一款AI检测工具可轻易识别ChatGPT撰写的论文

一款AI检测工具可轻易识别ChatGPT撰写的论文该论文的合著者、美国堪萨斯大学的化学家HeatherDesaire指出，“大多数文本分析领域都想要推出一种真正通用的检测器，可以适用于任何东西”。但她表示她的团队正通过制作一种专注于特定类型论文的检测工具，旨在“追求准确性”。Desaire称，研究结果表明，开发人工智能（AI）检测器的努力可以通过定制软件来促进特定类型的论文写作，“如果你能快速而轻松地构建一项专门的工具，那么为不同的领域构建不同的工具就不是那么困难了。”从公布的数据来看，这种专门的检测器比市面上现有的两种人工智能检测器的性能都要好，可以帮助学术出版商识别出那些由人工智能文本生成器生成的论文。准确率惊人Desaire和她的同事在6月份首次描述了他们研发的ChatGPT探测器，当时他们将其应用于《科学》杂志上的Perspective文章。该团队使用人工智能检测器检查写作风格的20个特征，包括句子长度的变化、某些单词和标点符号的频率等，来确定文章是有人类科学家所作还是由ChatGPT所生成的。当时的研究结果表明，“你可以使用一小部分特征来获得高水平的准确性”。在最新的研究中，该团队将美国化学学会（ACS）出版的十本化学期刊的论文引言部分作为人工智能探测器的训练对象。研究人员将100篇已发表的人类撰写的引言作为比对材料，然后要求ChatGPT-3.5以ACS期刊的风格撰写200篇引言。其中100篇是研究人员向ChatGPT提供了论文标题后生成的，而另外100篇是研究人员向ChatGPT提供了论文摘要后生成的。研究结果显示，当把人类撰写的引言和和人工智能从同一期刊上生成的介绍进行测试时，该人工智能检测器能够100%识别出由ChatGPT-3.5编写的前100篇引言（基于论文标题生成的）；而对于后100篇ChatGPT-3.5生成的引言（基于论文摘要所生成的），检测的准确率略低，为98%。此外，该工具同样适用于ChatGPT-4编写的文本。相比之下，市场上的另两款人工智能检测器中，德国的ZeroGPT识别人工智能编写的介绍的准确率仅为35-65%，这取决于使用的ChatGPT版本以及介绍是由论文标题还是摘要生成的。而OpenAI自身的文本分类器工具也表现不佳——它能够识别人工智能编写的介绍，准确率约为10-55%。柏林应用科技大学研究学术剽窃的计算机科学家DeboraWeber-Wulff评价道，该篇论文的作者们所做的是一件“令人着迷的事情”。她表示，许多现有的工具试图通过搜索人工智能生成的文章的预测文本模式来确定作者的身份，而不是通过观察写作风格和文体的特征。Weber-Wulff称，“我从来没有想过在ChatGPT上使用文体计量学。”...PC版：https://www.cnbeta.com.tw/articles/soft/1395143.htm手机版：https://m.cnbeta.com.tw/view/1395143.htm

OpenAI 正开发“AI 生成图片识别器”：准确率达 99%

OpenAI正开发“AI生成图片识别器”：准确率达99%10月18日晚间消息，OpenAI称其正在开发一款新工具，能够以相当高的精度判断一张图片是否是人工智能所绘制。除了聊天机器人和撰稿工具ChatGPT之外，OpenAI公司还开发过一款名为“DALL-E”的人工智能图片生成器。当地时间周二，该公司首席技术官米拉・穆拉蒂（MiraMurati）透露，该公司开发的AI图片识别工具，能够以99%的准确率判断一张图片是否是人工智能工具所绘制。穆拉蒂介绍，这款图片识别工具正在进行内部测试，后续将会发布，但是她并未提供很具体的发布时间。今年初，OpenAI公司也推出了一个识别工具，主要识别一段文章是否是人工智能助手所创作，但是意外的是，这款产品7月份就被撤架，原因是准确率不高，对用户来说还不可靠。撤架时，OpenAI公司表示后续将会继续完善这个识别产品，另外还要识别其他人工智能助手创作的内容，比如图片、音频等。来源：https://m.ithome.com/html/725852.htm投稿：@ZaiHuaBot频道：@TestFlightCN

ChatGPT修bug横扫全场 准确率达78%

ChatGPT修bug横扫全场准确率达78%ChatGPT准确修复了其中31个bug，遥遥领先第二名（21个），直接拿下“AI修bug界”的SOTA成绩！于是乎，这项研究引来了众多网友的围观和讨论，Reddit上发布此帖的标题更是用上了“小心”、“注意”这样的字眼：但事实上，这真的会让程序员“危”吗？我们不妨先来看下这项研究。很会修bug的ChatGPT虽然ChatGPT并非是为了专门修改bug而生，但自打它问世以来，不少网友们都发现它是具备这项能力的。因此研究人员为了摸清ChatGPT到底能修改bug到什么程度，便引入了标准的错误修复基准集QuixBugs来进行评估。以及与它同台竞技的AI选手，分别是CodeX、CoCoNut和StandardAPR。研究人员从QuixBugs中挑了40个问题，分别让它们来修复bug。让ChatGPT来修bug的方法，就是在对话框里向它提问：这个代码有什么错误吗？在第一轮较量过后，结果如下：从第一轮battle结果来看，ChatGPT修复了19个，CodeX修复了21个，CoCoNut修复了19个，StandardAPR则是7个。而且研究人员还发现，ChatGPT的答案与CodeX最为相似；这是因为它俩是来自同一个语言模型家族。这时候就会有小伙伴要问了，“ChatGPT不是还没有CodeX厉害吗”。别急，不要忘了，ChatGPT的一个特点就是越问越“上道”。例如在这个基准集中，有一个叫bitcount的问题，ChatGPT在刚才第一轮修复过程中是给了错误的答案：原本ChatGPT应该将第7行的n^=n-1改为n&=n-1。但在第一轮中它的回答是：如果没有更多关于预期行为和导致问题的输入信息，我无法判断程序是否存在错误。于是在给予它更多信息之后，ChatGPT便答对了这个问题。以此类推，在对第一轮没答对的问题进行更多信息提示之后，ChatGPT的修bug能力有了大幅提高：最终，ChatGPT在QuixBugs的40个问题里答对了31个。网友忧喜参半对于这样的实验结果，网友们对ChatGPT修bug拿下SOTA这事产生的态度却不太一样。有网友认为这事不应该让程序员感到危机，而是会让他们觉得开心才对。言外之意，便是程序员们有了这么好用的工具，干活儿就会变得事半功倍。不过也有人对此给出了不一样的看法：工作变得简单，不也就意味着需要的人力更少了吗？但还网友觉得，活儿是干不完的：即使AI能把开发时间缩短一个数量级，也只是意味着程序员将更快处理下一个工作。整体来看，ChatGPT很会修bug，并不会给程序员带来什么致命伤害。但若是把目光放到OpenAI其他的行动中呢？全球招外包训练ChatGPT写代码在此之前，OpenAI就表示过ChatGPT的重要用途之一是帮助程序员检查代码。换言之，它被定位可用的辅助工具。相比“ChatGPT带来威胁”的看法，等ChatGPT能力彻底进化，程序员都不用再怕写bug了。OpenAI布局的棋盘上，可不只有改bug偷塔程序员岗位这一件事。为了让它更大更强，OpenAI被曝在拉美和东欧等地区，提供了1000个外包岗位。外包员工的主要工作是标注数据，以及训练ChatGPT写代码这1000人中，40%是程序员，他们为OpenAI的模型创建数据，用来学习软件工程任务。一直以来，OpenAI的训练数据是从GitHub上抓取的。现在外包程序员们新手搓的数据集，不仅包括代码行，还包括代码行背后的人类思考逻辑步骤。有位南美的软件开发人员爆料，他为OpenAI完成了五小时的无偿编码测试。整个过程中，他的任务分为两部分。用书面英语解释如何处理一个编码问题；提供解决方案。如果发现bug，OpenAI会向他详细询问bug的具体情况，并请教如何修正。程序员需要展示思考问题的每个步骤，他据此猜测OpenAI很可能想为ChatGPT提供非常具体的训练数据。特斯拉前AI主管AndrejKarpathy在推特上调侃：最新的热门编程语言是英语。不过话说回来，ChatGPT修bug能力强是好事，要真能搞进化到可以完成代码里死记硬背的部分，也是好事。毕竟OpenAI成立时对外宣称的宗旨，就是希望“确保通用人工智能可以造福全人类”。虽然乍一看它这些年做的事，有点像在致力于用一部分人的努力，让更多人失业。从Dota2赛场上碾压人类，到GPT-3、DALL-E2、ChatGPT的闪耀表现，它带来的新产品总是伴随着“快要让xxx失业了”的议论声。但无论如何，商业却一直对它青睐有加。就目前而言，OpenAI的主要商业模式是API费用、token费用和软件许可。OpenAI近期还发布了ChatGPT的付费版ChatGPTPro，每月费用42美元（约合285元人民币）。虽然机器人对话初创公司如雨后春笋般冒出，但诸多迹象表明市场对OpenAI的持续看好。微软刚刚宣布将向OpenAI加码投资数十亿美元，并将OpenAI的模型融入微软必应等消费级和企业级产品中。根据知情人士透露，此次追加投资数额约为100亿美元。与此同时，WSJ披露的消息显示，1月初，亿万富翁PeterThiel创立的风投基金FoundersFund正在就投资OpenAI进行谈判。据悉，融资金额将至少达3亿美元。OneMoreThing在第一轮实验中，ChatGPT并没有解决QuixBugs数据集的bitcount问题。但若是你现在再重头问一次这个问题，就会发现ChatGPT可以“一遍过”：那么这是否意味着ChatGPT已经从这次研究过程中学会求解了呢？...PC版：https://www.cnbeta.com.tw/articles/soft/1342807.htm手机版：https://m.cnbeta.com.tw/view/1342807.htm

诊断阿尔茨海默症将成AI下一突破口 AI检测准确率超90%

诊断阿尔茨海默症将成AI下一突破口AI检测准确率超90%该技术可以像人脑一样学习，在医学方面能帮助检测一些容易被忽略的危险疾病，如癌症、心脏病、甚至是无症状的新冠病例。一项最新的研究表明，人工智能在医学领域的下一个突破可能是诊断阿尔茨海默氏症。准确率高达90%阿尔兹海默氏症会导致不可逆转的认知能力下降和痴呆。自该疾病被发现以来的一个世纪里，医学研究人员一直未能找到治疗方法和可靠的早期检测方法。上周四（3月2日）发表在国际著名科学期刊PLOSONE上的一篇研究文章表明，深度学习技术在阿尔茨海默氏症诊断中比未经训练的AI模型更加准确，而且该技术能够排除一些干扰诊断的因素，如年龄。马萨诸塞州综合医院（MassachusettsGeneralHospital）的研究人员测试了深度学习技术在阿尔茨海默氏症检测中的应用。研究人员首先采用数万张人脑扫描图像训练了一个深度学习模型，这些人部分患有阿尔兹海默氏症，部分没有。随后，研究人员将该深度学习模型用于临床诊断。结果显示，经过训练的深度学习模型识别阿尔茨海默氏症的准确率达到90.2%，相比之下，没有接受过变量训练的、更简单的人工智能模型的诊断准确率要低大约5个百分点。马萨诸塞州综合医院的研究员MatthewLeming指出，“我们的研究结果具有跨地点、跨时间、跨人群的普遍性，为这种AI诊断技术的临床应用提供了强有力的证据。”值得一提的是，90%的准确率还远远高于人类得出的临床检出率。根据2017年美国国立卫生研究院（NIH）公布的一项研究，人类得出的临床检出率仅为77%。误诊带来的损失美国卫生与公众服务部去年12月的一项研究显示，美国每年有700多万人被误诊。近300万急诊室患者因误诊而遭受不良影响，超过37万人遭受永久性残疾或死亡。据非营利组织“改善医学诊断协会(SocietytoImproveDiagnosisinMedicine)”称，误诊也是一种经济负担。该协会预计，误诊、错误治疗、以及由此引发的医疗事故诉讼每年将造成约1000亿美元的额外支出。医生们也认为，人工智能在改善诊断技术方面有着巨大的前景，尽管在医学研究中也出现了许多与人工智能有关的问题，比如可能会出现事实错误和种族偏见。去年1月发表在美国国立卫生研究院（NIH）上的一篇关于AI技术在医疗诊断方面的文献综述发现，人工智能在癌症、糖尿病和阿尔茨海默氏症诊断等领域都有前景。不过该文章建议建议进一步研究以提高AI的识别准确性。病症预测更加困难到目前为止，阿尔茨海默氏症是最难预测和诊断的疾病之一。它是老年人中最常见的一种痴呆症，全世界约有4400万患者。不过，这只是与痴呆症相关的众多疾病的一种形式，所以很多其他痴呆症很容易被误诊为阿尔茨海默氏症。2017年，美国医学网站《Medscape》上的一项针对900多人的研究发现，多达四分之一的阿尔茨海默病患者被误诊，误诊为假阳性或假阴性的比例大致相同。阿尔茨海默氏症很容易和路易体痴呆、额颞叶痴呆混淆。根据美国神经病学学会（AAN）的说法，误诊的概率随着年龄的增长而增加，阿尔茨海默氏病和其他痴呆疾病在老年群体中很容易被搞混。相对于诊断，预测则更加困难。阿尔茨海默氏症几乎没有可靠的早期筛查模型，大多数病例是在脑损伤症状开始出现后才被诊断出来的。此次马萨诸塞州综合医院的研究并没有涉及深度学习技术是否有助于阿尔茨海默氏症的预测。不过仍有不少其他研究人员认为，AI或许能够在这方面发挥重要作用。...PC版：https://www.cnbeta.com.tw/articles/soft/1348287.htm手机版：https://m.cnbeta.com.tw/view/1348287.htm

AI读心术来了，准确率高达82%？论文已刊登在Nature

AI读心术来了，准确率高达82%？论文已刊登在Nature根据实验结果显示，GPT人工智能大模型感知语音的准确率可高达82%，令人惊叹。01.“读心术”的探索事实上，科技圈对“读心术”的探索并非近日才展开。过去，马斯克建立的神经科技公司Neuralink也一直在寻找高效实现脑机接口的方法，其还与加州大学戴维斯分校合作，实现用猴子大脑控制电脑的实验，旨在最终想要将芯片植入大脑，用“细丝”探测神经元活动。不过，值得注意的是，Neuralink的这种方案属于侵入式的。所谓侵入式，是指将脑机接口直接植入到大脑的灰质，因而所获取的神经信号的质量比较高。这种方式的缺点是容易引发免疫反应和愈伤组织（疤），进而导致信号质量的衰退甚至消失。与之相对应的是非侵入式脑机接口，它是一种能够在人脑与外部设备之间直接建立通讯的人机交互技术，具有操作便捷、风险性小等优点。以往，行业内可以通过功能性磁共振成像（FMRI）捕捉人类大脑活动的粗糙、彩色快照。虽然这种特殊类型的磁共振成像已经改变了认知神经科学，但是它始终不是一台读心机：神经科学家无法通过大脑扫描来判断某人在扫描仪中看到、听到或思考的内容。此后，神经科学家一直希望可以使用fMRI等非侵入性技术来破译人类大脑内部的声音，而无需手术。如今，随着《Semanticreconstructionofcontinuouslanguagefromnon-invasivebrainrecordings》论文的发布，该论文的主要作者JerryTang通过将fMRI检测神经活动的能力与人工智能语言模型的预测能力相结合，可以以惊人的准确度重现人们在扫描仪中听到或想象的故事。解码器甚至可以猜出某人在扫描仪中观看短片背后的故事，尽管准确性较低，但也实现了一大进步。这也意味着，参与者不需要植入任何外界设备，AI系统就能解码大脑中的想法。02.没说过的话，AI是怎么知道的？自ChatGPT、GPT-4发布的几个月间，我们见证了大模型根据提示词不断输出内容的过程。要问AI系统如何了解人类大脑中的想法，在论文中，研究人员透露，首先让参与者听新故事，然后功能性磁共振成像（FMRI）可以呈现出参与者大脑的活动状态。进而，基于最新开发的语义解码器将这些状态，生成相应的单词序列，并通过将用户大脑反应的预测与实际记录的大脑反应进行比较，最终预测每个候选单词序列与实际单词序列的相似程度，看看准确率如何，是否能“读心”。具体来看，为了收集大脑活动数据，研究人员让研究对象在fMRI扫描仪内听一些音频故事。与此同时，通过fMRI扫描仪观察他们的大脑在听这些话时反应情况。如图a所示，3名受试者在听16小时的叙述性的故事时，AI系统记录了MRI（磁共振成像）的反应。然后，MRI数据被发送到计算机系统中。在这个过程中，研究人员使用了基于贝叶斯统计的解码框架。大型语言模型GPT-1在系统的自然语言处理部分提供了帮助。由于这个神经语言模型是在大量的自然英语单词序列数据集上进行训练的，它擅长预测最可能的单词。接下来，研究人员在这个数据集上训练编码模型。在初始训练时，如b图所示，当受试者在试听此前没有用于模型训练的测试故事时，大脑会做出不同的反应。进而，语义解码器可以根据参与者的大脑活动生成词汇序列，语言模型（LM）为每个序列提出连续性，而编码模型对每个连续性下记录的大脑反应的可能性进行评分。简单来看，语义解码器学会了将特定的大脑活动与特定的单词流相匹配。然后根据匹配出来的单词流，试图重新输出这些故事。不过，语义解码器主要捕捉了参与者想法中的要点，并不是一字一句的完整思想内容。如参与者听到的是，“我从气垫上站起来，把脸贴在卧室窗户的玻璃上，希望看到有一双眼睛盯着我，但却发现只有一片黑暗。”但是想法却是，“我继续走到窗前，打开窗户，我什么也没看见，再抬头看，什么也没看见。”又比如说参与者听到的是，“我还没有驾照”，语义解码器解码之后的版本可能是，“她还没有学会开车”。语义解码器捕捉参与者的想法通过这种方法，在一系列语言相似性指标下，语义解码器对测试故事的预测与实际刺激词的相似度明显高于预期。准确率也高达82%。该论文的另一位作者AlexanderHuth表示，他们对系统出色的表现感到惊讶。他们发现解码后的单词序列通常能够准确地捕捉到单词和短语。他们还发现他们可以从大脑的不同区域分别提取连续的语言信息。除此之外，为了测试解码的文本是否准确捕捉到故事的含义，研究人员还进行了一项行为实验，通过向只阅读解码后单词的受试者提问一系列问题。受试者在没有看过视频的情况下，能够正确回答超过一半的问题。03.语义解码器刚起步，道阻且长不过，当前，该语义解码器还无法在实验室以外的地方使用，因为它依赖于fMRI设备。对于未来的工作，研究人员希望自然语言神经网络的快速进展能够带来更好的准确性。到目前为止，他们发现较大、现代的语言模型至少在编码部分工作得更好。他们还希望能够使用更大的数据集，比如每个受试者100或200小时的数据。虽然这种非侵入性的方式，可能会对医学维度的研究以及患者有极大的好处，使其可以与他人进行可理解的交流，但是也存在隐私、伦理审查、不平等和歧视、滥用和侵犯人权等诸多问题，所以想要现实中应用也大有难度。与此同时，研究人员表明，语义解码器仅在接受过训练的人身上以及与其合作下才能正常工作，因为针对一个人训练的模型不适用于另一个人，当前还无法做到通用。“虽然这项技术还处于起步阶段，但重要的是要规范它能做什么，不能做什么，”该论文的主要作者JerryTang警告说。“如果它最终可以在未经个人许可的情况下使用，就必须有（严格的）监管程序，因为如果滥用预测框架可能会产生负面后果。”该小组已在GitHub上提供了其自定义解码代码。据悉该团队也在得克萨斯大学系统的支持下提交了与这项研究直接相关的专利申请。...PC版：https://www.cnbeta.com.tw/articles/soft/1358759.htm手机版：https://m.cnbeta.com.tw/view/1358759.htm

通过声音就能检测新冠 准确率高达89% AI还能这样？

通过声音就能检测新冠准确率高达89%AI还能这样？随着科技创新发展和技术的不断进步，AI技术正日益广泛地应用在我们的日常生活中。近日，CNMO了解到，在西班牙巴塞罗那举行的欧洲呼吸学会国际会议上公布的一项研究显示，AI可通过手机应用程序从人们声音中检测出新冠肺炎感染，它比快速抗原测试更准确（达到89%），且更便宜、快速和易于使用。据报道，研究团队使用了来自英国剑桥大学“新冠肺炎声音库”应用程序的数据，该应用程序包含来自4352名健康和非健康参与者的893个音频样本。研究人员在研究过程中使用了一种名为梅尔谱图的语音分析技术，该技术可识别不同的语音特征，如响度、功率和随时间的变化情况。荷兰马斯特里赫特大学数据科学研究所研究员瓦法阿·阿尔杰巴维称，研究结果表明，简单的语音记录和AI算法可以精确确定哪些人感染新冠肺炎，此外，还支持远程虚拟测试，检测结果可在不到一分钟内出来，这类测试可用于大型集会的检测点，对人群进行快速筛查。此外，为了区分新冠肺炎患者和未患病的人的声音，研究人员建立了不同的AI模型。他们发现，长短期记忆（LSTM）模型在对新冠肺炎病例进行分类方面做得最好。这种AI-LSTM模型的总体准确率为89%，正确检测阳性病例的能力（真阳性率或敏感性）为89%，正确识别阴性病例的能力（真阴性率或特异度）为83%。PC版：https://www.cnbeta.com/articles/soft/1313093.htm手机版：https://m.cnbeta.com/view/1313093.htm