http://hvg.hu/tudomany/20151130_teleport_virtualis_valosag_3d_kamera
http://hvg.hu/tudomany/20151130_teleport_virtualis_valosag_3d_kamera
2015. november 30., hétfő
Kölök elhagyta a cumiját.
Kölök elhagyta a cumiját. Azt mondta, hogy ő tutira lerakta az étkező asztalra, de nem volt ott. Felhívtuk a Központot a kaputelefonon, hogy állítsák vissza a világ konzisztenciáját, ellenkező esetben panaszt teszünk. Elmentünk kezet mosni, és mire visszaértünk, ott is volt a cumi az asztalon. Igaz, egy másik asztalon ...
2015. november 29., vasárnap
Elkepzelem a fiam eskuvojet. Allnak ketten a tengerparton, es mogottuk vagy 100 dron zizeg ...
Elkepzelem a fiam eskuvojet. Allnak ketten a tengerparton, es mogottuk vagy 100 dron zizeg ...
http://vrfocus.com/archives/25730/fove-teleports-grandmother-to-a-wedding-with-eye-tracking-controlled-robot/
http://vrfocus.com/archives/25730/fove-teleports-grandmother-to-a-wedding-with-eye-tracking-controlled-robot/
2015. november 28., szombat
2015. november 26., csütörtök
Meg jobb, meg olcsobb. Ez mar lassan tenyleg a "kerek egy marekkal" kategoria ...
Meg jobb, meg olcsobb. Ez mar lassan tenyleg a "kerek egy marekkal" kategoria ...
http://m.hwsw.hu/cikk.php?id=54828
http://m.hwsw.hu/cikk.php?id=54828
2015. november 25., szerda
2015. november 24., kedd
Ha jól értelmeztem, akkor ezzel olyan gyorsan lehet fejleszteni Java-ban droidra, mint JS-el web-re, mivel nem kell...
Ha jól értelmeztem, akkor ezzel olyan gyorsan lehet fejleszteni Java-ban droidra, mint JS-el web-re, mivel nem kell minden változás után újraforgatni és telepíteni az appot.
http://www.hwsw.hu/hirek/54812/android-studio-2-0-fejleszto-instant-run.html
http://www.hwsw.hu/hirek/54812/android-studio-2-0-fejleszto-instant-run.html
http://www.hwsw.hu/hirek/54812/android-studio-2-0-fejleszto-instant-run.html
http://www.hwsw.hu/hirek/54812/android-studio-2-0-fejleszto-instant-run.html
2015. november 22., vasárnap
Vajon hányan férhetünk el egy emberi agyban?
Vajon hányan férhetünk el egy emberi agyban?
Az ilyen személyiségzavaros esetek mindig lenyűgöznek. Lehetséges vajon olyan állapot, mint a filmekben, ahol az egyes személyiségek egymással kommunikálva képesek együtt élni az alany által képzelt világban? És vajon hány személyisége lehet egy embernek? És ha géntechnológiával növesztenénk egy ház méretű agyat, abban elférne az egész emberiség? Vagy ha egyszer képesek leszünk ilyen agyat növeszteni, utólag feltölthetnénk-e magunkat belé? Élhetnénk vajon így, egy magunk által alkotott, tökéletes világban, édeni körülmények között? Nagyon jó sci-fi alap, de sok száz év múlva talán valós alternatíva lehet, amikor mondjuk el kell hagynunk a haldokló földet, vagy éppen kis erőforrásigénnyel indítanánk csillagközi űrhajókat. Habár jobb ötletnek tűnik egy digitális agy fejlesztése, sosem lehet tudni. Mindenesetre jól hangzik: a tudtahasadás, mint az emberiség jövőjének záloga ...
http://index.hu/tudomany/2015/11/22/egy_szemelyisegzavaros_vak_no_kepes_latni_ha_masnak_kepzeli_magat/
#blog
http://index.hu/tudomany/2015/11/22/egy_szemelyisegzavaros_vak_no_kepes_latni_ha_masnak_kepzeli_magat
Az ilyen személyiségzavaros esetek mindig lenyűgöznek. Lehetséges vajon olyan állapot, mint a filmekben, ahol az egyes személyiségek egymással kommunikálva képesek együtt élni az alany által képzelt világban? És vajon hány személyisége lehet egy embernek? És ha géntechnológiával növesztenénk egy ház méretű agyat, abban elférne az egész emberiség? Vagy ha egyszer képesek leszünk ilyen agyat növeszteni, utólag feltölthetnénk-e magunkat belé? Élhetnénk vajon így, egy magunk által alkotott, tökéletes világban, édeni körülmények között? Nagyon jó sci-fi alap, de sok száz év múlva talán valós alternatíva lehet, amikor mondjuk el kell hagynunk a haldokló földet, vagy éppen kis erőforrásigénnyel indítanánk csillagközi űrhajókat. Habár jobb ötletnek tűnik egy digitális agy fejlesztése, sosem lehet tudni. Mindenesetre jól hangzik: a tudtahasadás, mint az emberiség jövőjének záloga ...
http://index.hu/tudomany/2015/11/22/egy_szemelyisegzavaros_vak_no_kepes_latni_ha_masnak_kepzeli_magat/
#blog
http://index.hu/tudomany/2015/11/22/egy_szemelyisegzavaros_vak_no_kepes_latni_ha_masnak_kepzeli_magat
2015. november 21., szombat
Azt miért nem csinálják, hogy minden villanyautóba raknak egy sima benzinmotoros aggregátort is?
Azt miért nem csinálják, hogy minden villanyautóba raknak egy sima benzinmotoros aggregátort is? Így amíg nincs kiépítve a töltőhálózat, szükség esetén tankolhatnánk bele benzint is. Persze sokkal jobban megérné árammal tankolni, ha van rá lehetőség, de legrosszabb esetben (ha végig benzinnel megyünk) sem lenne talán rosszabb mint egy sima benzinmotoros autó.
2015. november 19., csütörtök
2015. november 17., kedd
2015. november 16., hétfő
2015. november 15., vasárnap
A Google mellett a M$ is nyílt forrásúvá tette saját gépi tanulás keretrendszerét.
A Google mellett a M$ is nyílt forrásúvá tette saját gépi tanulás keretrendszerét.
http://blogs.technet.com/b/inside_microsoft_research/archive/2015/11/12/microsoft-open-sources-distributed-machine-learning-toolkit-efficient-big-data-research.aspx
http://blogs.technet.com/b/inside_microsoft_research/archive/2015/11/12/microsoft-open-sources-distributed-machine-learning-toolkit-efficient-big-data-research.aspx
http://blogs.technet.com/b/inside_microsoft_research/archive/2015/11/12/microsoft-open-sources-distributed-machine-learning-toolkit-efficient-big-data-research.aspx
http://blogs.technet.com/b/inside_microsoft_research/archive/2015/11/12/microsoft-open-sources-distributed-machine-learning-toolkit-efficient-big-data-research.aspx
2015. november 14., szombat
TensorFlow (röviden a Google nyílt forrású gépi tanulás rendszeréről)
TensorFlow (röviden a Google nyílt forrású gépi tanulás rendszeréről)
Mostanában sok helyen lehetett olvasni, hogy a Google megnyitotta a forrását az általa használt gépi tanulás rendszernek. Ez az ami a Google Photos alatt futva automatikusan felcímkézi a képeket, felismeri a streetview képeken az utcák számozását, de ez dolgozik a beszédfelismerő rendszer alatt is. Szóval itt valami egészen ütős dologról van szó. Gondoltam utánaolvasok kicsit, hogy mi is ez a TensorFlow. Bár annak idején tanultam MI-t az egyetemen, inkább nevezném magam laikusnak. Főleg azután, hogy ránéztem a TensorFlow-ra. :)
Első körben neurális hálókra számítottam, erre tenzorok fogadnak. Legutoljára az általános relativitáselmélet kapcsán találkoztam tenzorokkal. Ezek sokdimenziós mátrixszerűségek (https://hu.wikipedia.org/wiki/Tenzor). Ott ezzel írta le Einstein a 4 dimenziós téridő görbületét 5 dimenzióban. De hogy jön ez az MI-hez? Nos, a TensorFlow-val tenzor transzformációs gráfokat lehet összerakni. Ezek olyan cuccok, amibe bemennek ezek a tenzorok, többféle módon transzformálódhatnak, a transzformációk eredményei összevonhatóak, és bemenetei lehetnek újabb transzformációknak, aztán a végén kiömlik egy rakás másik tenzor. Tök jó, de ez még mindig hogy jön az MI-hez?
Szerencsére a készítők mellékeltek pár tutorialt is, amiből kiderül, hogy hogyan lesz a tenzor transzformációs gráfból mesterséges intelligencia. Az első példa "kézírás felismerés kezdőknek" (http://www.tensorflow.org/tutorials/mnist/beginners/index.md). A feladat, hogy hogy adott egy kézzel írt szám 0-9-ig, és ezt kell felismerni. Minden szám egy 28x28-as szürke skálás kép. Ez ugye 784 pontot, azaz 784 db számot jelent. Ezt a 784 számot felfoghatjuk úgy is, mint egy pont koordinátáit a 784 dimenziós térben (ne, még csak ne is próbáljuk meg elképzelni), és puff, már meg is van a bemeneti tenzor. Az eredmény meg ugye 0-9-ig egy szám, pontosabban 10 db érték, ami azt mondja meg, hogy rendszerünk az adott bemenetre milyen számot tippel. Ugye ha jó a rendszer, akkor arra a számra fogja mondani a legnagyobb esélyt, ami oda van írva. Ezt úgy kell elképzelni, hogy mondjuk egy írott 6-osra azt mondja, hogy 10%, hogy 8, 20% hogy 9, és 70%, hogy 6-os számot lát. Szóval a kimenet 10 érték. Ezt is el lehet képzelni egy pontnak a 10 dimenziós térben, így ez is leírható egy tenzorként. Szóval kb. megvan amit kerestünk. A problémát oda redukáltuk, hogy bemegy egy tenzor, és kijön egy másik. Ami pedig közben a fekete dobozban történik, az a magic, amit a TensorFlow csinál, és amiket ezzel a fent említett tezor transzformációs gráffal lehet leírni.
Ez mind szép és jó, de nekünk konvolúciós neurális hálókat ígértek, erre tenzorokat kapunk, meg egy "vacak" transzformációs gráfot. A jó hír az, hogy ezek a neurális hálók leírhatóak ilyen transzformációs gráf alakban. A TensorFlow tehát nem egy nurális háló library, annál eggyel alacsonyabb szintű, általánosabb dolog, ami többek között lehetőséget nyújt neurális hálók összerakására is. Olyan ez kicsit, mint a 3D grafika esetén. A dolog ott is valójában mátrix műveletekről szól. Ha mozgatunk, nagyítunk, elforgatunk, stb. valamit, az valójában annyit jelent, hogy sorban mátrixokkal szorozgatjuk be a ponthalmaz koordinátáit. Persze ezt az egészet egy magasabb szintű réteg elfedi előlünk, így nekünk elég megmondani azt, hogy most forgatni vagy mozgatni akarunk valamit, és a rendszer legenerálja a megfelelő mátrixokat. Ugyanígy megy ez a TensorFlow esetén is. Megmondhatjuk, hogy hogyan nézzen ki a neurális hálózatunk, és a rendszer ebből felépíti nekünk a megfelelő gráfot. A legjobb az egészben az, hogy ezt aztán nagyon optimálisan képes futtatni is. Képes kiszervezni műveleteket a GPU-nak, több szálon futtatni, és ezzel kicsalni a lehető legnagyobb teljesítményt a futtató hardverből. E mellett az egészet kitehetjük a cloud-ba, vagy éppen futtathatjuk mobil eszközökön. Nekünk elég a matematikai modellekkel foglalkozni, a hardverre való leképzést a TensorFlow intézi, és valójában talán ez a rendszer legnagyobb előnye, hogy egy absztrakciós szintet húz a hardver fölé.
Akit a technikai részletek érdekelnek, a transzformációk és a rendszer alapja C++-ban készült (érthető okokból, hiszen gyorsnak kell lennie), és e felett van egy Python réteg, amin keresztül programozható. A meglévő készlet szabadon bővíthető új transzformációkkal, és remélhetőleg most hogy nyílt forrású lett, talán megjelennek a Python mellett más interfészek is, pl. Java. Ha valakit mélyebben érdekel a dolog, a http://www.tensorflow.org/ oldalon elér minden információt. Érdemes a tutorialokkal kezdeni. Nem egyszerű cucc, de hát a gépi intelligencia sem egy kifejezetten egyszerű terület ...
#blog
Mostanában sok helyen lehetett olvasni, hogy a Google megnyitotta a forrását az általa használt gépi tanulás rendszernek. Ez az ami a Google Photos alatt futva automatikusan felcímkézi a képeket, felismeri a streetview képeken az utcák számozását, de ez dolgozik a beszédfelismerő rendszer alatt is. Szóval itt valami egészen ütős dologról van szó. Gondoltam utánaolvasok kicsit, hogy mi is ez a TensorFlow. Bár annak idején tanultam MI-t az egyetemen, inkább nevezném magam laikusnak. Főleg azután, hogy ránéztem a TensorFlow-ra. :)
Első körben neurális hálókra számítottam, erre tenzorok fogadnak. Legutoljára az általános relativitáselmélet kapcsán találkoztam tenzorokkal. Ezek sokdimenziós mátrixszerűségek (https://hu.wikipedia.org/wiki/Tenzor). Ott ezzel írta le Einstein a 4 dimenziós téridő görbületét 5 dimenzióban. De hogy jön ez az MI-hez? Nos, a TensorFlow-val tenzor transzformációs gráfokat lehet összerakni. Ezek olyan cuccok, amibe bemennek ezek a tenzorok, többféle módon transzformálódhatnak, a transzformációk eredményei összevonhatóak, és bemenetei lehetnek újabb transzformációknak, aztán a végén kiömlik egy rakás másik tenzor. Tök jó, de ez még mindig hogy jön az MI-hez?
Szerencsére a készítők mellékeltek pár tutorialt is, amiből kiderül, hogy hogyan lesz a tenzor transzformációs gráfból mesterséges intelligencia. Az első példa "kézírás felismerés kezdőknek" (http://www.tensorflow.org/tutorials/mnist/beginners/index.md). A feladat, hogy hogy adott egy kézzel írt szám 0-9-ig, és ezt kell felismerni. Minden szám egy 28x28-as szürke skálás kép. Ez ugye 784 pontot, azaz 784 db számot jelent. Ezt a 784 számot felfoghatjuk úgy is, mint egy pont koordinátáit a 784 dimenziós térben (ne, még csak ne is próbáljuk meg elképzelni), és puff, már meg is van a bemeneti tenzor. Az eredmény meg ugye 0-9-ig egy szám, pontosabban 10 db érték, ami azt mondja meg, hogy rendszerünk az adott bemenetre milyen számot tippel. Ugye ha jó a rendszer, akkor arra a számra fogja mondani a legnagyobb esélyt, ami oda van írva. Ezt úgy kell elképzelni, hogy mondjuk egy írott 6-osra azt mondja, hogy 10%, hogy 8, 20% hogy 9, és 70%, hogy 6-os számot lát. Szóval a kimenet 10 érték. Ezt is el lehet képzelni egy pontnak a 10 dimenziós térben, így ez is leírható egy tenzorként. Szóval kb. megvan amit kerestünk. A problémát oda redukáltuk, hogy bemegy egy tenzor, és kijön egy másik. Ami pedig közben a fekete dobozban történik, az a magic, amit a TensorFlow csinál, és amiket ezzel a fent említett tezor transzformációs gráffal lehet leírni.
Ez mind szép és jó, de nekünk konvolúciós neurális hálókat ígértek, erre tenzorokat kapunk, meg egy "vacak" transzformációs gráfot. A jó hír az, hogy ezek a neurális hálók leírhatóak ilyen transzformációs gráf alakban. A TensorFlow tehát nem egy nurális háló library, annál eggyel alacsonyabb szintű, általánosabb dolog, ami többek között lehetőséget nyújt neurális hálók összerakására is. Olyan ez kicsit, mint a 3D grafika esetén. A dolog ott is valójában mátrix műveletekről szól. Ha mozgatunk, nagyítunk, elforgatunk, stb. valamit, az valójában annyit jelent, hogy sorban mátrixokkal szorozgatjuk be a ponthalmaz koordinátáit. Persze ezt az egészet egy magasabb szintű réteg elfedi előlünk, így nekünk elég megmondani azt, hogy most forgatni vagy mozgatni akarunk valamit, és a rendszer legenerálja a megfelelő mátrixokat. Ugyanígy megy ez a TensorFlow esetén is. Megmondhatjuk, hogy hogyan nézzen ki a neurális hálózatunk, és a rendszer ebből felépíti nekünk a megfelelő gráfot. A legjobb az egészben az, hogy ezt aztán nagyon optimálisan képes futtatni is. Képes kiszervezni műveleteket a GPU-nak, több szálon futtatni, és ezzel kicsalni a lehető legnagyobb teljesítményt a futtató hardverből. E mellett az egészet kitehetjük a cloud-ba, vagy éppen futtathatjuk mobil eszközökön. Nekünk elég a matematikai modellekkel foglalkozni, a hardverre való leképzést a TensorFlow intézi, és valójában talán ez a rendszer legnagyobb előnye, hogy egy absztrakciós szintet húz a hardver fölé.
Akit a technikai részletek érdekelnek, a transzformációk és a rendszer alapja C++-ban készült (érthető okokból, hiszen gyorsnak kell lennie), és e felett van egy Python réteg, amin keresztül programozható. A meglévő készlet szabadon bővíthető új transzformációkkal, és remélhetőleg most hogy nyílt forrású lett, talán megjelennek a Python mellett más interfészek is, pl. Java. Ha valakit mélyebben érdekel a dolog, a http://www.tensorflow.org/ oldalon elér minden információt. Érdemes a tutorialokkal kezdeni. Nem egyszerű cucc, de hát a gépi intelligencia sem egy kifejezetten egyszerű terület ...
#blog
2015. november 13., péntek
Azért itt még látszik, hogy gyerekcipőben jár a dolog (annak ellenére, hogy már most is egész jól működik), de...
Azért itt még látszik, hogy gyerekcipőben jár a dolog (annak ellenére, hogy már most is egész jól működik), de látva, hogy mekkora a mozgolódás a területen, olyan 10 év múlva már nagyon pöpecek lesznek ezek az autók. Az a kép lebeg előttem, hogy ha kedvem tartja, minden hétvégén leugorhatok a tengerpartra. Az elektromos autóm teljesen ingyen (vagy max tankolásonként kb. 1500 Ft-ért) elvisz, miközben én nézelődök vagy épp szunyálok a volán mögött. Megint egy kicsit "összébb megy" a világ.
http://index.hu/tech/2015/11/12/robotautora_biztuk_az_eletunket/
http://index.hu/tech/2015/11/12/robotautora_biztuk_az_eletunket
http://index.hu/tech/2015/11/12/robotautora_biztuk_az_eletunket/
http://index.hu/tech/2015/11/12/robotautora_biztuk_az_eletunket
Google Keep vs Evernote?
Google Keep vs Evernote?
Ki mit használ? Kéne már valami "agykiterjesztés". Google Keep-et nézegettem. Nekem szimpatikus, de a legtöbb helyen az Evernote-ot dicsérik. Ki használja és gyakorlatban miben jobb, mint a Keep? Köszi.
Ki mit használ? Kéne már valami "agykiterjesztés". Google Keep-et nézegettem. Nekem szimpatikus, de a legtöbb helyen az Evernote-ot dicsérik. Ki használja és gyakorlatban miben jobb, mint a Keep? Köszi.
2015. november 12., csütörtök
2015. november 11., szerda
"A deep learning rendszer DistBelief néven futó előző generációját a keresőóriás olyan szolgáltatásai mögé...
"A deep learning rendszer DistBelief néven futó előző generációját a keresőóriás olyan szolgáltatásai mögé állította, mint a Google Photos intelligens képkeresője, képcímkézője, a vállalat beszédfelismerője vagy a tanult fogalmak alapján sokszor inkább rémálomba illő képeket generáló DeepDream."
http://www.hwsw.hu/hirek/54742/google-tensorflow-deep-learning-gepi-tanulas.html
http://www.hwsw.hu/hirek/54742/google-tensorflow-deep-learning-gepi-tanulas.html
http://www.hwsw.hu/hirek/54742/google-tensorflow-deep-learning-gepi-tanulas.html
http://www.hwsw.hu/hirek/54742/google-tensorflow-deep-learning-gepi-tanulas.html
Olvastam a cikket, hmm, valami új cég, még a Tesal-nál is vagányabb, ezeket gyorsan bekövetem Facebook-on, érdemes...
Olvastam a cikket, hmm, valami új cég, még a Tesal-nál is vagányabb, ezeket gyorsan bekövetem Facebook-on, érdemes az ilyenekkel képben lenni. Megnyitom az oldalt, és már be van követve. Szeretem, ha még magamnál is naprakészebb vagyok ... :)
http://hvg.hu/tudomany/20151110_De_mi_ez_a_titokzatos_Faraday_Future
http://hvg.hu/tudomany/20151110_De_mi_ez_a_titokzatos_Faraday_Future
http://hvg.hu/tudomany/20151110_De_mi_ez_a_titokzatos_Faraday_Future
http://hvg.hu/tudomany/20151110_De_mi_ez_a_titokzatos_Faraday_Future
2015. november 9., hétfő
2015. november 8., vasárnap
2015. november 7., szombat
Csak simán be kell injekciózni a vírust, ami kijavítja a hibás géneket a sejtekben ...
Csak simán be kell injekciózni a vírust, ami kijavítja a hibás géneket a sejtekben ...
https://ipon.hu/hir/2017_ben_tesztelhetik_eloszor_embereken_a_crispr_cas9_et/35430
https://ipon.hu/hir/2017_ben_tesztelhetik_eloszor_embereken_a_crispr_cas9_et/35430
https://ipon.hu/hir/2017_ben_tesztelhetik_eloszor_embereken_a_crispr_cas9_et/35430
https://ipon.hu/hir/2017_ben_tesztelhetik_eloszor_embereken_a_crispr_cas9_et/35430
"A Tesla azonban az eddigi térképezési kezdeményezésekhez képest új koncepcióval állt elő, ami az adatgyűjtést...
"A Tesla azonban az eddigi térképezési kezdeményezésekhez képest új koncepcióval állt elő, ami az adatgyűjtést illeti, ugyanis a cég saját eladott autói révén bővíti és pontosítja térképeit. Minden egyes Tesla Model S (Autopilot meglététől függetlenül) folyamatosan térképészeti adatokat tölt fel a felhőbe, és ezen információk alapján rajzolódnak meg a navigációra használt térképek. Mivel a friss adatokhoz rövidesen minden másik autó hozzáfér, a flotta minden tagja folyamatosan tanul egymástól."
https://ipon.hu/elemzesek/terkepjovok_es_vezeto_nelkuli_autok/2679/
https://ipon.hu/elemzesek/terkepjovok_es_vezeto_nelkuli_autok/2679/
2015. november 5., csütörtök
2015. november 4., szerda
Olyat miért nem csinálnak, hogy 120G-s SSD-t összeépítenek egy 1TB-os HDD-vel?
Olyat miért nem csinálnak, hogy 120G-s SSD-t összeépítenek egy 1TB-os HDD-vel? Amit írsz, megy az SSD-re, és valami elektronika timestamp-eli a szektorokat. Ha betelik az SSD, elkezd kipakolni a HDD-re. Így az általában használt fájlok az SSD-n lennének, amit ritkán használsz, az a HDD-n. Mivel egy átlag usernek szerintem az esetek 99%-ában nincs 120G-nyi napi szinten használt fájlja, ezért gyakorlatilag olyan mint ha lenne egy 1Tb-os SSD-d, csak sokkal olcsóbb.
2015. november 3., kedd
Elsőre nem tűnik túl izgalmasnak.
Elsőre nem tűnik túl izgalmasnak. Csináltak egy adatelemző rendszert tudományos publikációkra. És? Pedig ezek nagyon fontos dolgok. A mesterséges intelligenciát nem Terminátor szerű robotokként kell elképzelnünk. E helyett a valódi MI egy nagy szerverterem, és egy ehhez hasonló "unalmas adatelemző rendszer" lesz. Valószínűleg valami fapados UI-al. Talán csak egy input mező, esetleg lesz hozzá voice interfész. Semmi különös. Viszont megkérdezhetjük tőle, hogy hogyan készíthetünk minden eddiginél jobb akkumulátorokat, fúziós reaktort, vagy éppen hogyan építsünk csillaghajót.
https://sg.hu/cikkek/115613/mesterseges-intelligencia-keresi-a-tut-a-szenakazalban
https://sg.hu/cikkek/115613/mesterseges-intelligencia-keresi-a-tut-a-szenakazalban
https://sg.hu/cikkek/115613/mesterseges-intelligencia-keresi-a-tut-a-szenakazalban
https://sg.hu/cikkek/115613/mesterseges-intelligencia-keresi-a-tut-a-szenakazalban
2015. november 2., hétfő
http://www.origo.hu/techbazis/20151027-3d-nyomtatas-szervnyomtatas-sziv-arteria-erek-egyetemi-labor.html
2015. november 1., vasárnap
3D nanonyomtatás, az első lépés a nanobotok felé ...
3D nanonyomtatás, az első lépés a nanobotok felé ...
https://www.facebook.com/Transzcendens/posts/754720551327556
https://www.facebook.com/Transzcendens/posts/754720551327556
https://www.facebook.com/Transzcendens/posts/754720551327556
https://www.facebook.com/Transzcendens/posts/754720551327556
Feliratkozás:
Bejegyzések (Atom)