请读者朋友们先静下心来想想，你能想到的最沮丧、最棘手或者简单说来最烦恼的问题是什么？接下来，你再想想什么技术可以解决这些问题。为此，美国麻省理工学院（MIT）的《技术评论》杂志为读者朋友们遴选出了2013年的10大突破性技术，这些技术为解决问题而生，将会极大地扩展人类的潜能，也最有可能改变世界的面貌。
《技术评论》杂志的编辑在文章中指出，今年，我们首次用“突破性技术”来代替以往的“新兴技术”。我们对突破性技术的定义非常简单：能让人们以新方式使用技术的进展。它或许是一种为人们提供有用接口的直观设计（比如智能手表）；或者是使脑损伤患者能重新形成记忆的实验设备（比如记忆植入物）。有些技术可能对经济持续稳定的发展至关重要（比如3D打印技术和超级电网）；而另外一些技术则可能会改变我们的沟通方式（比如临时社交媒体）或者与我们的未来密切相关（比如产前DNA测序）。有些技术是工程师们天才创意的结晶；而有些技术则是科学家们对长期困扰他们的问题所采取的诸多尝试的集大成者（比如深度学习和超高效太阳能电池）。总而言之，我们希望这份年度技术榜单不仅能告诉人们需要知道这些技术；也借此对提出这些创意的人致以崇高敬意。
这些突破性技术中，深度学习位居榜首，其余九个分别是：超级电网、记忆植入物、蓝领机器人、智能手表、产前DNA测序、3D打印技术、临时社交媒体、来自廉价手机的庞大数据和超高效太阳能电池，我们希望这些技术能为我们绘制出一幅比较全面的科技发展现状图。
（一）深度学习：让机器学会思考和做决定
现在的机器拥有超强的计算能力，能识别对象并实时翻译讲话。人工智能终将变得越来越聪明。
重要性：如果计算机能够可靠地识别模式并对外部世界的发展趋势给出正确推论，那么，它可以更有效地帮助人类。
突破：这种人工智能方法可以放之四海而皆准，广泛应用于多个领域。
重要参与者：谷歌公司、微软公司、IBM公司、加拿大多伦多大学的杰弗里·辛顿教授。
美国发明家、预言家雷·库兹韦尔曾发明了盲人阅读机、音乐合成器和语音识别系统。2012年7月，库兹韦尔拜访了谷歌公司的首席执行官拉里·佩奇，但他的目的并非为了找工作。库兹韦尔是一名受人尊敬的发明家，也在变成研究机器智能的未来学家。他想与已经看过他即将出版的《如何创建思维》这本书手稿的佩奇讨论此书，他对佩奇表示，他想创办一家公司来实现自己的想法——建造一台真正的智能计算机：能够理解语言，接着进行推论然后自己做出决定。
很显然，这样一种尝试需要谷歌公司海量的数据库和无与伦比的计算能力。佩奇对库兹韦尔说：“我可以给你一些权限，让你使用我们公司的数据库和计算机，但是，靠一家公司单打独斗，很难做成这件事。”因此，佩奇建议除了自己开公司，从没有在其他公司工作过的库兹韦尔加入谷歌。库兹韦尔很快做出了决定：今年2月，他正式入职谷歌，成为该公司的工程部主管。库兹韦尔说：“50多年来，我专注研究人工智能就是为了这一刻。”
吸引库兹韦尔的不仅包括谷歌公司的计算资源，而且，也包括该公司在人工智能的新领域——深度学习方面所取得的令人惊叹的进步。深度学习软件试图模拟大脑新皮质内神经元的活动，新皮质是哺乳动物大脑皮质的一部分，在脑半球顶层，大约2到4毫米厚，分为6层，占据大脑80%的这些皱褶正是人类思想的发源地。深度学习软件能非常真切地学会识别用数字形式表示的声音、图像和其他数据的不同模式。
几十年前，就有科学家提出了深度学习的基本思路：软件能用人造“神经网络”来模拟大脑新皮质中的神经元阵列，几十年来，研究这一领域的科学家们可谓喜忧掺半。但是，得益于数学公式的改进和计算能力的提升，计算机科学家现在能为更多虚拟神经元建立模型。
随着科学家们的研究不断深入，现在，这些软件在语音和图像识别方面取得了可喜的进步。去年6月，谷歌研发的一套深度学习系统证明，其在YouTube视频的1000万张图像中识别出诸如猫等物体的准确度为此前任何一个图像识别系统的两倍。谷歌还利用该技术，降低了其最新研发的安卓（Android）手机软件的语音识别的错误率。去年10月，微软首席研究官里克·拉希德在中国演讲期间，向与会来宾演示了一款令人惊叹不已的语音软件。该软件可将拉希德的口头发言转录成英文文本，错误率仅为7%，之后，再将英文文本翻译成汉语文本，然后模仿他的口音用普通话说出那些文本。同样在去年10月份，一个由三名研究生和两位教授组成的团队赢得了化学与制药公司默克公司举办的一场竞赛，竞赛的主旨是鉴别出可导致新药的分子，该团队正是采用深度学习的方法，将目标对准那些最有可能与靶标绑定的分子，从而取得了成功。
谷歌目前已经成为一块极富吸引力的磁铁，吸引着全球研究深度学习和相关的人工智能领域专家纷至沓来。2013年3月，谷歌收购了由加拿大多伦多大学计算机科学教授杰弗里·希顿创立的深度学习企业DNNresearch，希顿也曾获得过默克大奖。希顿目前将自己的时间一分为二：一半给大学；一半给谷歌。辛顿表示，他计划“将这一领域的理念提取出来，用来解决实际问题——诸如图像识别、搜索、自然语言理解等方面的问题”。
上述研究进展时刻在提醒人工智能研究领域的专家们：科幻小说和电影中出现的机器终将出现在现实生活中。的确，机器智能已渗透到各行各业并在逐步改变这些行业的面貌，从通讯、计算到医疗、制造以及运输等，不一而足。IBM研究的超级计算机Watson在美国著名的智力比赛中获胜让这一切得以彰显。Watson也使用了一些深度学习技术，而且，科学家们现在也在训练它帮助医生做决定。微软也在手机操作系统Windows Phone和Bing语音搜索中用到了深度学习技术。
然而，要想将深度学习技术从语音和图像识别领域扩展到其他应用领域则需要科学家们在概念和软件上做出更大突破，而且还需要计算能力的进一步增强。或许，在几年内，我们不会看到计算机能自己思考，但几十年内或许可以。微软美国研究院的院长皮特·李说，深度学习已经引发了人工智能领域很多新的大挑战。
建造大脑
当然，有挑战就会有人想解决办法，一直有一些富有竞争力的方法来应对这些挑战。现在，人们已经可以将现实世界的信息和规则“喂给”计算机，为了做到这一点，需要程序员们不辞辛劳地编写这方面的软件。这会耗费大量人力物力，但是，系统仍然无法处理模糊数据，这些程序的使用范围仅限于一些受控的应用领域，诸如手机的菜单系统等，该系统要求你通过说出特定的词语来提要求。
人工智能领域出现后不久，神经网络也于上世纪50年代开始兴起。神经网络似乎很有前景，因为它们试图模拟大脑的工作方式，尽管采用的是一种非常简化的形式。程序能标示出一套虚拟的神经元然后随机给它们分配数值或者“权值”，以让它们之间相互关联。这些“权值”决定了每个模拟的神经元的反应——用数值输出0和1来表示，通过这种方式可以对图像中的边框或者蓝色阴影、话语中的一个音素的某个能级等特征进行数字化表达。
程序员需要训练神经网络通过用含有这些物体的图像或含有这些因素的声波的数字化后的版本来探测一个物体或者音素。如果该网络无法精确地识别某个特定的模式，将会有一个算法来调整这些权值。这种训练的最终目的是让网络能够持续一致地识别出语音或者图像中的这种模式，也就是说，识别出每句语音中的音素“d”或者每幅图像中的狗，这同小孩子通过观察人们称作狗的动物的头型、行为以及毛皮、吠声等等来认识狗如出一辙。
但是，早期的神经网络一次能模拟的神经元的数量有限，因此，它们无法识别出复杂程度很高的模式，这种情况一直持续到上世纪70年代。
在上世纪80年代中期，辛顿和其他人使用所谓的“深度”模型，引发了神经网络研究的新一轮复兴，深度模型能更好地利用软件模拟多层神经网络。但是，这一技术仍然需要大量的人力投入：程序员们不得不在将数据填入神经元网络前给每个数据贴上标签。而且，复杂的语音或者图像识别所要求的计算能力彼时也让人望尘莫及。
在过去十年里，辛顿和其他研究人员才终于做出了一些根本性的概念上突破。2006年，辛顿研发出了一种更有效地训练单层神经元的方法。即第一层网络学习一些基本的特征，诸如图像的边缘或者声音的最小单元等。它通过发现那些出现频率反常高的数字化后的像素或者声波组合来做到这一点。一旦第一层精确地识别出这些特征，那么，它将被“喂给”第二层，以便第二层训练自己识别更复杂的特征，诸如边角或者声音单位的组合等等。这一过程在多层之间不断重复，直到该系统能够可靠地识别出音素或者对象为止。
就像上面提到的图像中的猫。去年6月，谷歌演示了迄今最大的神经网络，其拥有超过10亿个节点。美国斯坦福大学的计算机科学教授安德鲁·恩格和谷歌的科学家杰夫·迪恩让系统从1000万个随机选择的YouTube视频上挑出了猫的图像。在该软件模型中，一个模拟的神经元主要注意猫的图像。其他神经元则专注于人脸、黄色的花朵以及其他物体的图像。因为深层学习拥有的强大功能，尽管此前并没有人给这些图像贴上标签，该系统还是识别出了这些互不相干的对象。
然而，让某些人工智能专家深感震惊的是深度学习在图像识别领域所取得的惊人成就。该系统可以给YouTube视频中的对象分类，并添加主题，准确率达16%，尽管听起来并不是很高，但与以前的方法相比，准确率提高了70%。迪恩强调称，要知道，YouTube视频中的对象总共有2.2万个类别，大部分人都无法做到这一点。当该系统被要求将图像分成1000多个常见类别时，准确率一下子飙升到50%。
大数据
在实验中训练多层虚拟神经元占用了谷歌公司的1.6万台计算机处理器，谷歌公司研发这些计算基础设施的目的是用于搜索引擎和其他服务。机器学习新兴公司Vicarious的联合创始人迪利普·乔治称，人工智能领域最近取得的进步80%要归功于计算能力的增强。
然而，谷歌庞大的数据中心深度学习飞速发展只是这枚硬币的一面，谷歌的操作策略则是这枚硬币的另一面，这些操作策略就是，将计算任务分开，让不同的计算机执行不同的操作以便很快完成这些任务。这是迪恩早期的研究成果，迪恩已在谷歌工作了14年。这一策略让深度学习神经网络的训练速度大大提高，使谷歌能够运行更大的网络并朝这些网络填入更多数据。
而且，深度学习也提高了智能手机上声音搜索软件的性能。直到去年，谷歌的安卓（Android）手机软件使用的方法还会弄错很多单词的意思。但是，在准备于去年7月发布新安卓系统的过程中，迪恩领导的研究团队用基于深度学习的系统取代了部分语音系统。因为多层神经元能对一个声音的多种变形进行更精确的训练，所以，该系统能更可靠地对各种支离破碎的声音进行识别，尤其是在地铁等嘈杂环境中的声音。因为新系统能够更好地理解话语所表达的真实意义，因此，返回的结果可能也会更加精确。几乎一夜之间，错误率下降到了25%，结果好得出乎人意料之外，有些评论家现在甚至认为安卓的语音搜索功能比苹果手机最著名的Siri语音助手还要更智能。
尽管上述诸多进展令人欢欣鼓舞，但是，并非每个人都认为深度学习会助推人工智能超越人脑。有些批评家表示，深度学习和人工智能从根本上忽略了大脑生物学的很多方面，太过于注重计算能力。
其中一个批评来自手提微型电脑Treo的发明者、PalmComputing公司的创办人杰夫·霍金斯，2004年，霍金斯就出版了《人工智能的未来》一书，主要讨论大脑如何工作以及如何为建造智能机器提供引导。
霍金斯上一个风险投资是Numenta公司，这是一个令人兴奋的新公司，它试图建立像人脑一样的计算机，该公司正在研发一种机器学习系统，其在生物学上受到了深度学习理论的启发，但并不使用深度学习。Numenta的系统能够帮助预测能源消耗模式以及诸如风车等机器失败的可能性。
霍金斯表示，深度学习无法解释时间的概念。他说，大脑会处理传感数据流，而且，人类的学习依靠回忆模式序列：当你观察到一只猫在做某些有意思事情的视频，有意义的是运动本身，而非谷歌在实验中使用到的一系列静止图像。霍金斯说：“谷歌的态度是，数据弥补了一切。”
不过，即使数据不能弥补一切，诸如谷歌等公司用来解决这些问题的计算资源也不会被弃置。深度学习的支持者们强调说，这些数据非常关键，因为大脑本身比今天的任何一个神经网络都要复杂得多。他们表示：“人类需要很多计算资源来使思想更好地工作。”
敢问未来之路在何方？
尽管谷歌对深度学习的未来应用并不那么确定，但是，其前景确实慢慢在发酵。显然，更好的图像搜索能够帮助YouTube。而且，迪恩表示，深度学习模型能使用语音数据来更快地训练系统识别其他语音数据。更复杂的图像识别技术有望使谷歌的自行驾驶汽车表现更好。而且，深度学习和人工智能软件也将帮助谷歌和其广告客户更好地了解人们的想法与需求，从而对广告营销产生重大影响。
上述美好畅想正是吸引库兹韦尔的魅力所在，65岁的库兹韦尔多年来一直潜心研究智能机器。在高中阶段，他就编写软件使计算机能够制造出不同形式的音乐，并于1965年在电视秀节目《我有一个秘密》中进行了演示。从那时起，他的发明囊括了多个第一：第一台盲人阅读器；第一个可以对要打印的任何字体的文本进行扫描并数字化的软件；第一个能再造交响乐器的声音的音乐合成器；第一个具备大型词典的对话识别系统。
他现在的设想是，未来，人们的手机通讯录中会有一个“网络朋友”，可以在用户允许的情况下阅读电子邮件、追踪用户的一举一动，因此，当你有任何问题时，他都会告诉你答案。这并非他在谷歌的直接目的，但是，这一目的与谷歌联合创始人谢尔盖·布林的目标相吻合。在公司成立之初，布林就表示，他想建造《2001太空漫游》中人工智能电脑HAL9000（HAL9000作为太空船的总控制电脑，既具有电脑对任务的绝对服从及精确性，又具有人类思维甚至感情，它在太空旅行中设计害死了除戴维之外的所有宇航员，最后戴维让其停止运行）那样的智能机器，唯一不同的是，他制造出来的机器不会杀人。
库兹韦尔目前的目标是帮助计算机理解甚至表达自然语言。他说：“我的使命是让计算机对自然语言有足够的理解力，然后来做有用的事情——更好地进行搜索、更好地回答问题。”最终，他希望制造出比IBM公司的Watson更好的机器——尽管他很欣赏Watson表现出的理解能力和快速反应能力。
库兹韦尔并不仅仅专注于深度学习，尽管他承认他的语音识别方法也同样基于大脑如何工作的理论。他想给单词、词组以及句子的本来意义建模，包括容易让计算机犯错的模糊意义。他说：“我想寻找一种图画式的方式来表达语言的语义。”
这就需要一种更综合的方式来用图表表示句子的句法。谷歌也在使用这种分析方法改进翻译中的语法。更好地理解自然语言将需要计算机能够掌握我们人类认为是常识的意思。为此，库兹韦尔将会用到谷歌的知识图谱——谷歌对大约7亿个主题、方位、人等进行的分类以及它们之间的几十亿个关系。知识图谱去年投入使用，会给搜索者提供问题的答案而非只有链接。
最终，库兹韦尔计划用深度学习算法来帮助计算机处理“语言中的软边界和模糊内容”。这听起来令人有点望而却步，实际情况也的确如此。他说：“理解自然语言并非像搜索那样，是一个在某个时刻就可以完成的任务，它是一个永远也无法完成的计划。”
尽管库兹韦尔的设想可能需要多年才能变成现实，在可见的未来，深度学习可以在语音和图像识别之外的其他领域找到用武之地。首先，在药物发现方面——辛顿的团队在默克大赛中取得大奖就证明了这一点。
情况还不止于此，微软公司的皮特·李说，深度学习可以应用于机器视觉方面，机器视觉就是用机器代替人眼来做测量和判断，这一技术可以将成像应用于工业检测和机器人视觉引导等方面。他也预想私人传感器的出现——深度神经网络能够用来预测可能会出现的医疗问题。而且，贯穿整个城市的传感器提供的数据可能会让深度学习系统预测什么地方可能会出现交通拥堵。
在一个企图为人脑建模这样富有深远影响力的领域，一项技术并不能解决所有问题，这一点难以避免。但现在，深度学习正在引领人工智能的发展方向，迪恩说：“对于我们理解世界来说，深度学习真的是一个非常强大的工具。”
（二）超级电网：出了问题也不怕
瑞士ABB集团新研发的断路器可以实现长距离的直流电输出构想，且适用于现有地区及国家的电网中，可以在5毫秒内切断相当于整个核电厂输出功率的巨大电流，速度之快相当于蜜蜂振翅一次；电流之大相当于100万欧洲人的用电。这种大功率的断路器有望使直流电网变得更实用。
重要性：直流电网可能会因此变得更高效，而且，也能广泛地同风力发电厂和太阳能发电站连接到一起。
突破：第一台实用的混合式高压直流断路器。断路器指能够关合、承载和开断正常回路条件下的电流，并能关合、在规定的时间内承载和开断异常回路条件（包括短路条件）下电流的开关装置。
重要参与者：瑞士ABB集团、德国西门子公司、美国电力研究院（EPRI）、美国通用原子公司。
高压的直流电输电线能够有效地在几千公里内以及水下长距离传输电力，其性能远胜目前在输电网中广泛使用的交流线。但是100多年以来，交流电线一直占据主流，因为高压的直流电只能用于点对点传输，而无法形成稳定的电力系统所需要的集成电网。
去年12月，瑞士的ABB公司正式宣布，他们在高压直流断路器研发领域获得突破性进展，他们研发出了一种实用的高压直流电断路器，能将出现问题的部分电网切断，从而保证电网的其他部分正常工作。这一创新进展解决了直流电网所面临的主要技术障碍，为打造高效可靠的直流电力供应系统翻开了新的篇章。
清洁能源如太阳能、水力发电等，不是位于偏远的高山、沙漠，就是自家屋顶。遗憾的是，既有的交流电系统无法妥善解决远距离传输的电力损失，而直流输电技术是最佳解决之道。高压直流输电技术可实现水力电厂的远距电力传输、离岸风电与太阳能并网及不同地区之间点对点的互相连接。
如此一来，来自于撒哈拉沙漠的太阳能就可以为多云的德国提供电力；来自于欧洲各地的风能也可以在夜间点亮电灯，从而照亮城市的夜空。结果，将会有更多可靠的可再生能源，同仇敌忾地与化石能源竞争，改变目前各种可再生能源单枪匹马同化石能源作战的现状。
除了持续发展混合式直流断路器之外，ABB同时也建立了高压直流电网模拟中心，为未来电网系统进行先期研究。
（三）记忆植入物：看上去很美
美国一位标新立异的神经学家宣称，他已经破解了人类脑部储存长期记忆的方式与记忆码的型态，未来，人类可以通过移植进大脑的电子芯片来修复受损的记忆或者重新形成长期记忆。设想一名阿兹海默氏症病人，或是因脑中风而记忆严重受损的失忆症患者，病后不认识自己周边的亲人，甚至连自己是谁也不知道，此时若能将他先前储存在电子记忆体内的记忆重新植入他的脑部，就能让他重返往日的人际关系中，恢复往日的生活步调。
如果这一奇迹变成现实，那么，学生们将不会再为记不住教科书上的知识点而伤神；法官和律师们也用不着绞尽脑汁去记那些繁琐而冗长的法律条文。不管你信不信，反正这位神经学家相信。
重要性：大脑损伤会致使人们失去形成长期记忆的能力。
突破：动物实验表明，可以通过将电极移植进大脑内来纠正记忆问题。
主要参与者：美国南加州大学维特比工学院工程系生物医药工程教授西奥多·柏格、美国维克森林大学心理及药理系的塞缪尔·戴德威勒、美国肯塔基大学的格雷格·格哈特、美国国防部先进研究项目局（DARPA）。
柏格预测，在并不遥远的未来，植入大脑的电子芯片可帮助失忆病患重新获得记忆。
伯格表示，那些因为阿兹海默氏症、中风、受伤而使得脑部遭受重创的人，其大脑内被破坏的神经网络常常会阻止长期记忆的形成。经过20多年的研究，他已经设计出了一种硅芯片，可以模拟这些受损的神经细胞正常工作时的信号处理过程，让那些失忆病患重新回忆起失忆一分钟前的经历和知识。伯格希望这些芯片植入物最终能被植入大脑，从而恢复大脑制造长期记忆的能力。
伯格表示，他的这一想法太大胆了，很多主流的神经学家都不理解，他们直斥他太疯狂。但是，鉴于伯格的研究团队和几个关系密切的合作者最近进行的实验取得了成功，伯格或许很快就可以摆脱“疯狂”的标签，而且，会被越来越多人认为是一名极富远见的开创者。他的研究领域也正在慢慢变成神经科学领域的一个前沿亮点。
目前，伯格团队尚未对他们的神经“假体”进行人体测试，但是，他们进行的实验表明，一块通过电极同猴子和老鼠的大脑相连接的硅芯片可以像真实的神经细胞一样处理信息。他说：“我们放入大脑中的并非过往的记忆，而是生成记忆的能力。”2012年秋天，他们发表文章阐述了如何帮助失忆的猴子重拾“丢失”的长时记忆，这一实验令人印象深刻。
在此之前，伯格和同事已经成功地对大脑内形成记忆的那部分——海马体如何传递部分神经信号进行了解码，并利用电子芯片模拟信号在老鼠、兔子等实验动物上进行了实验，结果都是成功的。海马体的神经信号可以让脑损伤的老鼠、兔子重获失去的记忆。伯杰希望这样的研究成果能催生出新一代的假体，即“记忆假体”，让脑损伤病人在模拟神经信号的帮助下站立、行走，甚至重新获得学习能力。
如果记忆“假体”这一美好愿景听起来太遥远的话，伯格列举了最近其他科学家在神经“假体”方面取得的成功案例。例如，澳大利亚助听器研发生产商科利耳公司研制的移植设备正尝试通过将声音信号转变为电信号并将电信号发送到耳聋患者的听觉神经内，以帮助20万名耳聋病患恢复听力。无独有偶，早期的实验已经证明，移植进入体内的电极能使瘫痪病人借助思想来移动机器手臂。其他研究人员也在用人工耳蜗治疗盲人病患方面取得了初步成功。
但是，恢复大脑内某种形式的认知比上述任何成功都要困难。在过去的35年内，伯格一直在尝试理解与海马体内神经细胞的行为有关的基本问题。伯格说：“很显然，海马体使短期记忆变成长期记忆。”
目前唯一不清楚的是，这些海马体如何获得这种复杂的能力。伯格已经研发出了数学定理来描述电信号如何通过海马体的神经细胞从而形成长期记忆，而且，他也已经证明，这些方程式与现实情况非常吻合。他说：“你并不需要做大脑做的任何事情，你需要的是至少能模拟大脑做的部分事情。”接着，他又问道：“你能模拟这些活动，然后将其放入一个设备内吗？你能让该设备在任何大脑中都起作用吗？正是这三点使人们认为我疯了，他们认为这太难做到了。”
破解代码
说到如何定义记忆，伯格表示：“给定数量的神经细胞在一定时间内产生的一系列电脉冲。这一点非常重要，因为你可以将其简化到此并再将其放回到研究框架中。你不仅能以生物学的角度来理解所发生的事情——这意味着你能干涉它；处理它；能置入一块电极；能记录与你对记忆的定义相匹配的事情。你会发现有2147个神经细胞是这一记忆的一部分，而且，这些神经细胞产生了什么呢？它们产生了这一系列的脉冲。这并非很玄妙的事物，它是你能应付的事物；是正在发生的事情。”
这是传统的记忆观点，但它只抓住了表象。而且，经常使伯格感到挫败的是，他的很多研究大脑内这一神秘领域的同事并不打算进行更深入的研究。现在，很多神经科学家通过监控动作电位、神经细胞表面的微伏（1伏特的百万分之一）变化来追踪大脑中的电信号。但是，伯格表示，所有这些神经学家发表的报告常常会对实际发生的情况进行简化。伯格说：“他们在环境中发现了一件重要的事情，然后计数动作电位，接着说，‘我做了什么事情后，动作电位从1飙升至200，我发现了一些有趣的事情’。其实，他们发现的是什么呢？活动增加，那又怎样？有什么意义呢？它描述的事情与邻近的神经细胞有关吗？它会使邻近的神经细胞做不一样的事吗！？我们应该做的是：解释事情而不仅仅是描述事情。”
伯格表示：“我的海马体已经对你形成了长期记忆，在接下来的一周内，我都会记住你，但是，我如何将你与接下来我要记住的那个人区别开来呢？在海马体内有大约50万个细胞表示你，每个细胞都进行了编码，比如，你的鼻子同你的眉毛之间的关系等，而且，这些细胞编码的模式都不相同，因此，现实中的神经系统真的很复杂，这就是为何我们现在仍然询问如此基本的问题的原因。”
伯格在哈佛大学读研究生时的导师是理查德·汤普森，他主要研究大脑内区域化的、促使学习的变化。汤普森使用一种语调对兔子说话，并对兔子吹一口气，让兔子学会受到这样的对待就眨眼睛，这样做的目的是确定他引发的记忆被兔子存储在了何处。伯格表示，这一方法是为了发现大脑内让学习本地化的特定地方。
汤普森在伯格的帮助下做到了这一点，1976年，他们发表了研究结果。为了发现兔子大脑内存储记忆的位置，他们为兔子的大脑配备了能够监测神经细胞活动的电极。神经细胞膜上有门，让钠和钾等带电粒子进进出出。汤普森和伯格记录下了当兔子形成记忆时，他们在兔子大脑的海马体内看到的电尖峰脉冲。这些电尖峰脉冲的振幅（代表了行为电压）和间距都会形成一定的模式。伯格认为，它不可能是随机的，这种模式与时间有关。
这促使他提出了一个问题，这一问题是他目前研究的基础：随着细胞接收和发送电信号，什么模式可以描述输入和输出之间的定量关系呢？也就是说，如果一个神经细胞在特定的时间和地点通电，相邻的细胞会如何反应呢？这一问题的答案可能会揭示神经细胞用来形成长期记忆的密码。
但伯格很快就意识到，这一问题的答案非常复杂。在上世纪80年代末，伯格在美国匹兹堡大学同罗伯特·斯卡拉巴斯合作时，就对海马体内一种神经网络的属性深深着迷。当他们用电脉冲（输入）刺激兔子的海马体，并用图表显示出该信号如何通过不同的神经细胞（输出）时，他们观察到这两者的相互关系并非线性关系。伯格说：“你输入1得到2，这很容易，因为这是线性相关。但是，我们的结果却是非线性的。”信号会相互重叠，某些信号会抑制输入的脉冲而有些信号会强化输入的脉冲。
到上世纪90年代早期时，随着他对海马体的理解不断深入以及计算机硬件突飞猛进的发展，他开始和其南加州大学工程学系的同事携手制造能模拟部分海马体处理信号过程的计算机芯片。伯格说：“显然，如果我能在硬件上大规模做这些事情，我们就可以获得大部分大脑处理信息的过程了。”
大脑植入物
因此，伯格开始同南加州大学的生物医学工程师西利斯·马尔马雷利斯携手工作，制造“大脑假体”。刚开始，他们用老鼠的海马体切片进行研究。当他们知悉了神经信号如何从海马体的一端移动到另一端之后，他们开始朝海马体内发送随机信号，并在不同的地点记录下这些信号，以查看这些神经信号如何转变成电信号，接着，他们推导出一些数学方程式来描述这种转变。最后，他们在计算机芯片上执行了这些方程式。
接下来，为了评估这样的芯片是否能用作“假体”来承担受损的海马体区域的功能，科学家们对它们是否能疏通大脑切片内通路的中央部分进行了调查。结果发现，放置在该区域的电极会将电脉冲携带到外部芯片上，外部芯片随后执行通常在海马体内完成的转化过程。其他电极则将信号传回大脑的切片内。
接下来，他们继续向前，在活的老鼠身上进行了实验。在老鼠身上进行的实验证明，计算机实际上能够用作海马体的人造部分。在实验中，他们训练老鼠推两个杠杆中的一个就可以受到某种对待，当老鼠选择正确的杠杆时，他们就记录下海马体内的脉冲信号。使用记录下的数据，伯格团队做出模型，显示了这一教训被转化成长期记忆时，信号如何被转化，而且，他们也捕捉到了代表记忆本身的代码。
他们证实，老鼠学会这一任务时被记录在老鼠大脑内的输入信号能让该设备产生长期的记忆代码。接着，他们给老鼠喂了一种会影响它们形成长期记忆能力的药物，使老鼠忘记了选择哪个杠杆能获得这种对待。当研究人员用这些代码给服药老鼠的大脑发送脉冲时，老鼠能选择正确的杠杆。
2012年，科学家们发表了在灵长类动物的前额皮质上进行实验后得到的结果。前额皮质能取回由海马体创造的长期记忆。科学家们将电极放置在猴子的大脑内，捕捉在前额皮质内形成的代码，他们认为前额皮质使动物能记住此前看过的图像。接着，科学家们给猴子喂食了会损害它们的前额皮质的可卡因。接下来，科学家们将电极植入猴子的大脑内，结果发现，当这些电极朝猴子的前额皮质发送正确的代码，猴子在图像识别任务上的表现明显变得更好。
伯格和同事希望在未来两年内能将实际的记忆“假体”植入动物大脑内。他们也希望能证明，他们的海马体芯片能在很多不同的行为环境下形成长期记忆。毕竟，这些芯片主要依靠研究人员从实验中推演出来的数学方程式来工作。存在着一种可能性，那就是，科学家们仅仅知道这些与特定任务有关的代码。要是这些代码并非放之四海而皆准，不同的输入要用不同的方式来处理。换句话说，科学家们实际上并没有破解这些代码，只是仅仅描述了某些简单的信息。
伯格也认为，这种情况有可能会发生，而且，他的芯片有可能只在有限的情况下才能形成长期记忆。但是，他强调说，大脑的形态学和生物物理学限制了芯片的能力：实际上，海马体中的电信号就有很多种转化方式。他说：“我并不认为我们能发现一种能适用于很多环境或许最多环境的模型，我们的目标是改进某些记忆遭受创伤的人的生活质量，如果我们能赋予他们新的形成长期记忆的能力，我们就很满足了，大多数病人可能也秉持这一想法。”
尽管存在如此多的不确定性，伯格和同事们正计划进行人体实验。他正同门诊医生们合作，这些医生们正在用移植进海马体两边的电极来探测并预防严重癫痫病人突然发病。如果这一项目能如愿推进，伯格团队将会尝试寻找这些病人大脑内的记忆代码。
伯格说：“我从来没有想过真的可以在人脑上进行，我们现在讨论的是何时以及如何进行人脑实验。我原以为我这一生都盼不到人脑实验的那一天，现在，我期待那一天早点到来。”
（四）蓝领机器人：与人类并肩作战
2012年9月，美国《纽约时报》网站在一篇深度报道文章中指出，制造业正在涌现新一波机器人热潮，而未来的机器人将会兼具廉价、高效、安全、人性化等优点，最终将成为与人类并肩工作的好帮手，Rethink Robotics（反思机器人公司）公司推出的Baxter蓝领机器人就是其中的佼佼者。
蓝领机器人，顾名思义，就是那种不需要休息与食物，又能一周7天、一天24小时工作且没有情绪，绝对服从指令的机器人。它们可以完成人力所不能及的工作项目——包括一些具有危险性而且费力的工作。未来，他们或许会成为制造业中的生力军。
按照英国《经济学家》杂志的理论：第三次工业革命来了！这是一种独特的划分方式，不以某一类新兴技术而以生产方式的改变为标准。他们认为，第三次工业革命是以数字化、智能制造和新能源、新材料的运用为代表的一个新时代，特点之一即直接从事生产的劳动力数量快速下降，劳动力成本占总成本的比例越来越小。如何实现？工业机器人。
国际机器人联盟估计，目前全世界有110万个正在工作中的机器人。但传统的工业机器人在编制程序方面花费高昂，而且也无法处理工作环境中最细微的变化；另外，还必须用笼子来把它们和工人们隔开。因此，虽然机器人在汽车制造业（目前约80%的工作由机器完成）和制药业里已经随处可见，不过，在某些行业里，因为工作量过小或者产品线为了满足新需求或产业因为革新而变化过快，不值得引进工业机器人。其中包括小规模制造业，还有相对较发达的航空和手机制造业等。
而新型的人机互动机器人Baxter则更智能。拥有两条“手臂”的机器人Baxter由反思机器人公司的首席技术官、前麻省理工学院（MIT）教授罗尼·布鲁克设计制造而成。Baxter不需要专门的编程人员和编程系统，只需要工人带动它的手臂进行运动，就可以完成一次简单的编程，并用于工业生产。每台Baxter的售价仅2.2万美元，远低于工业机器人；它也拥有一套复杂的安全机制和传感器，能够保护它所协助的人类工人的安全，因此，具有无可比拟的适应性与安全性。
鉴于上述诸多优点，Baxter似乎正成为新一代更聪明、更灵活的工业机器人的领头羊。对于Baxter的问世，苹果公司的前任高管托尼·法德尔在接受《纽约时报》采访时表示：“机器人世界似乎迎来了真正的‘麦金塔’（即引领PC革命的苹果Macintosh电脑）！”
另外，Baxter也不会对工人构成威胁，因为工人可以完成比机器人更优质、更精细的工作；而Baxter则在工厂中负责做重复性的工作。如此一来，机器人可以与人类并肩工作，为工业生产助力。
（五）智能手表：从手机那儿“偷”信息
随着手机的出现，曾与人们朝夕相伴的手表基本退出历史大舞台。的确，手机已经可以完全替代手表的功能，谁还会多此一举在手上佩戴一款多余的设备呢？但是，随着手机智能化的发展，手表似乎又有了借助昔日对手卷土重来之势。
发明智能手表的概念起源于20年前，不过直到最近，随着智能手机日益流行、微机电感应器价格不断走低、低耗电的短距离无线传输技术逐渐成熟后，智能手表才从概念性产品跃升为全球科技产业的下一个量产目标。据市场调研公司ABI Research预计，今年全球智能手表的出货量可能会超过120万块。
重要性：随着计算机变得越来越复杂，人们希望拥有一些简单而且容易使用的设备。
突破：智能手表可以从手机那儿有选择性地“拉”一些数据，因此，佩戴该手表的人瞥一眼就可以获得信息。
主要参与者：美国Pebble技术公司、日本索尼公司、美国摩托罗拉公司、安卓（Android）手机专属智能手表研制公司MetaWatch公司。
2013年1月，硅谷创业公司Pebble技术公司的E-Paper电子智能手表上市，该手表整合了手机短信和即时通信（iMessage）功能，佩戴者可以在手表中查看即时通信。Pebble智能手表的设计师们认为，如果不需要将手机从口袋中拿出来的话，手机当然比手表更有用，但智能手表目前也拥有了属于自己的独特优势，因此，也就具有了某些不可替代性。
Pebble公司的创始人埃瑞克·米奇科夫斯基的初衷并非是制造出一种“可穿戴的计算机”。5年前，他开始构思制造智能手表时，还只是荷兰代尔夫特理工大学工业设计专业的一名学生，他希望能找到一种方法，让他在骑自行车时能更好地使用智能手机而不需要停下来。他说：“我的设计思路是制造出一种能从我的手机那儿获取信息的手表，我在大学宿舍造出了模型。”
2012年4月，米奇科夫斯基在众筹网站Kickstarter表示，他希望募集到10万美元，帮助自己让Pebble面世。5个星期后，他得到了1000万美元，一跃成为在Kickstarter网站募集资金最多的人。
现在，米奇科夫斯基已经收到了8.5万份订单，他也正在逐一给这些热切的买家发货，如果拥有了这款智能手表，人们不需要从口袋里掏出手机就可以查阅电子邮件或天气预报。Pebble智能手机用蓝牙来同苹果或者安卓手机相连，并显示通知、信息以及其他简单的数据。除此之外，该款智能手表也有一些内置应用。比如通过使用手机上的全球定位系统（GPS），骑车和跑步者可以在手表上看到他们的速度、距离等数据，而且，还可以通过音乐应用软件播放手机中的音乐。同时，该公司也承诺将会有更多的应用。
忽如一夜春风来，千树万树梨花开。智能手表现在已经成为一种真正的产品类别了，不同形式的智能手表也逐一揭开神秘的面纱。意大利i'm Watch 公司推出的智能手表i'm Watch基于安卓系统，通过蓝牙和智能手机相连后，可以打电话、发邮件、短信、Facebook/Twitter、看天气等。索尼公司也推出了SmartWatch，其功能和i'm Watch 相差无几。其他类似产品还有摩托罗拉推出的Motoactv，苹果公司也可能会推出自己的智能手表。
尽管售价150美元的Pebble智能手表可以控制音乐播放、运行口袋健身教练等简单的应用程序，但是，米奇科夫斯基和他的研究团队在设计之初就故意让其功能尽可能少，将那些更复杂的程序留给手机使用。这种设计思路贯穿了整个设计的方方面面。例如，黑白色的屏幕在阳光直射时能阅读并显示内容，也不会像彩色屏幕那样需要“睡觉”来保存电量。
谷歌眼镜是谷歌公司于2012年4月发布的一款“拓展现实”眼镜，它具有和智能手机一样的功能，可以通过声音控制拍照，视频通话和辨明方向以及上网冲浪、处理文字信息和电子邮件等。Pebble智能手表和谷歌眼镜一样，都是为了解决同样的问题——也就是说，“消除我们使用手机时的一些障碍”。
但是，谷歌眼镜试图通过将计算机和监视器整合成一副眼镜，使得佩戴该眼镜的人能通过数据来“拓展”他们的视界，从而对智能手机取而代之，这与穿戴式计算兴起之初人们的预测一样。但很显然，Pebble智能手表的理念更受欢迎一些，因为佩戴这种手表的人并非在创造新的社会规范，而只是在恢复一种曾经风靡全球的社会规范。
（来源：科技日报）
