美洲人歷史比預想要早十萬年；如何用蟲子解決塑料污染 | 每周科技播報

撰文 | 惠家明、黃華

責編 | 葉水送

●　●　●

No. 1 美洲人歷史比預想早十萬年

在現有知識體系中，歷史上的美洲大陸曾長期沒有人類生存。美洲原住民最早應是在距今一萬八千年之前才利用地球冰期下降的海平面，從亞洲遷徙至美洲，成為了美洲第一批人類居民。然而，《自然》雜誌最新發表的一項研究稱，美國加利福尼亞州一處遺址中出現了人類活動的痕迹，而該處遺址歷史距今有13萬年之久。在此項研究中，古生物學者與考古學家發現一些乳齒象的骨骼表面有被工具加工過的痕迹，而另一些石器表面則有加工骨骼所留下的印跡。顯然，這樣的行為只有人類才能做到。因此，這一考古發現很可能會將人類在美洲的歷史向前推十萬餘年。

論文鏈接：https://www.nature.com/nature/journal/v544/n7651/full/nature22065.html；圖片鏈接：Were humans in the Americas 100,000 years earlier than scientists thought?

自人類利用高密度聚乙烯來製作輕便、實用的塑料袋後，塑料袋就已經成為我們生活重要的一部分。但隨之而來的是，塑料污染無處不在，它已成為人類環境的最大威脅之一。如何解決白色污染，成為各國科學家關注的焦點。最近，西班牙發育生物學家和養蜂人找到了解決這一問題的新方法。他們發現，大蜡螟的幼蟲能夠吃掉塑料袋，並且能夠將常見的塑料袋使用材料聚乙烯轉變成乙二醇，乙二醇可作為防凍劑，重新再利用起來，這項研究發表在最新的Current Biology雜誌上。

文章來自：http://www.cell.com/current-biology/fulltext/S0960-9822(17)30231-2；圖片來自: science

近期，喬治亞理工學院的研究人員發表了他們對於哺乳動物排泄過程的流體力學研究成果，他們發現，哺乳動物體重不論是４噸還是４千克，也不論其直腸長度多少，其排泄所需時間都穩定在12秒左右。並且，這一過程最短為５秒，最長為19秒。該研究還提到，糞便的長度通常是直腸的兩倍，這意味著結腸可能也有儲存糞便的功能。

文章鏈接：Hydrodynamics of defecation; 圖片來自：500px.com

No. 4 機器人可按需求快速搭建房屋

最近，美國麻省理工學院（MIT）的研究人員提出一種新的數字化建築平台，可根據定製現場搭建出建築物，降低傳統建造技術打造建築的危險和巨大能耗。近年來，我們已經見到能夠搭建小型建築物的機器人，如壘磚機器人或用混凝土3D列印出建築物的機器人。最近，MIT研究人員設計了一個新的建築系統，可3D列印出整個建築物。這個系統的核心是一台有一大一小兩根手臂的印表機器人，可列印2768立方米體積的建築。與之前的印表機器人不同，該系統列印的範圍不局限於機器框架內，而是在小型胳膊噴嘴上，將兩種化學物質噴出來並迅速凝固。這一新的平台使用太陽能進行驅動，還可就地取材作為建材。研究人員相信，這一平台適合於部署到偏遠地區進行快速災後重建或類似的支援任務。

文章及圖片來源:

Robotic Construction Platform Creates Large Buildings on Demand

馬克思曾有一句名言：宗教是人民的鴉片。但實際上，宗教仍可在現代社會中發揮許多積極作用。《當代人類學》雜誌發表的一項研究稱，科羅拉多大學等研究機構的學者考察了印度北部難民群體的傳統宗教儀式，發現此類儀式在維護難民群體精神健康方面非常有效。這一難民群體原有的居住地因建設野生動物保護區而被徵收，其後，該群體內部心理與精神問題比較多見。不過，在經歷了兩次為期９天的印度教傳統儀式後，其精神狀況明顯好轉，個人的安全感恢復。研究者認為，這一發現非常值得參考，並可以應用在其他難民群體之中。

文章鏈接：Religious Ritual Is Good Medicine for Indigenous Indian Conservation Refugees: Implications for Global Mental Health; 圖片來自：pd4pic.com

近日，微軟研究人員公布了一項新的研究成果：他們訓練了一個深度神經網路 RobustFill，這一神經網路可學會遵循用戶的意圖來自動生成計算機程序。對於 RobustFill，用戶只要提供一些簡單的輸出-輸出對應範例，以表示自己希望獲得的程序的功能，RobustFill 即可從中學習並通過域特定語言（domain specific language）生成用於執行任務的程序。RobustFill 使用了曾用於機器翻譯的「Attentional sequence-to-sequence 神經網路」，可在輸入輸出存在明顯噪音的情況下保持高精度的學習結果，在真實世界的任務基準測試中，達到了92%的準確率。研究人員認為，這一研究成果解決了可解釋性的關鍵挑戰，是通向通用人工智慧的堅實一步。

文章及圖片鏈接：Deep Learning for Program Synthesis - Microsoft Research

近日，中山大學、中科大和微軟亞洲研究院的研究人員聯合提出了一種新的機器翻譯方法，能顯著提高機器翻譯質量。受啟發於生成對抗網路（GAN）的成功，研究人員實現了一種對抗機器翻譯訓練架構，即對抗神經機器翻譯（Adversarial-NMT）。與以前的工作不同，Adversarial-NMT不使用最大似然估計原理來讓機器翻譯結果匹配人類翻譯結果，而是希望最小化機器翻譯結果與人類翻譯結果的差異。因此，研究人員精心設計了一個卷積神經網路（CNN），這個CNN作為Adversarial-NMT模型的對手，判斷Adversarial-NMT的翻譯與人類翻譯之前的差異。而Adversarial-NMT的目標在於生成高質量的翻譯以「騙過」這一對手。在德語到英語和英語到法語的翻譯測試中，Adversarial-NMT的翻譯結果經BLEU標準評分後，都超過了現有的最好結果。

文章及圖片來源: [1704.06933] Adversarial Neural Machine Translation

製版編輯：葉水送丨

本頁刊發內容未經書面許可禁止轉載及使用

公眾號、報刊等轉載請聯繫授權

授權：copyright@zhishifenzi.com