短短几周之内,COVID-19疫情的流行就彻底改变了我们的正常生活。随着诸多企业关停或过渡至居家办公,对新形势、新情况的适应能力成为决定大小企业未来命运的关键。但在这样的极端背景之下,肆虐的疫情也在刺激着更多创新举措,特别是在人工智能领域。随着全球对新常态的逐步适应,人工智能也开始在改善公共健康与安全方面发挥愈发重要的作用。
1、AI预测疫情蔓延情况
此次新冠病毒(及其随后引发的大规模COVID-19疫情)带来的最大挑战之一,体现在传播速度方面。虽然目前国际社会普遍将居家隔离与关闭高风险设施视为最佳控疫手段,但仍有不少地区在实际执行方面进展缓慢,这主要源于对风险的认识存在误差。
但在以色列,由魏兹曼科学研究所开发的AI驱动型调查系统,就在努力对疫情蔓延情况做出高质量预测,确保政府当局主动制定措施以缓解病毒传播。这套系统针对健康问题及隔离实践等核心内容组织调查问卷,而后将回复结果与基于地理位置的算法相匹配。以此为基础,AI分析技术可提前确定潜在的疫情热点,有效帮助地方当局遏制病毒的传播速度。
2、AI为支持中心添助力
随着COVID-19全面登陆媒体头条,医院及卫生机构也面临着普通民众关于新冠病毒的咨询压力。如何准确且及时地回应这些疑问,也成为左右抗疫战局走势的一大重点。
虚拟助手的出现已经帮助其他行业的客户支持专员们缓解了不少工作压力。如今,专门用于解决COVID-19相关问题的工具也开始亮相,并可被直接嵌入至医疗应用以及网站当中。
Hyro就是其中的典型案例。这是一款免费COVID-19虚拟助手,能够帮助医疗机构快速应答民众们打来的咨询电话与在线提问。通过回答与新冠病毒相关的常见问题、根据现有症状快速分类并结合由世卫组织/疾控中心发布的可靠信息,此类AI工具正帮助身心俱疲的医护人员分担大量工作内容。
3、AI与谣言信息展开斗争
COVID-19疫情爆发后的一大新问题,就是在线谣言信息的快速蔓延。从一味淡化病毒带来的风险,到警告强制性隔离令的伪造短信,汹涌而来的相关内容令很多民众感到不知所措、甚至全面陷入恐慌情绪。
大部分社交媒体平台都在使用内容审核员检查发布内容中是否存在虚假信息,但随着更多员工转为远程办公甚至开始停工,AI开始接过重担、成为打击谣言领域的急先锋。虽然缺少人工监督导致犯错风险上升,但这也有望刺激机器学习工具的快速改进。
作为其中一例,The Verge公司的Jacob Kastrenakes解释道,“在新冠病毒大流行期间,YouTube开始更多依靠AI技术监控视频。这是因为不少人类审核员被迫待在家中,以隔离的形式避免病毒传播。当然,目前的AI技术还不太成熟,可能会把某些非常正常的视频误判为需要删除的违禁内容。但好在AI的初步判断会被递交至人工审查者手中,以他们做最后一步确认。”
4、AI识别患病者
根据《卫报》的报道,COVID-19疫情之所以难以遏制,是因为不少患者在初期症状与轻度感冒非常相似。有一部分患者甚至完全没有早期症状。因此,他们可能认为自己没有问题并继续出行,进而将病毒传播给其他民众。
虽然测试速度仍然不快,但AI已经开始应对这一挑战。正如The Next Web的报道,目前行业已经开发了多款可识别COVID-19患者的AI工具,希望借此保障医护人员安全、提高病例发现速度。
在中国,人们开发出一种计算机视觉算法,能够扫描公共场所中往来群体的体温并标记任何存在发烧征兆的个体。另一种AI算法则可帮助医生更准确地区分新冠病毒与典型肺炎感染者。在华盛顿州,人们甚至利用机器人提供远程医疗与通讯服务,防止医护人员被患者感染。
从目前来看,COVID-19的下一步发展仍充满不确定性。我们很难判断到底要经过多长时间的全社会性隔离及其他预防措施,才能真正缓解这种疾病的传播;同样的,我们也无法断言这些抗疫行为又会给整个人类社会带来怎样的影响。
除此之外,AI技术恐怕也无法解决所有问题。但很明显,我们正身处一个令人不安的时代,而技术层面的持续创新则已经且仍将不断提高整个世界的安全指数。通过缓解病毒传播速度并改善医护人员生存条件,这些技术的发展必将挽救更多宝贵生命,而AI也会成为这股技术力量中的重要核心。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。