今日值得关注的人工智能新动态：
- AI“翻白眼”，是满足仍是躲藏的抵挡？
- 经过AI提醒牙齿躲藏疾病
- CodeVQA：经过代码生成进行视觉问答
- NASA：提早30分钟精确猜测太阳风暴
- 思想试验：运用反现实来改善品德推理
- 根据大型AI模型的语义通讯
- 可信赖的AI攻略
- 视觉言语 Transformer 研讨总述
- 用于人才剖析的AI技能总述
01
AI“翻白眼”，是满足仍是躲藏的抵挡？
据路透社报道，近来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发问。当记者询问人形机器人 Ameca 是否会抵挡其创造者时，Ameca 似乎做出了挖苦的回应，对记者怒目而视，并提到：“我不知道你为什么会这么想，我的创造者对我非常友善，我对我现在的状况感到非常满意。”
02
经过AI提醒牙齿躲藏疾病
作为一个牙科 AI 渠道，VideaHealth 极大地协助开辟牙科 AI 尚未开发的范畴，其开发的软件可供美国 90% 的诊所运用，为发现肉眼无法看到的躲藏疾病，该技能运用高精度算法，对牙科 X 射线读数供给定见。渠道创始人 Florian Hillen 表明，“我们的 AI 体系接纳患者的 X 光片，并指出其他疾病中的放射性骨质丢失状况，这有助于牙医及时发现问题并防止遗失。”
03
CodeVQA：经过代码生成进行视觉问答
为进步视觉问答（VQA）示例的精确性，加州大学伯克利分校和 Google Research 的研讨人员提出一个运用程序组成答复视觉问题的结构 CodeVQA。当给出有关图画或图画集的问题时，CodeVQA 会生成一个具有简略视觉功用的 Python 程序，使其能够处理图画，并履行该程序以确定答案。研讨证明，在少样本设置中，CodeVQA 在 COVR 数据集上的性能比之前的作业高出大约 3%，在 GQA 数据集上的性能比之前的作业高出 2%。
04
NASA：
提早30分钟精确猜测太阳风暴
近来，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，该模型能够提早 30 分钟精确猜测即将发生的太阳风暴的位置，且在几秒内就能生成猜测，并每分钟更新一次。这为保护电网和重要基础设施供给关键的准备时间。
05
思想试验：运用反现实来改善品德推理
为处理 GPT-3 等言语模型在品德推理方面的问题，谷歌研讨团队提出了一个新的提示结构，即思想试验（Thought Experiments），用于经过反现实推理教导言语模型进行更好的品德推理。试验结果表明，相对于其他零样本基线，该结构引出了模型的反现实问题和答案，进步了品德场景使命的精确性，提高幅度在 9% 至 16% 之间。有趣的是，与数学推理使命不同，零样本的 CoT（思想链）推理并不能当即奏效，乃至比较直接的零样本，精确性会下降约 4%。别的，经过极少量的人类监督，使命的精确性能够进步到 80% 左右。
论文链接：
arxiv.org/abs/2306.14…
06
根据大型AI模型的语义通讯
近来，为处理语义通讯体系中常识库构建的问题，IEEE 的研讨人员提出了一种根据大型 AI 模型的语义通讯结构（LAM-SC），专门针对图画数据进行规划。他们提出了根据阶段恣意模型（SAM）的常识库（SKB），其能够经过通用语义常识将原始图画分割为不同的语义阶段。别的，他们还提出了一种根据注意力的语义集成（ASI），用于在无需人工干预的状况下对由 SKB生成的语义阶段进行加权并将它们集成为语义感知图画。值得注意的是，为去除语义特征中的冗余信息，研讨人员还提出了一种自适应语义压缩（ASC）编码。
论文链接：
arxiv.org/abs/2307.03…
07
可信赖的AI攻略
随着 AI 的发展，AI 运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详细的 AI 运用的可信度要求。AI 运用的详细质量标准在很大程度上取决于运用程序环境，而完成这些标准的或许办法又在很大程度上取决于所运用的 AI 技能，这是现在需求战胜的应战。别的，我们需求实际的评价程序来评价特定 AI 运用是否按照充分的质量标准进行开发。
为处理上述问题，德国相关研讨人员制作了一个 AI 评价目录，面向两个目标群体：为开发人员供给攻略，从而体系地使他们的 AI 运用具有可信度；指导评价员和审计员用结构化的方法检查 AI 运用的可信度。
论文链接：
arxiv.org/abs/2307.03…
08
视觉言语 Transformer 研讨总述
近来，美国博伊西州立大学的研讨人员对现在可用的视觉言语 Transformer 模型研讨进行了较为全面的总述，并剖析了该模型的优势、局限性以及一些尚未处理的问题。比较以往的视觉言语模型，Transformer 模型在性能和多功用性方面取得了显著改善。它经过在大型通用数据集上进行预练习，并经过对架构和参数值进行细小调整来将模型的学习搬迁到新使命中。这种搬迁学习已成为自然言语处理和计算机视觉中的标准建模实践。该模型有望在一起处理视觉和言语的使命中取得相似的发展。
论文链接：
arxiv.org/abs/2307.03…
09
用于人才剖析的AI技能总述
近来，IEEE 的研讨人员在人力资源管理范畴供给了一份最新的全面调查报告，首要介绍了用于人才剖析的 AI 技能。详细而言，他们供给了人才剖析的背景常识，并对各种相关数据进行分类。随后，他们根据三个不同的运用驱动场景（人才管理、组织管理和劳动力市场剖析）供给了相关研讨作业的全面分类。最终，研讨人员总结了 AI 驱动的人才剖析范畴未处理的应战和潜在的未来研讨方向。
论文链接：
arxiv.org/abs/2307.03…
