449，IBM發佈重磅產品：推出新的人工智能能力。IBM研發AI向用戶提供自動化的運維（生態）服務。
IBM新任CEO Arvind Krishna5月6日在IBM舉辦的“Think digital”大會上說：IBM致力於幫助企業（用戶）加快數字化轉型步伐。他還指出，IBM發佈的重磅產品之一是其推出新的人工智能能力。通過WatsonAIOPS推動自動化的IT運維，實現高彈性與低成本。
這反映了IBM順應世界產業革命的潮流，把人工智能（及其形成的能力）作爲核心技術、拳頭產品來抓，而且以運維（生態）爲重點抓AI應用落地。
運維管理、運維服務（OPS或DevOps）是現代企業管理的重要環節，採用AI技術提升自動化IT運維（生態），實現高彈性、低成本、開發維護一體化、自動化操作、多樣化服務。
450，谷歌發佈AIExplorables，進一步降低機器學習參與門檻。
近年來，人工智能機器學習已經相當普及，如：AlphaGo就成爲人類棋手的一位勁敵，又如：科學家用以探索暗物質，營銷員藉此制定最佳廣告策略，研究人員期望用它能夠攻克COVID—19這樣的流行病。如此說來，機器學習獲得廣泛應用，而且用它“幹大事”。爲了進一步降低機器學習的訪問和參與門檻，谷歌研發並推廣一個新項目：AIExplorables。
451，數學推理挑戰人工智能-中國工程院《Engineering》2019第5期
深度神經網絡形式的人工智能在從圖像識別到遊戲，從自然語言翻譯到語音合成的各種高質量使用情景中均有出色表現。當前，它在數學推理中表現顯得不盡如人意。而數學推理是人類智能的一項核心能力。
2019年4月，Alphabet旗下AI企業DeepMindTechnologies在探討最先進的通用神經網絡執行數學運算的能力的測試中，DeepMind不及格（在40分總分中得了14分），相當於在高中數學考試中失敗。
OpenAI研究常用的神經網絡功能時表明：在數學推理方面，這些神經網絡模型遭遇了困難。這種數據推理對AI具有挑戰性，因爲它不僅涉及處理數學，還需要一套認知能力（包括學習基本公理及以正確的順序進行推理、計劃和做亊的能力），AI首先需要讀懂問題：“任何有用的AI系統都要能夠處理數學、推理和計算，並在現實世界中靈活運用這些技能。”
後來DeepMind致力於解決數學推理問題（他們開發的數據集更側重於數學推理而不是對問題的語言理解），經測試，性能最佳的模型是Transformer（特別是訓練有素的模型）。
452，阿里研發AI推理引擎MNN發佈，以滿足手機淘寶需求。
阿里輕量級AI推理引擎MNN1.0.0正式發佈。
因爲原來手機淘寶採用的推理引擎TFLite難以滿足手機淘寶的發展需要（今天手機淘寶已發展爲一個億級用戶與日活的超級APP），阿里陶系技術部組織自主開發推理引擎MNN（1年前MNN在Github上開源，至今獲得3.9K stars）。
MNN比其他推理引擎更快、更輕量、更符合像手機淘寶這樣龐大、複雜的生產部署環境。
阿里在MLsys2020上發表了論文。
453，爲實現人機交互控制人機界面（HMI）的關鍵技術，一種用於語音關鍵詞識別的脈衝網絡具有語音識別高度準確率並降低邊緣設備中低功耗硬件的實現傳感器技術、微電子製造技術和人工智能算法的最新進展促使人機界面（HMI）迅速發展，實現了人機之間的有效且易於使用的之交互。在不同的通信方式中，語音是一種有吸引力的選擇，因爲它易於使用且免提操作。基於AI的語音識別已成爲語音控制HMI的關鍵技術。
卷積神經網絡（CNN）在模式識別任務（如圖像識別和語音識別）中以很高的分類精度取得了巨大成功。但是典型的CNN系統由數百個神經元和數百萬個配置在多層中的參數組成，導致能耗高，不適合低功率邊緣應用。
在IEEE會議中，論文《Ⅴoicekeyword recognition based onspiking convolution al neural network forHuman—Muchine Interface》提出了一種用於語音關鍵詞識別的脈衝神經網絡模型。該模型由一個輸入預處理層，一個帶有內置濾波器組的脈衝神經網絡（SNN）層和卷積神經網絡（CNN）層組成。具有能量檢測器的16通道無限衝擊響應（IIR），濾波器組從語言信號中提取功率，並通過SNN層轉換爲脈衝。在定義的時間窗口中的加標率用作後續CNN層輸入以進行分類。使用語音數字數據集來訓練網絡，而卷積層的權重是通過訓練從峯值層獲得的尖峯積分結果來調整的。
此模型已實現用於語音關鍵字識別，並達到96.0%的準確性。SNN和CNN組合可減少系統中層和神經元總數，而不會影響分類精度。它適用於人機界面（HMI）應用的邊緣設備中的低功耗硬件的實現。
454，比利時研製世界首臺基於開源信號處理芯片的雷達問世。
魯汶—Imec（研究與創新中心）是世界上第一個研發脈衝遞歸神經網絡處理雷達信號的芯片，並將其構建世界第一臺基於開源芯片的雷達。Imec的芯片模仿了生物神經元羣識別時間模式的方式，其功耗比傳統實現方法少100倍，延遲減少了10倍，可以實時決策，並減少了雷達功耗，提高了雷達性能。如僅用30微瓦的功率即可對微多普勒雷達信號進行分類。Imec的新型芯片最初設計爲在功率受限的設備中支持正電圖（ECG）和語音處理，然而由於其具有全新數字硬件設計的通用架構，它也可以輕鬆地重新配置以處理各種其他感官輸入，例如聲納、雷達和激光雷達數據。與模擬SNN相反，Imec的事件驅動數字設計使該芯片能夠像神經網絡仿真工具所預測的那樣精確且重複地運行。
比利時魯汶—Imec是世界領先的納米電子和數字技術研究與創新中心。
455，實施機器學習，監測及防治抗藥性癲癇，監測抗藥性癲癇（DRE）患者的腦部活動對於有效治療慢性癲癇至關重要。
日前，德國和法國的研究團隊提出了基於SNN的癲癇患者檢測系統。
實施機器學習工具以分析從DRE患者大腦皮層獲取的電信號可以導致癲癇發作發生之前的檢測。因此，這項工作的目的是爲癲癇性癲癇發作檢測開發一個深度尖峯神經網絡（SNN）。
節能高效的SNN與神經形態系統具有很好的兼容性，使其成爲邊緣計算設備的適當模型。此外SNN與神經形態芯片的集成使無需雲計算即可對敏感醫學數據進行安全分析。
可查閱https://link.spinger.com/chapter/10.1007/978-3-030-45385-5-34
456，麻省理工學院研究人員探索如何訓練機器更準確識別現實世界。
麻省理工學院的研究人員探索人工智能模型在其想像的照片中物體或與動物姿勢或與顏色的關聯是否可能舉一反三？研究人員指出，電腦對世界的理解，往往是它們所訓練的數據決定的，如果它們看到的只是紅色消防車的圖片，它們很難想像出其他顏色的東西屬於同類。爲了給計算機視覺模型一個更完整丶更富想象力的視圖，研研人員試着爲它們提供更多不同的圖像。有些人嘗試從奇特角度和不尋常的位置拍攝物體，以便更好地傳達真實世界的複雜性。其他人則要求模型使用稱爲生成對抗網絡的人工智能技術來生成自己的圖片。在這兩種情況下，其目的都是爲了填補圖像數據集的空白，以更好地反映三維世界，並減少面部和物體識別模形型的偏差。在國際學習表示會議上的一項新項研究中，麻省理工學院研究人員提出一種創造力測試，以瞭解GAN可以對給定圖像進行細化處理。他們將模型應用到照片的主體中，並要求其在明亮的光線下，在空中旋轉或以不同顏色繪製特寫的物體和動物。研究人員說，數據推斷和以新穎的的發明方式形象化世界的能力而引起了情報研究人員的注意。他們可以拍攝照片，然後將其轉換成文藝復興時期風格的肖像。但是，儘管GAN能夠自己學習令人驚訝的細節，例如如何將風景分成雲朵和樹木，或生成人們腦海中的圖像，但它們仍然非常依據於原始數據。GAN的創作反映了成千上萬攝影師的偏見，無論是他們選擇拍攝的東西還是構圖的方式。