2021年初，歐盟委員會提出了有史以來第一個人工智能監(jiān)管框架，我們在這里的文章中對此進(jìn)行了討論。人工智能法規(guī)草案包括一套擬議的規(guī)則，旨在就人工智能的具體用途提供明確的要求和義務(wù)。歐盟委員會試圖考慮到人工智能的快速發(fā)展性質(zhì)，承諾該法案將提供“一個面向未來的人工智能定義”。該法規(guī)草案將人工智能定義為“使用附件一中列出的一種或多種技術(shù)和方法開發(fā)的軟件，并且對于一組給定的人類定義的目標(biāo)，可以生成諸如內(nèi)容，預(yù)測，建議或影響其交互環(huán)境的決策之類的輸出。然而，這一定義非常寬泛：問題在于，像條例所提議的一般法律那樣的法律是否會過于寬泛，以至于變得無效。這個定義在捕獲所有人工智能方面的有效性還有待觀察，特別是與尚未發(fā)明的未來技術(shù)有關(guān)，因此尚未在所涵蓋的列表中設(shè)想。附件1的內(nèi)容可能會在磋商階段進(jìn)行審查。根據(jù)TheRegister的Katyanna Quach的一篇文章，科學(xué)家估計僅訓(xùn)練一個神經(jīng)“超級網(wǎng)絡(luò)”的成本就超過了附近太空任務(wù)的成本：神經(jīng)網(wǎng)絡(luò)以及利用龐大數(shù)據(jù)集訓(xùn)練它們所需的硬件數(shù)量正在增長。以GPT-3為例：它有1750億個參數(shù)，是其前身GPT-2的100倍。近期，中外科研工作者合作的一項技術(shù)成果在神經(jīng)生物學(xué)頂級期刊《自然·神經(jīng)科學(xué)》上發(fā)布。這項研究首次將人工智能領(lǐng)域的元學(xué)習(xí)方法引入神經(jīng)科學(xué)及醫(yī)療領(lǐng)域，能在有限的醫(yī)療數(shù)據(jù)上訓(xùn)練可靠的AI模型，提升基于腦成像的精準(zhǔn)醫(yī)療效果。腦成像技術(shù)是神經(jīng)科學(xué)發(fā)展的一個重要領(lǐng)域，能夠直接觀察大腦在信息處理和應(yīng)對刺激時的神經(jīng)化學(xué)變化，從而對疾病的診斷和治療提供重要參照。理論上，基于腦成像的AI模型可應(yīng)用于預(yù)測個人的一些表征特性。研究者通過對先前的小樣本數(shù)據(jù)分析發(fā)現(xiàn)，個體的認(rèn)知、心理健康、人口統(tǒng)計學(xué)和其他健康屬性等表征特性與大腦成像數(shù)據(jù)之間存在一種內(nèi)在的相關(guān)性。基于小樣本數(shù)據(jù)和大數(shù)據(jù)集之間的這種相關(guān)性，研究者提出名為元匹配的方法。這一方法可以將大數(shù)據(jù)集上訓(xùn)練出來的機器學(xué)習(xí)模型遷移到小數(shù)據(jù)集上，從而訓(xùn)練出更可靠的模型，以更準(zhǔn)確地預(yù)測新的表型。
目前，這一新方法已經(jīng)在英國生物銀行和人類連接組計劃的數(shù)據(jù)集上完成了測評，測評結(jié)果顯示，新方法相較于傳統(tǒng)方法體現(xiàn)出更高的準(zhǔn)確率。實驗顯示，這項新的訓(xùn)練框架非常靈活，可以與任何機器學(xué)習(xí)算法相結(jié)合，在小規(guī)模的數(shù)據(jù)集上，也可以有效地訓(xùn)練泛化性能好的AI預(yù)測模型。
