今⽇值得关注的⼈⼯智能新动态：
AI“翻⽩眼”，是满⾜还是隐藏的反抗？据路透社报道，近⽇在瑞⼠⽇内瓦举⾏的⾸次⼈类机器⼈新闻发布会上，九个⼈形机器⼈与创造者⼀起接受了记者的提问。当记者询问⼈形机器⼈ Ameca 是否会反抗其创造者时，Ameca 似乎做出了讽刺的回应，对记者侧⽬⽽视，并说到：“我不知道你为什么会这么想，我的创造者对我⾮常友善，我对我⽬前的状况感到⾮常满意。”
通过AI揭示⽛⻮隐藏疾病。作为⼀个⽛科 AI 平台，VideaHealth 极⼤地帮助开拓⽛科 AI 尚未开发的领域，其开发的软件可供美国 90% 的诊所使⽤，为发现⾁眼⽆法看到的隐藏疾病，该技术利⽤⾼精度算法，对⽛科 X 射线读数提供意见。
平台创始⼈ Florian Hillen 表示，“我们的 AI 系统接收患者的 X 光⽚，并指出其他疾病中的放射性⻣质流失情况，这有助于⽛医及时发现问题并避免遗漏。”CodeVQA：通过代码⽣成进⾏视觉问答。为提⾼视觉问答（VQA）示例的准确性，加州⼤学伯克利分校和 Google Research 的研究⼈员提出⼀个使⽤程序合成回答视觉问题的框架 CodeVQA。
当给出有关图像或图像集的问题时，CodeVQA 会⽣成⼀个具有简单视觉功能的 Python 程序，使其能够处理图像，并执⾏该程序以确定答案。研究证明，在少样本设置中，CodeVQA 在 COVR 数据集上的性能⽐之前的⼯作⾼出⼤约 3%，在 GQA 数据集上的性能⽐之前的⼯作⾼出 2%。
NASA：提前 30 分钟准确预测太阳⻛暴。近⽇，来⾃ NASA、美国地质调查局和美国能源部等部⻔的专家联合开发了⼀个名为 DAGGER（深度学习地磁扰动）的计算机模型，该模型可以提前 30 分钟准确预测即将发⽣的太阳⻛暴的位置，且在⼏秒内就能⽣成预测，并每分钟更新⼀次。这为保护电⽹和重要基础设施提供关键的准备时间。思想实验：利⽤反事实来改进道德推理。
为解决 GPT-3 等语⾔模型在道德推理⽅⾯的问题，⾕歌研究团队提出了⼀个新的提示框架，即思想实验（Thought Experiments），⽤于通过反事实推理教导语⾔模型进⾏更好的道德推理。实验结果表明，相对于其他零样本基线，该框架引出了模型的反事实问题和答案，提⾼了道德场景任务的准确性，提升幅度在 9% ⾄ 16% 之间。
有趣的是，与数学推理任务不同，零样本的 CoT（思维链）推理并不能⽴即奏效，甚⾄相⽐直接的零样本，准确性会下降约 4%。另外，通过极少量的⼈类监督，任务的准确性可以提⾼到 80% 左右。基于⼤型AI模型的语义通信。近⽇，为解决语义通信系统中知识库构建的问题，IEEE 的研究⼈员提出了⼀种基于⼤型 AI 模型的语义通信框架（LAM-SC），专⻔针对图像数据进⾏设计。
他们提出了基于段落任意模型（SAM）的知识库（SKB），其可以通过通⽤语义知识将原始图像分割为不同的语义段落。另外，他们还提出了⼀种基于注意⼒的语义集成（ASI），⽤于在⽆需⼈⼯⼲预的情况下对由 SKB ⽣成的语义段落进⾏加权并将它们集成为语义感知图像。值得注意的是，为去除语义特征中的冗余信息，研究⼈员还提出了⼀种⾃适应语义压缩（ASC）编码。可信赖的AI指南。
随着 AI 的发展，AI 应⽤的可信度问题引起⼤众关注。⼈们⼀致认为现在必须明确具体的 AI 应⽤的可信度要求。AI 应⽤的具体质量标准在很⼤程度上取决于应⽤程序环境，⽽实现这些标准的可能措施⼜在很⼤程度上取决于所使⽤的 AI 技术，这是⽬前需要克服的挑战。另外，我们需要实际的评估程序来评估特定 AI 应⽤是否按照充分的质量标准进⾏开发。
为解决上述问题，德国相关研究⼈员制作了⼀个 AI 评估⽬录，⾯向两个⽬标群体：为开发⼈员提供指南，从⽽系统地使他们的 AI 应⽤具备可信度；指导评估员和审计员⽤结构化的⽅式检查 AI 应⽤的可信度。视觉语⾔ Transformer 研究综述。
近⽇，美国博伊⻄州⽴⼤学的研究⼈员对⽬前可⽤的视觉语⾔ Transformer 模型研究进⾏了较为全⾯的综述，并分析了该模型的优势、局限性以及⼀些尚未解决的问题。相⽐以往的视觉语⾔模型，Transformer 模型在性能和多功能性⽅⾯取得了显著改进。它通过在⼤型通⽤数据集上进⾏预训练，并通过对架构和参数值进⾏微⼩调整来将模型的学习迁移到新任务中。
这种迁移学习已成为⾃然语⾔处理和计算机视觉中的标准建模实践。该模型有望在同时处理视觉和语⾔的任务中取得类似的进展。
⽤于⼈才分析的AI技术综述。近⽇，IEEE 的研究⼈员在⼈⼒资源管理领域提供了⼀份最新的全⾯调查报告，主要介绍了⽤于⼈才分析的 AI 技术。具体⽽⾔，他们提供了⼈才分析的背景知识，并对各种相关数据进⾏分类。随后，他们根据三个不同的应⽤驱动场景（⼈才管理、组织管理和劳动⼒市场分析）提供了相关研究⼯作的全⾯分类。最后，研究⼈员总结了 AI 驱动的⼈才分析领域未解决的挑战和潜在的未来研究⽅向。