研究表明,共情作用与积极引导正是医生帮助患者缓解痛苦、提高术后康复速度以及减少精神类药品用量的重要方法。但道理听起来简单,单凭一句“吃了药就好了”绝对达不到这样的效果。根据最新研究结果,其中的原理其实非常复杂。
积极的信息通常需要重复出现,配合笃定的证据以及极具针对性的表达场景。另外,传达者最好既权威又富有同情心。虽然我们在研究中无法确定积极信息中最有效的组成部分是什么(样本量过小),但通过结果推断,不符合以上几项基本要素的积极信息——包括针对性不强、医生经验不足或者同理心不够——无法产生预期效果。
这些发现,对于从电话预约到“护理机器人”(负责提供医疗保健服务的AI机器人)的数字化辅助咨询方案又有何指导意义?这个问题非常重要,因为目前已经有人建议将护理机器人作为一种经济高效的解决方案,用以满足英国及其他地区不断增长的老年群体照料需求。
COVID-19疫情的肆虐加快了数字化辅助咨询的普及速度,英国卫生大臣Matt Hancock声称,疫情之后越来越多的患者不再愿意进行面对面询诊。虽然目前的在线咨询跟护理机器人还不是一回事,但背后代表的却是相同的全新交互形式。而且二者的出现时间还很短,缺少可资遵循的道德框架。
采用积极信息来帮助患者,带来了技术与道德两个层面的新难题。积极信息中的某些组成部分(「吃了这种药,你很快就会觉得舒服一些」)可以通过手机、视频通话甚至是护理机器人直接传递,但有些患者愿意相信,有些则保持怀疑。对于后者,他们可能需要亲眼看到、至少是通过视频看到自己的主治医师,才愿意相信这样的论断。
研究还表明,这种权威感也与肢体语言紧密相关。护理机器人虽然也能传递出一定的权威感,包括使用复杂的肢体语言表现出一定的说服力与引导性,但仍与人类存在巨大差别。在数字化时代下适应这种权威依赖心理绝非易事。有研究表明,尽管数字化辅助咨询似乎无甚害处,但却与传统诊疗过程截然不同(通常时间较短),而且目前还难以判断其实际效果。
同样地,要为积极信息注入针对性元素,最重要的是掌握其中的一些细微提示,例如望向某个方向、或者做出有所意味的停顿。研究表明,这些对于诊断效果非常重要。但通过电话问诊时,这些线索往往难以捕捉,护理机器人更是无法注意到这么多细节。
这些不仅是技术问题,同时也是道德问题。如果数字化辅助医疗咨询无法有效传递积极信息,进而带来更好的护理效果,则有可能违反帮助患者的这一基本道德要求。当然,如果未来的护理机器人能够以更低廉的成本为更多人服务(毕竟机器人不需要睡觉),也许会抵消一部分负面因素。总而言之,我们需要在道德层面评估这一切,而目前的情况还不适合匆忙推广机器人类护理方案。
对于护理机器人而言,这甚至可能构成决定其是否合法、甚至是否存在的核心问题。如果同理心与关怀感是有效传递积极信息的关键前提,那么我们必须明确护理机器人是否拥有这种能力。虽然机器人可以表现出表面上的关怀感与同理心,但其深层含义仍然非常复杂。同样地,研究人员们还意识到,这些道德问题很可能直接影响到患者的诊疗结果,因此呼吁建立起一套用于规范护理机器人设计方向的框架。
对积极信息的研究表明,新的道德框架必须能够切实证明关于效果、积极(也包括其他类型)交流等复杂性因素理解与处理方式具备合理性。只有进行这样的认真分析,我们才能切实证明数字化辅助医疗咨询/护理机器人确实能够带来等同甚至超越当面诊断的实际效果。
在某些情况下,护理机器人的表现肯定会好于人类医生(病患往往能以更低的心理负担向机器人倾诉秘密)。但无论如何,机器人与人类之间存在着巨大差异;更要命的是,我们目前并不清楚这种差异究竟是什么。
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。