Tag: Technology

鉴于人工智能（AI）在今年取得的许多进展，AI已成为2023年的一个重要讨论点并不足为奇。现在，几乎在每个领域中都可以找到AI的应用案例，其中之一就是在医疗保健和医学领域的令人兴奋和有用的应用。从药物发现到转录医学文件，甚至协助手术，它正在改变医疗专业人员的生活，还有助于减少错误并提高其效率。本文讨论了2023年几个有可能改变医学界的AI模型。 Med-PaLM 2 Med-PaLM由Google Research设计用于医学领域，能够对医学问题提供高质量的答案。该模型利用了Google的LLM的强大性能，并是其中一个在回答USMLE样式问题时达到人类专家水平的首个模型。在评估时，该模型展示了理解症状、进行复杂推理并选择适当治疗的能力。此外，它在研究中基于MedQA医学考试基准测试中取得了86.5%的准确率。尽管显示出了有前途的能力，研究人员希望进行更严格的评估，以确保该模型可以在关键安全领域部署。 Bioformer Bioformer是BERT的一个紧凑版本，可用于生物医学文本挖掘。虽然BERT在NLP应用中取得了最先进的性能，但通过减少参数可以提高计算效率，对性能的影响很小。Bioformer研究人员采用这种方法开发了一个模型，其模型尺寸比BERT大大减小（减少60%）。该模型是在PubMed摘要和PubMed Central全文文章上训练的，并使用了生物医学词汇表。研究人员发布了两个版本的模型-Bioformer8L和Bioformer16L，在命名实体识别、关系抽取、问题回答和文档分类等参数评估中表现良好，即使参数更少。 MedLM MedLM是由Google开发的一套针对医疗保健用例进行调优的基础模型。MedLM中的两个模型旨在处理复杂任务并扩展到各种任务中。这些模型的主要目的是自动化任务，以节省时间，提高效率并改善患者整体健康状况，Google的研究人员与德勤合作以试行MedLM的能力。MedLM还与其他AI系统集成，如BenchSci的ASCEND，以提高临床研究和开发的质量和速度。 RoseTTAFold RoseTTAFold是一款通过有限信息预测蛋白质结构的深度学习软件。它能够研究蛋白质序列的模式、蛋白质氨基酸的相互作用以及它们的三维结构。该模型使研究人员能够模拟蛋白质和小分子药物彼此之间的相互作用，促进药物发现研究。该模型的研究人员还公开了其代码，以造福整个社区。 AlphaFold AlphaFold是由DeepMind开发的功能强大的AI模型，可以根据蛋白质的氨基酸序列预测其三维结构。DeepMind与EMBL的欧洲生物信息研究所（EMBL-EBI）合作共同发布了一个包含超过2亿个AI生成的蛋白质结构预测结果的数据库，以促进科学研究。在CASP14中，AlphaFold在高准确性的情况下超过了其他模型，产生了令人满意的结果。此外，它具有更好地帮助研究人员理解蛋白质结构和推进生物研究的潜力。 ChatGLM-6B ChatGLM是一个双语模型（中英文），它在中文医疗对话数据库上进行了精细调整。该模型在相对较短的时间内（13小时）进行了精细调整，使其成为非常实惠且适用于医疗目的的LLM。该模型还具有更长的序列长度，因此支持更长的对话和应用程序。该模型使用了监督式精细调整、RLHF等技术进行训练，从而使其能够更好地理解人类指令。因此，该模型具有出色的对话和问答能力。 本文最初发表在MarkTechPost上，文章标题为：医疗领域人工智能模型清单（2023年）。

“`html Meta最近在生成影片领域展现了Emu，这标志着一个转折点，技术和文化以前所未有的方式相互交汇。 Emu不仅是人工智能在创造能力上的进步，更是生成人工智能领域新时代的灯塔，它标志着我们获得信息和娱乐的潜在革命。 我们正处在生成人工智能革命的临界点上，即将改变出版和娱乐领域的基本结构。语言模型以其非凡的综合和表达信息的能力，承诺打造一座全球无与伦比的图书馆，覆盖多种语言下的各种主题。然而，这些生成信息的准确性至关重要，需要保持警惕的事实核查和审查。 将注意力转向娱乐领域，其影响是深远的。Emu所开辟的道路，生成人工智能能够从根本上改变Netflix和Amazon Prime等平台，实现以前无法想象的电影体验个性化。设想一下未来，通过一系列要点来构成电影的叙事，而算法会据此调整剧情。你的英雄命运，无论是胜利还是失败，由你决定。这不仅仅是关于偏好，而是个性化达到了高峰。我们将很快看到我们决定英雄在结局时是否死去。幸福快乐…只有我意愿为之！然而，这种个性化带来了一个重要的警示。将艺术体验根据个人口味调整的能力，有可能限制我们接触多样化的观点，导致一个过于简化和以回声室为特点的世界。 这种倾向于简化，通常被代表为“用5岁儿童的方式解释”，可能有助于初步理解，但有可能侵蚀我们对复杂问题的充分理解的丰富性和深度。爱因斯坦关于使事情尽可能简单但不过分简单的指导在这里特别适用。它强调了在保持清晰度的同时保留复杂主题的细微差别的重要性。 尽管存在潜在的陷阱，这项技术的魅力是无可否认的。它触动了我们对独特性和认可的深刻渴望，这与可定制产品如NikeId的吸引力相似。然而，危险在于让人工智能加强我们的偏见，并使我们远离具有挑战性和多样性的思想。这与创造力的本质相背离，而创造力在于与广泛的知识接触。 在人工智能领域，特别是在强化学习中，我们训练代理人在探索和利用之间取得平衡，这是我们自己的知识之旅的一种策略。然而，在与信息的互动中，我们经常限制自己只接触与我们现有信念相一致的内容。这种悖论强调了我们在应用人工智能时关键性的疏忽。 当我们站在人工智能重塑我们的世界的潜力的边缘时，我们必须考虑如何利用这个强大的工具。真正的危险不在于人工智能本身，而在于我们与之互动的方式。我们必须将人工智能视为一种促进探索和理解的催化剂，营造一个欢迎复杂性、培养智力好奇心的环境。通过这样做，人工智能能够真正成为一种力量，拓宽我们的视野，丰富集体的人类经验。 本文来源：长尾狗摇头摆尾：人工智能个性化艺术的意外后果 – MarkTechPost “`

准确追踪用户交互行为是促进计算机智能能力提升的基石。这项任务在开发和训练智能系统中起着至关重要的作用。这些系统的有效性取决于对用户交互行为的仔细检查和系统记录。 Duck AI的研究人员开发了DuckTrack，以准确记录各种输入，以便能够将这些数据用于正确训练计算机智能代理。DuckTrack通过与主要操作系统兼容的用户友好型桌面应用程序提供了一种同步收集鼠标、键盘、屏幕视频和音频数据的方法。 此外，DuckTrack启动了社区数据收集倡议。这一开源努力邀请贡献者参与收集多样化的计算机交互数据。DuckTrack在所有主要操作系统上运行流畅，并且使用Python创建。DuckTrack的特色概述展示了其对鼠标和键盘动作的精确记录和回放能力。研究人员表示，将屏幕录制与OBS集成可以进一步提升其多功能性。 对于DeepTrack，在绘图任务中结构相似性指数（SSIM）始终超过0.9。每个事件都以0.03ms ± 0.4ms的较低误差范围进行记录，超过了市场上现有跟踪器的准确性。DuckTrack在性能指标方面具有卓越的表现，这使其成为追求顶级跟踪和回放解决方案的可靠选择。 但DuckTrack也存在某些限制。在回放过程中模拟双击或三击实际上是一个挑战，影响了这些动作的准确性。此外，DuckTrack无法记录触控板手势，并且在涉及原始信息（如游戏）的情况下存在一些限制。开发人员正在积极努力解决这些限制，并通过持续与社区互动来提高DuckTrack的功能。 研究人员在不同系统上进行了DuckTrack的测试，包括运行macOS Sonoma 14.0的M2 Pro MBP 14以及运行PopOS! 22.10（基于Ubuntu）和Windows 10 22H2的Intel i7-10510U System76 Lemur Pro 9。他们在ReCAPTCHA任务上测试了DuckTrack，这是人类运动的代理，结论是它在十次尝试中表现出100％的成功率。虽然硬件差异可能会略微影响性能，但跨操作系统的准确性一致性强调了DuckTrack的可靠性。 研究人员将很快宣布有关贡献和设置数据收集的详细指南，鼓励集体努力来改进和完善DuckTrack的功能。 DuckTrack在收集计算机交互数据方面被证明是一项革命性的工具。凭借对精度的执着、不断的社区参与和对改进的重视，DuckTrack成为寻求卓越回放和跟踪功能的个人和企业的首要选择。DuckTrack正在为更精密和无缝的多模式计算机交互体验铺平道路。 在此处下载适用于您的系统的预构建应用程序。

来自宾夕法尼亚大学、华盛顿大学和腾讯AI实验室的研究人员提出了一种子句编码器，这是一种对比学习的上下文嵌入模型，它为文本序列中的原子命题生成不同的嵌入。与传统的句子嵌入不同，它通过学习不同含义单元的上下文嵌入，专注于细粒度的语义表示。该模型在检索支持事实和识别条件语义相似性等任务中具有很好的效果。子句编码器与句子编码器具有相似的推理成本和空间复杂度，展示了其实用性。 子句编码器通过为文本序列中的原子命题生成不同的嵌入，专注于细粒度的语义表示。应用包括检索支持事实和识别条件语义相似性。精细级别的有效编码有望影响文本评估、归属和事实估计。受到文本归属需求的影响，子句编码器设计具有潜在的跨文档信息链接应用。 该研究挑战了将整个文本序列编码为定长向量的常见做法，引入了子句编码器。子句编码器架构在跨文档信息链接方面具有潜在应用，为具有不同信息粒度的任务提供了灵活性。该研究旨在评估子句编码器在检索支持事实和识别条件语义相似性等任务中的实用性。 该模型为文本序列中的不同原子命题生成不同的上下文嵌入。使用二进制标记掩码作为输入，基于Transformer架构将子句编码器应用于检索支持事实和识别条件语义相似性。尽管研究承认英文文本的实验局限性，但提出了更广泛的语言适用性潜力，并引入了创建子句编码器训练数据的自动过程。 子句编码器在识别相同上下文中命题之间的微妙语义差异方面优于句子编码器，提高了精确性和召回率。子句编码器在原子事实检索方面表现与文档级和句子级模型相当，展示了增强的记忆能力。研究强调了子句编码器在不同粒度的多向量检索中的潜力，表明其在各种检索任务中的灵活性。 该架构在跨文档信息链接和具有不同粒度的各种任务方面具有潜力。原子事实检索评估显示了子句编码器在检索支持命题方面的实用性。子句编码器提高了多向量检索的召回率，突出了其在各种检索任务中的潜在优势。该研究强调了子句编码器在文本归属中解决粒度挑战的重要性。 研究表明，所展示的发现可能为进一步的长篇文本评估、归属和事实估计研究铺平道路。研究承认在英文文本方面实验规模有限，提出了对多语种子句编码器的未来研究，并指出了对其他语言的潜在扩展。研究强调了对持续探索的需求，希望该工作将激发子句编码器应用的进展，进一步推动该领域的研究。

随着人工智能的发展，它已经被应用于生活的各个方面。其应用正在各个领域中显现。人工智能的应用已经扩展到医疗保健、教育、交通、制造业、零售业、金融等各个领域。 然而，随着人工智能（AI）越来越多地融入我们的日常生活，建立强大和有效的计算系统对于可靠和安全的人工智能体验是必要的。但是问题是：硬件突破必须跟上机器学习（ML）模型和软件开发的进展。这种不平衡使得构建完整和安全的全栈系统变得困难。此外，尽管电池技术在发展，但小型设备市场正在超过这些发展，这限制了人工智能系统的潜在强度和使用。 因此，谷歌推出了开源框架Project Open Se Cura，旨在加速安全、可扩展、透明和高效的人工智能系统的开发。这个项目在谷歌内部以Project Sparrow的名字存在。Project Open Se Cura凸显了谷歌对开源开发的承诺。该倡议涉及创建开源设计工具和知识产权（IP）库，以加速全栈系统处理机器学习工作负载的增长。协作共同设计和开发流程旨在增强系统设计，侧重于安全、效率和可扩展性，并助力下一代人工智能体验。 这个项目与VeriSilicon、Antmicro和lowRISC等重要合作伙伴密切合作开发。研究人员强调每个合作伙伴都提供了对开发过程至关重要的知识和资源。例如，lowRISC为项目提供了清晰的信任根、开发和集成工具，确保了安全的基础。Antmicro在开源系统级软件和使用Renode的系统仿真工具方面提供了专业知识。VeriSilicon在商业化、BSP（板支持包）开发、IP设计和硅设计方面提供了专业知识。这些工具使得通过在IP库中添加安全的机器学习功能，能够开发出低功耗的人工智能系统概念验证。 研究人员表示，他们期待进一步开放地增强和发展Open Se Cura。他们正在积极寻求与剑桥大学（用于CHERI创新）和密歇根大学（用于低功耗和生成型人工智能）等机构的合作伙伴关系。 谷歌对通过这些新工具探索可能性感到兴奋，并鼓励广大开源社区加入并做出贡献。这个协作努力旨在推动创新，创建安全、可扩展和高效的新型人工智能体验。研究人员预计与开源社区的合作引领人工智能进步的新时代。 本文翻译自：Meet Google’s Project Open Se Cura: An Open-Source Framework to…

“`html 在快节奏的创意资源行业中，先进系统能够自动创建图像和媒体，开启了令人兴奋的可能性，并引发了版权、表达和虚假信息等问题。在这个行业中的重要参与者之一，Shutterstock通过引入TRUST框架来解决这些问题。 在TRUST框架推出之前，创意资源行业面临使用无版权数据训练AI系统所带来的潜在问题。这引发了版权侵权和对为开发这些强大算法做出贡献的创作者是否得到公平补偿等问题。针对这些挑战，Shutterstock推出了TRUST框架，该框架明确了公司将遵循的五项关键道德AI原则。 为了解决无版权数据的问题，TRUST框架的“训练”原则确保只使用正确许可的数据来训练AI系统。这有助于避免版权相关问题，为负责任的AI开发奠定了基础。此外，“版税”原则强调对创作者的公平补偿，Shutterstock承诺通过版税基金向创作者支付使用其作品在训练AI模型中的费用。 表达和多样性是任何AI系统的重要方面。“提升”原则在TRUST框架中促进AI系统的多样性和包容性。这确保生成的内容反映了广泛的观点，并避免在训练数据中加强偏见。 保护客户和控制AI内容风险是TRUST框架所解决的另两个优先事项。“保障”原则旨在通过采取措施防止问题AI内容，保护客户的利益。其中包括对系统输出进行人工审查，以识别和解决潜在问题。 开放性在建立对AI生成内容的信任方面起着重要作用。TRUST框架中的“透明度”原则要求清晰标注AI生成作品，并支持溯源跟踪。这确保用户在遇到由AI创建的内容时得到告知，促进对这些技术使用的透明度。 为了展示其对负责任的AI采用的承诺，Shutterstock还推出了其他措施，包括对版权、商标和其他与AI生成内容相关的潜在风险提供的赔偿。此赔偿为向审核提交其AI生成图像的客户提供了法律保护，确保他们获得与传统授权库照片相同的支持和保障。 总之，Shutterstock的TRUST框架是解决创造性AI技术在创意资源行业中带来的道德挑战的重要进展。通过实施优先考虑负责任训练、公平补偿、多样性、客户保护和透明度的原则，Shutterstock致力于引领该领域中道德AI发展的道路。随着行业的发展，TRUST框架为希望采用道德AI实践的其他公司提供了一个模型。它确保AI技术的承诺能以负责任的方式造福创作者和客户。 文章来源：Shutterstock Introduces TRUST: A Guiding Framework for Ethical AI and Customer Protection（来源：MarkTechPost）。 “`

在我在新加坡充满活力的亚太ESSEC管理硕士的授课过程中，我们深入讨论了AI和可持续性的交叉点。在这个论坛上，我们揭示了将技术解密以真正了解AI能力的必要性-只是这些，没有其他。 考虑一下哈佛商学院的Karim Lakhani的见解：“人类般的回应是一种统计幻觉。”拉卡尼揭开了外表，揭示了表面上的有知觉互动实际上只是“一种统计或计算幻觉”，一种通过消化我们的人文文本和视频而产生的模仿[1]。这与我的长期观点相吻合：当AI与技巧结合时，它不是取代角色，而是人类能力的有力盟友[2]。 然而，我们必须小心谨慎。让我们未经检查地承诺提升的进步可能对未来一代的蓬勃发展产生重大影响。我们现在要做的不是回避这些潜力巨大的工具，而是要智能地与它们接触，确保我们将AI的舵向人类潜力的提升，而不是削弱它。 随着数字时代的加速发展，AI在业务中的日益重要的角色揭示出对实习生和初级培训的彻底重新设想的迫切需求。大型语言模型（LLMs）的出现给我们敲响了警钟-让我们不要让我们的实习生过时了。想想这个：这些LLMs，虚拟世界中的年轻实习生，已经接管了曾经是新手的人类任务。它们起草备忘录，打扮演示文稿，丝毫不休息，又只消耗计算资源的“代币费用”。它们在效率上令人眼花缭乱，但必须明确一点：它们无法取代人类智慧-逻辑、推理和创造力，只有人类才能提供。 在企业增长的繁忙生态系统中，培养新手就像在一片高耸的橡树森林中培育娇嫩的树苗一样重要。实习生的角色是至关重要的。他们是海绵，吸收的不仅仅是技术知识，还有企业文化微妙的舞蹈。正是在这些早期职业生涯中，他们的专业之旅的基础被奠定，塑造了他们的成长轨迹。 然而，这种不可或缺的入门面临来自AI的威胁，它可以轻松自动化曾经为初学者所保留的差事甚至分析工作。如果能模仿简・奥斯汀（Jane Austen）小说主人公般自如地进行人机对话的LLMs能够承担曾经是实习生证明自己的地方，我们该怎么办？谷歌及其同类已经开创了试图弥合差距的培训计划，但真正的转变在于将最初的职业年改造为一个实战练习班——一个“执行教室”，在这里，学习是通过实践来完成，实践带来学习。 这里的关键是：技术作为工作崩溃的先兆的叙述并不完全准确。担心AI将取代人类角色的恐惧就像认为LLMs拥有无尽的智慧一样。虽然它们确实可以生成与人类闲聊惊人相似的回答，但事实是它们擅长将词语拼凑在一起，仅此而已。它们不是硅谷的圣贤，它们是算法幻术师，能够让数据跳舞，但仍然无法达到人类智慧的水平。 这使我们陷入了期望的两难境地。我们把在机器上施加了阿西莫夫第一条机器人定律的高标准-不造成伤害-同时却原谅了LLMs的错误，对它们的对话技巧感到迷醉。我们嘲笑了自主车辆的少有的失误，但对于聊天机器人的有缺陷的诗句则会哈哈大笑。 那么，行动的号召是什么？在将AI融入我们的业务中时，我们必须重新审视实习生的手册。我们必须注入人性化的培训，培养耐心，并提供一系列的经验，任何算法都无法复制。我们的目标是给我们的实习生武装技能，使他们能够与AI一起取得成功，确保随着公司阶梯的变革，它仍然是通往启示的攀登，而不是陷入无关紧要的滑坡。 总的来说，在我的讲座中，我揭穿了关于人工智能的神话，明确表示LLMs虽然复杂，但并不完美，人工智能是一种增强工具，而不是替代品。我强调一个更深层次的信息。我们必须发展我们的企业教育，不是对技术的一种反射动作，而是将其战略性地融入其中，确保我们的年轻人成为未来企业的有韧性的建筑师，而不是它的牺牲品。机器人可以负责拿咖啡，但是董事会的席位呢？让我们留给那些学会与机器共舞的人类。 参考资料 [1] Lakhani, Karim. “AI Won’t Replace Humans — But Humans With AI…

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/Screenshot-2023-11-08-at-8.11.55-PM-1024×520.png”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/Screenshot-2023-11-08-at-8.11.55-PM-150×150.png”/><p>在编码和技术问题解决中，速度和准确性之间的权衡一直是一个挑战，当寻找复杂问题的答案时，开发人员经常需要快速可靠的帮助。</p><p>GPT-4经常面临较慢的响应时间问题。获得答案的延迟可能会影响生产力。</p><p>Phind的v7模型超过了GPT-4的编码能力，而且速度非常快。Phind模型的响应时间提高了5倍，只需10秒钟即可提供高质量的技术问题答案，相比其前身需要50秒的等待时间，有了显著的改进。</p><p>Phind模型现在已经进入第7代，该模型是基于CodeLlama-34B优化而建立的，是第一个在HumanEval得分中超过GPT-4的模型。这个新模型经过了700亿个高质量代码和推理问题的令人印象深刻的优化。虽然它获得了显著的HumanEval分数达到了74.7％，但值得注意的是，真实世界中的有用性往往超越这些指标。通过全面的反馈收集和用户体验，Phind模型已经证明了在实际编码场景中，能够始终达到或超过GPT-4的效用。</p><p>Phind模型的一大亮点是其速度。通过利用NVIDIA的H100s和TensorRT-LLM库的强大功能，它可以在单个流中每秒处理100个标记，为需要帮助的用户提供快速的协助。</p><p>此外，Phind模型在响应中提供了广泛的上下文支持，支持高达16,000个标记。目前，该模型允许在网站上输入最多12,000个标记，其余4,000个用于基于网络的结果。</p><p>尽管Phind模型提供了实质性的好处，在某些方面仍需要改进。一个值得注意的挑战是一致性，特别是处理复杂问题时。在这些情况下，Phind模型可能需要更多的迭代才能得出正确答案，而GPT-4则不同。</p><p>总之，Phind模型是解决高效可靠编码辅助的持续问题的一种有希望的解决方案。它集合了卓越的编码能力，显著的速度和广泛的上下文支持，为用户提供了真实世界的帮助。随着这个模型的不断发展和解决剩余的挑战，它有潜力在回答技术问题的方式上实现革命性的改变，为开发人员和技术爱好者提供更高效和生产力的编码体验。</p><p>本文发表在<a href=”https://www.xiaozhuai.com/chinese-ai-researchers-have-proposed-4k4d-a-4d-point-cloud-representation-that-enables-hardware.html”>xiaozhuai.com</a>上，原文标题《Phind的新AI模型在编码方面超越了GPT-4，速度和16k上下文类似于GPT-3.5》。</p><p>本文首发于<a href=”/?s=MarkTechPost”>MarkTechPost</a>。</p>

人工智能和机器学习的领域越来越普遍。这些领域中的一个主要问题是机器是否能够复制人类认知和语言的复杂性。问题仍然存在，即机器是否真正有能力复制人类语言和认知的系统性组成特征。 系统性学习是人们获得新思想并有条理地将其与既有思想相结合的能力。系统性组成性是人类语言和智力的一项杰出能力。这个想法类似于解代数方程，因为它需要生成和理解熟知元素的新组合的能力。 尽管在这一领域取得了实质性进展，神经网络在系统性方面的问题尚未得到解决。这带来了Fodor和Pylyshyn提出的一个著名主张，即人工神经网络作为人类思维模型是不充分的，因为它们无法具备这种能力。作为对此的回应，一个研究团队最近展示了神经网络如何通过使用一种名为元学习组成性（MLC）的新技术来实现类似人类的系统性。 使用这种方法，研究团队训练了一系列动态编排问题的神经网络。该研究采用了指令学习范式来进行行为学研究，以比较人类和机器的表现。MLC在系统性组成性方面使人类和机器之间的差距缩小。该方法通过高级指导和人类示例指导神经网络的学习过程，而不是依赖人工构建的内部表示或归纳偏见。它能够帮助网络获得适当的学习能力。 研究团队表示，他们进行了一些人类行为实验来评估这种方法。他们使用指令学习范式评估了七种不同的模型，以了解哪种模型可以最好地平衡类似人类的泛化的两个关键组成部分：灵活性和系统性。结果非常令人印象深刻，因为MLC是唯一一个能够模仿系统性和灵活性的受试模型，这对于复制类似人类的泛化是必要的。它既不依赖过于灵活但非系统性的神经网络，也不强加不灵活但完全系统性而刻板的概率符号模型。 MLC技术之所以令人印象深刻，是因为它不需要复杂或专门的神经网络拓扑结构。相反，它优化了普通神经网络的组合技能。在这次面对面的比较中，基于MLC的网络在系统性泛化方面与人类的表现非常相符。 总之，MLC为人们证明机器可以在语言和推理方面实现类似人类的系统性打开了大量的用途。它展示了机器学习系统如何模拟人类认知的系统性，可能提高人类在一系列认知活动中的能力，如问题解决、创造性思维和自然语言处理。这一突破无疑有能力将人工智能领域带入新的革命，使人类能够更接近那些不仅可以模仿，而且真正理解和复制人类思维系统性特征的机器。

最近，大型语言模型作为各种自然语言理解和图像分类任务的强大工具而出现。然而，这些语言模型存在一些挑战，特别是在输入方面存在提示脆弱性和多个偏见。这些偏见可能来自格式选择、词汇选择以及用于上下文学习的示例。这些问题可能导致性能的意外下降，因此必须有效地解决。 为了解决这些挑战，现有的工作提出了校准方法以减轻偏见并恢复语言模型性能。这些方法致力于更统一地看待问题并解决其细微之处。需要这样的解决方案的原因在于语言模型对提示方式非常敏感，它们的预测可能受到模板和词汇选择、ICL示例的顺序和内容的影响。 一组谷歌研究人员提出了一种名为批次校准（BC）的新方法。BC是一种直观简便的方法，针对批处理输入中的明确上下文偏见。与其他校准方法不同，BC是一种零样本方法，仅在推断阶段应用，额外的计算成本最小。这种方法可以扩展为几次样本设置，使其能够从标记数据中适应和学习上下文偏见。 通过对十多个自然语言理解和图像分类任务进行广泛实验，证明了BC的有效性。在零样本和几次样本学习情况下，BC优于先前的校准基线。BC在设计上的简洁性以及从有限标记数据中学习的能力使其成为解决语言模型中的提示脆弱性和偏见的实用解决方案。 通过这些实验获得的度量指标显示，BC提供了最先进的性能，使其成为与语言模型合作的人士的有希望的解决方案。通过减轻偏见和提高鲁棒性，BC简化了提示工程的过程，并为这些强大语言模型的性能提供更高效、可靠的表现。 总之，批次校准（BC）等创新校准方法有效地解决了大型语言模型中提示脆弱性和偏见的挑战。这些方法提供了一种统一的方法来减轻上下文偏见并改善语言模型性能。随着自然语言理解和图像分类的不断发展，像BC这样的解决方案在发挥LLM的全部潜力的同时，最大限度地减少了偏见和脆弱性对其响应的影响。