1.1. 数据与数据工程是AI数字生态系统的核心组成部分
1.1.1. 数据中蕴藏着答案，但人类的数据处理能力存在着天然的局限性
1.1.2. 即便我们拥有全球数据资源，面对浩如烟海的信息洪流，也仿佛置身于堆积如山的钢针“草垛”，试图从中寻找特定的那一根，要找到关键信息点，难如登天
1.1.3. AI与机器学习无可取代的优势所在：它们能够从海量数据中提取出关键模式，为人类研判决策提供支撑
1.2. 保险业正借助数据与AI技术重塑商业模式，在欺诈检测方面表现尤为突出
1.3. 保险数据的价值还体现在风险预测
1.3.1. 识别早期风险指标并据此为老年人提供个性化健康建议，帮助老年人延长健康寿命
1.3.2. 既提升了老年人的生活质量，又降低了保险公司的赔付风险，最终通过优化保险产品设计，实现了双赢的局面
1.4. 任何技术工具都存在被滥用的风险，AI预测模型也不例外：它可能导致特定人群被拒绝承保，也可能加剧对特定人群（如有色人种）的系统性偏见
1.4.1. 需要公共政策制定相应的防护机制
1.4.2. 印刷机，它既能印制启迪众生的典籍，也可能被用来传播煽动种族仇恨的有害言论
1.4.3. 刀具既可烹饪美食，也可沦为凶器
2.1. 人类健康远不止智能手表记录步数或提醒用药这么简单
2.2. 除了疾病预测、预防与治疗，AI还在基础生物学层面，拓展着人类认知的边界，推动个性化医疗愿景成为现实
2.3. 已借助AI在蛋白质结构预测领域取得了重大突破
2.3.1. 蛋白质作为生命的基本单元，决定着细胞层面的生理功能
2.3.2. 对蛋白质的深入理解，对于推进遗传学、病毒学、细菌学以及疾病机理的认知至关重要
2.3.3. 精准预测蛋白质结构的能力被誉为“生物学革命”，它将重塑生命科学研究范式，极大地加速药物研发与医学进步的进程
2.3.4. AI网络AlphaFold，已经成功预测了约100万个物种的2亿多个蛋白质的结构，几乎覆盖了地球上所有已知的蛋白质
2.3.4.1. 这些高精度的预测结果，正深刻地改变生命科学领域的研究范式，在很大程度上减少了对X射线晶体学、冷冻电镜等耗时且成本高昂的实验方法的依赖
2.4. AI在生命科学领域的影响将极其深远
2.4.1. 治疗神经退行性疾病ALS（肌萎缩侧索硬化）在内的多款新药，已经快速进入临床试验阶段
2.4.2. mRNA技术的非凡之处在于，理论上可通过修正人体蛋白质结构缺陷来治疗各类疾病
2.4.2.1. 只需提取特定蛋白质的遗传编码，在实验室环境中完成合成后，将其注入人体以激发免疫反应
3.1. 规模日益壮大的互联设备、应用程序和传感器构成的生态系统，结合AI分析数据的能力，正引领人类迈向更健康的未来
3.2. 在这个未来图景中，医疗服务将变得更加普惠，健康管理方案也将更具个性化
3.3. 慢性病患者能够借助智能设备实现更高效的治疗管理，运动爱好者则可借助科技突破自身的体能极限
3.4. 更重要的是，AI将不断拓展人类在医学健康领域的认知边界，攻克棘手的医学难题
4.1. ChatGPT是一款集成多种技术的大语言模型，其设计目的是针对人类提出的问题和指令生成文本响应
4.2. 大语言模型基于深度学习，通过分析海量现存文本（包括全网内容、维基百科、X平台等社交媒体数据，以及Common Crawl等开源语料库等），进而实现文本预测、翻译与生成等功能
4.3. 4个步骤
4.3.1. 将输入的单词或句子序列分割成词元（token），并转换为数字序列
4.3.2. 将分割好的这些词元映射到嵌入空间，赋予其语义信息。含义相近的词句在此空间中的位置相邻，模型会记录每个词元的位置编码（positional encoding）。
4.3.3. 模型会动态计算词元间的注意力权重，即确定某个词元对其他词元的“关注”程度
4.3.3.1. 在实际运算过程中，多个注意力权重会并行计算，以捕捉现实语境的不同维度信息
4.3.4. 模型输出下一个最有可能出现的词元的概率分布
4.3.4.1. 生成的词元会重新输入模型中，循环往复，直至输出完整的内容
4.4. 算法是通过检索与主题相关的信息片段，并将它们组装成合理的模式
4.5. 与传统的需要记忆整句话的序列处理方式不同，这种并行处理机制可以同时处理大量词语，使得模型训练速度呈指数级提升，并且能够解析更为海量的文本数据
4.6. AI训练师负责理解用户意图、设置输出安全护栏
4.6.1. AI训练师的核心任务是对模型生成的各类回答进行优先级排序
4.6.2. 这些人类反馈数据会被算法转化为奖励函数，进而驱动强化学习过程（即RLHF技术，人机协同强化学习）
4.6.3. 随着训练数据规模不断扩大、维度持续拓展，模型会针对同一指令生成多个备选回答，并通过包括相关性、信息量、危害性等在内的多维评估体系进行自动标注
4.6.4. 最终，由人类依据回答质量进行排序，持续优化模型输出，确保生成既合理又符合预期的回答
4.7. ChatGPT的设计初衷是实现对话式交互，形成“用户提问、系统应答、持续追问”的循环模式
4.7.1. 一方面，人们惊叹于其生成逻辑通顺文本的能力（实际上这是对特定语境表达范式的精准模仿），由此衍生出诸如“AI将颠覆文案创作、新闻业、编程等领域”的预言
4.7.2. 另一方面，伊恩·博格斯特等作者则犀利地指出，ChatGPT存在局限性，它经常给出不准确的答案，甚至会坦率承认自身的错误
4.8. ChatGPT并不是非黑即白的存在，与其他强大的工具一样，使用者的意图才是决定其价值发挥的关键
4.8.1. 从ChatGPT得到的答案很平庸，只是因为我没有深入钻研使用技巧
4.8.2. 那些善于运用它的人，已经得到了令人惊艳的答案
4.9. ChatGPT等AI工具并不能取代人类思维与专业能力
4.10. “人机协作模式”：人类不再被动等待AI输出结果，而是主动引导AI并纠正其可能出现的错误
4.10.1. 意味着专家能够弥补AI在能力上的不足，而AI反过来也能帮助专家提升工作效率，这种双向赋能将极大地提升多个领域的生产力
4.10.2. 即使不考虑AI带来的附加价值，凭借这种模式，一个人也足以完成原本需要团队协作才能完成的工作
4.11. 作家可快速润色AI生成文章中的那些拙劣语句，程序员能及时察觉AI生成代码里的漏洞，分析师可检验AI推导结论的可靠性
4.12. 以GPT-4为代表的生成式AI大语言模型，具备强大的模拟人类写作、考试、绘画与创作的能力
5.1. 提升全球教育水平是人类当前面临的重大挑战之一
5.2. 玛丽·雪莱的《弗兰肯斯坦》（1818年）和塞缪尔·巴特勒的《埃瑞璜》（1872年）
5.3. 根据任务类型的不同，ChatGPT输出的结果或令人信服，或滑稽荒诞，还有的让人感觉诡异
5.4. ChatGPT的出现既带来了兴奋，也引发了焦虑与不安，同时促使人们思考一系列重要的问题
5.5. 在历史的长河中，技术革新重塑经济格局、颠覆传统生计模式、改变人类行为方式的案例数不胜数
5.6. ChatGPT的横空出世，促使人们重新审视重大技术革新必然引发的经典议题
5.6.1. 直接的影响是书面作业作弊风险急剧上升，但这不过是冰山一角
5.6.2. 利用ChatGPT作弊且逃避惩罚的情况的确有可能发生，甚至将成为一种常态
5.6.2.1. 教育工作者需要一段适应期来调整受技术冲击的教学方案
5.7. ChatGPT开启的时代已然不可逆转
5.7.1. 教育机构必须与时俱进、主动革新，正如它们曾经适应互联网、个人计算机乃至计算器的普及一样
5.7.2. 更为关键的是，AI与机器学习极有可能从根本上为教学模式带来积极的变革
5.8. 通过创新教学模式扩大知识传播的覆盖范围，依据个性化学习方案提升教育普惠性
5.9. 教育失衡在性别层面也表现得尤为突出
5.10. 提升教育支持效能
5.10.1. 在中小学、高等院校等多数教育场景中，学生数量往往远超教师、学业顾问以及其他教职员工
5.10.2. 聊天机器人基于预测算法运作
5.10.2.1. 当用户输入问题后，系统会根据大量的历史数据与案例库，推测可能的答案
5.10.2.2. 双向优化机制显著提升了沟通效率：学生能获得即时反馈，教职人员也得以腾出更多时间，去处理更有价值的工作
5.10.2.3. AI聊天机器人通过处理课业咨询、发送截止提醒等常规事务，优化了学生的学习体验
> 5.10.2.3.1. 这不仅为教师节省了时间，使他们能够专注于教学内容和教学方法的创新，还能确保学生不会因为等待必要信息而耽误学习进程
5.10.3. 长期以来，传统高校常以数百人讲座的形式开展通识教育，而近年来大规模开放在线课程（MOOC）的兴起，旨在满足成千上万名学习者的需求，推动教育规模化发展
5.10.4. 教师显然无法独自应对所有学生的问题，而AI技术能够高效地提供有力支持
5.11. 自动化辅导与自主学习
5.11.1. 成功的AI教育应用并非仅仅依赖算法，还必须契合用户群体的行为特征
5.11.2. 对青少年而言，他们使用移动设备的习惯以及社交动机，同样是系统设计的重要考量因素
5.11.3. 智能手机等移动终端能显著降低教育硬件成本，缓解网络接入压力，并以一种经济可行的方式，扩大教育机会
5.11.4. 软件提供自主进度的个性化教学，旨在让学生在完全掌握当前知识点后再进入下一阶段的学习
5.12. 数据驱动型AI的另一大优势在于能为每一位学习者定制专属内容与体验
5.12.1. 在发展中国家以及偏远社区等合格教师资源匮乏的地区，计算机辅助的个性化学习更能彰显其价值
5.12.2. 不同能力水平的学生呈现的效果有所不同：个性化作业只对中等能力的学生产生积极影响，对高能力与低能力的学生群体并没有产生同等效果
5.13. 个性化技术在日常生活中已经得到广泛应用
5.13.1. 在购物场景，如亚马逊、谷歌、Meta等借助推荐引擎平台
5.13.2. 在娱乐场景，如奈飞、声田、潘多拉等流媒体服务
5.13.3. 在出行场景，基于地理位置的推荐系统
5.14. 借助高校现有的学生数据，机器学习模型可以预测出哪些学生最可能辍学，这一方法让管理者得以提前采取干预措施，如提供咨询和其他支持服务，从而确保那些真正能从这些资源中受益的学生得到帮助
5.14.1. 这是学校（保留率会影响学校的排名和声誉）和学生的双赢局面
5.14.2. 机器学习模型的优势在于，凭借充足的数据，预测模型能发现人类难以察觉的规律
5.15. 应用场景：解答学生问题、节省教师时间、提供支持服务、预测辍学风险，甚至进行个性化学习辅导
5.15.1. AI在教育领域的应用非常广泛，可以帮助院校遏制线上作弊行为，优化校园设施运营效率，提升教育的可及性以满足不同学习者的需求，通过互动游戏教授学龄前儿童基础学术技能，还能协助管理者优化时间表和课程计划
5.15.2. AI对教育的贡献绝非仅仅局限于生成“语法正确却缺乏深度”的文本内容
登录查看全部
参与评论
手机查看
返回顶部