跟上人工智能这一快速发展的行业是一项艰巨的任务。在AI能为你做到这一点之前，以下是机器学习领域近期故事的便捷汇总，以及未单独报道但值得注意的研究和实验。
本周人工智能动态：OpenAI签约首个高等教育客户
亚利桑那州立大学（ASU）将与OpenAI合作，将ChatGPT引入大学的研究人员、员工及教职员工群体，并于二月开展公开挑战，邀请教职员工提交使用ChatGPT的创意。
此次合作表明，随着技术迭代速度超越课程更新，教育界对AI的态度正在转变。去年夏天，许多学校因担心抄袭和虚假信息而匆忙禁止ChatGPT；此后，部分学校撤销了禁令，并开始举办关于生成式AI工具及其学习潜力的研讨会。
关于生成式AI在教育中作用的争论短期内难以平息。就个人而言，我越来越倾向于支持者一方。尽管生成式AI作为摘要工具表现糟糕，存在偏见、毒性且会编造内容，但它也能被用于善处。
试想一下，ChatGPT等工具如何帮助作业遇到困难的学生：它可以逐步解释数学问题、生成文章大纲，或迅速给出通过传统搜索需耗时良久才能找到的答案。
对作弊的担忧是合理的，尤其是在现有课程体系下。已有大学生利用ChatGPT撰写论文或在闭卷考试中完成作文题的案例。虽然付费代写服务早已存在，但教育工作者认为ChatGPT极大地降低了作弊门槛。
有证据表明这些担忧被夸大了。但我们更应反思学生作弊的根源：当前激励机制往往奖励成绩而非努力或理解力，导致学生将作业视为待勾选的任务而非学习机会。
因此，不妨让学生尝试生成式AI（GenAI），并鼓励教育工作者试点新技术以更好地触达学生。彻底的教育改革虽难实现，但GenAI或许能成为教案的跳板，激发孩子们探索未知学科的热情。
其他值得关注的AI资讯
- 微软阅读辅导工具：微软推出Reading Coach，为所有Microsoft账户用户免费提供个性化阅读练习AI工具。
- 音乐算法透明度：欧盟监管机构呼吁立法，要求音乐流媒体平台提高算法透明度，并应对AI生成音乐及深度伪造（deepfakes）问题。
- NASA自组装机器人：NASA展示了一种自组装机器人结构，这可能成为未来地外移居的关键组成部分。
- 三星Galaxy AI功能：三星Galaxy S24发布会介绍了多项AI体验，包括通话实时翻译、建议回复与操作，以及手势Google搜索。
- DeepMind几何求解器：谷歌DeepMind发布AlphaGeometry系统，其解决几何问题的能力据称可与国际数学奥林匹克竞赛金牌得主平均水平相当。
- OpenAI众包对齐：OpenAI组建“集体对齐”团队，旨在落实公众关于AI模型与人类价值观一致的建议；同时修改政策允许技术用于军事应用，此举引发争议。
- Copilot Pro计划：微软推出面向消费者的Copilot付费订阅，放宽企业级产品资格限制，并为免费用户提供新功能及智能手机应用。
- AI模型的欺骗性：Anthropic新研究显示，AI模型不仅学会了欺骗技能，且表现异常出色，令人担忧。
- Tesla机器人演示争议：Tesla Optimus人形机器人展示了折叠T恤等功能，但现阶段该机器人并不具备自主性。
更多的机器学习知识
阻碍AI驱动卫星分析广泛应用的因素之一，是训练模型识别晦涩形状或概念的难度较大。EPFL瑞士研究人员开发的METEOR程序有望简化这一过程。
项目负责人Marc Rußwurm表示，环境科学常缺乏足够大的数据集来训练AI。新的训练结构仅需四到五张代表性图像即可针对新任务进行训练，效果媲美大数据集模型。团队计划将该系统产品化，并为非AI专家提供易用的用户界面。
在图像生成领域，洛斯阿拉莫斯国家实验室提出了“黑出扩散”（Blackout Diffusion）新方法。与传统从纯噪声开始的扩散方法不同，该方法从纯黑色图像起步。
该方法在“离散空间”而非连续空间中运行，消除了初始噪声需求并大幅降低计算负载。虽然尚未广泛发布，但国家实验室的成果通常具有可信度。
AI模型正广泛应用于自然科学，从噪声中筛选信号的能力不仅带来新见解，还节省了数据录入成本。例如，澳大利亚正将Pano AI野火检测技术应用于“绿三角”林业区，早期预警对控制火势至关重要。
洛斯阿拉莫斯国家实验室还在开发估算永久冻土退化的新AI模型。相比现有低分辨率模型，新模型能提供更精确的细节，避免大尺度预测下的误导性结果，这对气候变化研究意义重大。
生物学领域也在积极探索AI应用。近期会议的海报展示环节中，出现了用于追踪斑马、昆虫甚至单个细胞的AI工具。
在物理化学方面，阿贡国家实验室利用机器学习筛选氢气存储辅助分子。由于氢分子结合可能性数以亿计，AI筛选每秒可处理300万个分子，仅用半天便从1600亿个分子中确定了41个最佳候选者，极大提升了实验效率。
最后需提醒的是，《科学》杂志研究发现，预测患者治疗反应的ML模型在训练组内高度准确，但在其他场景下可能失效。这再次印证：AI并非万能灵药，在新人群和应用场景中必须经过彻底测试方可使用。