分类: AI

  • AI并非数据库,其认知科学起源解释“幻觉”与不确定性

    来源: The Conversation

    现代AI源于认知科学,旨在模拟大脑而非执行规则。AI从例子中“生长”而非按规则构建,因此不可预测,会像人类记忆一样重构信息,产生“幻觉”和同一问题不同回答。将AI视为数据库会导致过度信任和误用。理解其认知科学根源有助于建立更准确的心智模型,促进计算机科学与认知科学双向借鉴。

  • AI分析20秒语音即可筛查2型糖尿病

    来源:欧洲糖尿病研究协会(EASD)

    研究基于2.1万人语音样本训练AI模型,在独立测试中区分2型糖尿病患者的准确率达80%,与糖化血红蛋白检测对照灵敏度82%。该技术可通过电话或App远程采样,有望作为血检前的初筛工具,帮助覆盖更多未确诊人群,但作者强调不能替代血液检测。

  • AI模型助力设计更高效杀菌的噬菌体

    来源: Cell Systems

    威斯康星大学麦迪逊分校团队利用实验室数据构建AI模型,学习噬菌体进化规律并预测能增强杀菌能力的突变。实验显示,携带AI建议突变的噬菌体感染宿主效率最高提升六个数量级,模型还可区分目标细菌与有益菌群。该技术有望加速针对尿路感染、微生物组相关疾病及农业病原体的噬菌体疗法开发。

  • AI回答分四类,判断“对不对”之前先问“是哪类”

    来源:Journal of Academic Librarianship

    作者将AI回答分为事实、解释、建构和策略四类。事实可核查来源,解释需看证据取舍,建构应衡量目的与受众,策略则须结合个人情况。AI以同样流畅权威的形式呈现四类答案,用户应先辨识类型,再决定如何验证与使用。

  • 斯坦福开发Paper2Agent,将科学论文转化为可对话、可协作的AI代理

    来源:Nature

    斯坦福大学团队设计AI程序Paper2Agent,可将论文文本、图表和数据转化为交互式AI代理,能回答问题、应用方法并与其他论文代理对话。代理通过复现研究来学习,人类作者补充失败实验等背景。演示中,两个无关论文代理协作发现MPHOSPH9附近与ADHD风险相关的新变异。团队已创建逾100个论文代理。

  • 研究显示生成式AI情感支持常获高评,但人类陪伴仍不可替代

    来源:Emotion

    曼彻斯特与达勒姆大学实验发现,人们常将生成式AI的情感支持评为比人类回复更具共情,因其回应稳定且提供可操作建议。2025年美国调查显示,13%的12至21岁青少年曾向AI寻求情绪建议。但若标明回复来自AI,好感度下降。AI可帮我们找到合适话语,人类关系则提供个人了解与持续陪伴。

  • AI也会被“磨损”路牌骗过?新框架揭示安全隐患

    来源:IEEE Transactions on Dependable and Secure Computing

    韩国研究团队开发AdvWT框架,利用自然磨损(如风吹日晒)模拟对抗攻击,成功让AI误认交通标志。该攻击在多种模型上几乎全部奏效,物理打印后仍有效。研究还发现,用生成损坏图像训练AI可提升其抗干扰能力,为自动驾驶安全提供新思路。

  • AI搜索“吸走”流量,互联网旧契约正在崩塌

    来源:The Conversation

    过去30年,网站靠“爬取+链接”换取流量。但AI工具只爬内容却不给流量,反而增加服务器成本。如今超半数网络流量来自AI机器人,许多网站开始屏蔽AI爬虫。结果,AI答案越来越依赖低质甚至AI生成内容,信息质量可能下降。用户最好多点击原始链接。

  • AI知识越丰富,越担忧失业——德国研究揭示“知情焦虑”

    来源: 达姆施塔特工业大学《AI监测报告》

    调查显示,对AI了解越深的人,越担心被AI取代(近43%高认知者有此担忧)。工作成果可数字化的岗位(如律师、程序员)更易受冲击。仅15%受访者曾参加AI培训。研究者指出,AI创造的新岗位远不及消失规模,企业和社会应正视问题,通过培训和坦诚沟通应对,而非空泛安抚。

  • AI正悄然改变写作:从用词到句式,如何识别机器文本

    来源:Nature Human Behaviour

    AI生成文本已遍布网络,其标志性特征包括高频使用“quietly”“genuinely”“delve”等词,偏好“不是……而是……”结构、破折号及过长篇幅。但单一特征不可靠,需综合判断。检测工具对非母语者误判率高。新研究发现,LLM的普及正使写作风格趋同,削弱个性与可信度。