1200 万人口的卢旺达存在一个血液运送难题。它的 83% 的人口生活在农村地区，如果遇到紧急输血的情况，快速运送血是一大物流难题。原因是它的许多地区多山丘，道路颠簸，很炎热。低温保存的血液可储存一个月，但血小板等数天就会变质。医院提前储备的血液经常会在过期前没有使用掉而不得不丢弃。2016 年卢旺达与旧金山无人机创业公司 Zipline 签署了合同，使用无人机快速将血液从配送中心运送到需要的医疗机构。Zipline 今天在卢旺达有两个运送中心，每天能完成 500 次运送任务。根据发表在《Lancet Global Health》期刊上的研究，无人机显著加快了送血的速度，减少了浪费。半数的无人机运送订单只耗时 41 分钟或更少，如果通过公路运送将至少耗时两小时。

在巴西塞阿拉州，警察局依靠面部识别系统识别嫌疑人。今年早些时候，电影《黑豹（Black Panther）》中的非裔美国明星 Michael B. Jordan 的照片出现在警方针对 2021 年平安夜大规模枪击案（该案造成五人死亡）的通缉名单上，为该系统招来了大量抨击。警方的软件未能正确地区分黑人的面孔，导致好莱坞明星的脸出现在了这份名单上。Mozilla 基金会的 Tarcízio Silva 表示，此类情况是巴西不断增长但是未被发现的趋势的一部分。随着政治家和社会接受从人工智能到面部识别的数字技术，对非白人群体的固有偏见造成的后果变得越来越明显并越来越具有破坏性。问题在巴西尤为严重，直到最近，人们普遍认为该国是一个没有歧视的种族多元化社会，即所谓的“种族民主”。但是多年来，反种族主义活动人士一直认为，制度性种族主义也压制了巴西的黑人。结果是巴西的黑人忍受着更高的贫困率和更多的警察暴行。

人类可能是全自动驾驶汽车无法进入城市街道的最大障碍之一。如果机器人要想在波士顿市中心安全驾驶，必须能预测周围司机、骑车人以及行人接下来会做什么。行为预测是一个棘手的问题，目前的人工智能解决方案要么过于简单（它们可能假设行人总是走直线），要么过于保守（为了避让行人，机器总是将车停下来），或者只能预测一个智能体的下一步动作（道路上通常同时会有很多用户）。

MIT 的研究人员为这一复杂的挑战设计了一种看似简单的解决方案。他们将多智能体行为预测问题分解成更小的部分，单独处理每个部分，因此计算机可实时解决这一复杂任务。他们的行为预测框架首先会猜测两个道路使用者之间的关系——哪辆车、哪个骑自行车的人或者行人拥有通行权，以及哪个智能体会让路——并使用这些关系来预测多个智能体的未来轨迹。面对自动驾驶公司 Waymo 汇编的真实交通流量的庞大数据，这些估计的轨迹比其他机器学习模型预测的轨迹更准确。MIT 的技术甚至超过了 Waymo 最近发布的模型。由于研究人员将问题分解为多个更简单的部分，他们的技术占用的内存更少。研究人员的机器学习模型被称为 M2I，它需要两个输入：汽车、骑自行车的人和行人过去在交通环境（例如十字路口）中交互的轨迹，以及包含街道位置、车道配置等信息的地图。

关系预测器使用这些信息推断出两个智能体中哪一个具有优先通行权，将一个归类为通行者，另一个归类为让行者。然后一个名为边际预测器的预测模型猜测通行者的轨迹，因为该智能体独立行动。第二个名为条件预测器的预测模型随后根据通行智能体的动作猜测让行智能体将要做什么。该系统针对让行者和同行者预测许多不同的轨迹，分别计算每种轨迹的概率，然后选择发生可能性最高的六个组成结果。M2I 输出关于这些智能体在接下来的8秒钟内将如何行动的预测。在一个示例中，他们的方法让车辆减速，以便让一名行人通过马路，然后在通过交叉路口时加速。在另一个示例中，车辆等到几辆车通过之后才从一条小街转上了繁忙的主干道。虽然这些初步研究侧重于两个智能体之间的交互，但是 M2I 可以推断出许多智能体之间的关系，然后通过联系多个边际和条件预测变量猜测轨迹。

随着新制程技术的周期越来越长，为了满足客户需求，台积电不得不提供增强版本。过去二十年台积电的成功很大程度上在于能提供新制程，改进功率性能，每 18 到 24 个月推出全新制程，同时保持高产量。但随着制造工艺的复杂性日益增加，维持这一计划日益困难。台积电最近更新了它的路线图，3nm 制程将在下半年生产，3nm 和 5nm 制程之间相隔 2.5 年。好消息是 3nm 的增强版本 N3E 将提前面世。相比 5nm，3nm 芯片的性能提高 10% ~ 15%，功率降低 25% ~ 30%，晶体管密度达到 1.7 倍。首批 3nm 芯片将在 2023 年初交付给客户。2nm 芯片计划在 2024 年风险量产，2025 年量产，与 3nm 相隔 3 年。