对人类来说，识别场景中的物品就像看它们这么简单。但对于人工智能和计算机视觉系统来说，开发出对周围环境的高保真理解需要更多的努力。如果我们具体一点的话，需要大约 800 小时的手动标记训练图片工作。为了帮助机器更好地了解人们的做法，MIT CSAIL 的一组研究人员与康奈尔大学和微软合作开发了STEGO，一种以像素为单位识别图像的算法。通常创建计算机视觉（CV）训练数据需要人在图像中的特定对象周围画框——如给坐在草地上的狗画上的框——标记框内有什么东西（“狗”），以便用这些数据训练的 AI 可在草丛中分辨出狗。相反 STEGO（具有基于能量的图片优化的自我监督转换器）使用了名为“语义分割”的技术，该技术将类标签应用于图像中的每个像素，以便 AI 更准确地了解周围的世界。带标签的框中包含对象，也会包含边界内对象周围像素中的其他物体，而语义分割则标记对象的每个像素，但是只标记构成对象的像素——你只得到狗的像素，而不是狗的像素再加上一些草。这相当于机器学习使用 Photoshop 的智能套索和矩形框选工具的差别。这种技术的问题之一是范围。传统的多镜头监督系统通常需要数千张（如果不是数十万张）标记图像训练算法。将这个数字乘以即使构成单张 256x256 图像所需的 65,536 个单独的像素，现在所有这些像素都需要单独标记，所需的工作量很快就会大到不可能。CSAIL团队在新闻稿中写道，“STEGO 会寻找出现在整个数据集中的类似对象。”“然后它会将这些相似的对象联系在一起，在它学习的所有图像中构建一个统一的世界观。”

一项新研究发现，在富裕过程中允许经济不平等会降低公民的幸福感。在 78 个国家中，大多数参与研究的人对自己的生活不太满意，因为他们所在的国家在经济上变得更不平等了。英国莱斯特大学的 David Bartram 博士发现即使经济整体增长，各个阶层的人普遍更加富裕，生活满意度也会下降。他发现 2018 年英国的生活满意度与 1981 年大衰退期间的生活满意度相似，部分原因是英国的不平等程度大幅上升。英国是典型的生活满意度随时间推移因为不平等加剧而降低的国家，随着不平等的加剧，从 1981 年的 7.7 下降到了 1999 年的 7.4，后来随着不平等程度的下降，又恢复到了 7.8。“当不平等加剧时，高收入的人并没有从他们的收益中得到多少好处——很多富人关注的是那些比他们拥有更多的人，他们永远不会觉得自己有的已经够多了。但是收入很少的人因为落后得更多，真的会很痛苦——他们感到被排斥，并且会因为赶不上平均收入的人而沮丧。”随着时间的推移，不平等程度下降的国家通常更幸福，包括波兰、秘鲁、墨西哥和战前的乌克兰。 Bartram 博士表示，他的研究与之前的一些研究相矛盾，那些研究发现更高的不平等程度可以提高生活满意度。“我的论文发现了相反的结果——更高的不平等会降低生活满意度。以前的研究人员曾经在某个时间点对不同的国家进行比较，但是将一个国家与另一个国家进行比较并不是了解随着不平等加剧会出现什么情况的好方法。”

大多数汽车制造商都迫切想在全世界销售电动汽车。但他们面临着全球变暖时代的挑战：电池和制造电池所需的合乎道德的原材料供应紧张到令人望而生畏。特斯拉和大车等汽车制造商将锰（元素周期表中的第 25 号元素，位于铬和铁之间）视为最新的、诱人的丰富金属，它也许能让主流买家买得起电池和电动汽车。尽管第一款也是唯一一款使用高锰电池的电动汽车（即日产于 2011 年推出的聆风）的历史令人沮丧。但由于该行业需要所有能够获得的电池，改进后的高锰电池可能会脱颖而出，形成一个利基市场，也许作为介于磷酸铁锂化学电池和顶级豪华车和性能车型中的富镍电池之间的一个中等价位选择。马斯克（Elon Musk）在柏林特斯拉超级工厂的开幕仪式上语出惊人，当被问及对电池中石墨烯的看法时，马斯克答非所问道：“我认为锰有有趣的潜力。”谈到原矿，他强调说业界一直在努力摆脱钴，现在则是在摆脱镍，马斯克表示：“最终，我们需要的是数以千万吨甚至是以亿吨计的材料。因此用于生产这些电池的材料必须是普通材料，否则无法规模化。”

数学家 Jeff Kahn 和 Gil Kalai 在 2006 年首次提出“期望阈值”猜想时，他们自己都不相信。他们声称——对名为随机图的数学对象的广泛论断——似乎太强大、太包罗万象，也太大胆，所以不可能是真的。这更像是一种一厢情愿的想法，而不是数学真理。即便如此，没人能证明它是错误的，它很快成为该领域最重要的开放问题之一。15 年多时间过去了，斯坦福大学的一对年轻的数学家完成 了 Kahn 和 Kalai 认为不可能做到的事情：在几周前发布在网上的一份令人惊讶的简短预印本论文中，Jinyoung Park 和 Huy Tuan Pham 给出了对该猜想的完整证明。这一成果自动证明了数以百计更具体的陈述，每一种陈述都很难单独证明——且它对我们更广泛地理解随机图和数学集有更深层次的影响。Kahn-Kalai 猜想非常广泛——它是用集合及其元素的抽象语言写成的——但是可通过简单的例子理解它。首先，想象一张图：一组由线或边连接的点或者顶点。要制作随机图，请取出一枚偏币（biased coin）——一个落下来有 1%、30% 或者是 0 到 100 之间任意百分比概率正面朝上的硬币——然后针对给定的一对定点掷一次硬币。如果硬币落下来是正面朝上，就将这两个点用边线连接起来；如果硬币反面朝上，就不要这样做。对每一对可能的顶点都重复这个过程。