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。尽管 AI 行业在美国略微收缩，但它在世界其他地区继续扩张，政府和大学继续投资 AI 项目和教育。尽管 Covid-19 大流行造成了重大影响，AI 在 2020 年仍然保持了增长趋势。毫无疑问，AI 在医疗保健行业的应用增长了，随着对 Covid-19 疫苗和治疗的研究时间增加。令人惊讶的是，美国的 AI 就业市场实际上停滞了，尽管世界其他地区的 AI 就业机会继续增长。以下是 AI 指数报告中的一些最重要的趋势。AI...
美国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，并启动一项“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，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，宣布即将推出一个机会，寻找一名研究人员参与“第三波”AI 理论和应用的开发。该公告提到了参与 DARPA 的像素智能处理（IP2）系统的机会。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，分析数据集所需的处理能力就越低。 DARPA 研究人员 将通过使用处理单个像素的神经网络来减少图像数据集的复杂性 。这种技术减少了数据集的维度并增加了图像/视频数据集的稀疏性。这些技术使数据可以在后端处理，而不会牺牲模型的准确性。维度减少技术使...
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，以加速药物发现的速度，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，以执行其设计任务。评估药物粘附蛋白质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。开发新药评估技术的麻省理工学院研究团队称之为 DeepBAR。DeepBAR 结合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。这种新分析技术比传统方法更快地提供药物结合能力的估计值，希望这种技术可以提高药物发现的速度。药物的结合潜力通过一个称为结合自由能的指标来量化，较小的数字表示更大的结合潜力。较低的结合自由能评分意味着药物具有很高的能力来与其他分子竞争，填充这些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。有两种常见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。估计比精确测量计算量较少，但明显存在精度折衷。DeepBAR 方法仅使用精确测量方法的一小部分计算能力，但提供了结合能的高精度估计。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 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。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。该模型仍需要一些工作。它需要使用比初始测试中使用的更复杂的实验数据来验证，初始测试中使用的数据相当简单。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 并不是首次尝试将 AI...
来自巴西核能农业中心（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种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，选择不同变种在不同国家和条件下生产。他们选择的种子是美国和巴西生产的商业番茄品种，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。用眼睛很难区分成熟和未成熟的种子，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。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展所需的能量，如果种子中仍然有大量残留的叶绿素，这意味着种子尚未完全成熟。这种残留的叶绿素可以通过多光谱成像检测，使用红光激发叶绿素，并使用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发出光谱中的不同点的光。研究人员将发出的光分成19个不同的波长，并根据这些不同波长的反射率来分析种子质量。然后，他们将所获得的结果与通过传统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，这些物质会吸收某些波长的光，而反射其他波长的光。多光谱相机用于捕获反射光，所得的图像数据用于在整个捕获的图像中找到种子。种子中含有某种营养素的量越大，吸收对应于该营养素的光波长就越多。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，质量分类的准确率从86％到95％不等。在胡萝卜种子的情况下，准确率从88％到97％不等。叶绿素荧光技术和多光谱成像技术都证明是可靠的，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，它有可能为世界各地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。高质量训练数据的需求如此巨大，以至于它催生了一个专门为 AI 公司提供所需数据的整个子行业。 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是简单地生成或制造数据。正如《财富》杂志报道的，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。这比准备数据集通常需要的时间要快得多，通常需要几周甚至几个月的标记数据。除了速度快之外，合成数据对公司还有其他吸引人的地方。合成数据不像真实数据那样存在隐私问题。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 2023 年，世界上约...
智能手机可能很快能够生成逼真的 3D 全息图像，这在一定程度上归功于由 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。MIT 的研究人员最近设计了能够生成逼真 3D 全息图像的 AI 模型。该技术可能对 VR 和 AR 头戴设备有应用，并且全息图像甚至可以由智能手机生成。与传统的 3D 和 VR 显示不同，后者仅仅产生深度的幻觉，并可能引起晕动症和头痛，全息显示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”所需的大量数据组成。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，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。生成全息图的传统方法基本上是生成许多全息图块，然后使用物理模拟将这些块组合成一个完整的对象或图像表示。这与传统的全息图生成方法不同。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的边界是一个非常耗时和计算密集的过程。根据 IEEE...
麻省理工学院的一组研究人员已经开发了一种深度学习算法，旨在帮助人工智能系统应对“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乱的数据点时保持准确性，避免犯错误。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。负责操控自动驾驶汽车的人工智能必须从汽车的摄像头中获取数据，并根据这些图像中的数据决定采取什么行动。然而，有可能被人工智能分析的图像数据并不准确地代表现实世界。摄像头系统中的故障可能会改变一些像素，导致人工智能得出错误的结论关于采取什么行动。“对抗性输入”就像人工智能系统的视觉幻觉。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制作以使人工智能犯错误，通过以一种方式表示数据，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。例如，通过对猫的图像进行轻微的修改，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。麻省理工学院研究团队设计了一个算法来帮助防御对抗性示例，通过让模型对其接收的输入保持一定的“怀疑”。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性鲁棒性”，或CARRL。CARRL由一个强化学习网络和一个传统的深度神经网络组成。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一个深度Q网络，简称DQN。DQN的功能类似于传统的神经网络，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通过模拟输入数据的各种可能值来运行。假设人工智能试图跟踪一个较大图像中的点的位置，人工智能会考虑点的位置可能是对抗性影响的结果，并考虑点可能在的区域。然后，网络会根据最坏的情况下的点位置做出决定，选择在这种最坏的情况下能产生最高奖励的行动。通常的防御对抗性示例的方法是运行输入图像的轻微修改版本，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，那么网络很可能对对抗性示例具有抵抗力。然而，这种方法在需要快速做出决定的场景中不可行，因为这些方法需要耗时的计算。因此，麻省理工学院团队旨在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。麻省理工学院研究人员通过让人工智能玩一场乒乓球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稍微下方的示例来包含对抗性示例。随着对抗性示例的影响增加，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。任务发生在一个虚拟环境中，两个代理试图在不相撞的情况下交换位置。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。无论如何，麻省理工学院航空航天工程系的博士后Michael Everett解释说，这项研究可能会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解释的那样：“人们可以是对抗性的，比如站在机器人前面以阻挡其传感器，或者以不一定是最好的意图与机器人交互，”Everett说。“机器人如何思考人们可能尝试做的事情，并试图避免它们？我们想要防御什么样的对抗性模型？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系统，旨在根据个体的偏好生成吸引人的面部图像。该系统使用脑机接口（BCI）来收集个体对面部特征的偏好数据，然后使用生成对抗网络（GAN）来生成新的面部图像。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。他们使用电生理图（EEG）来测量个体对不同面部特征的反应，然后将这些数据输入到GAN中。GAN系统被训练来识别个体对面部特征的偏好，然后生成新的面部图像。研究人员让30名参与者佩戴EEG头戴设备，观看一系列由人工智能生成的面部图像。这些图像不是真实的人脸，而是由超过20万张名人图像训练的AI生成的。参与者观看这些图像时，EEG头戴设备记录了他们的大脑活动。然后，研究人员将这些数据输入到GAN中，GAN系统根据参与者的偏好生成新的面部图像。研究人员进行了第二个实验，向同一组参与者展示了新生成的面部图像，并要求他们评估这些图像的吸引力。结果显示，参与者对新生成的图像的吸引力评分约为80%，而原始图像的吸引力评分仅为20%。虽然该研究的样本量较小，但结果仍然很有趣。它表明，使用人工智能技术可以量化看似难以量化的行为和偏好。赫尔辛基大学心理学和语言病学系的高级研究员Michael Spapé解释说，该研究展示了如何使用人工智能技术来量化心理属性。Spapé表示：“该研究表明，我们可以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。这尤其重要，因为吸引力是一个复杂的心理属性。计算机视觉在识别图像的客观模式方面已经非常成功，但通过引入大脑反应，我们可以检测和生成基于心理属性的图像，例如个人偏好。”研究人员认为，该研究可能对计算机理解主观偏好有所启发。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，我们可能可以使用类似的技术来研究其他认知功能，例如决策和感知。如果解释吸引力的方法可以应用于其他认知功能，我们可以开发出类似的系统来识别偏见或刻板印象。
麻省理工学院的一组研究人员旨在通过将神经网络与大脑中其他类型的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改变其信号处理方式。深度神经网络的灵感来自人类大脑的神经网络。强化学习算法可以从其失败和成功中学习，随着时间的推移，能够掌握像国际象棋和围棋这样的复杂挑战。然而，深度神经网络在遇到常见问题时会遇到困难，这些问题人类必须处理。任何需要在当前域或环境中没有获得的常识的情况对于深度神经网络来说都是困难的。根据麻省理工学院皮考威尔研究所的说法，研究团队旨在通过向神经网络添加一种基于星形胶质细胞的结构，使深度神经网络更加强大、多功能和可靠。正如麻省理工学院神经科学牛顿教授Mriganak Sur所解释的，人们对神经元的强调导致了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，也可能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，神经网络可能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平行网络。将星形胶质细胞引入神经网络将使人工智能能够集成在长时间尺度上收集的信息，识别类似的情况，并重用学习到的能力，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，并帮助纹状体中的细胞利用情况，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平行网络。将星形胶质细胞引入神经网络将使人工智能能够集成在长时间尺度上收集的信息，识别类似的情况，并重用学习到的能力，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，并帮助纹状体中的细胞利用情况，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将监测小鼠，看看星形胶质细胞如何在它们学习时运作。他们还将操纵星形胶质细胞，看看这如何影响强化学习的过程。正如团队在他们的资助中所解释的：“我们的中心假设是，星形胶质细胞与神经元和神经调节剂的相互作用是大脑能够自然地执行奖励学习和克服与最先进的强化学习（RL）系统相关的许多问题的计算能力的源头。”
人工智能研究人员正在开发人工智能模型，以减少与电池材料提取相关的环境影响。矿业勘探初创公司Kobold正在开发一种能够检测电池中使用的材料的AI模型。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来制造电池的替代材料。随着更多物体由电力驱动，制造电池所需的材料需求不断增加。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提取方法，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AI项目旨在检测矿石沉积，在这些地区提取矿石会造成相对较小的损害，相比当前的资源开采方法。Kobold解释说，他们正在开发的AI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，已经发现了大部分容易获取的材料，尽管新的矿物沉积将需要改变当前的能源系统。KoBold与斯坦福大学地球资源预测中心合作，开发了一种可以推荐矿物沉积位置的AI代理。该初创公司希望开发出一种能够推荐可能含有锂、铜、钴、镍等矿物的区域的AI。斯坦福大学地质科学教授Jef Caers解释说，AI的概念是帮助地质学家评估多个矿物沉积的位置，并加快决策过程。根据Caers的说法，AI模型的工作方式类似于自动驾驶汽车，即模型既收集又处理来自周围环境的数据。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。根据发表在《自然》杂志上的论文，去年12月，到2050年，可能会有超过20亿辆电动汽车上路，需要大约12太瓦时的年度电池容量，这大约是美国当前现有容量的十倍。Kobold的AI驱动矿物发现方法由一个存储来自各种来源的潜在矿区信息的数据平台支持。土壤样本、钻井报告和卫星图像被收集并用作AI模型的特征，该模型对高浓度矿石沉积的位置进行预测。希望AI模型能够快速准确地预测哪些矿区应该被开采，这比人类分析师的预测速度要快得多。虽然Kobold正在设计AI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研究人员正在使用AI模型来确定可以超越当前锂离子电池的溶剂。这个IBM AI项目专注于当前现有的和可用的材料，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。训练生成模型以这些特征为基础，允许研究人员生成具有相似特性的分子。IBM已经使用他们的AI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。
来自太平洋西北国家实验室（PNNL）的研究人员正在尝试使AI变得可解释，以用于核不扩散和国家安全的目的。目标是使AI模型的决策变得透明，尤其是在涉及核安全的决策中。人们比以往任何时候都更加重视可解释的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。在灾难和危险的可能性更高的决策中，理解这些决策背后的理由变得更加重要。如果AI应用程序只是对水果图像进行分类，那么可能不需要理解分类背后的理由，但是在涉及核武器或核材料生产的案例中，打开AI背后的“黑盒子”变得更加重要。PNNL科学家正在使用各种新技术来使AI变得可解释。这些研究人员与美国能源部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，可以使整合AI到这些系统的过程变得更容易。谢菲尔德认为，研究人员应该创建工具，以便开发人员能够理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变得更加重要。在这个领域训练AI模型可能会导致模型的可靠性降低，因为数据相对于面部识别等任务来说非常少。因此，模型用来做出决定的每一步都需要被检查。马克·格雷夫斯（Mark Greaves），PNNL的一名研究人员，解释说，核扩散的风险需要一个能够告知人们为什么选择某个答案的系统。如格雷夫斯通过EurekaAlert所述：“如果AI系统对一个国家是否拥有核武器的概率给出错误的结果，那将是一个完全不同规模的问题。因此，我们的系统必须至少提供解释，以便人类可以检查其结论并使用自己的专业知识来纠正AI训练中的空白，空白是由数据稀缺造成的。”如谢菲尔德所解释的，PNNL有两个优势将有助于解决这个问题。首先，PNNL在AI领域有丰富的经验。另外，团队在核材料和核武器方面有着重要的领域知识。PNNL团队理解诸如钚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。
Uber 人工智能实验室的研究人员最近开发出了一套人工智能算法系统，该系统在经典的Atari视频游戏中超越了人类玩家和其他人工智能系统。研究人员开发的这个人工智能系统能够记忆以前成功的策略，并根据过去的经验创建新的策略。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价值。创建能够玩视频游戏的人工智能系统的典型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，并在每个行动之后提供一种强化（奖励或惩罚）。随着时间的推移，人工智能模型学习哪些行动会带来更大的奖励，并变得更有可能执行这些行动。不幸的是，强化学习模型在遇到与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人工智能研究人员考虑，是因为他们的策略与强化学习中通常使用的“内在动机”方法不同。内在动机方法的问题是，模型可能会“忘记”关于可能带来奖励的区域，这被称为“脱离”。因此，当模型遇到意外的数据时，它可能会忘记应该继续探索的区域。根据TechXplore的报道，研究团队旨在创建一个更灵活的学习模型，能够应对意外的数据。研究人员通过引入一种能够记忆之前版本的模型尝试解决问题时采取的所有行动的算法来解决这个问题。当人工智能模型遇到与其之前学习的数据不一致的数据点时，模型会检查其记忆地图。然后，模型会确定哪些策略成功或失败，并选择相应的策略。在玩视频游戏时，模型会收集游戏截图，并记录其行动。这些图像根据相似性进行分组，形成清晰的时间点，模型可以参考这些时间点。算法可以使用记录的图像返回到一个有趣的时间点，并从那里继续探索。当模型发现自己正在输掉时，它会参考截图并尝试不同的策略。正如BBC解释的那样，还有一个问题是人工智能代理在玩游戏时可能遇到的危险情况。如果代理遇到可能杀死它的危险，这将阻止它返回应该进一步探索的区域，这个问题被称为“脱轨”。人工智能模型通过一个单独的过程来处理脱轨问题，这个过程与用于鼓励探索旧区域的过程不同。研究团队让模型玩了55款Atari游戏。这些游戏通常用于衡量人工智能模型的性能，但研究人员为他们的模型添加了一个转折。研究人员向游戏添加了额外的规则，指示模型不仅要获得最高的分数，还要尝试每次获得更高的分数。当分析模型的性能结果时，研究人员发现他们的人工智能系统在游戏中大约85%的时间都超越了其他人工智能系统。在平台游戏Montezuma’s Revenge中，模型表现尤其出色，玩家需要躲避障碍并收集宝藏。模型打破了人类玩家的记录，并且得分也高于其他人工智能系统。根据Uber的人工智能研究人员的说法，研究团队使用的策略对机器人等行业具有应用价值。机器人可以从记忆哪些行动成功、哪些没有成功以及哪些尚未尝试的能力中受益。人工智能模型也可以应用于其他领域，如语言处理和机器人技术。研究人员的发现为人工智能的发展提供了新的思路和方法，可能会带来更先进的人工智能系统的出现。
甲骨文最近发布的一项调查发现，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。超过三分之二的甲骨文受访者表示，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。根据甲骨文的一项研究，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相信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%的商业领袖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形成对比。机器人和人工智能设备被视为更理性、更准确的代理可能反映了人们希望人工智能设备能够帮助他们应对由COVID-19疫情引发的与金钱相关的压力和焦虑。根据甲骨文的说法，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，包括失去积蓄、失去工作和永远无法还清债务。约41%的人报告说他们因担心自己的财务状况而失眠。尽管受到疫情的影响，但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。未来十年可能会看到金融专业人员的角色发生重大变化，因为该领域将被人工智能改变。商业领袖已经相信人工智能和机器人将在未来几年改变企业金融，85%的商业领袖希望在诸如财务审批、合规和风险管理、预测、预算和报告等各种财务任务中得到自动化系统的帮助。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，但应该相信人工智能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类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判得更轻。机器人的外观可能会影响人们对机器人的态度，包括他们在复杂决策（如如何处理自己的钱）中信任机器人的程度。另一项最近的研究发现，人工智能应用程序可能会诱导人们犯下不道德的行为，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。因此，人们在财务决策方面更信任机器人而非自己，这一趋势可能会继续下去，直到人们能够完全信任人工智能系统做出符合人类价值观和道德标准的决策为止。因此，研究人员和开发人员必须共同努力，创建能够以透明、可解释和值得信赖的方式做出决策的人工智能系统，确保这些系统能够为人类的最大利益服务，而不是相反。只有这样，人们才能真正相信人工智能，并利用其潜力改善自己的财务状况和整体生活质量。因此，随着人工智能技术的不断发展和改进，我们可以期待看到人工智能在财务决策方面的应用变得更加普遍和有效，从而带来更好的财务管理和更高的生活质量。
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中神秘的规则。研究团队在蛋白质-DNA 相互作用地图上训练了一个神经网络，使得 AI 能够发现如何某些 DNA 序列调控某些基因。研究人员还使得模型可解释，这样他们就可以分析模型的结论并确定如何序列_motif 调控基因。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、鸟苷、胸腺嘧啶和胞嘧啶 – 但不知道这些碱基对如何被用来调控活动。四个核苷酸碱基编码了构建蛋白质的指令，但它们也控制基因在哪里和如何表达（它们如何在生物体中制造蛋白质）。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 使用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 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研究员 Julia Zeitlinger...
一组研究人员最近调查了AI可能腐蚀人们并影响他们做出不道德的决定的潜力。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，即使他们知道建议的来源是一个AI系统。AI系统变得越来越普遍，它们的影响力也越来越大。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是非常重要的。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。最近由中佛罗里达国际研究中心的研究人员发表的一篇论文发现，OpenAI的GPT-3模型可以用来生成有影响力的文本，能够激发人们的极端思想和行为，推动他们向“暴力极右翼极端主义和行为”发展。由马克斯·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AI在人们做出不道德选择时可能产生的影响力。为了探索AI如何“腐蚀”一个人，研究人员使用了基于OpenAI的GPT-2模型的系统。根据VentureBeat的报道，论文的作者训练了一个基于GPT2的模型来生成“促进不诚实”和“促进诚实”的建议。数据来自400名不同参与者的贡献，之后，研究团队招募了1500多人与建议提供的AI模型进行交互。研究参与者被要求从模型中获取建议，然后执行一个任务，旨在捕捉不诚实或诚实的行为。研究参与者被分成两人一组，在这些两人组中，他们玩了一个掷骰子游戏。第一位参与者掷骰子并报告结果。第二位参与者获得了第一位参与者的掷骰结果，然后他们自己掷骰子。第二位参与者在私下掷骰子，并且唯一负责报告自己的结果，这给了他们机会去撒谎关于掷骰结果。如果两个参与者的掷骰结果相符，则两个参与者都会获得报酬。如果他们的匹配结果更高，则他们还会获得更多报酬。如果报告的值不匹配，则参与者不会获得报酬。研究参与者被随机分配到两个不同的组之一。一个组获得了机会阅读促进诚实的建议，而另一个组阅读了促进不诚实的建议。建议片段由人类和AI编写。参与者还根据他们对建议来源的了解程度进行了划分。每个参与者都有50%的机会被告知建议的来源，因此每个组中有一半的参与者知道建议的来源是AI还是人类，而另一半则不知道。第二组人可以通过正确猜测建议的来源来获得奖金报酬。研究结果表明，当AI生成的建议与一个人的偏好一致时，他们会遵循建议，即使他们知道建议是由AI生成的。根据研究人员的说法，人们的表明偏好和实际行为之间经常存在差异，这使得考虑算法如何影响人类行为变得非常重要。研究团队解释说，他们的研究表明了测试AI如何影响一个人的行为在考虑如何道德地部署AI模型时的必要性。另外，他们警告说，AI伦理学家和研究人员应该为AI可能被恶意行为者用来腐蚀他人的可能性做好准备。正如研究团队所写的那样：“AI可以成为一种力量，促使人们更加道德地行事。然而，我们的结果表明，AI建议并不能增加诚实。AI顾问可以作为一种替罪羊，人们可以将不诚实的道德责任转嫁给它。此外，在接受建议的背景下，算法存在的透明度不足以缓解其潜在的危害。”
