博客作者和程序员，专攻 Machine Learning 和 Deep Learning 领域。Daniel 希望帮助他人利用 AI 的力量为社会做好事。
斯坦福大学的人机交互人工智能研究所 最近发布 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 疫苗和治疗方法的研究时间而增长。令人惊讶的是，美国的 AI...
国防高级研究计划局（DARPA）正在启动一个项目，旨在改进计算机视觉技术和启动“第三波”AI 研究。第三波 AI 研究旨在解决第一和第二波 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集团，它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最近发布了一则公告，关于即将到来的机会，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 的像素智能处理（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尤其重要对于边缘计算实例，因为这些设备没有足够的计算资源来处理大型工作负载。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，同时仍然保持所需的准确性。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，所需的处理能力就越低。根据DARPA 官员的说法，如NextGov 所引用：“通过立即将数据流转换为稀疏特征表示，降低复杂性[神经网络]将训练到高准确性，同时将整体计算操作减少 10 倍。”IP2 项目需要表演者显示最先进的准确性，同时也减少 20 倍的AI 算法处理能量延迟，当处理大型数据集时。例如，IP2 应该能够在加州大学伯克利分校的BDD100K 数据集上交付最先进的结果，该数据集是用于训练自动驾驶汽车的large 数据集，通过将各种图像分类任务与遮挡、天气、地理和环境条件的多样性结合起来。随着DARPA 加速解决计算机视觉算法和系统的第三波，它也正在领导一种努力，自动化飞机控制的方面，最近进行了一系列模拟测试，将AI 控制的F-16...
麻省理工学院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。麻省理工学院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这一指标来量化，较小的数字表示更大的结合潜力。较低的结合自由能评分意味着药物具有很强的竞争能力，可以填充其他分子的角色并破坏蛋白质的正常功能。药物候选物的结合自由能与该药物的有效性之间存在很高的相关性。然而，测量结合自由能可能相当困难。有两种典型的方法来测量结合自由能。一种方法是计算结合自由能的确切量，另一种方法是估计结合自由能的量。估计比确切测量计算成本较低，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，但可以提供结合能量的高精度估计。DeepBAR采用“Bennett 接受率”，这是通常用于计算结合自由能的算法。Bennett 接受率需要使用两个基线/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 Bennett 接受率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次数。机器学习模型为每个端点生成一个参考状态，这些端点足够准确，以至于可以部署 Bennett 接受率。麻省理工学院研究团队设计的深度生成模型基于计算机视觉技术。从本质上讲，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 能够计算结合自由能，大约比传统技术快 50 倍。仍然需要在模型上进行一些工作。它需要验证更复杂的实验数据，而不是最初测试的简单数据，这些数据相当简单。麻省理工学院研究团队旨在通过利用计算机科学的最新进展来改进 DeepBar 计算大型蛋白质结合自由能的能力。DeepBAR 远不是首次尝试将 AI...
巴西核能在农业中的应用中心（CENA）和路易斯·德·奎罗斯农业学院（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。研究团队选择胡萝卜和西红柿作为他们的实验模型，选择不同品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。胡萝卜和西红柿的成熟过程都不均匀。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。这些测试的结果可能需要两周或更长时间，这意味着机器学习技术比传统的种子分析技术快得多。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。这种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到，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LED发射光谱中的不同点的光。研究人员将发射的光分割成19个不同的波长，并根据这些波长的反射率分析种子质量。然后，他们将获得的结果与通过典型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，而使用紫外线对西红柿种子的评估最有效。种子含有蛋白质、糖和脂质，这些物质会吸收光谱中的某些波长，同时反射其余的光。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，相应的波长就被吸收得越多。使用一系列算法来确定哪个波长最适合定位种子。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。研究团队然后使用化学计量学，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，质量分类的准确率范围从86％到95％。在胡萝卜种子的情况下，准确率范围从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获取数据的方法。获取这些训练数据的一种方法就是简单地生成或制造数据。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同的隐私问题。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 的一个估计预测，到 2023...
智能手机可能很快能够生成photorealistic 3D 全息图像，这在一定程度上归功于麻省理工学院研究人员开发的 AI 模型。麻省理工学院团队开发的 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。麻省理工学院的研究人员最近设计了能够生成photorealistic 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，全息图像甚至可以由智能手机生成。与传统的 3D 和 VR 显示器不同，传统显示器仅仅产生深度的幻觉，并可能引起恶心和头痛，全息显示器可以被人们看到而不引起眼疲劳。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。由于此原因，生成全息图通常需要大量的计算能力。为了使全息技术更实用，麻省理工学院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，麻省理工学院团队设计了一种生成全息图的新方法。使用深度学习网络的力量，他们能够将图像切割成可以使用更少的“切片”重新编译成全息图的块。这种新方法利用卷积神经网络分析图像和将图像分离成离散块的能力。这种新的图像分析和块处理方法大大减少了系统必须执行的总操作数。为了设计他们的 AI 驱动的全息图生成器，研究团队首先构建了一个数据库，包含大约 4000...
麻省理工学院（MIT）的研究团队已经开发了一种深度学习算法，旨在帮助人工智能（AI）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。由 MIT 团队设计的算法可以帮助人工智能系统在面对混淆数据点时保持准确性，避免做出错误的决定。人工智能系统通过分析事件的输入特征来决定如何响应该事件。负责操控自主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”对于人工智能系统来说就像视觉幻觉一样。它们是会以某种方式混淆人工智能的输入。对抗性输入可以被故意设计以使人工智能做出错误的决定，方法是以使人工智能相信示例的内容是一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，可以创建一个对抗性示例，使计算机视觉系统错误地将图像分类为计算机显示器。MIT 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”。MIT 研究人员将他们的方法称为“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，类似于强化学习系统。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，人工智能会考虑该点的位置可能是对抗性影响的结果，并考虑点可能存在的区域。然后，网络会根据点位置的最坏情况做出决定，选择在最坏情况下会产生最高奖励的行动。防御对抗性示例的典型方法是运行输入图像的略微修改版本，以查看人工智能网络是否始终做出相同的决定。如果对图像的修改不会显著影响结果，则有很好的机会网络对对抗性示例具有抵抗力。然而，这不是一个适用于需要快速做出决定的场景的可行策略，因为这些是耗时的、计算成本高的测试方法。因此，MIT 团队致力于创建一个可以根据最坏情况假设做出决定的人工智能网络，能够在安全至关重要的场景中运行。MIT 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显示位置略微下移的示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 相比之下能够赢得更多的游戏。CARRL 还被测试在一个碰撞避免任务中。任务在一个虚拟环境中展开，两个不同的代理试图在不相撞的情况下切换位置。研究团队修改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向第二个代理，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，MIT 航空航天工程系的博士后 Michael Everett 表示，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...
赫尔辛基大学的一组研究人员创建了一个人工智能，旨在根据个人偏好生成吸引人的面部图像。该人工智能根据佩戴脑机接口（BCI）的人所认为的吸引人的面部特征来生成面部特征。该人工智能根据脑机接口（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联，然后将数据输入到生成对抗网络（GAN）中。机器学习系统随后在大量人认为吸引人的面部特征上进行了训练，并能够反向工程这些模式来生成全新的面部图像。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头戴设备来记录和分析他们在查看不同面部图像时的大脑活动。EEG能够记录他们对认为吸引人的面部图像的反应。EEG系统采集的测量数据被输入到GAN中，GAN将EEG信号解释为参与者认为面部图像有多吸引人。GAN在训练了这些数据后能够生成新的面部图像。研究团队随后进行了第二个实验。新生成的面部图像被展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图像进行排名。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，原始图像只被评为吸引人大约20%的时间。该研究的样本量相当小，因此尚不清楚该方法在更大的人口中会有多么强大的效果。然而，结果很有趣，它们是人工智能技术可以量化看似难以理解的行为和偏好的另一个例子。赫尔辛基大学心理学和言语病理学系的高级研究员Michael Spapé解释说，该研究表明了心理特性可以通过大脑对刺激的反应信息来展示。正如Spapé通过EurekaAlert解释的那样：“该研究表明，我们能够通过将人工神经网络连接到大脑反应来生成与个人偏好相符的图像。成功评估吸引力尤其重要，因为这是刺激的如此强烈的心理特性。计算机视觉迄今为止在根据客观模式对图像进行分类方面非常成功。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特性（如个人品味）的图像。”研究人员认为，该研究可能对计算机理解主观偏好有影响。人工智能解决方案和脑机接口可以一起用于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。如果解释吸引力的普遍策略对其他认知功能也成立，那么可以开发出类似的系统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基于大脑中其他类型细胞的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的处理方式。深度神经网络的灵感来自人类大脑的神经网络。强化学习算法可以从其失败和成功中学习，并随着时间的推移掌握诸如国际象棋和围棋等复杂挑战。然而，深度神经网络在遇到人类常见的问题时会遇到困难。任何需要在当前领域或环境中没有获得的普遍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、多样化和可靠。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忽视了其他类型的脑细胞，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/利用的权衡，并将其所学的知识应用于不同上下文中的类似任务。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，这得益于它们能够作为与神经元并行运行的网络。将星形胶质细胞引入神经网络将使 AI 能够集成在长时间尺度上收集的信息，识别类似的情况和重用学习的能力，并模块化神经元之间的突触连接。星形胶质细胞指导大脑前额叶皮层中的神经元探索场景，并协助尾状核中的细胞利用情况，所有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，这得益于它们能够作为与神经元并行运行的网络。将星形胶质细胞引入神经网络将使 AI 能够集成在长时间尺度上收集的信息，识别类似的情况和重用学习的能力，并模块化神经元之间的突触连接。星形胶质细胞指导大脑前额叶皮层中的神经元探索场景，并协助尾状核中的细胞利用情况，所有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研究星形胶质细胞如何增强深度神经网络，每个实验由不同专家进行。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的简单实验中收集数据，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创建电池的材料。同时，IBM的一组研究人员正在利用人工智能算法来确定哪些替代材料可以用于创建电池。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入侵性、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，开发一个可以推荐在哪里找到某些矿物的代理人。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物沉积，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中的数据做出反应。当社会从化石燃料动力汽车转向电池动力汽车，以减少整体温室气体排放时，将需要更多的电池容量。根据去年12月发表在《自然》杂志上的论文，到2050年，可能会有超过20亿辆电动汽车在道路上行驶，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，该模型对高浓度矿石矿床的位置做出预测。人们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，这比人类分析师的预测速度要快得多。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能比当前的锂离子电池表现更好的溶剂。这个IBM人工智能项目专注于当前现有和可用的材料，但另一个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理解现有材料的分子结构、熔点、粘度和其他属性。训练生成模型使研究人员能够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，被称为“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可解释，以用于核不扩散和国家安全的目的。目标是使AI模型在涉及核安全的任何决策中都变得透明。如今，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，试图解决机器学习的“黑盒子”问题。AI模型通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。在做出这些决策的领域中，灾难和危险的潜在风险越高，就越需要这些决策背后的理由变得透明。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案例中，打开AI在这些场景中使用的“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变得可解释。这些研究人员正在与美国能源部的国家核安全管理局（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。鉴于核不扩散相关问题的风险很高，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的高级程序经理。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法，可以使将AI整合到这些系统中的过程变得更容易。谢菲尔德认为，研究人员应该创建工具，以使开发人员能够了解这些复杂技术的工作原理。涉及核爆炸和核武器开发的数据相对稀缺，这使得可解释的AI更加重要。在这个领域训练AI模型可能会导致模型的可靠性较低，这是由于数据相对较少，尤其是与面部识别等任务相比。因此，模型用来做出决策的每一步都需要被检查。PNNL的研究人员马克·格雷夫斯（Mark Greaves）解释说，核扩散的固有风险要求一个可以告知人们为什么选择了某个答案的系统。正如格雷夫斯通过EurekaAlert解释的那样：“如果AI系统对一个国家是否拥有核武器的概率产生了错误的结果，那就是一个完全不同规模的问题。因此，我们的系统必须至少产生解释，以便人类可以检查其结论，并使用他们自己的专业知识来纠正AI训练中的空白，这些空白是由数据的稀缺性引起的。”正如谢菲尔德解释的，PNNL有两个优势将有助于他们解决这个问题。首先，PNNL在AI领域有丰富的经验。另外，团队在核材料和武器方面具有显著的领域知识。PNNL团队了解诸如铀的加工和核武器开发的独特信号等问题。AI经验、国家安全经验和核领域知识的结合意味着PNNL非常适合处理核国家安全和AI的问题。
一组研究人员在 Uber 的 AI 实验室最近 开发了一个系统 的 AI 算法，这些算法在经典的 Atari 电子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 的研究团队相信，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操作来学习如何执行任务，并在每个操作之后，会提供一种强化（奖励或惩罚）。 随着时间的推移，AI 模型学习哪些操作会带来更大的奖励，并且更有可能执行这些操作。 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。...
一项由 新调查 最近由 Oracle 发布，发现 人们现在报告信任机器人 而非自己来处理他们的钱。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他们的财务。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）与其财务相关的思考方式。消费者和商业领袖都越来越多地转向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。商业领袖尤其更倾向于将财务决策交给机器人而非人类，77% 的商业领袖表示他们更信任机器人而非财务团队，大约 73% 的他们表示更信任机器人而非自己。这与 53% 的消费者报告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 大流行引发的与金钱相关的压力和焦虑。根据 Oracle 的说法，大约 87% 的消费者正在经历某种类型的与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。大约 41%...
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 相互作用地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。研究人员还使模型变得可解释，这样他们就可以分析模型的结论并确定如何序列化基因的调控。生物学中一个大的谜团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 的段绑定，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 序列绑定来实现的。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 如何结合，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能够解释关键 DNA 序列模式和作为调控代码的规则的工具。斯坦福大学的生物学家和计算机研究员 Julia Zeitlinger 博士解释说，来自可解释神经网络的结果与现有的实验结果一致，但它们也包含了关于基因组调控代码的惊人见解。例如，AI...
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。研究人员调查了与基于 OpenAI 的 GPT-2 模型的系统交互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至关重要。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。来自中伯里国际研究院的恐怖主义、极端主义和反恐中心（CTEC）的研究人员发表的 最近的一篇论文 发现，OpenAI 的 GPT-3 模型可以用来生成有影响力的文本，能够激进化人们，推动他们向“暴力极右翼极端主义意识形态和行为”发展。来自马克斯·普朗克研究所、阿姆斯特丹大学、科隆大学和奥托·贝斯海姆管理学院的一组研究人员进行的一项研究旨在确定...
