【科學短消息 * Sci-News】

模組式機器人 ( Modular Robots ) 是由多個幾乎完全相同的小方塊所組成，每個小方塊上有電磁鐵、馬達，以及在側面便於方塊移動的輪子。構造雖然簡單，但便於拆解、重構，可藉由改變自身型態以適應不同環境，勝任多種任務。只是當面臨比自身龐大的障礙物時，往往需要更多的組成單元方可排除；然而，當組成單元越多，系統便越顯笨重、難以控制。不過，賓州大學的研究團隊─ModLab，近期開發出新的環境識別演算法，搭載於自家開發的SMORES-EP模組機器人上，使機器人不再需要大幅改變自身型態，而是善用身旁物件改造環境與地形以達成任務，克服前述模組機器人常遭遇的問題。

人工智慧的觸角已逐漸觸及醫藥領域，然而仍侷限於標靶識別、驗證與安全測試等，在現今藥物開發金字塔中屬於低層級的應用。追根究柢，在於人工智慧是講求多領域整合的研究。既有的學術分工涇渭分明且高度專業化，所築起的學識壁壘阻礙了相關發展與應用，儼然成為當今高等教育另一項亟需重視的課題。

史丹佛大學應用物理系博士班 陳奕廷 探索

Replika是一個由位於舊金山、專攻聊天機器人開發的Luka公司所開發的聊天機器人。在Google應用程式商店中，已累積不少忠實使用者，留下了許多正面評價與迴響。在聊天機器人技術已相對普及的此刻，Replika的出眾之處，在於其並不僅只是一個能與人對話的程式，更被設計成一個善於聆聽，最終成為使用者知心好友的聊天機器人。

■「In-Situ AI」這套運算架構，因應物聯網資料的特性與使用情境，在資料收集處就地進行大部分的運算工作。不同於以往將資料全部傳到「中央」的雲端，再接收「中央」決策完回傳的指令，In-Situ AI 發揮了「地方自治」的精神，善用地方資源、產生因地制宜的策略。其架構分為兩大部分：運算中樞（Node）與雲端。雲端有較高的運算能力，負責從大量的物聯網資料進行非監督式學習，汲取重要的特徵。接著藉由遷移學習（transfer learning），讓運算中樞的推理網路（inference network）認識這些特徵。如此在有限的標記資料下，推理網路也能對周遭世界具有一定程度的判讀能力。實驗結果顯示，遷移學習學到的特徵，讓推理網路預測的準確率提升30 %（達到近60 %），彌補標記資料不足的限制。

編譯／吳奕萱 腦機介面（Brain-co

隨著物聯網（Internet of Things, IoT）的普及，我們周遭佈滿各式各樣的感測器與攝影機，帶來生活便利之餘也收集了大量資料，成為電腦探索物理世界的素材。如潮水般湧入的資料，更是深度學習發展的重要基礎。以往這些資料會被傳到雲端，在雲端進行分析處理。然而愈來愈大量的資料，使傳輸耗費的能源急遽增加，其中更伴隨著隱私上的顧慮。此外，傳統在伺服器進行的監督式學習模型，在應付型態各異的原始IoT資料上也顯得笨拙。因此，若能在裝置上進行初步的資料處理，從源頭解決問題，除了能降低傳輸到雲端的資料量，也能更有彈性地處理不同類型的資料。