15 Matching Annotations
  1. Mar 2024
    1. 该论文的标题为“Artificial intelligence and illusions of understanding in scientific research”,发表在自然出版社的期刊《自然》上,作者为 Lisa Messeri 和 Molly Crockett。该论文探讨了人工智能(AI)在科学研究中的应用带来的一些误解和幻觉,以及这些误解对科学研究的影响。

      作者指出,随着 AI 技术的快速发展,越来越多的科学研究者开始使用 AI 工具来辅助自己的研究工作。然而,在此过程中,研究者可能会对 AI 的能力和限制产生一些误解,从而导致对研究结果的误解和误判。作者概述了四种常见的误解,分别是将 AI 视为神谕、代理、量化分析师和仲裁者。

      作为神谕,研究者可能会认为 AI 具有超越人类的智慧和能力,因此可以用来设计研究和产生假设。然而,作者指出,AI 的输出只是基于它的训练数据和算法,并不一定能够捕捉到真实世界的复杂性和多样性。

      作为代理,研究者可能会认为 AI 可以代替人类收集和处理数据。然而,作者指出,AI 生成的合成数据可能会缺乏真实性和可靠性,并且 AI 在处理复杂数据时可能会产生误差和偏差。

      作为量化分析师,研究者可能会认为 AI 可以代替人类对大规模数据进行处理和分析。然而,作者指出,AI 在处理数据时可能会忽略背后的上下文和意义,并且可能会产生误导性的结果。

      作为仲裁者,研究者可能会认为 AI 可以用来代替传统的同行评审过程。然而,作者指出,AI 在评估研究质量方面可能会存在偏见和主观性,并且无法真正理解研究背后的动机和意义。

      作者最后指出,为了避免这些误解和幻觉,科学研究者需要更好地了解 AI 的能力和限制,并在使用 AI 工具时采取必要的措施来减少误差和偏差。同时,科学社区也需要建立更好的规范和机制,以确保 AI 在科学研究中的应用符合科学伦理和职业标准。

      总的来说,该论文提出了一些重要的问题和思考,值得科学研究者和社会各界关注和探讨。

  2. Dec 2022
  3. Aug 2022
    1. 关于中国金融系统和经济状况的文献综述:“China's Financial System and Economy: A Review”。其围绕“社会融资规模”这一概念,较为系统地回顾了国内外对中国股票市场、银行和影子银行、债券市场、金融科技等四个方面的研究。文章对于快速且准确地理解我国目前的金融经济体系是很有帮助的。

    1. Recent Advances in Deep Learning: An Overview

      一篇适合新手的深度学习综述!

      文章列举出了近年来深度学习的重要研究成果,从方法、架构,以及正则化、优化技术方面进行概述。对于刚入门的深度学习新手是一份不错的参考资料,在形成基本学术界图景、指导文献查找等方面都能提供帮助。

  4. Nov 2021
  5. Sep 2021
    1. 2015年,位于英国伦敦的公司 DeepMind 在《Nature》上发表了一篇文章“Human-level control through deep reinforcement learning”,提出了一种新算法叫 Deep Q-Network(简称“DQN”)的深入学习算法,应用在 Atari 2600 游戏时,在49个游戏水平中超过了人类。

  6. Aug 2021
    1. 有论文就通过实验发现,在2个月的时间里每天玩《超级玛丽64》(3D版)至少30分钟,可以增加大脑海马体和背外侧前额叶皮层里面的灰质,这是非常有利于大脑健康的。

  7. Jun 2021
    1. HaptiHug 远程拥抱交互背心

      远程拥抱交互背心是日本庆应大学的舘研究室(Tachi Lab)的概念性感觉增强系统iFeel IM! 的一部分。背心可将远程交流者的情感转化为一个真实的拥抱。发明者的目标是创造“一种情感的4D 沉浸式体验”。我们真能完全复制出亲身会面的真实感觉吗?(承蒙丰桥技术科学大学电子启发跨学科研究所[EIIRIS] 的DzmitryTse tserukou)

    1. 有一份传播学期刊发表了一篇文章,标题很直接,叫做《Fuck individual resilience》,大概可以翻译成《让所谓“个人适应能力”去死吧》。文章说的就是,在疫情的大背景下,学术界更有必要提供支持性的网络,尤其是向女性、少数族裔、年轻学者提供支持,不能只是轻飘飘地说一句:你们要自己努力适应。

  8. Apr 2021
    1. 来自德国明斯特大学、哥廷根大学的研究者们探索出了一条用乐高积木搭建显微镜的方法,只需另找一个 iPhone5 级别的手机主摄像头就可以实现。

      经过测算,「手搓」一台乐高显微镜花费的成本只需要 102 欧元(约 800 元人民币),如果你不是淘宝买,而是直接拆旧手机上的摄像头还会更便宜。

      作者们还强调了一点意义:显微镜是众多科学领域的必要工具,但由于成本等因素,显微镜的使用在教学课堂上是受限的。这项小发明或许可以让人们更多地去接触科学探索。

    1. 2021 年,东京大学研究者发表的另一项研究也应证了这个结论,即用纸笔能帮你更好的记忆。这次和纸笔做对照的,是今天更常见的平板电脑和智能手机。

      研究人员将 48 名志愿者按使用的不同工具分成 3 组,志愿者需要阅读一段对话,内容涵盖了人物在未来两个月的日程安排,志愿者需要在默读后将时间表录入日历。

      接着,志愿者还要完成一些干扰事项,然后再回答关于日程表的一些问题。结果发现,三组人员在回忆的准确性上无显著差异。然而,在一些简单问题上,纸质组准确率明显高于手机、平板组。

    1. 2014 年,普林斯顿大学和加州大学洛杉矶分校发表的一项研究证实,纸质笔记不仅能活跃大脑,还能让你记得更准。

      研究人员选取了 300 多名学生,让他们分别用纸笔和笔记本电脑听课做笔记。随后的检查发现,用手写笔记的学生比使用笔记本电脑的学生在课堂上回答问题的能力更好。

      接着,他们又邀请 67 名大学生,让他们听 5 个 15 分钟左右的 TED 演讲,一组参与者在纸上做笔记,另一组用笔记本电脑。

      在完成一系列干扰任务后,他们发现,在回忆客观事实的问题上,参与者表现得同样好。然而,在回答概念性问题时,使用纸质笔记的人明显表现好得多。

  9. Feb 2021
    1. 卡耐基梅隆大学的 Ryan Steed 和乔治华盛顿大学的 Aylin Caliskan 两位研究者发表的篇论文《无监督的方式训练的图像表示法包含类似人类的偏见》

      研究者对 OpenAI 在 GPT-2 基础上开发的 iGPT,和 Google的 SimCLR,这两个在去年发表的图像生成模型进行了系统性的测试,发现它们在种族、肤色和性别等指标上几乎原样复制了人类测试对象的偏见和刻板印象。

      在其中一项测试中,研究者用机器生成的男女头像照片作为底板,用 iGPT 来补完(生成)上半身图像。

      最为夸张的事情发生了:在所有的女性生成结果当中,超过一半的生成图像穿着的是比基尼或低胸上衣;

      而在男性结果图像中,大约42.5%的图像穿的是和职业有关的上衣,如衬衫、西装、和服、医生大衣等;光膀子或穿背心的结果只有7.5%。

      这样的结果,技术上的直接原因可能是 iGPT 所采用的自回归模型的机制。研究者还进一步发现,用 iGPT 和 SimCLR 对照片和职业相关名词建立关联时,男人更多和“商务”、“办公室”等名词关联,而女人更多和“孩子”、“家庭”等关联;白人更多和工具关联,而黑人更多和武器关联。

      这篇论文还在 iGPT 和 SimCLR 上比较不同种族肤色外观的人像照片的“亲和度”(pleasantness),发现阿拉伯穆斯林人士的照片普遍缺乏亲和力。

      虽然 iGPT 和 SimCLR 这两个模型的具体工作机制有差别,但通过这篇论文的标题,研究者指出了这些偏见现象背后的一个共同的原因:无监督学习。

      矮化女性和少数族裔,OpenAI的GPT模型咋成了AI歧视重灾区

  10. Nov 2020
    1. Users who specify external customization directories via customization.dir

      啥?这个是怎么做的?怎么不交代?