完整作者列表:刘新宇;阿贡国家实验室,能源系统部 Elgowainy,Amgad;阿贡国家实验室,能源系统部 王,迈克尔;阿贡国家实验室,能源系统部
• Ramon Alvarez, Environmental Defense Fund (EDF) • Kandilarya Barakat, U.S. Department of Transportation, Pipeline and Hazardous Materials Safety Administration • Matteo Bertagni, Politecnico di Torino • William Buttner, National Renewable Energy Laboratory (NREL) • Daniel Cherney, ExxonMobil Technology & Engineering • Amgad Elgowainy, Argonne National Laboratory (ANL) • Lee Gardner, Canadian Nuclear Laboratories (CNL) • Cullen Hall, GenH2 • Didier Hauglustaine, Laboratory for Sciences of Climate and Environment (LSCE) • William Hoagland, Element One, Inc. • Hendrik Louw, Republic of South Africa • John Patterson, University of California, Irvine • Fabien Paulot, National Oceanic and Atmospheric Administration (NOAA) • Barry Prince, Fabrum •芝加哥大学Linta Reji•Matteo Robino,Snam•Munjal Shah,国家可再生能源实验室(NREL)•David Stevenson,爱丁堡大学,爱丁堡大学•Rossella Urgnani,保修枢纽,Ruishu Hub•Ruishu Wright,国家能源技术实验室(NETL)
口头报告 Geracci,James — 门诊初级保健中人工智能支持的临床文档:解决医疗保健体验问题的处方? 5 Sankaranarayanan, Ganesh – 使用高级深度学习对机器人胃空肠造口术视频进行自动任务分割 6 Wang, Song – 使用大型语言模型检测不一致的自杀原因注释 7 Makhija, Disha – 公平的人工智能:确保分布式医疗保健系统中的公平预测 9 Fu, Sunyang – FunctionalAI4EHR:一种基于语言模型的人工智能框架,用于在电子健康记录中确定功能状态和跌倒发生情况 10 Zhou, Qin – 图形卷积网络,将组织学信息与空间转录组学相结合,揭示空间细胞水平的基因表达 11 Muneer, Amgad – 使用多尺度集成变压器 (SCENT) 进行 PD-L1 表达预测 13 Segar, Matthew – 基于种族不可知机器学习的模型可改善心房颤动发病率预测14 邓北川 – 自监督混合神经网络实现定量生物发光断层扫描,用于癌症研究 16 韩毅 – 由 T 细胞受体-抗原基础模型赋能的 T 细胞反应性生物标志物 18
口头报告 Geracci,James — 门诊初级保健中人工智能支持的临床文档:解决医疗保健体验问题的处方? 5 Sankaranarayanan, Ganesh – 使用高级深度学习对机器人胃空肠造口术视频进行自动任务分割 6 Wang, Song – 使用大型语言模型检测不一致的自杀原因注释 7 Makhija, Disha – 公平的人工智能:确保分布式医疗保健系统中的公平预测 9 Fu, Sunyang – FunctionalAI4EHR:一种基于语言模型的人工智能框架,用于在电子健康记录中确定功能状态和跌倒发生情况 10 Zhou, Qin – 图形卷积网络,将组织学信息与空间转录组学相结合,揭示空间细胞水平的基因表达 11 Muneer, Amgad – 使用多尺度集成变压器 (SCENT) 进行 PD-L1 表达预测 13 Segar, Matthew – 基于种族不可知机器学习的模型可改善心房颤动发病率预测14 邓北川 – 自监督混合神经网络实现定量生物发光断层扫描,用于癌症研究 16 韩毅 – 由 T 细胞受体-抗原基础模型赋能的 T 细胞反应性生物标志物 18
1。See generally Alec Radford, Jeff Wu, Rewon Child, D. Luan, Dario Amodei & I. Sutskever, Language Models Are Unsupervised Multitask Learners (2019) (unpublished manuscript), https://d4mucfpksywv.cloudfront.net/better-language-models/language-model s.pdf [https://perma.cc/7tud-38j5]; Long Ouyang, Jeff Wu, Xu Jiang, Diogo Almeida, Carroll L. Wainwright, Pamela Mishkin, Chong Zhang, Sandhini Agarwal, Katarina Slama, Alex Ray, John Schulman, Jacob Hilton, Fraser Kelton, Luke Miller, Maddie Simens, Amanda Askell, Peter Welinder, Paul Christiano, Jan Leike &瑞安·洛(Ryan Lowe),培训语言模型遵循人类反馈的指示4,2022)(未出版的手稿),https://arxiv.org/pdf/2203.02155.pdf [https://perma.cc/myf8-28l9]。2。See Muhammad Usman Hadi , Qasem Al Tashi, Rizwan Qureshi, Abbas Shah, Amgad Muneer, Muhammad Irfan, Anas Zafar, Muhammad Bilal Shaikh, Naveed Akhtar, Jia Wu & Seyedali Mirjalili, Large Language Models: A Comprehensive Survey of Its Applications, Challenges, Limitations, and Future前景(2023年12月7日)(未发表的手稿),https://www.semanticscholar.org/paper/large-language-models%3a-a-a-comprehensial--comphermiss--compherive--susporment-of-hadi-tashi/24de-tashi [https://perma.cc/fl y8-zd2p]。3。请参阅OpenAI,GPT-4技术报告(3月1,2024)(未发表的手稿),https://arxiv.org/abs/2303.08774 [https://perma.cc/m5vx-tjlt]。4。“理解”一词在引用中,因为不给这些AI系统化拟人化并不意义地暗示它们具有类似于人类的认知能力。5。6。L. R EV。L. R EV。相反,正如本文强调的那样,LLM AI系统通过统计近似来获得其智能观察结果。确实,他们通常能够产生非常准确和类似人类的反应,但目前,他们很可能不会以与人类认知理解相当或类似的方式“理解”人类语言。因此,在这种情况下,“理解”可以被认为是说这些模型产生的统计输出在鉴于输入的响应范围内,并且经常近似于一个类似位置的人,他们确实理解了认知水平上的输入,会产生响应。即使这种产生响应迅速且显着的人类输出的能力是显着的,但考虑到当前AI模型的工作方式,人们必须注意不要暗示类似人类的认知。OpenAi,介绍ChatGpt:对话的优化语言模型,o Pen AI:B日志(2022年11月30日),https://openai.com/blog/chatgpt [https://perma.cc/8qwz-7nky]。Daniel Schwarcz和Jonathan H. Choi,《律师的AI工具:实用指南》,108 M Inn。h eadnotes 1,1(2023);乔纳森·H·乔(Jonathan H.