人工智能正在整理维基百科的参考资料以提高可靠性

人工智能正在整理维基百科的参考资料以提高可靠性总部位于伦敦的SamayaAI公司的法比奥-佩特罗尼和他的同事们开发了一个由神经网络驱动的系统，名为"SIDE"，它可以分析维基百科的参考文献是否支持与之相关的说法，并为那些不支持的参考文献提出更好的替代方案。"鉴于ChatGPT对引文的错误和幻觉是出了名的，用人工智能来帮助处理引文似乎有点讽刺。"马萨诸塞州沃尔瑟姆本特利大学研究人工智能的诺亚-吉安西拉库萨（NoahGiansiracusa）说："但重要的是要记住，人工智能语言模型的作用远不止聊天机器人。"SIDE经过训练，可以利用维基百科现有的特色文章识别出好的参考文献，这些文章在网站上得到推广，并受到编辑和版主的广泛关注。然后，它就能通过验证系统识别出页面中存在劣质参考文献的声明。它还可以扫描互联网，查找有信誉的来源，并排列出替换不良引用的选项。为了对该系统进行测试，Petroni和他的同事使用SIDE为维基百科的特色文章推荐它以前从未见过的参考文献。在近50%的情况下，SIDE的首选参考文献已经在文章中被引用。在其他情况下，它找到了其他参考文献。当向一组维基百科测试用户展示SIDE的结果时，21%的用户更喜欢人工智能找到的参考文献，10%的用户更喜欢现有的参考文献，39%的用户没有偏好。瑞士苏黎世大学计算通信科学家亚历山大-乌尔曼（AleksandraUrman）说，该工具可以为编辑和版主检查维基百科条目的准确性节省时间，但前提是必须正确使用。她说："该系统在标记那些可能不合适的引文方面可能很有用。但问题是，维基百科社区会认为什么最有用。"乌尔曼指出，测试SIDE系统的维基百科用户对两种引文都不喜欢的可能性是对人工智能推荐引文喜欢的两倍。她说："这意味着，在这种情况下，他们仍然会上网搜索相关的引文。"...PC版：https://www.cnbeta.com.tw/articles/soft/1391345.htm手机版：https://m.cnbeta.com.tw/view/1391345.htm

苹果公司发表四款开源新模型 有助于提高未来人工智能的准确性

苹果公司发表四款开源新模型有助于提高未来人工智能的准确性这些指导模型被称为开源高效LLMs或OpenELMs，托管在协作平台HuggingFace上。HuggingFace用于托管人工智能模型，以及对其进行训练和与他人合作改进。OpenELM是指一个开源库，它利用进化算法将多个大型语言模型(LLM)结合在一起。这四个OpenELM模型采用"分层缩放策略"，在变压器机器学习模型的各层中分配参数，以提高精确度。这些模型使用CoreNet库进行了预训练。苹果公司提供了使用2.7亿、4.5亿、11亿和30亿个参数的预训练和指令调整模型。预训练数据集由Dolmav1.6子集、RefinedWeb、重复PILE和RedPajama子集组合而成。这样得到的数据集约有1.8万亿个标记。在本周二发布的一篇相关论文中，该项目的研究人员表示，大型语言模型的可重复性和透明度"对于推进开放式研究至关重要"。它还有助于确保结果的可信度，并允许对模型偏差和风险进行调查。至于模型的准确性，据解释，在使用10亿个参数预算的情况下，OpenELM比OLMo的准确性提高了2.36%，而所需的预训练代币数量仅为OLMo的一半。模型和论文的作者包括SachinMehta、MohammadHosseinSekhavat、QingqingCao、MaxwellHorton、YanziJin、ChenfanSun、ImanMirzadeh、MahyarNajibi、DmitryBelenko、PeterZatloukal和MohammadRastegari。发布这些模型的源代码是苹果公司宣传其人工智能和机器学习发展成果的最新尝试。这并不是苹果公司第一次公开发布人工智能程序。今年10月，苹果分享了一个名为Ferret的开源LLM，它改进了模型分析图像的方式。今年4月，Ferret的新版本增加了解析应用程序截图中数据点的功能，并能大致了解应用程序的功能。此外，还发布了关于生成式人工智能动画工具和创建人工智能头像的论文。预计6月份的WWDC将包括苹果产品在人工智能方面的许多进展。...PC版：https://www.cnbeta.com.tw/articles/soft/1428512.htm手机版：https://m.cnbeta.com.tw/view/1428512.htm

丹麦的临床对比研究证明人工智能提高了乳腺癌筛查的准确性

丹麦的临床对比研究证明人工智能提高了乳腺癌筛查的准确性在丹麦，人工智能的进步大大提高了乳腺癌的检测率，同时减少了误诊率丹麦的乳腺放射医师利用人工智能（AI）提高了乳腺癌筛查的效果，降低了误诊结果的发生率。研究结果发表在今天（6月4日）出版的北美放射学会（RSNA）期刊《放射学》上。虽然乳房X射线照相术成功地降低了乳腺癌死亡率，但也有可能出现误诊结果。近年来，研究人员对人工智能系统在筛查中的应用进行了研究。哥本哈根大学博士后、丹麦Gentofte医院研究员AndreasD.Lauritzen博士说："我们相信人工智能有可能提高筛查性能。"当用于分流可能正常的筛查结果或协助决策支持时，人工智能还能大大减少放射科医生的工作量。Lauritzen博士说："基于人群的乳腺X射线照相筛查降低了乳腺癌死亡率，但却给放射科医生带来了巨大的工作量，他们必须阅读大量的乳腺X射线照相，而其中大部分并不值得召回患者。当筛查项目采用双读以提高癌症检测率并减少误诊召回时，读片工作量就会进一步加重。"一位女性的图像，她的乳腺成像报告和数据系统密度为2，接受人工智能（AI）系统筛查时57岁。(A）右侧内外侧斜位全视野数字乳腺造影显示人工智能提供的标记（方形）。根据这一病变，筛查获得了10分的人工智能检查高分（满分89分）。(B）与A中的图像相同，但有放射科医生的检查结果。由于人工智能检查得分较高，该筛查由两名放射科医生进行了双读，他们标记的病灶（椭圆形，A1）与人工智能系统标记的病灶相同，这导致了召回。(C）裁剪后的US图像显示了诊断过程中观察到的一个小的（4×7毫米）浸润性癌（线）。资料来源：北美放射学会（RSNA）Lauritzen博士及其同事开始比较人工智能实施前后两批接受筛查的妇女的工作量和筛查效果。这项回顾性研究对丹麦首都地区两组年龄在50岁至69岁之间、每两年接受一次乳腺X射线照相筛查的妇女进行了比较。在第一组中，两名放射科医生阅读了2020年10月至2021年11月期间进行筛查的妇女的乳房X光照片，当时尚未实施人工智能。第二组妇女在2021年11月至2022年10月期间进行的筛查乳房X光照片由人工智能进行初步分析。人工智能认为可能正常的乳房X光照片随后由19名专业全职乳腺放射科医生中的一位进行读片（称为单次读片）。其余的乳房X光照片由两名放射科医生在人工智能辅助决策支持下进行阅读（称为双读）。用于筛查的市售人工智能系统由深度学习模型训练而成，可突出显示乳房X光照片中的可疑病变和钙化，并对其进行评级。所有接受乳房X光筛查的女性都接受了至少180天的随访。通过筛查发现的浸润性癌症和导管原位癌（DCIS）将通过针刺活检或手术标本进行确认。共有60751名妇女在未使用人工智能的情况下接受了筛查，58246名妇女在使用人工智能系统的情况下接受了筛查。在人工智能实施组中，66.9%（38977人）的筛查为单读筛查，33.1%（19269人）的筛查为人工智能辅助双读筛查。与未使用人工智能系统的筛查相比，使用人工智能系统的筛查发现的乳腺癌数量明显增多（0.82%对0.70%），误诊率也更低（1.63%对2.39%）。Lauritzen博士说："在人工智能筛查组中，率降低了20.5%，放射科医生的阅读工作量减少了33.4%。放射科医生通常可以查看妇女以前的乳房X光筛查照片，但人工智能系统却无法查看。这是我们未来想做的事情。"人工智能筛查的阳性预测值也高于无人工智能筛查（33.5%对22.5%）。在人工干预组中，检测出的浸润性癌症中，大小在1厘米或以下的比例更高（44.93%对36.60%）。除了结节阴性率没有变化的迹象外，所有筛查绩效指标都有所改善。未来需要进行更多的研究来评估长期结果，确保过度诊断不会增加。还需要注意的是，并非所有国家都采用相同的乳腺癌筛查方案和间隔时间。美国的乳腺癌筛查方案与丹麦的方案不同。参考文献"2024年6月4日，《放射学》。编译来源：ScitechDaily...PC版：https://www.cnbeta.com.tw/articles/soft/1433568.htm手机版：https://m.cnbeta.com.tw/view/1433568.htm

近段时间以来，生成式人工智能的爆发式应用，也引发了人们对其安全性、可靠性的广泛关注。面对生成式人工智能为人类经济社会发展带来的无

近段时间以来，生成式人工智能的爆发式应用，也引发了人们对其安全性、可靠性的广泛关注。面对生成式人工智能为人类经济社会发展带来的无限可能，我们应该积极拥抱这一新机遇。而对其带来的新问题，也要加以重视、积极应对，从技术、伦理、法律等多方面设置“安全阀门”，防范生成式人工智能带来的风险，共同推动生成式人工智能健康发展。防范生成式人工智能风险，源头在于进一步完善相关法律法规的界定。核心在于确定底线，提升外部监督监管力度。重点在于强化引导企业、平台和个人加强自我约束。