全部新闻
Fitbit 数据准确预测躁郁症情绪波动
布莱根妇女医院的研究人员使用 54 名患有双相情感障碍的成年人的 Fitbit 数据来训练机器学习算法。该算法根据心率、睡眠模式和活动水平等变量准确预测情绪发作（轻躁狂/躁狂症状为 89.1%，抑郁症状为 80.1%）。这种被动、非侵入性的方法可能会带来个性化的治疗方法，从而改善双相情感障碍的治疗。
人工智能专家 Marietje Schaake：“我们思考技术的方式是由科技公司本身塑造的”
前荷兰欧洲议会议员、现任斯坦福大学网络政策中心主任玛丽耶·沙克 (Marietje Schaake) 讨论她的书《科技政变：如何从硅谷拯救民主》。她认为，科技巨头凭借广泛的数据收集和人工智能能力，在多个领域发挥着前所未有的影响力。沙克批评了像民族国家一样对待大型科技公司的想法，并主张加强民主监督。她担心特朗普的总统任期对科技政策的影响，强调美国企业与政治的联系不断加强。沙克还谈到了政客们对监管技术的犹豫不决，这表明领导人缺乏远见和技术理解。她强调需要从硅谷的依赖中夺回主权。中号
彭博社 - 你是机器人吗？
在您的计算机网络上检测到异常活动。单击下面的框以确认您不是机器人。确保您的浏览器中启用了 JavaScript 和 cookie。请联系支持人员以获取有关所提供的块参考 ID 的帮助。
杰米·戴蒙（Jamie Dimon）“迫切”希望在手机上使用人工智能，并将摩根大通人工智能的采用范围扩大到所有员工
摩根大通正在大力投资人工智能，首席执行官杰米·戴蒙 (Jamie Dimon) 领导了这项计划。该银行最近推出了“LLM Suite”，这是一款面向 20 万名员工的生成式人工智能工具，旨在提高效率并将人工智能融入日常工作流程。员工正在接受培训，早期采用者包括使用人工智能快速汇总合同的律师。尽管存在一些阻力，摩根大通计划在明年之前提供针对特定角色的个人人工智能助理，并认识到人类监督对于验证输出仍然至关重要。
自学习 AI 让大学橄榄球对抗 2024 年对抗周的让分、输赢盘、上/下选秀权
第 14 周，排名第 12 的克莱姆森老虎队将在一场至关重要的大学橄榄球比赛中对阵排名第 15 的南卡罗来纳州斗鸡队。其他排名比赛包括爱荷华州立大学对阵堪萨斯州立大学以及德克萨斯农工大学对阵德克萨斯大学。SportsLine 的 AI 预测由自学习技术提供支持，可为第 14 周的所有比赛提供投注见解，其中 SMU 在一场关键比赛中对阵加利福尼亚州。
怎么样？人工智能有助于引发一场明智的税收辩论：编辑的来信
一名记者尝试使用人工智能来收集支持和反对俄亥俄州所得税的论点，旨在制作一个平衡的专栏，反映保守派和自由派的观点。尽管最初对人工智能的作用持怀疑态度并存在一些误解，但大多数读者发现该实验很有帮助，并赞赏其简洁的演示，没有情感偏见。这篇文章引发的争论表明，它有效地引发了关于州所得税话题的讨论。
模型验证技术解释：带有代码示例的视觉指南
为在机器学习中选择适当的验证方法而提供的分析和指南很有洞察力。以下是要点总结：1. **数据集大小注意事项**：- **小数据集**：使用留一交叉验证 (LOOCV) 或重复 K 折等方法来确保结果可靠。- **中等数据集**：定期进行 5 或 10 倍的 K 倍交叉验证对于平衡可靠性和计算时间非常有效。- **大型数据集**：由于 LOOCV 等更密集的方法的计算成本，可以使用基本的 K-fold 或 ShuffleSplit。2. **计算资源**：- 对于简单模型（例如决策树、逻辑回归），请使用 LOOCV 等彻底的验证技术，因为这些模型训练速度很快。- 对于资源密集型模型（例如深度神经网络、具有许多树的随机森林），首选更简单的方法（例如 K-fold 或 ShuffleSplit）来管理计算时间和内存限制。3. **班级分布**：- 对不平衡数据集使用分层方法（分层 K 折、分层 ShuffleSplit），以确保每个测试分割准确地反映整体类别分布。4. **时间序列数据**：- 使用时间序列分割或类似的验证技术，尊重时间顺序并避免数据从未来的观察泄漏到过去的观察中。5. **组依赖关系**：- 对于具有固有组结构的数据，需要进行 K 组折叠，以防止训练阶段组之间的信息泄漏。### 验证方法选择的实用指南1. **了解数据特征**：分析您的数据集是否存在时间依赖性或类不平衡问题。2. **资源限制**：在选择验证方法之前评估可用的计算能力和内存限制。3. **模型复杂度**：考虑模型复杂度；更简单的模型可以处理更彻底的验证，而复杂的模型可能需要更快但不太详细的方法。### 推荐示例- **小型不平衡数据集**：使用重复分层 K 折和 10 折来确保代表性分割并有效管理类别平衡问题。- **大型时间序列数据**：选择尊重时间顺序的时间序列分割或滑动窗口交叉验证技术，防止未来训练中的数据污染。### 最后的想法验证方法的选择显着影响模型评估和优化。正确的选择可以平衡计算效率和可靠性，确保在各种场景下都有稳健的性能。有关所讨论的特定方法（例如 K-fold、LOOCV、分层 K-fold）的更多详细技术信息，请参阅 scikit-learn 文档或其他机器学习资源。这种结构化方法有助于选择适合数据集特征和计算环境的验证方法，从而获得更好的模型性能和可信度。
初创公司因使用人工智能“编辑”书籍手稿而收取 5,000 美元费用而被嘲笑
一家名为 Spines 的初创公司计划到 2025 年利用人工智能编辑和出版 8,000 本书，但面临质疑。批评者认为人工智能不足以完成校对和设计书籍封面等任务。该公司首席执行官在没有提供销售数据的情况下声称取得了成功，这引起了人们的怀疑。作家和行业专业人士批评 Spines 缺乏对写作和出版技巧的关注，认为它可能是一家伪装成创新科技企业的虚荣出版商。
ChatGPT 两点：突破性人工智能聊天机器人的下一步是什么？
OpenAI 的第二年取得了重大进展，包括发布 GPT-4 和 o1 模型，以及引入 SearchGPT。内部挑战包括法律问题和领导层变动。2025年，OpenAI的目标是增强ChatGPT的独立性并探索代理AI。未来的计划还包括发布 Orion 等新模型，其中可能包含人工智能代理功能，并且比当前版本更强大。专家建议 OpenAI 可以专注于规模较小的专业法学硕士，或维护一个适合各个行业的通用模型。
中国研究团队可能已经解决了负担得起的高分辨率人工智能视频的问题
来自北京大学、快手科技和北京邮电大学的研究人员开发了 Pyramid Flow，这是一种用于生成 768p 高分辨率视频的开源人工智能模型。与专有模型不同，Pyramid Flow 通过多个低分辨率阶段生成视频，以降低计算能力要求，使其具有成本效益。该模型可以在 56 秒内生成一个 5 秒的 384p 视频，并且可以在 MIT 许可证下使用。约 1000 万个短视频的训练数据集也可以公开访问。
