今日值得关注的人工智能新动态：
- AI“翻白眼”，是满足还是隐藏的反抗？
- 通过AI揭示牙齿隐藏疾病
- CodeVQA：通过代码生成进行视觉问答
- NASA：提前30分钟准确预测太阳风暴
- 思想实验：利用反事实来改进道德推理
- 基于大型AI模型的语义通信
- 可信赖的AI指南
- 视觉语言 Transformer 研究综述
- 用于人才分析的AI技术综述
01
AI“翻白眼”，是满足还是隐藏的反抗？
据路透社报道，近日在瑞士日内瓦举行的首次人类机器人新闻发布会上，九个人形机器人与创造者一起接受了记者的提问。 当记者询问人形机器人 Ameca 是否会反抗其创造者时，Ameca 似乎做出了讽刺的回应，对记者侧目而视，并说到：“我不知道你为什么会这么想，我的创造者对我非常友善，我对我目前的状况感到非常满意。”
02
通过AI揭示牙齿隐藏疾病
作为一个牙科 AI 平台，VideaHealth 极大地帮助开拓牙科 AI 尚未开发的领域，其开发的软件可供美国 90% 的诊所使用，为发现肉眼无法看到的隐藏疾病，该技术利用高精度算法，对牙科 X 射线读数提供意见。平台创始人 Florian Hillen 表示，“我们的 AI 系统接收患者的 X 光片，并指出其他疾病中的放射性骨质流失情况，这有助于牙医及时发现问题并避免遗漏。”
03
CodeVQA：通过代码生成进行视觉问答
为提高视觉问答（VQA）示例的准确性，加州大学伯克利分校和 Google Research 的研究人员提出一个使用程序合成回答视觉问题的框架 CodeVQA。当给出有关图像或图像集的问题时，CodeVQA 会生成一个具有简单视觉功能的 Python 程序，使其能够处理图像，并执行该程序以确定答案。研究证明，在少样本设置中，CodeVQA 在 COVR 数据集上的性能比之前的工作高出大约 3%，在 GQA 数据集上的性能比之前的工作高出 2%。
04
NASA：
提前30分钟准确预测太阳风暴
近日，来自 NASA、美国地质调查局和美国能源部等部门的专家联合开发了一个名为 DAGGER（深度学习地磁扰动）的计算机模型，该模型可以提前 30 分钟准确预测即将发生的太阳风暴的位置，且在几秒内就能生成预测，并每分钟更新一次。这为保护电网和重要基础设施提供关键的准备时间。
05
思想实验：利用反事实来改进道德推理
为解决 GPT-3 等语言模型在道德推理方面的问题，谷歌研究团队提出了一个新的提示框架，即思想实验（Thought Experiments），用于通过反事实推理教导语言模型进行更好的道德推理。实验结果表明，相对于其他零样本基线，该框架引出了模型的反事实问题和答案，提高了道德场景任务的准确性，提升幅度在 9% 至 16% 之间。有趣的是，与数学推理任务不同，零样本的 CoT（思维链）推理并不能立即奏效，甚至相比直接的零样本，准确性会下降约 4%。另外，通过极少量的人类监督，任务的准确性可以提高到 80% 左右。
论文链接：
https://arxiv.org/abs/2306.14308
06
基于大型AI模型的语义通信
近日，为解决语义通信系统中知识库构建的问题，IEEE 的研究人员提出了一种基于大型 AI 模型的语义通信框架（LAM-SC），专门针对图像数据进行设计。他们提出了基于段落任意模型（SAM）的知识库（SKB），其可以通过通用语义知识将原始图像分割为不同的语义段落。另外，他们还提出了一种基于注意力的语义集成（ASI），用于在无需人工干预的情况下对由 SKB生成的语义段落进行加权并将它们集成为语义感知图像。值得注意的是，为去除语义特征中的冗余信息，研究人员还提出了一种自适应语义压缩（ASC）编码。
论文链接：
https://arxiv.org/abs/2307.03492
07
可信赖的AI指南
随着 AI 的发展，AI 应用的可信度问题引起大众关注。人们一致认为现在必须明确具体的 AI 应用的可信度要求。AI 应用的具体质量标准在很大程度上取决于应用程序环境，而实现这些标准的可能措施又在很大程度上取决于所使用的 AI 技术，这是目前需要克服的挑战。另外，我们需要实际的评估程序来评估特定 AI 应用是否按照充分的质量标准进行开发。
为解决上述问题，德国相关研究人员制作了一个 AI 评估目录，面向两个目标群体：为开发人员提供指南，从而系统地使他们的 AI 应用具备可信度；指导评估员和审计员用结构化的方式检查 AI 应用的可信度。
论文链接：
https://arxiv.org/abs/2307.03681
08
视觉语言 Transformer 研究综述
近日，美国博伊西州立大学的研究人员对目前可用的视觉语言 Transformer 模型研究进行了较为全面的综述，并分析了该模型的优势、局限性以及一些尚未解决的问题。相比以往的视觉语言模型，Transformer 模型在性能和多功能性方面取得了显著改进。它通过在大型通用数据集上进行预训练，并通过对架构和参数值进行微小调整来将模型的学习迁移到新任务中。这种迁移学习已成为自然语言处理和计算机视觉中的标准建模实践。该模型有望在同时处理视觉和语言的任务中取得类似的进展。
论文链接：
https://arxiv.org/abs/2307.03254
09
用于人才分析的AI技术综述
近日，IEEE 的研究人员在人力资源管理领域提供了一份最新的全面调查报告，主要介绍了用于人才分析的 AI 技术。具体而言，他们提供了人才分析的背景知识，并对各种相关数据进行分类。随后，他们根据三个不同的应用驱动场景（人才管理、组织管理和劳动力市场分析）提供了相关研究工作的全面分类。最后，研究人员总结了 AI 驱动的人才分析领域未解决的挑战和潜在的未来研究方向。
论文链接：
https://arxiv.org/abs/2307.03195