算法，建立了专注于机器翻译、语音识别和计算机视觉的团队。他还合作编写了广泛使用的 AI 入门教科书《Artificial Intelligence: A Modern Approach》。他解释为什么离开 Google 时称，他的职业生涯总是在教育、企业和政府部门之间来来回回，在一家公司待了 20 年和远程办公 18 个月后，他认为是时候尝试新事物，他现在专注于教育。

这听起来像是间谍惊悚片里的场景。黑客攻破了一家核电站的 IT 防御，注入虚假的现实数据，诱使计算机系统和人员认为这些操作是正常的。然后黑客会破坏核电站内关键机器的功能，导致其运行失常或者出现故障。当系统操作人员意识到自己被骗的时候，为时已晚，灾难性后果已发生了。

这个场景不是虚构的；它发生在 2010 年，当时黑客用 Stuxnet 毒破坏了伊朗的铀浓缩离心机。随着勒索软件和世界各地其他的网络攻击不断增多，系统运营商愈加担心“虚假数据注入”攻击。很多基于人工智能的计算机模型和数据分析确保了电网、制造设施和发电厂的平稳运行。如果落入歹人之手，这些模型和数据分析可能会反过来成为祸乱之源。

普渡大学的 Hany Abdel-Khalik 对此给出了强有力的回应：让运行这些网络物理系统的计算机模型具有自我意识和自我修复能力。利用这些系统数据流中的背景噪声，Abdel-Khalik 和他的学生嵌入了一些信号，这些信号不可见、不断变化，并且只用一次，将被动元件（passive component）变成了主动观察者（active watchers）。即使攻击者拥有系统模型的完美副本，无需人工响应，系统本身也会立刻检测出并拒绝任何注入伪造数据的尝试。

苏黎世大学研究人员开发出一种方法，让四旋翼无人机利用自身的传感和计算高速穿越未知复杂环境。无人机在没有地图的情况下通常很难在未知复杂环境中找到自己的路。研究小组负责人 Davide Scaramuzza 称，要精通自主敏捷飞行，你需要在一瞬间理解环境，无论是机器人还是人类来说这都是一件困难的任务。人类的专家级飞行员需要在多年的训练后才能达到这个水平。Scaramuzza 和他的团队训练了一架无人机能保持 40 km/h 的速度飞越以前未见过的环境，如森林、建筑物、废墟和火车，而且不会撞上障碍物。无人机的神经网络通过观察模拟专家学习飞行。模拟专家是控制虚拟无人机在遍布复杂障碍的模拟环境中飞行的算法，有足够的时间和计算资源后它能找到最佳路径。此类模拟专家不能在模拟环境之外工作，但它的数据能用于训练神经网络如何根据自身的传感器数据预测最佳路线。

根据发表在《自然》期刊上的一项研究，AI 能预测未来两小时内是否会下雨。Google 旗下的 DeepMind 和 Exeter 大学与英国气象局合作构建了即时预报系统。传统方法使用复杂方程式预报天气通常只能预报六小时到两周内的天气，新的 AI 系统能做出更精确的短期预报，包括重要的风暴和洪水。系统首先学习如何识别常见降雨模式，使用 2016 到 2018 年的英国雷达地图训练，然后在 2019 年的雷达地图上进行测试，50 名英国气象局气象学家发现，测试结果的正确率能达到 89%。DeepMind 的高级科学家 Shakir Mohamed 表示现在就采用 AI 系统还为时过早，但实验表明 AI 确实是一种强有力的工具。

《参孙和达丽拉（Samson and Delilah）》是十七世纪最具影响力的艺术家之一彼得·保罗·鲁本斯(Peter Paul Rubens)的一幅传世名作。这幅画描绘的是勇士参孙被自己的情人达丽拉出卖的旧约故事。在伦敦国家美术馆 1980 年买下这幅作品时，交易价格创下了当时拍卖史上的第三高位。但如今买家最好找找当时的收据了，因为根据一项最新 AI 分析，这幅画作几乎肯定是赝品。测试工作由 Art Recognition 完成，这是一家使用算法验证艺术品真伪的瑞士公司。该公司的工具基于深度卷积神经网络，系统在艺术家的真品图像之上进行算法训练，快速学会识别艺术家的特征。之后系统会将图像拆分成更多小块以扩充训练数据集，各图块会被放大以捕捉更多精细细节。训练完成之后，算法会输入一张新图像进行评估，分析图像特征并检测其属于真品的可能性。在将《参孙与达丽拉》与 148 幅鲁本斯真迹进行比较后，系统认为这幅作品有 91% 的几率为赝品。Art Recognition 联合创始人 Carina Popovici 对结果感到震惊：“为了防止错误，我们又重复进行了检测，而结果一直相同。每块都像是假的，几率超过 90%。”

在 Search On 活动中，Google 引入了几项新功能，综合看来这些新功能是该公司迄今为止最强有力的尝试，让用户不只是在搜索框里简单输入几个单词。通过在一些细节之处应用新的多任务统一模型（Multitask Unified Model，MUM）机器学习技术，该公司希望开启一个良性循环：它将提供更多的细节和语境更为丰富的答案，希望用户会因此询问更为详细、语境更为丰富的问题，最终结果是提供更丰富更深入的搜索体验。Google 负责搜索的高级副总裁 Prabhakar Raghavan 也负责 Assistan、广告和其他产品。他喜欢说——而且他在上周日的一次采访中也重申——“搜索可不是一个已经解决掉了的问题。”这可能是真的，但是他和他的团队现在试图解决的问题与网络上的争吵并没什么关系，而是更多地为了给找到的内容添加语境。

对 Google 而言，该公司将利用机器学习技术，发挥自身识别相关主题关联内容的能力，并且以一种有组织的方式将这些关联内容呈现给用户。即将重新设计的 Google 搜索将开始显示“该知道的事（Things to know）”框，将你送到不同的子主题。当视频中的某个部分与这个主题相关时——即使整个视频与此并无关联——它也会将你送到那里。购物结果将开始显示附近商店的库存，甚至还会显示与你的搜索相关的、不同款式的服装。对你而言，Google 正在提供一种超越文本框的、新的搜索方式。该公司正在积极推动旗下图像识别软件 Google Lens 进入更多地方。它将被内置于 iOS 上的 Google 应用程序以及桌面上的 Chrome 网络浏览器中。Google 希望，通过 MUM，能让用户不仅仅识别鲜花或者地标，而是能够直接使用 Lens 提问和购物。

根据泄露的内部开发文件与 Astro 软件开发会议视频记录，亚马逊新推出的 Astro 机器人设计跟踪家庭之内每名成员的个人行为，借此执行监控与助手职责。根据参与 Astro 项目的两位消息人士介绍，该系统的人员识别系统存在严重缺陷。内部文件在提及 Astro 时使用的是其内部代号 Vesta，深入剖析了机器人设计思路、亚马逊的开发理念、设备如何跟踪客户行为、如何确定谁是“陌生人”以及该对“陌生人”采取何种“调查活动”的判断流程等。

会议文件以更直率的方式详细说明了机器人的工作流程。一份文件写道，“当周围有陌生人时，Vesta 会缓慢而智能地在家中巡逻，从一个扫描点移动到另一个扫描点（选择当前空间中最适合环顾四周的位置与姿态），搜索并倾听异常活动。Vesta 在移动到预定的扫描点后，摆出扫描当前所处房间的姿态，以它的方式越过障碍。在完成楼层平面图上的所有扫描点之后，Vesta 完成一轮巡逻。”

参与 Astro 项目的开发人员表示，他们当时正在工作的机器人版本表现不佳。消息人士坦言，“Astro 的表现相当糟糕，几乎一有机会就要一头摔下楼梯。人员检测效果往好听了说也是不太可靠，所以给出的家庭安全提议自然沦为笑柄。考虑到高昂的成本，这台设备太过脆弱。好几台设备上的伸展杆都坏了，没办法正常伸缩，用户无法在这种情况下把产品送回亚马逊返修。亚马逊还打算把 Astro 宣传成一款无障碍设备，但伸缩杆极易损坏加上随时可能摔下楼梯，产品总体上是荒谬的，甚至可能给使用它的群体带来意外风险。”

人工智能已经深入我们的生活，虽然你可能难以指出明显的例子。在无数服务的背后，有神经网络在为我们的虚拟助手提供支持、提出在线购物建议、识别出照片中的对象、审查我们的银行交易以避免欺诈活动、转录我们的语音信息，并清除社交媒体上的过激言论。但这些应用都有着共通的局限性，即只能在有限且明确可预测的环境当中学习和起效。

我们的工作与商业环境没这么单纯，所以让 AI 发挥作用自然困难重重。为了更上一层楼，研究人员正努力将 AI 与机器人技术融合起来，希望创造一种真正具备智能，可以在混合、无法预测且残酷无情的现实世界中做出决策、控制物理实体的完整解决方案。这无疑是个革命性的发展目标，也引起世界上众多强大技术研究组织的关注。

Google 位于伦敦的 AI 合作伙伴 DeepMind 机器人技术主管 Raia Hadsell 坦言，“我认为机器人技术领域的发展态势，可能要比计算机视觉技术的当前水平落后十年左右。” 即使对 Google 来说，这也是一项艰难的挑战。其中某些部分相对简单：在大多数机器人应用领域，我们很难收集到能够推动AI其他领域取得进展的庞大数据集。也有些问题深刻而复杂，涉及 AI 领域的老大难挑战：如何让 AI 在不忘记旧任务的前提下学习新任务？如何创建一种 AI，将它在新任务中学习到的技能融合进之前掌握的能力之内？ 只要在这些方面取得突破，AI 的应用领域将大大拓宽。我们热切希望 AI 完成的各类目标——驾驶汽车和卡车、在疗养院工作、灾后清理、完成基本家务、建造房屋，播种、培育和收割庄稼等等——这一切超出现有 AI 处理范围的复杂、通用任务，都将可以由机器人独力完成。 除了打开巨大的潜在市场之外，这项工作还将带来直接且深远的社会影响。它不仅启发着我们对机器人技术乃至AI研究的思路，更会影响我们对于智能这一概念本身的理解。 我们不妨从最简单的问题起步。神经网络的水平取决于训练中所使用数据的质量与数量。海量数据集的出现，成为近年来AI技术迅猛发展的前提：图像识别软件需要数百万张经过标 记的图像训练而成；AlphaGo 之所以能在古老的围棋中击败世界第一人，靠的就是数十万轮棋谱数据训练与自我对弈的几百万次磨炼。 但是机器人的训练可没有这么庞大的数据集可供参考。

Hadsell 指出，“这是个非常关键的困境。我们可以在几分钟内通过数百个 CPU 并发运行，让 AI 模型快速模拟成千上万盘围棋对弈。但如果机器人拿起一个杯子需要 3 秒钟，那么每台机器人每分钟最多只能进行 20 次练习。更重要的是，如果图像识别系统在前 100 万张图像中总结出了错误结论，不会有什么大问题。但如果双足机器人在前 1000 次行走中不断跌倒……那没等它学会走路机器就差不多要报废了。” 真实数据的问题目前还没能得到解决，但 DeepMind 从未止住脚步，他们只是不断收集自己能够收集到的一切、机器人则在实验室里嗡嗡作响。而在整个行业内，研究人员则希望通过所谓“模拟到真实”的技术解决数据匮乏问题。 位于旧金山的 OpenAI 实验室最近正在利用这项策略训练机械手，尝试让它学会破解魔方。研究人员开发出一个包含魔方加机械手的虚拟环境，并在其中训练负责操纵机械手的 AI 模型。之后它们把 AI 模型安装在实体机械手上，尝试破解真正的魔方。从结果来看，模拟训练确实能教会物理机器人解决真实世界中的难题。

Hadsell 适时泼了点冷水，表示虽然取得了重大成功，但这项技术仍有很大的局限性。AI 研究员兼机器人专家 Rodney Brooks 有句名言，“模拟注定会成功”，因为模拟环境过于完美、与现实世界的复杂状态脱节。Hadsell 指出，“想象一下模拟环境中有两只机械手臂，不断尝试组装一部手机。”只要让它尝试几百上千万次，机械手最终能够在几秒钟之内以恰到好处的力度加毫厘不差的时机组装出一部手机——每个部件都在最正确的时间落在最正确的位置上。但这样的结果永远无法适用于复杂而且混乱的现实。目前研究人员还无法建立起包含不完美因素的模拟方案。Hadsell 解释道，“我们当然可以人为添加噪声和随机性，但还没有任何一种现代模拟方案能够可靠地重现哪怕一小部分现实条件。”

一种相对较新、能够模拟人脑工作方式的计算类型，正在改变科学家解决某些高难度信息处理问题的方式。研究人员现在找到了一种方法，能将所谓储备池计算（Reservoir Computing ）的工作速度提高 33 到 100 万倍，大幅削减所需的计算资源与数据输入量。在下一代储备池计算的测试中，研究人员不到一秒内就在台式机上解决了一个复杂计算问题。这项研究的主要作者、俄亥俄州立大学物理学教授 Daniel Gauthier 表示，即使使用目前最先进的技术，同样的问题也需要在超级计算机上耗费更长时间才能解决。研究报告发表在《自然通讯》杂志上。

Gauthier 解释道，储备池计算是一种出现于 2000 年代初的机器学习算法，用于解决“最困难的”计算问题，例如预测动力系统随时间推移产生的演变。Gauthier 表示，之前的研究表明，储备池计算非常适合学习动力系统、够准确预测它们的未来行为。储备池计算通过人工神经网络实现这一目标，整个处理过程与人脑类似。科学家将动态网络上的数据输入到网络内随机连接的人工神经元“储备池”中，再由科学家将该网络产生的有用输出馈送回网络，由此建立起一套越来越准确的系统发展预测模型。系统体量越大、复杂度也就越高，科学家要想得到更准确的预测结果，就必须使用更大的人工神经元网络——由此占用的计算资源与时间自然就更多。

在这项研究中，Gauthier 和他的同事发现可以对整个储备池计算系统进行大幅简化，从而显著削减对于计算资源的需求、缩短处理时长。他们选择在由 Edward Lorenz 开发的天气预测系统中测试了他们的概念，即尝试分析蝴蝶效应的发生过程。在这项预测任务中，他们的下一代储备池计算明显胜过当前最先进的技术。在台式机上完成的一项相对简单的模拟当中，新系统比现有模型快 33 至 163 倍。而在强调提高预测准确性后，下一代储备池计算的速度则快了约 100 万倍。Gauthier 表示，与上一代模型所需要的 4000 个神经元相比，新一代计算方法只需要 28 个神经元就能实现相同的精度。另一个实现良好加速效果的原因，在于下一代储备池计算背后的“大脑”对于预热及训练的依赖性较上代方案也有大幅降低。所谓预热，是指将训练数据输入添加到储备池计算机内，借此为实际任务做好准备。

上个月，由数十位斯坦福大学研究人员共同撰写的论文将一部分 AI 模型称为“基石（foundation））”，引发了人们对于 AI 未来发展的争论。斯坦福大学提议建立新的研究机构来研究这些所谓“模型”，但反对者称这些“基石”会彻底“扰乱有意义的讨论”。 有人认为这些模型的功能相当有限、而且经常出现难以解释的怪异行为；也有些人警告称，这是在过度强调实现机器智能的特定一种方法。加州大学伯克利分校研究 AI 技术的 Jitendra Malik 教授在视频讨论中向与会者们宣布，“我认为「基石」这个词用得大错特错。”Malik 承认，斯坦福大学研究人员确定的这类能够回答问题、或者根据提示生成文本的大型语言模型确实拥有巨大的实际用途，但在他看来生物学进化证明语言需要建立在智能的多种具体基石之上，比如与物理世界互动的能力。Malik 强调，“这些模型只是空中楼阁，没有任何基础、自然也不应被称为基石。这些模型中的语言是被悬置起来的虚假产物，不存在任何对语义的真实理解……”亚利桑那州立大学 Subbarao Kambhampati 教授也认为，这些模型并不能指明通往通用型AI技术的确切路径……华盛顿大学语言学系 Emily M. Bender 教授则表示，她担心基石模型的想法反映出投资行业对于以数据为中心的AI方法的过度偏好……与之并列、同样非常重要的领域则严重缺乏资金。她指出，“希望行业能在把资金投入云端之前，先照顾一下其他没那么光鲜的相关学科。”

亚马逊货运司机表示，因为不可控的原因，安装在货车上的监控摄像头让他们蒙受损失。今年 2 月，亚马逊宣布将在自家品牌的配送货车上安装由 AI 技术初创厂商 Netradyne 制造的摄像头，作为“保护司机安全”的“创新方案”。亚马逊公司发言人在采访中表示，截至本月，亚马逊已经在全美范围内为超过半数配送车队安装了这项技术。媒体随后与加利福尼亚州、得克萨斯州、堪萨斯州、阿拉巴马州以及俄克拉荷马州的六位亚马逊配送司机及华盛顿一家亚马逊配送服务商老板进行了交流，他们表示 Netradyne 摄像头明显不鼓励安全驾驶，而且会定期因司机无法控制或者有违安全驾驶习惯的所谓“事件”施以惩罚。他们强调，司机观看后视镜、调节收音机、在盲人路口的停车标志前驻停或者在交通拥挤时被堵住等情况下都可能遭到罚款。

Netradyne 摄像头要求亚马逊司机签署同意书以监控他们的生物识别数据。这台摄像头上有四个镜头，能够在检测到“事件”时记录司机的情况，包括跟车太近、发现停车标志、不配合指示灯行驶以及分心驾驶等。当摄像头检测到“事件”后，就会将当前情况上传给亚马逊以及配送公司能够访问的 Netradyne 界面。在某些情况下，Netrayne 还会用机器音提醒司机“您已分心驾驶”或者“请保持安全距离”。每当摄像头记录到事件时，相应画面都会被上传至系统中记录下来，并影响到司机在一周结束时收到的安全驾驶评分。亚马逊司机认为，AI 监控摄像头已经成为亚马逊节约成本的手段。亚马逊配送司机与及配送公司被称为“配送服务合作伙伴”，报道称这些与亚马逊签订了合同的受雇司机很可能因为 Netradyne 的错误判断而蒙受收入损失。

去年 11 月 27 日，伊朗首席核科学家 Mohsen Fakhrizadeh 遭到袭击，《纽约时报》披露了此次暗杀行动的更多细节。

从 2004 年起，为阻止伊朗获得核武器，情报机构摩萨德对伊朗核设施发动了一系列的破坏行动，其中最瞩目的是利用 Stuxnet 蠕虫破坏铀浓缩离心机。与此同时，情报机构还使用暗杀手段除掉参与核武器项目的伊朗科学家。从 2007 年起摩萨德暗杀了 5 名核科学家，绝大部分科学家都直接为核武器项目负责人 Mohsen Fakhrizadeh 工作。2009 年摩萨德曾策划暗杀 Fakhrizadeh 但在最后时刻取消了任务，原因是摩萨德怀疑阴谋暴露伊朗在暗杀地点设下了埋伏。

2020 年 11 月 27 日，情报机构使用了不同的方法暗杀 Fakhrizadeh。当天下午 Fakhrizadeh 和妻子在武装人员的保护下离开位于里海的度假屋返回位于 Absard 的家，伊朗情报机构已对暗杀阴谋发出了警告，Fakhrizadeh 对此不以为然，以色列想要杀死他很久了，太多的威胁和阴谋让他对此不再过多关注。他想要过普通人的生活，经常自己驾车而不是在让保安驾驶装甲车护送回家。在摩萨德最新的计划中，为它工作的伊朗间谍将一辆蓝色尼桑 Zamyad 皮卡停在连接 Absard 和高速公路的一处地势较高的路边上，能清楚看到靠近的车辆，车内有一挺 7.62 毫米狙击机枪。下午一点左右，暗杀小队收到了 Fakhrizadeh 和妻子离开度假屋回 Absard 的情报。

负责暗杀的是一名富有经验的狙击手，他已经准备就绪，但他的人并不在 Absard 的附近，而是在电脑屏幕前，距离暗杀地点超过 1 千英里。整个暗杀小队已经离开了伊朗。皮卡上安装了多个摄像头，能看到周围情况。摄像头将图像传输到他的屏幕以及将狙击手的反应发送到机枪的过程大约需要 1.6 秒，这足以让最精确的攻击打偏，因此机枪使用了 AI 辅助去补偿延迟、震动和车速。在不到 60 秒内机枪射出了 15 发子弹，没有一颗射到相距 25 厘米的 Fakhrizadeh 的妻子。暗杀使用的设备是零碎走私进入伊朗的，所有零部件加起来大约重一吨，由于销毁设备的炸药部分失效，伊朗因此能搞清楚发生了什么。暗杀行动并没有放缓伊朗的核计划，伊朗被认为已经接近生产出用于核弹的足够的浓缩铀。但对于真正实现核武器化 Fakhrizadeh 的死亡被认为对伊朗产生了巨大影响。

这个网站简单但却醒目。白色背景之下，一个巨大的蓝色按钮邀请访问者上传一张人脸照片。按饼干下方，则是 4 个由 AI 生成、供用户测试的面部选项。网站上的标语大胆宣告：通过 deepfake 技术把人脸添加进成人视频，每个人都可以是色情明星。没错，只需要上传图片、按下按钮，定制化小黄片就此完成。MIT Technology Review 对该网站表示无语，我们则将其代称为Y。这里就不放具体内容或者截屏了，免得继续给该网站引流。这个网站是由 deepfake 研究员 Henry Ajder 所发现并上报的，他一直在跟踪在线合成媒体的演变与兴起趋势。

目前 Y 网站的名气还不是很大，只有小部分用户在积极通过线上论坛为创作者提供反馈。但研究人员担心这类应用的出现会打破早已脆弱不堪的道德底线。从一开始，deepfake（或者叫AI生成式合成媒体）的主要用途就是创建女性色情视频，但当事人往往会因此受到毁灭性的心理伤害。最初推广这项技术的 Reddit 创作者会将女性名人的面孔转换进色情视频。时至今日，研究公司 Sensity AI 估计网上的所有 Deepfake 视频中有 90% 到 95% 属于未经同意的色情内容，其中又有约九成以女性为主角。

机器人吸尘器对养宠物的用户来说是一笔合算的投资，它就能自动帮我们清除掉污垢与宠物散落一地的毛发。但这种扫地机器人运行声音较大，如果主人有其他事情要忙，很可能会放它自己清扫、自己出门办事。如果您也这么干过，那最好是对宠物的排泄习惯抱有坚定的信心。如果宠物没能忍住，那么就会跟扫地机器人上演了一场“便便风暴”。iRobot 将使用新的Roomba j7+ Robt Vacuum 解决这种危机。它采用了新的“Genius 3.0”障碍检测系统、一个新的前置摄像头外加 AI 支持软件。对于新一代机器人，便便也会被认定为障碍物。如果您的心理承受能力不强，千万别上网乱搜“便便+扫地机器人（poop+Roomba）”。但大家应该可以想象，扫地机器人上有很多活动部件，例如轮子和旋转刷。整个过程就像是开车碾过泥地，机器人在遇到这团“小柔软”后，自己的旋转刷会很快变成油漆滚筒。之后机器人在房间里继续行进，这些热腾腾的油漆也就铺上了每一寸地面。

哈佛商学院的一份报告指出，自动简历扫描软件是美国招聘体系“崩溃”的原因之一。报告作者指出，企业雇主本打算使用这种软件快速过滤求职者，但却错误地拒绝了数百万合格候选人。这无疑加剧了“隐藏劳动力”的问题——即有能力也有意愿工作，但却由于劳动力市场的结构性问题而被拒之门外的人。研究作者确定了多种阻碍人们就业的因素，表示自动招聘软件是最大的问题之一。目前美国企业雇主中有 75% 在使用这些程序（在财富五百强企业中的普及率更是高达 99%），旨在应对 1990 年代以来数字化工作应聘的快速增长。科技确实降低了人们申请工作的门槛，但也提高了被企业意外拒绝的几率。自动化软件错误拒绝候选人的确切理由各不相同，但大多源自以过于简单的标准来划分“好申请人”和“坏申请人”。

加州计划通过一项新法案，反对据称在亚马逊物流中心使用的生产力测量算法。这项法案于今年 5 月由加州众议院通过，预计将于下周由参议院进行投票。如果最终通过，此项法案将对自动定额分配系统提出新的透明度要求，并阻止任何组织后续部署一切可能危及工人健康和安全的类似系统。圣迭戈民主党议员 Lorena Gonzalez 在 7 月提交此法案时还引用了 The Verge 网站发布的一份报告，发现“数百名”亚马逊仓库员工因未能达到巴尔的摩一物流中心的生产力指标而遭解雇。相关文件显示，亚马逊在使用一套高度自动化系统、能跟踪单一员工的实际生产效率。