人工智能可以预测人们生活中的事件

用于模拟书面语言的人工智能可用于预测人们生活中的事件。DTU、哥本哈根大学、国际电联和美国东北大学的一项研究项目表明，如果使用大量有关人们生活的数据并训练所谓的“变压器模型”，该模型(如 ChatGPT)将用于处理语言，他们可以系统地组织数据并预测一个人一生中会发生什么，甚至估计死亡时间。

在《自然计算科学》杂志上发表的一篇新的科学文章《利用生命事件序列预测人类生活》中，研究人员在一个名为 life2vec 的模型中分析了 600 万丹麦人的健康数据和对劳动力市场的依恋程度。在模型经过初始阶段的训练后，即学习数据中的模式后，它已被证明优于其他先进的神经网络(参见事实框)并以高精度预测诸如性格和死亡时间等结果。

“我们使用该模型来解决一个基本问题：我们可以在多大程度上根据过去的条件和事件来预测未来的事件?从科学角度来说，让我们兴奋的并不是预测本身，而是数据的各个方面这使得模型能够提供如此精确的答案。”DTU 教授、本文的第一作者 Sune Lehmann 说道。

死亡时间的预测

Life2vec 的预测是对一些常见问题的回答，例如：“四年内死亡”?当研究人员分析模型的反应时，结果与社会科学领域的现有发现一致;例如，在所有条件相同的情况下，处于领导地位或高收入的人更有可能生存，而男性、技术熟练或患有精神疾病的人则与更高的死亡风险相关。Life2vec 将数据编码在一个大型向量系统中，这是一种组织不同数据的数学结构。该模型决定将出生时间、就学时间、教育程度、工资、住房和健康数据放在哪里。

“令人兴奋的是，将人类生活视为一长串事件，类似于语言中的句子由一系列单词组成。这通常是人工智能中使用 Transformer 模型的任务类型，但在我们的实验中我们用它们来分析所谓的生命序列，即人类生活中发生的事件，”Sune Lehmann 说。

提出道德问题

文章背后的研究人员指出，life2vec 模型存在伦理问题，例如保护敏感数据、隐私以及数据中偏见的作用。在使用该模型之前，必须更深入地了解这些挑战，例如评估个人感染疾病或其他可预防的生活事件的风险。

“该模型为政治讨论和解决问题开辟了重要的积极和消极观点。如今，用于预测生活事件和人类行为的类似技术已经在科技公司内部使用，例如，跟踪我们在社交网络上的行为，极其准确地描述我们，并“利用这些资料来预测我们的行为并影响我们。这种讨论需要成为民主对话的一部分，以便我们考虑技术将把我们带向何方，以及这是否是我们想要的发展，”Sune Lehmann 说。

研究人员表示，下一步将是整合其他类型的信息，例如文本和图像或有关我们社会关系的信息。这种数据的使用开启了社会科学和健康科学之间的全新互动。

研究项目

“利用生命事件序列预测人类生活”的研究项目基于劳动力市场数据以及国家患者登记处 (LPR) 和丹麦统计局的数据。该数据集包括全部 600 万丹麦人，包含收入、工资、津贴、工作类型、行业、社会福利等信息。健康数据集包括医疗保健专业人员或医院的就诊记录、诊断、患者类型和紧急程度。该数据集涵盖 2008 年至 2020 年，但在多项分析中，研究人员重点关注 2008 年至 2016 年期间以及有年龄限制的个人子集。

变压器型号

Transformer 模型是一种人工智能、深度学习数据架构，用于学习语言和其他任务。可以训练模型来理解和生成语言。Transformer 模型的设计比以前的模型更快、更高效，通常用于在大型数据集上训练大型语言模型。

神经网络

神经网络是一种受人类和动物的大脑和神经系统启发的计算机模型。有许多不同类型的神经网络(例如变压器模型)。与大脑一样，神经网络也是由人工神经元组成的。这些神经元相互连接并可以相互发送信号。每个神经元接收来自其他神经元的输入，然后计算传递给其他神经元的输出。神经网络可以通过大量数据的训练来学习解决任务。神经网络依靠训练数据来学习并随着时间的推移提高其准确性。但是，一旦这些学习算法经过精确调整，它们就会成为计算机科学和人工智能领域的强大工具，使我们能够高速对数据进行分类和分组。最著名的神经网络之一是谷歌的搜索算法。

引用:

1. Germans Savcisens, Tina Eliassi-Rad, Lars Kai Hansen, Laust Hvas Mortensen, Lau Lilleholt, Anna Rogers, Ingo Zettler, Sune Lehmann. Using sequences of life-events to predict human lives. Nature Computational Science, 2023; DOI: 10.1038/s43588-023-00573-5