斯坦福大学的人机交互人工智能研究所 最近发布了其 2021 AI 指数报告。该报告总结了 2020 年的趋势，并对 2021 年及以后做出了一些预测。虽然美国的 AI 行业略微收缩，但世界其他地区的 AI 行业继续扩张，政府和大学继续投资 AI 项目和教育。尽管 Covid-19 大流行造成了重大冲击，AI 在 2020 年仍保持增长趋势。毫无疑问，医疗保健行业对 AI 的使用随着对 Covid-19 疫苗和治疗的研究时间而增长。令人惊讶的是，美国的 AI 职位增长出现了放缓，尽管世界其他地区的...
美国国防高级研究计划局（DARPA）正在启动一个项目，以改进计算机视觉技术和开始“第三波”AI 研究。第三波 AI 研究旨在解决第一波和第二波 AI 技术的局限性，包括图像识别算法的改进。 DARPA 是美国军方的主要高级研究机构，在创造许多现代技术元素方面发挥了至关重要的作用，例如最早的计算机网络和最早的 AI 系统。DARPA 最近发布了一份关于即将到来的机会的公告，正在寻找一名研究人员参与“第三波”AI 理论和应用的开发。该公告提到了在 DARPA 的 Pixel Intelligent Processing (IP2) 系统上工作的机会。IP2 旨在提高图像/视频识别系统的一般可靠性、可用性和准确性。IP2 对边缘计算实例尤其重要，因为这些设备没有足够的计算资源来处理大量工作负载。IP2 旨在解决两个限制 AI 系统在边缘计算设备中部署的问题。一个问题是创建低权重、低功耗和低延迟的 AI 算法，同时保持必要的准确性。另一个需要解决的问题是数据复杂性。数据集的复杂性越低，分析数据集所需的处理能力就越低。DARPA...
来自 MIT 的研究人员最近开发了一种新的 AI 驱动技术，以加速药物发现速度，通过增加用于评估药物分子结合亲和力的计算速度。药物必须能够粘附在蛋白质上，以执行其设计的任务。评估药物粘附在蛋白质上的能力是药物发现和筛选过程中的一个重要部分，机器学习技术可以减少评估这一重要药物属性所花费的时间。MIT 研究团队负责开发新的药物评估技术，将其称为 DeepBAR。DeepBAR 结合了机器学习算法和传统化学计算。DeepBAR 计算给定候选药物及其目标蛋白质的结合潜力。新的分析技术比传统方法更快地提供药物结合能力的估计值，希望该技术可以提高药物发现的速度。药物的结合潜力通过结合自由能量的指标来量化，较小的数字表示更大的结合潜力。较低的结合自由能量得分意味着药物具有很强的竞争能力，可以填充其他分子的作用并破坏蛋白质的正常功能。药物候选物的结合自由能量与药物的有效性之间存在很高的相关性。然而，测量结合自由能量可能相当困难。有两种典型的技术用于测量结合自由能量。一种方法是计算结合自由能量的确切量，另一种方法是估计结合自由能量的量。估计值比确切测量值计算成本较低，但明显牺牲了准确性。DeepBAR 方法使用的计算能力仅为确切测量方法的一小部分，但提供了结合能量的高精度估计。DeepBAR 采用了通常用于计算结合自由能量的“贝内特接受率”算法。贝内特接受率算法需要使用两个基线/端点状态和多个中间状态（即部分结合状态）。DeepBAR 方法尝试通过使用贝内特接受率算法和机器学习框架以及深度生成模型来减少估计结合能量所需的计算量。机器学习模型为每个端点生成一个参考状态，这些端点足够接近实际端点，可以部署贝内特接受率算法。MIT 研究团队设计的深度生成模型基于计算机视觉技术。基本上，DeepBAR 将其分析的每个分子结构视为图像，分析“图像”的特征以从中学习。研究团队必须对算法进行一些修改，以适应 3D 结构的分析，因为计算机视觉算法通常在 2D 图像上运行。在初步测试中，DeepBAR 能够比传统技术快约 50 倍地计算结合自由能量。仍然需要在模型上进行一些工作。它需要验证更多复杂的实验数据，而不是最初测试的简单数据，这些数据涉及相当简单的数据。MIT 研究团队旨在通过使用计算机科学的最新进展来改进 DeepBar 的模型，以提高其计算大型蛋白质结合自由能量的能力。DeepBAR 远不是第一次尝试将 AI...
巴西核能在农业中的应用中心（CENA）和路易斯·德·奎罗兹农业学院（ESALQ）的研究人员团队创建了一个 人工智能驱动的种子质量分析方法，大大减少了确定农业种子质量所需的时间。根据 Phys.org 的报道，研究团队使用基于光的成像技术收集了种子的图像。研究团队使用的技术包括多光谱成像和叶绿素荧光。研究团队选择了胡萝卜和西红柿作为他们的实验模型，选择了不同变种在不同国家和不同条件下生产。他们选择的种子是美国和巴西生产的商业西红柿品种，以及意大利、智利和巴西生产的商业胡萝卜品种。这些作物的需求在全球范围内不断增长，但收集这些作物的种子可能很困难。胡萝卜和西红柿都有不均匀的成熟过程。这些作物的种子生产也是非同步的，这意味着从这些西红柿和胡萝卜中提取的种子批次可能包含成熟和未成熟的种子。用眼睛区分成熟和未成熟的种子并不容易，但计算机视觉系统可以使这个过程更容易。传统上，种子是通过发芽和活力测试来评估的。发芽测试涉及播种和发芽种子，而活力测试旨在评估种子对压力的反应。这些测试可能需要两周或更长时间才能获得结果，这意味着机器学习技术比传统的种子分析技术快得多。在收集训练图像后，研究人员使用随机森林分类器来自动解释种子图像。这种光学成像系统比传统的种子分析方法有很多优势，其中一个优势是光学成像技术可以应用于整个种子批次，而不仅仅是这些批次中的小样本。该方法的另一个优势是计算机视觉技术是非侵入性的，因此不会破坏任何被分析的产品。研究人员使用的一种分析种子质量的方法是叶绿素荧光。研究团队开发的算法利用种子中的叶绿素。叶绿素为种子提供了发育所需的能量，如果种子仍然含有大量的残留叶绿素，这意味着种子尚未完全成熟。这种残留叶绿素可以通过多光谱成像检测，红光激发叶绿素，特殊设备捕获其荧光并将其转换为电信号。多光谱成像涉及使用发光二极管（LED）发出光谱中的不同点的光。研究人员将发出的光分割为19个不同的波长，并根据这些波长的反射分析种子质量。然后，他们将获得的结果与通过典型的种子分析方法获得的质量数据进行比较。研究人员发现，使用近红外光对胡萝卜种子的评估最有效，而使用紫外光对西红柿种子的评估最有效。种子含有蛋白质、糖和脂质，这些物质吸收某些波长的光，而反射其余的光。多光谱相机用于捕获反射光，所得的图像数据用于找到整个捕获图像中的种子。种子中某种营养物质的含量越多，相应的波长被吸收的越多。使用一系列算法来确定哪个波长在定位种子方面表现最佳。这个过程可以提供有关被研究的种子的化学成分的信息，从而可以推断出种子的质量。然后，研究团队使用化学计量学，即用于分类材料的数学和统计模型，创建描述种子质量的类别。最后，研究人员能够使用机器学习模型来评估他们创建的化学计量模型的准确性。在西红柿种子的情况下，质量分类的准确性范围从86％到95％。在胡萝卜种子的情况下，准确性范围从88％到97％。叶绿素荧光技术和多光谱成像技术都被证明是可靠的，并且比传统的种子质量评估方法快得多。如果这种方法被证明是可靠的，它有可能为全球的种植者带来更高质量的种子。
以色列初创公司 DataGen最近筹集了 1850 万美元的资金，用于创建一个专门为 AI 公司生产合成数据的平台。任何人工智能公司都面临着同样的核心挑战，即收集训练其 AI 模型所需的数据。高质量的训练数据需求如此之大，以至于它已经催生了一个专门为 AI 公司提供所需数据的子行业。 AI 和相关公司总是在寻找新的方法来获取所需的数据。获取这些训练数据的一种方法就是简单地生成或伪造数据。正如 Fortune 报道，DataGen 专门使用自己的机器学习模型为其他公司创建合成数据，特别是图像和视频数据。该公司生成的数据然后被其客户用于训练自己的 AI 模型。根据 DataGen 的 CEO 和创始人 Ofir Chakon 的说法，该公司可以在仅几个小时内为客户公司创建一个完整的合成数据集。这比准备数据集所需的时间要快得多，通常需要数周甚至数月的时间来标记数据。除了速度快之外，合成数据对公司还有其他吸引人的地方。合成数据不带有与真实数据相关的隐私问题。随着更多的法律被制定来保护人们的数据隐私，拥有合成训练数据变得更加有吸引力。技术分析公司 Gartner 的一项估计预测，到...
智能手机可能很快就能够生成照片级的 3D 全息图像，这在一定程度上归功于 麻省理工学院（MIT）研究人员开发的 AI 模型。MIT 团队开发的 AI 系统 确定了从一系列输入图像中生成全息图的最佳方法。麻省理工学院（MIT）的研究人员最近设计了能够生成照片级 3D 全息图像的 AI 模型。这种技术可以应用于 VR 和 AR 头戴设备，甚至可以由智能手机生成全息图像。与传统的 3D 和 VR 显示器不同，后者只是产生深度的幻觉并可能引起恶心和头痛，全息显示器可以被人们看到而不会引起眼部疲劳。创建全息媒体的主要障碍是处理实际生成全息图所需的数据。每个全息图由创建全息图“深度”的大量数据组成。因此，生成全息图通常需要大量的计算能力。为了使全息技术更加实用，MIT 团队将深度卷积神经网络应用于该问题，创建了一个能够快速根据输入图像生成全息图的网络。生成全息图的典型方法基本上是生成许多全息图块，然后使用物理模拟将块组合成对象或图像的完整表示。这与生成全息图的典型方法不同。在传统方法中，图像被切割成块，然后使用一系列查找表将全息图块连接在一起，因为查找表标记了不同全息图块的边界。使用查找表定义全息图块边界的过程相当耗时且需要大量处理能力。根据 IEEE Spectrum 的说法，MIT...
麻省理工学院的一组研究人员开发了一种深度学习算法，旨在帮助人工智能处理“对抗性”示例，这些示例可能会导致人工智能做出错误的预测和采取错误的行动。麻省理工学院团队设计的算法可以帮助人工智能系统在面对混淆的数据点时保持其准确性，避免做出错误的决定。人工智能系统分析事件的输入特征以决定如何响应该事件。负责操控自动驾驶车辆的人工智能必须从车辆的摄像头中获取数据，并根据这些图像中的数据做出决定。然而，人工智能分析的图像数据可能不是真实世界的准确表示。摄像头系统中的故障可能会改变一些像素，导致人工智能得出关于适当行动的错误结论。“对抗性输入”就像人工智能系统的视觉幻觉。它们是以某种方式混淆人工智能的输入。对抗性输入可以被设计成故意导致人工智能做出错误的预测，通过以使人工智能相信示例的内容是某种东西而不是另一种东西的方式来表示数据。例如，通过对猫的图像进行细微的修改，可以创建一个对计算机视觉系统的对抗性示例，导致人工智能将图像错误地分类为计算机显示器。麻省理工学院研究团队设计了一个算法，以帮助防御对抗性示例，方法是让模型对其接收的输入保持一定的“怀疑态度”。麻省理工学院研究人员称他们的方法为“深度强化学习的认证对抗鲁棒性”，或CARRL。CARRL由强化学习网络和传统深度神经网络组成。强化学习使用“奖励”概念来训练模型，模型越接近目标，就会获得越多的奖励。强化学习模型用于训练深度Q网络（DQN）。DQN的功能类似于传统神经网络，但它们也将输入值与奖励水平关联起来，就像强化学习系统一样。CARRL通过对输入数据的不同可能值进行建模来运行。假设人工智能试图跟踪图像中一个点的位置，人工智能会认为该点的位置可能是对抗性影响的结果，并考虑该点可能在的区域。然后，网络根据点位置的最坏情况做出决定，选择在最坏情况下能产生最高奖励的行动。通常，防御对抗性示例的方法是运行输入图像的略微修改版本，通过人工智能网络来查看是否始终做出相同的决定。如果图像的修改不会显著影响结果，则有很好的机会使网络对对抗性示例具有抵抗力。然而，这对于需要快速做出决定的场景来说并不是一种可行的策略，因为这些是耗时的、计算成本高的测试方法。因此，麻省理工学院团队致力于创建一种可以根据最坏情况假设做出决定的神经网络，能够在安全至关重要的场景中运行。麻省理工学院研究人员通过让人工智能玩一场Pong游戏来测试他们的算法。他们通过向人工智能提供球在屏幕上略微偏下的实例来包含对抗性示例。随着对抗性示例的影响增大，标准的纠正技术开始失败，而CARRL能够通过比较赢得更多的游戏。CARRL还被测试在一个碰撞避免任务中。该任务在一个虚拟环境中展开，两个不同的代理试图在不相互碰撞的情况下切换位置。研究团队改变了第一个代理对第二个代理的感知，CARRL能够成功地将第一个代理导航到第二个代理周围，即使在不确定性很高的情况下，尽管CARRL最终变得过于谨慎，完全避开了其目的地。尽管如此，麻省理工学院航空航天工程系的研究员Michael Everett，他领导了这项研究，解释说这项研究可能对机器人处理不可预测情况的能力产生影响。正如Everett通过麻省理工学院新闻所说：“人们可能会对抗，例如，挡住机器人的传感器，或与机器人交互，不一定是出于良好的意图。机器人如何思考人们可能尝试做的所有事情，并试图避免它们？我们想要防御什么样的对抗模型？这是我们正在思考如何做的事情。”
赫尔辛基大学的一组研究人员创建了一个人工智能，旨在生成吸引人的面部图像，基于个人在佩戴脑机接口（BCI）时认为吸引人的特征。人工智能根据BCI收集的数据生成面部特征。研究团队由赫尔辛基大学的计算机科学家和心理学家组成。赫尔辛基研究团队使用脑电图（EEG）测量来确定不同人可能认为吸引人的面部特征。EEG信号与面部特征相关，然后将数据输入到生成对抗网络（GAN）中。机器学习系统在大量人认为吸引人的面部特征上进行了训练，然后能够反向工程这些模式以生成完全新的面部。研究人员让30名参与者坐在屏幕前，向他们展示面部图像。这些面部图像不是真实的人，而是由在超过20万张名人图像数据集上训练的人工智能生成的。参与者佩戴了带有电极的EEG头盔来记录和分析他们在查看不同面部时的大脑活动。EEG能够记录他们对认为吸引人的面部的反应。EEG系统采取的测量值被输入到GAN中，GAN将EEG信号解释为参与者认为面部有多吸引人。GAN在训练了这些数据后能够生成新的面部。研究团队然后进行了第二个实验。新生成的面部被显示给之前观看会话中参与的相同志愿者。参与者被要求根据吸引力对面部进行排名。当研究结果被分析时，研究人员发现参与者大约80%的时间将生成的图像评为吸引人。这与原始图像形成对比，原始图像只被评为大约20%的时间吸引人。研究的样本量相当小，因此不清楚该方法在更大的人口中会有多强的鲁棒性。然而，结果很有趣，它们当然是另一个例子，表明看似难以理解的行为和偏好可以用某些人工智能技术来量化。赫尔辛基大学心理学和言语治疗系的高级研究员Michael Spapé解释说，该研究表明，通过连接人工神经网络和大脑反应，可以根据个人偏好生成图像。正如Spapé通过EurekaAlert解释的那样：“该研究表明，我们能够通过连接人工神经网络和大脑反应来生成符合个人偏好的图像。成功评估吸引力尤其重要，因为这是刺激的如此重要的心理属性。计算机视觉迄今为止在基于客观模式的图像分类方面非常成功。通过将大脑反应纳入混合，我们展示了可以检测和生成基于心理属性的图像，例如个人口味。”研究人员认为，该研究可能对计算机理解主观偏好有所启示。人工智能解决方案和脑机接口可以一起使用来理解复杂的心理现象。根据Spapé的说法，我们可能能够使用类似的技术来研究决策和感知等其他认知功能。假设解释吸引力的普遍策略对其他认知功能也成立，类似的系统可以被开发来识别偏见或刻板印象。
麻省理工学院（MIT）的研究团队旨在通过将神经网络与其他类型的脑细胞结构相结合来增强神经网络的性能。研究团队将将基于星形胶质细胞的结构集成到神经网络中，旨在让神经网络在时间尺度上转换其信号处理方式。深度神经网络的灵感来自人类大脑的神经网络。强化学习算法通过学习失败和成功来掌握复杂的挑战，如国际象棋和围棋游戏。然而，深度神经网络在遇到常见问题时会遇到困难。任何需要在当前域或环境中没有获得的一般知识的情况都难以被深度神经网络处理。根据 MIT 的 Picower Institute 的说法，研究团队旨在通过向神经网络添加基于星形胶质细胞的结构来使深度神经网络更加强大、多样和可靠。正如 MIT 的神经科学 Newton 教授 Mriganak Sur 解释的那样，人们对神经元的关注导致其他类型的脑细胞被忽视，这些细胞在大脑中发挥着重要作用。Sur 解释说，即使是最先进的深度神经网络，也难以考虑和学习环境中的因素，当规则/上下文不变或时间无关紧要时。 在这种情况下，神经网络难以跟踪成功的策略，平衡探索/利用权衡，并将其所学的知识应用于其他任务。根据 Sur 的说法，最近的证据表明，星形胶质细胞在使大脑能够执行上述任务方面发挥着重要作用，这得益于它们作为与神经元并行运行的网络的能力。将星形胶质细胞引入神经网络将使 AI 能够集成长时间尺度上的信息，识别类似情况和重用学习能力，并模块化神经元之间的突触连接。星形胶质细胞指导大脑的前额叶皮层中的神经元探索场景，并帮助纹状体中的细胞利用情况，这些都通过化学神经调节剂管理。根据 Sur 的说法，最近的证据表明，星形胶质细胞在使大脑能够执行上述任务方面发挥着重要作用，这得益于它们作为与神经元并行运行的网络的能力。将星形胶质细胞引入神经网络将使 AI 能够集成长时间尺度上的信息，识别类似情况和重用学习能力，并模块化神经元之间的突触连接。星形胶质细胞指导大脑的前额叶皮层中的神经元探索场景，并帮助纹状体中的细胞利用情况，这些都通过化学神经调节剂管理。研究团队将通过各种实验来调查星形胶质细胞如何增强深度神经网络，每个实验由不同的专家进行。实验结果将用于完善研究团队的理论。研究人员将从小鼠和人类中收集简单实验的数据，并监测大脑区域、星形胶质细胞和神经调节剂的变化如何影响性能。最后，Alfonso Araque 和 Sur...
人工智能研究人员正在开发人工智能模型，以减少与电池中使用的材料开采相关的环境影响。矿业勘探初创公司Kobold正在开发一种人工智能模型，能够检测地面中用于电池制造的材料。同时，IBM的一组研究人员正在使用人工智能算法来确定可以用于制造电池的替代材料。电池制造所需的材料需求不断增加，因为越来越多的物体由电力驱动。为了满足这种增加的需求，需要进行更多的采矿，研究人员正在寻找减少这些资源开采操作的环境影响的方法。人工智能有可能改进当前的矿石开采方法，甚至可以用更可持续的技术替代这些方法。根据IEEE Spectrum的报道，KoBold Metals的新人工智能项目旨在检测矿藏，在这些地区开采矿藏相比当前的资源开采方法会造成相对较小的损害。Kobold解释说，他们正在开发的人工智能模型可以大大减少对侵入性、昂贵的矿物勘探任务的需求，这些任务通常需要进行许多勘探和扫描来找到稀有材料。根据KoBold的说法，大多数容易获取的材料已经被发现，尽管需要新的矿藏来改变当前的能源系统。KoBold正在与斯坦福大学地球资源预测中心合作，开发一个可以推荐找到某些矿物的地点的人工智能代理。该初创公司希望开发一个能够推荐可能含有锂、铜、钴、镍和其他矿物的地区的人工智能。斯坦福大学地质科学教授Jef Caers解释说，人工智能背后的概念是帮助地质学家评估多个地点的潜在矿藏，并加快决策过程。根据Caers的说法，人工智能模型的工作方式类似于自动驾驶汽车，即模型既可以收集也可以对周围环境收集的数据做出反应。随着社会从化石燃料动力汽车转向电池动力汽车，目标是减少整体温室气体排放，需要更多的电池容量。根据《自然》杂志上发表的一篇论文，到2050年，道路上可能会有超过20亿辆电动汽车，需要大约12太瓦时的年度电池容量，这大约是当前美国现有容量的十倍。Kobold的基于人工智能的矿物发现方法得到了一个数据平台的支持，该平台存储了来自各种来源的潜在矿业地点的信息。土壤样本、钻井报告和卫星图像被收集并用作人工智能模型的特征，该模型对高浓度矿藏的位置做出预测。希望人工智能模型能够快速准确地预测哪些地点应该被开采，这些预测比人类分析师的预测要快得多。虽然Kobold正在设计人工智能模型来找到更多的电池材料，但IBM的研究人员正在尝试找到可以替代锂和钴等常见电池成分的材料。IBM的研究人员正在使用人工智能模型来识别可以超越当前锂离子电池的溶剂。这项IBM人工智能项目专注于当前现有和可用的材料，但另一项IBM项目旨在合成可以替代常见电池材料的新分子。IBM研究团队使用生成模型来了解现有材料的分子结构、熔点、粘度和其他属性。训练生成模型以这些类型的特征允许研究人员生成具有相似属性的分子。IBM已经使用他们的人工智能系统设计了新的分子，称为“光酸发生器”。这些光酸发生器可以帮助工程师使用更环保的材料和技术开发计算机芯片。IBM研究团队旨在为电池技术做同样的事情。
太平洋西北国家实验室（PNNL）的研究人员正在尝试使 AI 对核不扩散和国家安全的目的变得可解释。目标是使 AI 模型在涉及核安全的任何决策中返回透明的决策。目前，人们比以往任何时候都更加关注可解释的 AI 模型的重要性，以解决机器学习的“黑盒子”问题。AI 模型经常被信任来做出复杂的决策，即使那些负责执行这些决策的人并不理解这些决策背后的理由。在这些决策被做出的情况下，潜在的灾难和危险越大，了解这些决策背后的理由就越重要。如果 AI 应用程序只是对水果图像进行分类，那么可能不需要了解分类背后的理由，但是在涉及核武器或核材料生产的情况下，打开 AI 背后的“黑盒子”是更好的选择。PNNL 科学家正在使用各种新技术来使 AI 可解释。这些研究人员正在与美国能源部国家核安全管理局（NNSA）的国防核不扩散研究与开发办公室（DNN R&D）合作。DNN R&D 负责监督美国监测和检测核材料生产、核武器开发和全球核武器爆炸的能力。鉴于核不扩散问题所带来的风险很高，了解 AI 系统如何得出这些问题的结论至关重要。安吉·谢菲尔德（Angie Sheffield）是 DNN R&D 的高级计划经理。根据谢菲尔德的说法，通常很难将新技术如 AI 模型整合到传统的科学技术和框架中，但通过设计新的与这些系统交互的方式，可以使将...
一组 Uber 的 AI 实验室的研究人员最近 开发了一个系统 的 AI 算法，这些算法在经典的 Atari 视频游戏中比人类玩家和其他 AI 系统表现更好。 研究人员开发的 AI 系统能够记住以前成功的策略，并根据过去的经验创建新的策略。 研究 的研究团队认为，他们开发的算法在语言处理和机器人等其他技术领域具有潜在的应用。通常，创建能够玩视频游戏的 AI 系统的方法是使用强化学习算法。 强化学习算法通过探索一系列可能的行动来学习如何执行任务，并在每个行动之后，会提供一种强化（奖励或惩罚）。 随着时间的推移，AI 模型学习哪些行动会带来更大的奖励，并且更有可能执行这些行动。 不幸的是，强化学习模型在遇到与数据集中的其他数据点不一致的数据点时会遇到麻烦。根据研究团队的说法，他们的方法之所以没有被其他 AI 研究人员考虑，是因为该策略与强化学习中通常使用的“内在动机”方法不同。...
Oracle最近发布的一项新调查发现，人们现在报告说他们更信任机器人而非自己来处理自己的钱。超过三分之二的Oracle受访者表示，他们更信任机器人而非人类来管理自己的财务。在许多人面临巨大财务不确定性的时期，人们已经改变了他们对人工智能（AI）在财务方面的看法。消费者和商业领袖都越来越多地使用人工智能和机器人来帮助他们管理财务和做出复杂的财务决策。根据Oracle的一项研究，67%的受访者表示他们更信任机器人而非人类来做出财务决策。商业领袖尤其更可能信任机器人而非人类来做出财务决策，77%的商业领袖表示他们更信任机器人而非财务团队，约73%的他们表示他们更信任机器人而非自己。这与53%的消费者报告说他们更信任机器人而非自己来管理财务，以及63%的消费者表示他们更信任机器人而非个人财务顾问相比。机器人和人工智能设备被视为更理性、更准确的代理，这可能反映了人们希望人工智能设备可以帮助我们应对由COVID-19疫情引发的与钱相关的压力和焦虑。根据Oracle，约87%的消费者正在经历某种类型的财务相关的焦虑或恐惧，包括失去储蓄、失去工作和永远无法摆脱债务。约41%的人报告说他们因担心自己的财务状况而失眠。虽然这受到疫情的影响，但在金融领域对人工智能和机器人的关注已经在2020年疫情之前就开始发生。未来十年，金融专业人员的角色可能会由于人工智能而发生重大变化。商业领袖已经相信人工智能和机器人将在未来几年内改变公司财务，85%的商业领袖希望在各种财务任务（如财务审批、合规和风险管理、预测、预算和报告）中获得自动化系统的帮助。虽然人工智能和机器人可以真正改善人们管理财务和腾出时间的能力，但人工智能应该被信任到什么程度仍然是一个开放的问题。影响人们对机器人或人工智能的信任的变量尚不完全清楚，因此设计出能够与人以道德方式合作的人工智能系统是很困难的。最近的一项研究发现，人们对机器人的态度受到机器人的外观的影响。具有高度人形外观的机器人在执行可能被视为不道德的行为时被评判得更严厉，而具有较少人形外观的机器人在执行相同行为时被评判得较轻。机器人的外观可能会影响人们对他们的态度，包括他们在复杂决策（如如何处理自己的钱）时对机器人的信任程度。最近的一项研究发现，人工智能应用程序可以促使人们采取不道德的行为，即使人们知道建议来自人工智能。考虑到财务决策对个人福祉的影响，确保任何为人类提供财务建议或代表人类采取行动的人工智能或机器人以道德方式行事至关重要。
一组研究人员最近 创建了一个可解释的神经网络，旨在帮助生物学家揭示人类基因组代码的神秘规则。研究团队在蛋白质-DNA 相互作用图上训练了神经网络，使得 AI 能够发现某些 DNA 序列如何调节某些基因。研究人员还使模型可解释，这样他们就可以分析模型的结论并确定如何序列_motif 调节基因。生物学中最大的谜团之一是基因组的调控代码。已知 DNA 由四个核苷酸碱基组成 – 腺苷、鸟嘌呤、胸腺嘧啶和胞嘧啶 – 但不知道这些碱基对如何用于调控。四个核苷酸碱基编码了构建蛋白质的指令，但它们也控制基因的表达方式（即它们如何在生物体中产生蛋白质）。特定的碱基组合和排列创建了调控代码的部分，这些部分与 DNA 片段结合，但不知道这些组合是什么。一个由计算机科学家和生物学家组成的跨学科团队出发来解决这个谜团，创建了一个可解释的神经网络。研究团队创建了一个名为“碱基对网络”或“BPNet”的神经网络。BPNet 用于生成预测的模型可以被解释以识别调控代码。这是通过预测称为转录因子的蛋白质如何与 DNA 序列结合来实现的。研究人员进行了各种实验和全面计算机建模，以确定转录因子和 DNA 之间的结合方式，开发了一个详细的地图，直到个别核苷酸碱基水平。详细的转录因子-DNA 表示允许研究人员创建工具，能够解释关键 DNA 序列模式和作为调控代码的规则。斯坦福大学的生物学家和计算机研究员 Julia Zeitlinger...
一组研究人员最近 调查了 AI 的潜在腐蚀性 以及影响人们做出不道德决定的能力，即使人们知道建议的来源是一个 AI 系统。研究人员调查了基于 OpenAI 的 GPT-2 模型的系统如何可能影响人们做出不道德的决定。AI 系统变得越来越普遍，它们的影响力也越来越广泛。AI 系统影响着人们的决定，用于从推荐电影到推荐浪漫伴侣的所有事情。考虑到 AI 对人们生活的影响力，考虑 AI 如何影响人们做出不道德的决定和违反道德准则是很重要的。这尤其重要，因为 AI 模型变得越来越复杂。社会科学家和数据科学家越来越担心 AI 模型可能被用来传播有害的虚假信息和错误信息。来自 Middlebury Institute of International Studies...