本文探讨了谷歌如何通过推出PULSE算法和模型卡(Google Model Cards)等技术,致力于提高AI算法的可解释性,使普通人更容易理解复杂的AI技术。文章详细介绍了PULSE算法的功能和局限,以及模型卡在解释算法运作原理和性能方面的应用。同时,文章也讨论了AI可解释性在实际应用中的挑战和争议,强调了算法透明度对于建立人机互信的重要性。
最新研究揭示,精子之间的竞争在受精前就已经开始,一些精子为了增加胜率会毒害竞争对手。这项研究由德国马克斯普朗克分子遗传学研究所的Alexandra Amaral和Bernhard G Herrmann进行,发现具有t-单倍型的精子比正常精子泳动速度更快,并且可以分泌一种分子毒害正常精子,但自身不受影响。研究结果发表在PLoS Genetics上,为解释男性不育现象和开发治疗方法提供了新思路。
Geoffrey Hinton从年少时起就深深着迷于大脑的奥秘,为了真正理解大脑如何工作,并在大学期间横跨了心理学、化学、物理、生物学和哲学等学科的研究。在过去的三十多年里,神经科学家Terrence J. Sejnowski几乎每隔一段时间都会接到Hinton的电话,「我终于知道大脑是如何工作了!」。反向传播是深度学习不可或缺的一部分。正是因为反向传播算法,神经网络才能得到复兴并被大量应用。该算法使深度网络能够从数据中学习,赋予它们分类图像、识别语音、翻译语言、理解无人驾驶路况以及完成大量其他任务的能力。反向传播算法也遭到了诸多质疑,很多研究者认为真正的大脑不太可能依赖同样的算法。Yoshua Bengio表示,这不仅仅因为「大脑能够比最先进的人工智能系统更好、更快地概括和学习」。反向传播不符合大脑的解剖学构造和生理学,特别是在大脑皮层当中。在Hinton的启发下,Bengio和其他许多学者都一直在思考更具生物学意义的学习机制,希望发现可替代反向传播的机制。在这些机制当中,反馈对比、平衡传播和预测编码理论具有独特的应用前景。一些研究人员还将某些类型的皮层神经元和注意力等特性加入到他们的模型中。所有这些努力都使我们距离理解可能在大脑中起作用的算法更进了一步。大脑是一个巨大的谜团。如果能够揭开它的一些原理,对人工智能有重大的价值。本文对现有的试图解释大脑工作机制的研究进行了梳理。