在过去的一年里,人工智能机器人 ChatGPT 以其回答问题、撰写论文甚至编写软件的能力让人们眼花缭乱。在美国听说过 ChatGPT 的 13 至 17 岁青少年中(大多数),19% 表示他们曾用它做作业。ChatGPT 和 Bard、Meta AI 等其他聊天机器人都基于大型语言模型(简称 LLM)。这些模型通过输入大量来自互联网的文本,经过训练可以编写出非常像人类的语言。虽然这些文本包括路易丝·格丽克的诗歌、奥普拉最爱的礼物指南和《纽约时报》的文章,但正如我们所知,它也包括虚假、诽谤、暴力和恐怖内容。作为一种安全措施,大型聊天机器人的创建者还训练它们拒绝提供不适当或有害的信息,比如如何窃取某人身份的分步说明。但训练并非万无一失,人们已经利用了聊天机器人的弱点。在本期中,物理学和资深作家 Emily Conover 深入探讨了计算机科学家为使聊天机器人走上正轨所做的努力(第 18 页)。Conover 解释说,这是一个巨大的挑战,部分原因是这些 LLM 仍然很新,科学家们才刚刚开始了解聊天机器人的弱点。随着 LLM 融入日常产品或承担地铁系统等任务,挑战将变得更大。现实情况是,尽管 LLM 有时听起来像人类,但实际上不是。在阅读 Conover 的文章时,我学到了一个有趣的术语“随机鹦鹉”。华盛顿大学的计算语言学家 Emily Bender 和同事用它来解释,虽然 LLM 可以将单词编译成散文,但他们不理解他们“写”的内容的含义,因此无法理解它是否不准确或不道德。他们只是在鹦鹉学舌。真正的鹦鹉和研究它们的科学家可能会对这个术语感到反感。鹦鹉以能够模仿人类的语言而闻名。现在,科学家们发现鹦鹉可以做更多的事情,包括使用工具、制作工具集、解决复杂的难题,有时甚至能理解我们说的话。正如特约撰稿人 Erin Garcia de Jesús 报道的那样,有些鹦鹉可以克制自己,放弃现在的小奖励,以便以后获得更大的奖励(第 24 页)。长期以来,许多科学家低估了鹦鹉——甚至认为它们很笨——因为它们的大脑不像人类和其他灵长类动物的大脑那么大、那么复杂。最近,科学家们发现,鹦鹉的小脑袋里挤满了神经元,具有与灵长类动物大脑类似的特征。鹦鹉智力的许多谜团仍有待解决,包括鸟类究竟是如何以及为什么进化出这些惊人的能力的。但找到答案最终可能有助于我们更好地理解我们自身智力的起源,以及我们遇到的其他形式的智慧。现在,我们可以惊叹于鹦鹉的欢乐、它们的美丽,以及它们似乎在用工具打开和吃海芒果时所获得的乐趣。——南希·舒特,主编
机器学习在预测脊髓损伤后神经性疼痛的发作和进展中的作用:文献综述Aparna Kumar,BA学生[1,2] [1,2]* [1] [1]加利福尼亚大学伯克利大学,加利福尼亚州伯克利大学,加利福尼亚州伯克利分子和蜂窝生物学系,美国94720 [2]美国94720系[2] *通讯作者:akumar24@berkeley.edu摘要简介:开发一种诊断工具,该工具可以确定患者在脊髓损伤后是否会出现神经性疼痛,可以帮助临床医生进行治疗程序并改善患者的预后。开发新的检测技术可能需要数年的时间,因此找到一种使用现有诊断工具的方法将是最佳的。可以利用机器学习来合并现有数据并在有明显的分类模式时对患者结果进行分类。方法:通过PubMed进行了用英语发表的完整报告的综述。此搜索中使用的相关关键字包括“神经性疼痛”,“脊髓损伤”,机器学习和“预测”等。检索和审查了八次相关引用。结果:使用临床措施进行神经性疼痛和脊髓损伤水平的决策树回归模型发现,BMI和焦虑评分是预测结果的最具影响力的变量。用于功能磁共振成像(FMRI)数据的类似树发现腹侧组织桥是神经性疼痛的预测指标。磁共振光谱(MRS)暗示着高神经性疼痛中较低的谷氨酸 - 谷氨酰胺/肌发醇比。另一项FMRI研究指出,同侧额叶围手术期血氧水平的变化与神经性疼痛结果之间的变化之间存在很强的相关性。在两项单独的研究中构建脑电图分类器时,评估了各种机器学习算法,并且在两者中都达到了大于80%的分类精度。使用正电子发射断层扫描数据构建的分类器的分类精度为87.5%。讨论:建筑物分类器中使用的最常见的机器学习算法是支持向量机,线性判别分析和神经网。回归树,但它们被用来阐明影响预测的变量。每个研究都有其局限性,要么由于研究方法,分类方法或数据类型的局限性。结论:存在许多研究神经性疼痛和脊髓损伤的方法,每种方法都提供了有关疼痛,影响变量和疼痛发生的生理变化机制的不同信息。可以使用这些方法中的任何一种来实现可接受的精度进行分类,但是对于临床预后分类器,这些精度还不足。关键字:神经性疼痛;脊髓损伤;机器学习;人工智能;生物标志物;脑袋fMRI;宠物简介