麻省理工学院的新型人工智能模型能准确预测人类行为

麻省理工学院的新型人工智能模型能准确预测人类行为 要建立能与人类有效协作的人工智能系统，首先要有一个良好的人类行为模型。但是，人类在做出决策时往往会有一些次优行为。这种非理性尤其难以建模，通常归结为计算上的限制。人类不可能花几十年的时间去思考一个问题的理想解决方案。开发新的建模方法麻省理工学院和华盛顿大学的研究人员开发了一种为代理（无论是人类还是机器）的行为建模的方法，这种方法考虑到了可能妨碍代理解决问题能力的未知计算限制。他们的模型只需看到代理之前的一些行为痕迹，就能自动推断出代理的计算限制。其结果，即一个代理的所谓"推理预算"，可用于预测该代理的未来行为。实际应用和模型验证在一篇新论文中，研究人员展示了他们的方法如何用于从先前的路线推断某人的导航目标，以及预测棋手在国际象棋比赛中的后续行动。他们的技术与另一种用于此类决策建模的流行方法不相上下，甚至更胜一筹。最终，这项工作可以帮助科学家教会人工智能系统人类的行为方式，从而使这些系统能够更好地回应人类合作者。电子工程与计算机科学（EECS）研究生、这一技术相关论文的第一作者阿图尔-保罗-雅各布（Athul Paul Jacob）说，能够理解人类的行为，然后从这种行为推断出他们的目标，会让人工智能助手变得更有用。"如果我们知道人类即将犯错，看到他们以前的行为方式，人工智能代理可以介入并提供更好的方法。或者，人工智能代理可以适应人类合作者的弱点。"他说："能够为人类行为建模，是建立一个能够真正帮助人类的人工智能代理的重要一步。"雅各布与华盛顿大学助理教授阿比舍克-古普塔（Abhishek Gupta）以及资深作者雅各布-安德烈亚斯（Jacob Andreas）共同撰写了这篇论文，雅各布-安德烈亚斯是电子工程科学系副教授和计算机科学与人工智能实验室（CSAIL）成员。这项研究将在学习表征国际会议（International Conference on Learning Representations）上发表。行为建模几十年来，研究人员一直在建立人类行为的计算模型。许多先前的方法都试图通过在模型中加入噪音来解释次优决策。模型可能会让代理人在 95% 的情况下做出正确的选择，而不是让代理人总是选择正确的选项。然而，这些方法可能无法捕捉到这样一个事实，即人类并不总是以同样的方式做出次优行为。麻省理工学院的其他人还研究了在决策不理想的情况下制定计划和推断目标的更有效方法。为了建立他们的模型，雅各布和他的合作者从之前对国际象棋选手的研究中汲取了灵感。他们注意到，棋手在走简单的棋步时，在行动前花费的思考时间较少，而在具有挑战性的比赛中，实力较强的棋手往往比实力较弱的棋手花费更多的时间进行规划。雅各布说："最后，我们发现，规划的深度，或者说一个人思考问题的时间长短，可以很好地代表人类的行为方式。"他们建立了一个框架，可以从先前的行动中推断出代理的规划深度，并利用该信息来模拟代理的决策过程。方法的第一步是在一定时间内运行算法，以解决所研究的问题。例如，如果研究的是一场国际象棋比赛，他们可能会让下棋算法运行一定步数。最后，研究人员可以看到算法在每一步做出的决定。他们的模型会将这些决策与解决相同问题的代理行为进行比较。它将使代理的决策与算法的决策保持一致，并确定代理停止规划的步骤。由此，模型可以确定代理的推理预算，或该代理将为这一问题计划多长时间。它可以利用推理预算来预测该代理在解决类似问题时会如何反应。可解释的解决方案这种方法非常高效，因为研究人员无需做任何额外工作，就能获取解决问题的算法所做的全部决策。这一框架也可应用于任何可以用某一类算法解决的问题。"对我来说，最令人震惊的是，这种推理预算是非常可解释的。它是说，更难的问题需要更多的规划，或者说，成为一名强者意味着需要更长时间的规划。"雅各布说："我们刚开始着手做这件事的时候，并没有想到我们的算法能够自然而然地发现这些行为。"研究人员在三个不同的建模任务中测试了他们的方法：从先前的路线推断导航目标、从某人的语言暗示猜测其交流意图，以及预测人与人国际象棋比赛中的后续棋步。在每次实验中，他们的方法要么与流行的替代方法相匹配，要么优于后者。此外，研究人员还发现，他们的人类行为模型与棋手技能（国际象棋比赛）和任务难度的测量结果非常吻合。展望未来，研究人员希望利用这种方法为其他领域的规划过程建模，例如强化学习（机器人技术中常用的一种试错方法）。从长远来看，他们打算在这项工作的基础上继续努力，以实现开发更有效的人工智能合作者这一更远大的目标。编译来源：ScitechDaily ... PC版： 手机版：

蒂姆·库克谈人工智能："我们拥有与众不同的优势"

蒂姆·库克谈人工智能："我们拥有与众不同的优势" 库克表示：我们仍然非常看好我们在生成式人工智能领域的机遇。我们正在进行大量投资，我们期待着很快与客户分享一些非常激动人心的事情。我们相信人工智能的变革力量和前景，我们相信我们拥有在这个新时代脱颖而出的优势，包括苹果公司将硬件、软件和服务无缝整合的独特组合、开创性的苹果芯片与我们业界领先的神经引擎，以及我们对隐私的坚定不移的关注，这些都是我们创造的一切的基础。有传言称，苹果的首批人工智能功能旨在设备上运行，而不是联系云服务，这将使苹果的人工智能比在线人工智能方案更加私密和安全。苹果在设备上提供生成式人工智能的计划需要大量的 CPU 和 GPU 能力，而苹果正计划通过即将推出的 M4 芯片专注于人工智能。彭博社记者马克-古尔曼上周末表示，苹果有可能在新款iPad Pro机型中推出 M4 芯片。 ... PC版： 手机版：

苹果挖走谷歌员工组建人工智能团队

苹果挖走谷歌员工组建人工智能团队 苹果公司从谷歌挖来了数十名人工智能专家，并在苏黎世建立了一个秘密的欧洲实验室，并正在组建一个团队，在开发新的人工智能模型和产品方面与竞争对手竞争。根据英国金融时报对数百份领英个人资料以及公开招聘和研究论文的分析，自2018年挖来约翰•詹南德里亚担任其人工智能高管以来，这家公司从竞争对手那里吸引了至少36名专家。虽然苹果公司人工智能团队的大部分人员都在加利福尼亚州和西雅图的办公室工作，但该公司还在苏黎世扩建了一个重要的前哨基地。苹果公司收购了两家当地的人工智能初创企业，虚拟现实集团 FaceShift 和图像识别公司 Fashwell，这促使苹果公司在该市建立了一个研究实验室，被称为“视觉实验室”。驻苏黎世的员工参与了苹果对底层技术的研究，他们的论文集中在更先进的人工智能模型上，这些模型结合了文本和视觉输入，以对查询产生响应。 （）

《人工智能全球治理上海宣言》：高度重视人工智能的安全问题

《人工智能全球治理上海宣言》：高度重视人工智能的安全问题 2024 世界人工智能大会暨人工智能全球治理高级别会议发表《人工智能全球治理上海宣言》。其中提到，我们高度重视人工智能的安全问题，特别是数据安全与隐私保护，愿推动制定数据保护规则，加强各国数据与信息保护政策的互操作性，确保个人信息的保护与合法使用。我们愿加强人工智能相关的网络安全，增强系统与应用的安全性与可靠性，防止黑客攻击与恶意软件应用。在尊重运用国际国内法律框架前提下，共同打击操纵舆论、编造与传播虚假信息的行为。（新华社）

突破性人工智能利用大脑数据预测小鼠运动 准确率高达95%

突破性人工智能利用大脑数据预测小鼠运动 准确率高达95% 一种用于预测行为状态的新型"端到端"深度学习方法使用了无需预处理或预先指定特征的全皮层功能成像。该方法由医科学生梶冈武弘（AJIOKA Takehiro）和神户大学高见彻（TAKUMI Toru）领导的团队开发，他们还能确定哪些大脑区域与算法最相关（如图）。提取这些信息的能力为未来开发脑机接口奠定了基础。资料来源：梶冈武弘要制作脑机接口，就必须了解大脑信号和受影响的动作之间的关系。这就是所谓的"神经解码"，这一领域的大部分研究都是通过植入大脑的电极来测量脑细胞的电活动。另一方面，功能成像技术，如核磁共振成像或钙成像，可以监测整个大脑，并通过代理数据使活跃的大脑区域清晰可见。其中，钙成像速度更快，空间分辨率更高。但在神经解码工作中，这些数据源仍未得到利用。其中一个特别的障碍是需要对数据进行预处理，如去除噪音或确定感兴趣的区域，因此很难为多种不同行为的神经解码设计出通用的程序。神户大学医科学生 Ajioka Takehiro 利用神经科学家 Takumi Toru 领导的团队的跨学科专业知识解决了这一问题。Ajioka 说："我们在基于 VR 的小鼠实时成像和运动跟踪系统以及深度学习技术方面的经验，让我们能够探索'端到端'深度学习方法，这意味着它们不需要预处理或预先指定的特征，从而可以评估整个皮层的神经解码信息。他们将两种不同的深度学习算法（一种针对空间模式，一种针对时间模式）结合到小鼠在跑步机上休息或奔跑的全皮层胶片数据中，并训练他们的人工智能模型从皮层图像数据中准确预测小鼠是在移动还是在休息。"神户大学的研究人员在《PLoS 计算生物学》杂志上报告说，他们的模型预测动物真实行为状态的准确率高达 95%，而无需去除噪声或预先定义感兴趣的区域。此外，他们的模型仅凭 0.17 秒的数据就做出了这些准确的预测，这意味着他们可以达到接近实时的速度。而且，这种方法适用于五个不同的个体，这表明该模型可以过滤掉个体特征。然后，神经科学家们通过删除部分数据并观察模型在该状态下的表现，确定图像数据中哪些部分对预测起主要作用。预测结果越差，数据就越重要。梶冈武弘释说："我们的模型能够识别行为分类的关键皮层区域，这尤其令人兴奋，因为它打开了深度学习技术'黑盒'的盖子。"神户大学团队建立了一种可通用的技术，从整个皮层功能成像数据中识别行为状态，并开发了一种技术来识别预测是基于数据的哪些部分。这项研究为进一步开发能够利用无创脑成像进行近实时行为解码的脑机接口奠定了基础。编译自:ScitechDaily ... PC版： 手机版：

科学家发现婴儿大脑与人工智能模型惊人相似

科学家发现婴儿大脑与人工智能模型惊人相似 与许多动物相比，人类在出生后很长一段时间内都是无助的。许多动物，如马和鸡，出生当天就能行走。这种漫长的无助期使人类婴儿处于危险之中，也给父母带来了巨大的负担，但令人惊讶的是，这种无助期却经受住了进化的压力。跨物种研究的启示"自 20 世纪 60 年代起，科学家们就认为人类婴儿表现出的无助感是由于出生时的限制造成的。他们认为，人类婴儿头大，必须早产，导致大脑发育不成熟，无助期长达一岁。"认知神经科学教授、论文第一作者罗德里-库萨克（Rhodri Cusack）教授解释说。研究团队由库萨克教授、美国奥本大学克里斯蒂娜-查韦特教授和 DeepMind 高级人工智能研究员 Marc'Aurelio Ranzato 博士组成，库萨克教授利用神经成像技术测量婴儿大脑和心智的发育情况；克里斯蒂娜-查韦特教授负责比较不同物种的大脑发育情况；DeepMind 高级人工智能研究员 Marc'Aurelio Ranzato 博士负责比较不同物种的大脑发育情况。"我们的研究比较了不同动物物种的大脑发育情况。它借鉴了一个长期项目时间转换"（Translating Time），该项目将不同物种的相应年龄等同起来，从而确定人类大脑在出生时比许多其他物种更加成熟。"研究人员利用脑成像技术发现，人类婴儿大脑中的许多系统已经开始运作，并能处理来自感官的丰富信息流。这与人们长期以来认为婴儿大脑的许多系统尚未发育成熟，无法发挥作用的观点相矛盾。研究小组随后将人类的学习与最新的机器学习模型进行了比较，在后者中，深度神经网络受益于"无助"的预训练期。在过去，人工智能模型是直接根据所需的任务进行训练的，例如训练自动驾驶汽车识别它们在道路上看到的东西。但现在，模型最初都是经过预先训练，以便在海量数据中发现模式，而不执行任何重要任务。由此产生的基础模型随后用于学习特定任务。研究发现，这种方法最终会加快新任务的学习速度，并提高性能。对未来人工智能发展的影响"我们提出，人类婴儿也同样利用婴儿期的'无助'期进行预训练，学习强大的基础模型，并在以后的生活中以高性能和快速泛化来支撑认知。这与近年来在生成式人工智能领域取得重大突破的强大机器学习模型非常相似，例如OpenAI的ChatGPT或Google的Gemini，"库萨克教授解释道。研究人员表示，未来对婴儿学习方式的研究很可能会启发下一代人工智能模型。"虽然人工智能取得了重大突破，但基础模型比婴儿消耗大量能源，需要的数据也多得多。了解婴儿是如何学习的，可能会对下一代人工智能模型有所启发。"他最后说："下一步的研究将是直接比较大脑和人工智能的学习情况。"编译自/scitechdailyDOI: 10.1016/j.tics.2024.05.001 ... PC版： 手机版：