把感知机组装在一起是不是就是神经网络了？

文章作者 Matt Assay 写道，AWS「越来越多地使用 Rust 语言来构建像 Firecracker VMM 这样的关键基础设施，这是因为 Rust 语言的开箱即用（out-of-the-box）特征减少了达到亚马逊高安全标准所需的时间和精力，同时依然能够提供类似于 C 和 C++ 的运行时性能。

AWS 非常喜爱 Rust 语言。2019 年，AWS 宣布赞助 Rust 开源项目，这对 Rust 语言开发而言益处颇多。比如，这些资金帮助 Rust 社区利用 Amazon EC2 上的 Crater 来运行 ecosystem-wide 回归测试。

不仅如此，AWS 表示其甚至已经「开始聘用 Rust 和 Tokio 的核心提交者，以确保他们有足够的时间和资源来进一步改善 Rust 语言。」

AWS 表示其已经聘用的人员包括 Rust 1.0 版本的致谢名单人物之一、前 Mozilla 高级软件工程师 Sean McArthur，以及著名开发者 Lucio Franco 和 Jon Gjengset。此外，文章透露，AWS 还聘用了 Rust 编译器团队负责人之一 Felix Klock。

据领英公开资料显示，Felix Klock 于今年 8 月离开 Mozilla，之后于 10 月入职 AWS，担任首席软件工程师。
 

AlphaFold 主要神经网络模型架构概览。该模型基于进化相关的蛋白质序列和氨基酸残基对运行，迭代地在二者的表示之间传递信息，从而生成蛋白质结构。

对现实世界的潜在影响

「让 AI 突破帮助人们进一步理解基础科学问题」，经过 4 年的研究攻关，现在 AlphaFold 正在逐步实现 DeepMind 初创时的愿景，在药物设计和环境可持续性等领域都产生了重要的影响。

马克斯 · 普朗克演化生物学研究所所长，CASP 评估员 Andrei Lupas 教授表示：「AlphaFold 的精确模型让我们解决了近十年来被困扰的蛋白质结构，重新启动关于信号如何跨细胞膜传输的研究。」

DeepMind 表示愿与其他研究者合作，以进一步了解 AlphaFold 在未来几年的潜力。除了作用于经过同行评审的论文以外，DeepMind 还在探索如何以最佳的可扩展方式为系统提供更广泛的访问可能。

同时，DeepMind 的研究者还研究了蛋白质结构预测如何帮助人们理解一些特殊的疾病。例如，通过帮助识别存在故障的蛋白质，并推断其相互作用的方式，来理解一些疾病的原理。这些信息能够让药物开发更加精确，从而补充现有的实验方法，并更快找到更有希望的治疗方法。

AlphaFold 是十分卓越的，它在预测结构蛋白质的速度和精度上有着惊人的表现。这一飞跃证明了计算方法对于生物学中的转换研究，加速药物研发过程都具有广阔的前景。

同时许多证据也表明，蛋白质结构预测在未来的大流行应对上是有用的。今年早些时候，DeepMind 使用 AlphaFold 预测了包括 ORF3a 在内的几种未知新冠病毒蛋白质结构。在 CASP14 中，AlphaFold 预测了另一种冠状病毒蛋白质 ORF8 的结构。目前，实验人员已经证实了 ORF3a 和 ORF8 的结构。尽管具有挑战性，并且相关序列很少，但与实验确定的结构相比，AlphaFold 在两种预测上都获得了较高的准确率。

除了加速对已知疾病的了解，AlphaFold 还具备很多令人兴奋的技术潜力：探索数亿个目前还没有模型的数亿蛋白质，以及未知生物的广阔领域。由于 DNA 指定了构成蛋白质结构的氨基酸序列，基因组学革命使大规模阅读自然界的蛋白质序列成为可能——在通用蛋白质数据库（UniProt）中有 1.8 亿个蛋白质序列。相比之下，考虑到从序列到结构所需的实验工作，蛋白质数据库（PDB）中只有大约 170000 个蛋白质结构。在未确定的蛋白质中可能有一些新的和未确定的功能——就像望远镜帮助人类更深入的观察未知宇宙一样，像 AlphaFold 这样的技术可以帮助找到未确定的蛋白质结构。

（编辑：孝感站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!