2020年初，Google与Facebook分别提出SimCLR与MoCo两个算法，均能够在无标注数据上学习图像数据表征。两个算法背后的框架都是对比学习，对比学习的核心训练信号是图片的“可区分性”。

　　据悉，模型需要区分两个输入是来自于同一图片的不同视角，还是来自完全不同的两张图片的输入。这个任务不需要人类标注，因此可以使用大量无标签数据进行训练。

　　尽管Google和FaceBook的两个工作对很多训练的细节问题进行了不同的处理，但它们都表明，无监督学习模型可以接近甚至达到有监督模型的效果。

       过去常用的雨量观测器通常是翻斗式雨量传感器，这种传感器是自动测量降水量的仪器，主要由承水器、过滤漏斗、翻斗、干簧管和底座等组成。降水通过承水器，再通过一个过滤斗流入翻斗里，当翻斗流入一定量的雨水后，翻斗翻转，倒空斗里的水，翻斗的另一个斗又开始接水，翻斗的每次翻转动作通过干簧管转成脉冲信号（1脉冲为0.1mm）传输到采集系统。仪器测量范围0到4mm/min。 　　虽然实现了数字传输，但翻斗式雨量传感器在冬天低温环境下，遇到雪、冰雹、雨夹雪等固态降水或混合性降水时，融化较慢，导致无法及时监测，需加盖停用，人工干预才能完成观测。 　　而新型称重式降水传感器，则是一种适合固态、液态和混合态降水总量及降水强度测量的、全自动、全天候降水观测仪器，能为气象提供更加全面、权威的信息资料支撑。

　　对于所有任务，应用GPT-3无需进行任何梯度更新或微调，仅需要与模型文本交互为其指定任务和展示少量演示即可使其完成任务。

　　称重式降水传感器基于载荷测量技术原理设计，通过对质量变化的快速相应测量降水量，既可以输出开关量信号接入现有自动气象站，也可作为智能传感器挂接在其他采集系统上。  

　　而GPT-3在许多自然语言处理数据集上均具有出色的性能，包括翻译、问答和文本填空任务，还包括一些需要即时推理或领域适应的任务等，已在很多实际任务上大幅接近人类水平。

 　　最新的称重式降水传感器，通过利用一个弹簧装置或一个重量平衡系统，将储水器连同其中积存的降水的总重量作连续记录。没有自动倒水，有固定容积，且还需减小蒸发损失（加防冻液和抑制蒸发油），特别适合测量固体降水。 

　　2020年5月，美国贝勒医学院的研究者利用动态颅内电刺激新技术，用植入的微电极阵列构成视觉假体，在人类初级视皮层绘制W、S和Z等字母的形状，成功地能够让盲人“看见”了这些字母。

　　再结合马斯克创办的脑机接口公司Neuralink发布的高带宽、全植入式脑机接口系统，下一代视觉假体有可能精准刺激大脑初级视觉皮层的每一个神经元，帮助盲人“看见”更复杂的信息，实现他们看清世界的梦想。

　    在沈阳，过去，测量降雪量，观测员需要每小时将盛雪容器拿到屋里去。化成水后，再用量杯测量，全过程只能依靠人工。现在，随着气象现代化进程的不断加快，称重式降水传感器已基本取代人工观测，它可以根据重量自动测算降雪量，并可以在全市的自动观测站设置，密切监测沈阳的降雪情况。

　　2020年10月，清华大学张悠慧、李国齐、宋森团队首次提出“类脑计算完备性”概念以及软硬件去耦合的类脑计算系统层次结构，通过理论论证与原型实验证明该类系统的硬件完备性与编译可行性，扩展了类脑计算系统应用范围使之能支持通用计算。

 　　目前，我国气象部门对固态降水的观测主要是以人工观测为主，存在时效性差、时空密度不足等诸多弊端，不能全面、连续反映冰雪过程的变化情况。  

　　该研究成果发表在2020年10月14日的《自然》(Nature)期刊，《自然》周刊评论认为，“‘完备性’新概念推动了类脑计算”，对于类脑系统存在的软硬件紧耦合问题而言这是“一个突破性方案”。