| 前瞻技術脈動：AI與機器人技術 |
AI生成臉部圖像看起來比實際人臉照片更真實
以Amy Dawel為首的澳洲國立大學研究團隊發現，相較於真實人臉照片，更多實驗參與者相信由AI生成的白種人臉部圖像是真人。然而，此種情況並不適用於其他人種的臉部圖像。造成此現象的主要原因為AI演算法在訓練過程中，過度使用白種人臉部，可能進一步加深線上的種族偏見。研究團隊建議我們必須提高對AI「超寫實主義」潛在風險的認識，尤其是當AI被運用於散佈假消息和盜用身份所帶來的危害。可採取的行動包括加強AI技術的透明度，以便研究人員和公民社會在潛在議題變成主要問題前，就能發現其存在。該研究成果已發表於《Psychological Science》期刊。
參考資料: AI faces look more real than actual human face. Science Daily, 2023/11/13.
在不確定條件下規劃機器人團隊行動的方法
現實世界的不確定性與變動性，使得機器人團隊在執行任務時面臨困難。約翰霍普金斯大學的研究團隊發展一種的機器人團隊運作框架，能考慮在實際應用面臨的不確定性。該框架使用動態拓撲圖和混合整數規劃，利用不同角色的機器人，其中第一類負責執行任務，第二類則偵察環境、收集資料以識別潛在挑戰，這種編組方式能降低周圍環境的不確定性。研究團隊在各種實際場景中進行了測試，結果證實了這種方式的可行性，並且在複雜的環境下能夠增進機器人團隊效能，並可調整編組來適應不同的風險，研究成果已經發表在《arXiv》期刊。
參考資料: An approach to plan the actions of robot teams in uncertain conditions. TechXplore, 2023/11/18.
利用機器學習來幫助難民改善生活
來自不同國家、不同個人背景特徵的難民及尋求庇護者，在新國家常會出現就業及融入社會的困難。史丹佛大學移民政策實驗室開發了一個名為GeoMatch的演算法，透過分析難民的個人資料和就業市場，來為他們媒合最適合的住房和就業機會。研究人員以美國和瑞士的難民安置營作為該演算法的實驗數據，透過應用演算法將難民分配到最有可能成功的地點，在美國和瑞士的預測就業率分別提高了約40%和75%。這項工作不僅幫助難民更快融入新經濟，也大大減輕了東道國的行政負擔。它可以納入安置官員在試圖找到合適地點時面臨的各種限制，例如醫療需求、家庭規模、所講語言、學校教育需求等，並簡化收集資訊和建立聯繫的過程。可以自動化許多傳統上手動完成的工作。但自動化的分析也會帶來諸如「偏見」、「公平性」等問題，哈佛大學的研究人員制定了一套經過修改的演算法，使安置機構能夠仔細檢查不同亞組的就業等結果。未來，該組織希望增加合作國家的數量（荷蘭的工作正在進行中）以及所服務的人口，例如，加拿大的一個新興合作關係正在測試GeoMatch如何幫助經濟移民而不是難民，將他們的個人技能和位置偏好與最適合他們及其家人的地點相匹配，對於改善社區融合和促進經濟也相當有潛力。
參考資料: Using machine learning to help refugees succeed. phys.org, 2023/11/16.
合成圖像在AI培訓效率上設立了新標竿
訓練機器學習模型需要大量真實圖像資料，但收集整理這些資料既昂貴又耗時。麻省理工學院的研究團隊開發了名為StableRep的系統，利用合成圖像訓練機器學習模型，並由「多元正向對比學習」策略取得優越效果。StableRep系統調整了生成模型的「guidance scale」，在合成圖像的多樣性和真實感之間拿捏得恰到好處，證明在訓練中合成圖像的品質能與實際圖像相比擬，甚至更好。這項研究意味著透過使用合成圖像，訓練模型的效果更佳，還可能減少資料收集的困難和成本。然而也會遇到一些挑戰限制，包括合成圖像生成速度慢、提示和圖像間的語義未匹配，以及可能放大的偏見等問題，需要在將來的研究中解決，研究成果已經發表在《arXiv》期刊。
參考資料: Synthetic imagery sets new bar in AI training efficiency. TechXplore, 2023/11/20.
|
資訊來源：國家實驗研究院 科技政策與資訊中心
日 期：2024/05/17
https://iknow.stpi.narl.org.tw/Post/Read.aspx?PostID=20716 |
|
|