让新科技冲破想象力的边界

触摸音之灵

近日，备受关注的MagicLeap发布了首款MR头显，Magic Leap One。这家估值60亿美金，却尚未有实际产品的公司，一举一动都引发巨大关注，乃至争议。

不过，今天我们不说头显。

不久前，Magic Leap和冰岛乐队SigurRós合作，推出了AR音乐体验产品Tónandi，这是一个用冰岛语制造出的混合词，意为“音之灵”。

体验过的记者说，首先出现的是让人紧张的嗡嗡声，随后我看到一群小小的精灵在我的面前飘来飘去，水母般的生物似乎与我通过耳机听到的音乐波形相匹配。体验中鼓励我通过双手去探索，当我试图用手去抓一个音之灵时，看到屏幕上短暂的出现了提示：

你能够和这些小生物进行互动，但是并不能控制它们。

体验者将它想容为，一种近乎神圣的仪式，引发谦卑之感，奇特，生动而脱俗。

让我们不禁想起Ted Nelson 掷地有声的呼吁：

在电脑屏幕上模拟纸就像是把波音747飞机的翅膀摘下来，并把他当做巴士车一样在高速路上跑。我们真正需要设计的软件是那些不能够在纸上表达的东西。

将想法和表达从四方的纸质监狱中解放出来。

据报道，Abovitz正考虑在冰岛打造一个专门的乐园，在里面，一大群音乐之灵们能够在这片神圣的土地上自由漫步。

“钢铁侠”送给星际的一份礼物

前天，朋友圈被一个小视频刷屏了。

这是马斯克旗下 Space X 公司第 4 次为铱星公司发射卫星成功，而这颗猎鹰 9 号火箭的升空，一次性送上去了 10 颗卫星。

铱星计划最初由摩托罗拉提出，计划通过建立由 77 颗近地轨道卫星组成的网络，实现真正意义上对地球表面通信网的全部覆盖，无论你是在某个不知名的海岛，还是在暴风肆虐的北极。

"铱"是人类元素周期表上排第 77 位的元素，这也曾被人类比作“造星星”的计划。

一等十几年，最终决定75 颗由 Space X 发射。在如此大的规模下对现有卫星群中的卫星进行一对一的替换，堪称前所未有，这将成为历史上最大的科技升级之一。

然而，一箭 10 星对于马斯克来说，怕是十几年前的“想象”了，在马斯克眼里可能早已注视着更远星球的热土，比如火星。

为了实现人类远征火星的梦想，马斯克需要拿出更大推力的火箭来。

从本周 Space X 放出的火箭图来看，猎鹰重型火箭由 3 个猎鹰 9 号火箭并联而来，足足有 27 个喷口，运载负荷能力是当前最高火箭的两倍。

你猜马斯克在这个试验火箭里放了什么？一辆樱桃红色的 Roadster 1 代跑车。

这台车也是特斯拉的第一代作品，是马斯克钢铁侠之路的开山之作。

马斯克：

如果一切平安，这辆Roadster 会在浩瀚星空中待上 10 亿年。

探测卫星“悟空”疑似捕捉到暗物质

暗物质，一个人类追寻多年的宇宙魅影，最近被中国“悟空”发现了疑似踪迹。

国际权威学术期刊《自然》于北京时间30日在线发布，暗物质粒子探测卫星“悟空”在太空中测量到电子宇宙射线的一处异常波动。这一神秘讯号首次为人类所观测，意味着中国科学家取得了一项开创性发现。

经过两年持续观测，“悟空”在1.4万亿电子伏特(TeV)的超高能谱段，“定位”了一束明显异于常态的电子宇宙射线。

“悟空”首席科学家、中科院紫金山天文台副台长常进：

‘悟空’用的是探测高能宇宙射线的方式，寻找暗物质粒子湮灭的间接证据。

根据理论模型，暗物质湮灭会产生高能伽马射线、高能电子等宇宙射线，一旦找到特定的高能宇宙射线，有望推断出暗物质的“庐山真面目”。

这是近年来科学家离暗物质最近的一次发现。常进说，如果进一步研究确认与暗物质相关，人类就可以沿着“悟空”的脚步去找寻宇宙中5%以外的广袤未知，这将是一个超出想象的成就。

五大新技术，拓展机器学习想象空间

德勤预计 2018 年，人工智能将渗透智能手机的软硬件，无人驾驶领域技术企业依旧成为主导，AI+工业机器人对制造业的冲击也将日益凸显，财务机器人将取代高度重复性的人类工作，AI+金融成为热点；大中型企业机器学习应用与试点数量将翻倍，超过三分之二的大型企业的部署与试点数量均超过10个。

以应用的广泛程度作为标准，德勤认为最值得关注的五项新技术手段：

1、数据科学自动化

数据科学从数据清洗到探索性资料分析、特征工程、特征选取、预测建模、模型选择等占据数据科学家 80%时间的流程都可以被完全或部分自动化。而现在，成熟企业或初创企业提供了众多用于数据科学自动化的工具与技术，能够将机器学习概念验证时间从几个月缩短到几天。

2、减少训练模型所需数据

训练一个机器学习模型需要多达数百万的数据，获取、标记训练数据也非常耗时且成本高昂。然而，一系列减少训练模型所需数据的技术已经出现：其中一种是通过算法模拟真实数据特点从而合成数据，另一种减少训练模型所需数据的技术是迁移学习。

3、缩短训练时间

大型企业与初创硬件制造商正在开发专用硬件（例如 GPU、FPGA 和 ASIC），通过加快运算速度和芯片内部数据传输以减少训练机器学习模型所需时间。这些专用处理器能够成倍地加速机器学习训练与执行又降低了相关成本。

4、能够解释结论

机器学习无法解释系统作出决策的依据（黑箱问题），对模型答案的信任问题以及合规问题造成机器学习不适用于许多场景。有幸的是，MIT的研究人员发布了一种训练神经网络的方法，它能够准确解释机器学习决策的基本原理。

5、本地部署

机器学习正越来越多地进入移动设备和智能传感器，并在智能家居、智慧城市、自动驾驶、可穿戴设备以及工业物联网领域扩张。随着智能手机成为部署机器学习的选项，以及潜在应用数量也在增加，企业部署机器学习应用和试点的数量也会增加。

我们许愿：以想象力让奇迹成真！