跟上像人工智能这样快速发展的行业是一项艰巨的任务。所以，在人工智能可以为你做这件事之前，这里有一个关于机器学习世界的最新故事的简单总结，以及我们没有单独报道的著名研究和实验。
本周在人工智能方面，OpenAI签下了第一个高等教育客户:亚利桑那州立大学。
亚利桑那州立大学将与OpenAI合作，将OpenAI的人工智能聊天机器人ChatGPT带给亚利桑那州立大学的研究人员、教职员工。亚利桑那州立大学将在2月份举办一场公开挑战赛，邀请教职员工提交使用ChatGPT的想法。
OpenAI-ASU的交易表明，随着技术进步的速度超过了课程的发展速度，人们对教育领域人工智能的看法正在发生变化。去年夏天，由于担心抄袭和错误信息，学校和大学纷纷禁止ChatGPT。从那以后，一些人取消了禁令，而另一些人则开始举办关于GenAI工具及其学习潜力的研讨会。
关于GenAI在教育中的作用的争论不太可能很快得到解决。但是，不管怎样，我发现自己越来越倾向于支持者的阵营。
是的，GenAI是一个糟糕的总结器。它是有偏见的，有毒的。它会编造一些东西。但它也可以用来做好事。
考虑一下像ChatGPT这样的工具如何帮助那些在家庭作业中苦苦挣扎的学生。它可以一步一步地解释一道数学题，或者生成一篇论文提纲。或者，它可以为一个问题提供答案，而这个问题要花更长的时间才能找到谷歌。
现在，对作弊的担忧是合理的，或者至少在今天的课程范围内可能被视为作弊。我听说过一些学生，尤其是大学生，在课外考试中使用ChatGPT写大量的论文和论文问题。
这并不是一个新问题——付费代写服务已经存在很长时间了。但一些教育工作者认为，ChatGPT极大地降低了入门门槛。
有证据表明，这些担忧被夸大了。但先把这个问题放在一边，我建议我们先退后一步，考虑一下是什么驱使学生作弊。学生们经常因为成绩而不是努力或理解而得到奖励。激励结构扭曲了。那么，孩子们把学校作业看作是要打勾的盒子而不是学习的机会，这有什么好奇怪的吗?
因此，让学生拥有GenAI——让教育工作者尝试利用这种新技术来接触学生的方法。我对激烈的教育改革不抱太大希望。但也许GenAI将作为课程计划的启动平台，让孩子们对他们以前从未探索过的科目感到兴奋。
以下是过去几天一些值得注意的人工智能故事:
微软的阅读导师:微软本周推出了为学习者提供个性化阅读练习的人工智能工具reading Coach，任何拥有微软账户的人都可以免费使用。
音乐领域的算法透明度:欧盟监管机构呼吁制定法律，迫使音乐流媒体平台提高算法透明度。他们还想解决人工智能生成的音乐和深度造假问题。
NASA的机器人:Devin写道，NASA最近展示了一种自组装机器人结构，它可能会成为离开地球的关键部分。
在三星Galaxy S24的发布会上，该公司介绍了人工智能可以改善智能手机体验的各种方式，包括电话实时翻译、建议回复和行动，以及使用手势进行谷歌搜索的新方式。
DeepMind的几何解算器:谷歌人工智能研发实验室DeepMind本周发布了AlphaGeometry，该实验室声称，这是一个人工智能系统，可以解决与国际奥数金牌得主一样多的几何问题。
OpenAI和众包:在OpenAI的其他新闻中，这家初创公司正在组建一个新的团队Collective Alignment，以实现公众关于如何确保其未来的人工智能模型“与人类价值观保持一致”的想法。与此同时，它正在改变政策，允许其技术用于军事用途。
Copilot的专业计划:微软为Copilot推出了一项以消费者为中心的付费计划，并放宽了企业级Copilot产品的资格要求。Copilot是微软旗下由人工智能驱动的内容生成技术组合的总括品牌。它还为免费用户推出了新功能，包括Copilot智能手机应用程序。
欺骗模式:大多数人都学会了欺骗他人的技巧。那么，人工智能模型也能学习到同样的东西吗?是的，答案似乎是——而且可怕的是，他们在这方面特别擅长。根据人工智能初创公司Anthropic的一项新研究。
特斯拉的机器人演示:来自特斯拉的伊隆·马斯克的人形机器人擎天柱正在做更多的事情——这次是在开发设施的桌子上折叠一件t恤。但事实证明，在目前阶段，机器人根本不是自主的。
阻碍人工智能卫星分析等更广泛应用的因素之一是，需要训练模型来识别可能相当深奥的形状或概念。辨认建筑物的轮廓很容易。洪水后识别碎片场:没那么容易!EPFL的瑞士研究人员希望通过一个名为METEOR的项目使这一过程变得更容易。
图片来源:EPFL
“环境科学的问题在于，通常不可能获得足够大的数据集来训练人工智能程序，以满足我们的研究需求，”该项目负责人之一马克·鲁瑟姆(Marc Ru?wurm)说。他们的新训练结构允许识别算法仅用四到五张代表性图像来训练新任务。其结果可与使用更多数据训练的模型相媲美。他们的计划是让这个系统从实验室变成产品，并为普通人(也就是说，非人工智能专家研究人员)提供一个用户界面来使用它。你可以在这里阅读他们发表的论文。
另一个方向——创建图像——是一个热门的研究领域，因为这样做可以有效地减少生成式人工智能平台的计算负荷。最常用的方法称为扩散，它逐渐将纯噪声源细化为目标图像。洛斯阿拉莫斯国家实验室(Los Alamos National Lab)有一种新的方法，他们称之为“停电扩散”(Blackout Diffusion)，这种方法是从纯黑色图像开始的。
这就消除了一开始对噪声的需求，但真正的进步在于框架发生在“离散空间”而不是连续空间中，大大减少了计算负荷。他们说它性能好，成本低，但肯定还远没有广泛发布。我没有资格评估这种方法的有效性(数学远远超出了我的能力范围)，但国家实验室不会无缘无故地炒作这种东西。我会向研究人员询问更多信息。
人工智能模型在自然科学领域如雨后春笋般涌现，它们从噪音中筛选信号的能力既产生了新的见解，又节省了研究生录入数据的时间。
澳大利亚正在将Pano AI的野火探测技术应用于主要森林地区“绿三角”。很高兴看到创业公司被这样利用——它不仅可以帮助预防火灾，还可以为林业和自然资源部门提供有价值的数据。野火(或丛林大火，正如他们在那里所说的那样)的每一分钟都很重要，所以早期的通知可能是数万英亩和数千英亩损失的区别。
用旧模型(左)和新模型(右)测量的永久冻土减少。
洛斯阿拉莫斯第二次被提及(我在翻阅笔记时才意识到)，因为他们也在研究一种新的人工智能模型，用于估计永久冻土的减少。现有的模型分辨率很低，预测永久冻土层的大小约为1/3平方英里。这当然是有用的，但有了更多的细节，你就会得到更少的误导性结果，因为在更大的尺度上，这些地区可能看起来像100%的永久冻土，但当你近距离观察时，它们显然没有那么多。随着气候变化的进展，这些测量需要精确!
生物学家正在寻找有趣的方法来测试和使用人工智能或人工智能邻近模型在该领域的许多子领域。在最近一次由我在GeekWire的朋友撰写的会议上，追踪斑马、昆虫甚至单个细胞的工具在海报会议上被展示出来。
在物理和化学方面，阿贡国家实验室的研究人员正在研究如何最好地包装氢作为燃料。游离氢是出了名的难以控制，所以将它与一种特殊的辅助分子结合可以使它变得温顺。问题是氢几乎能和所有物质结合，所以有无数的可能性存在辅助分子。但对海量数据进行分类是机器学习的专长。
“我们一直在寻找一种有机液体分子，这种分子能长时间吸附氢，但又不会强到不能在需要时轻易去除，”该项目的哈桑·哈布(Hassan Harb)说。他们的系统对1600亿个分子进行了分类，通过使用人工智能筛选方法，他们每秒可以检查300万个分子，所以整个最终过程大约需要半天时间。(当然，他们使用的是相当大的超级计算机。)他们确定了41个最佳候选者，这对于实验人员在实验室进行测试来说是一个微不足道的数字。希望他们能找到有用的东西——我可不想下一辆车还得处理氢气泄漏的问题。
最后我要提醒一句:《科学》杂志上的一项研究发现，用于预测患者对某些治疗的反应的机器学习模型在他们接受训练的样本组中是高度准确的。在其他情况下，它们基本上没有任何帮助。这并不意味着它们不应该被使用，但它支持了许多业内人士的说法:人工智能不是灵丹妙药，它必须在每一个新的人群和应用中进行彻底的测试。