1.华为发布全新机器人流程自动化产品：7×24小时不间断运行
        华为发布了机器人流程自动化 AntRobot RPA 2.0（Robotic Process Automation，机器人流程自动化）产品。据悉，RPA 作为一种自动化技术，能像人类用户一样登录业务系统并处理数据和业务流，并且可7×24 小时不间断运行，提升流程效率和准确性。华为表示，除了电信服务领域外，AntRobot RPA 产品还被应用于华为的制造、供应链、财经、零售、IT、HR 等多个部门。IT之家了解到，AntRobot RPA 2.0 推出了包括小程序生成、全面录制功能、自定义控件、客户成功管理、需求管理和安全管理六方面新特性。此外，AntRobot RPA 2.0 产品还提供了文档理解、OCR（光学字符识别）、人脸以及活体检测和训练能力。
图片
2.我国机器人相关企业前三季度注册量同比增长60.5%
       随着人工智能技术的发展，不少餐饮企业选择使用餐饮机器人破解“用工荒”问题。日前有数据显示，国内餐饮机器人销量近两年迅速增长，总销量已经过万。企查查数据显示，目前我国共有20.5万家机器人相关企业，广州、深圳分别以2.2万家、1.8万家排名全国城市前两位。2019年，相关企业年注册量已达到3.98万家，今年前三季度新注册4.88万家，同比增长60.5%。从投融资方面来看，机器人相关项目共发生投融资事件2097次，其中2020年共发生161次。从机器人相关***数量上来看，哈尔滨工业大学和北京航空航天大学分别以9405件和7476件排名前二，百度以5668件排名第三。
图片
3.研究发现机器人会鼓励人类冒险
        据外媒报道，南安普顿大学风险管理副教授 Yaniv Hanoch 领导团队的新研究表明，与没有任何影响因素的行为相比，机器人会鼓励人们在模拟赌博场景中承担更大的风险。这项新研究发表在《网络心理学，行为和社交网络》杂志上，希望了解人机交互是否会影响人类的判断。结果表明，机器人鼓励确实会使实验对象冒更大的风险。研究人员认为这个领域需要进行进一步的研究，查看人类与其他人工智能（AI）系统（例如数字助理或屏幕化身）的交互作用是否会产生相似的结果。
  4.德国人工智能战略升级，把对AI的资助从30亿欧元增加到50亿欧元
       近期，德国联邦政府根据近两年的形式变化以及新冠疫情带来的影响，对2018年版《德国人工智能发展战略》进行了完善，并在内阁表决通过了这一新的修订。经过修订后的战略计划到2025年，通过经济刺激和未来一揽子计划，把对人工智能（AI）的资助从30亿欧元增加到50亿欧元。本次完善的重点领域包括应用研究、***和专业知识、转化和应用以及监管框架和社会等领域。就内容而言可持续发展、环境和气候保护、抗击疫情以及国际和欧洲合作等是新举措的重点。具体内容包括：在德国培训、招募和留住更多的人工智能***；建立高效透明的研究结构，并提供***现代的AI/计算基础架构；基于出色的研究和转移结构，建立具有国际吸引力的AI生态系统，以加速研究成果在运营实践中的应用，特别是在中小企业中的应用；创建安全可靠的AI系统，加强德国和欧洲以创新和以人为本的AI应用框架；支持民间社会建立网络并参与AI的开发和使用等。
图片
5.全球首创机器人手术搭配日间手术成功切除肿瘤
        12月12日上午，在中南大学湘雅医院分别接受了肺肿瘤切除手术和纵膈肿瘤不到12小时的两位患者就顺利康复出院了，而两位患者的住院时间也还不到24小时。张春芳教授介绍，相对于传统的胸腔镜手术，机器人手术具有许多优势：一是操作系统具有3D视野，可以360度空间下灵活操作，任何刁钻角度都不在话下，在患者体内有5—10倍放大效果，显示更加清晰，操作更加精准；二是传统胸腔镜需要在患者肋间开12mm的小孔，而机器人手术只需要8mm，更适应正常人的肋间解剖距离，对患者伤害更小，术后疼痛减轻，更利于恢复。此次手术，张春芳教授更是想将机器人手术与日间手术的优势结合起来，产生1+1＞2的效果。
图片
6.IBM 新研究：仅用四位计算机即可训练 AI
        深度学习需要大量数据和计算资源，效率低且用电量高。据外媒报道，IBM 研究人员针对这个问题将表示数据所需的位数（即1和0）从当前的行业标准 16 位减少到只有4 位。该研究将于本周在年度 AI 顶会 NeurIPS 上进行介绍，可以将训练深度学习所需的速度提高并将能源成本降低七倍以上。它还可以在智能手机和其他小型设备上训练功能强大的 AI 模型，可将个人数据保留在本地设备上来提高隐私性。（MIT TechnologyReview）
图片
7.华盛顿大学教授：梯度下降学得的每个模型都近似于内核机器
        深度学习的成功通常归因于其自动发现数据新表征的能力，而不是像其他学习方法那样依赖手工特征。但在本文《Every Model Learned by Gradient Descent Is Approximately a KernelMachine》中，来自华盛顿大学的研究者表明，通过标准梯度下降算法学得的深度网络实际上在数学上近似于内核机器，这是一种简单地存储数据并直接通过相似性函数（内核）将其用于预测的学习方法。通过阐明深层网络权重实际上是训练示例的叠加，深层网络权重的可解释性可以大大增强。网络体系结构将目标函数的知识整合到内核中。这种更好的理解方式应该能够生成更好的学习算法。

本文摘自：网络 日期：2020-12-13
详情点击：ABB机器人代理商