相信“西维安和讲话”以纠正他们的待遇的人再次失望。想象一下可以治愈您疾病的前卫 - garde医疗技术。但是，由于医生没有信息，因此他们建议使用传统的治疗方法，并建议恢复效果比使用新技术的患者低得多。学习真相后，您感到沮丧吗？如果发生在网络博士身上，同样的情况不是由于信息延迟，而是因为他们根据其性别或收入水平做出这样的决定？一系列国际研究表明，越来越明智的模型正在扩大医学领域的“看盘子中的人”的问题。美国医学院和西奈山的卫生系统的研究人员通常将低收入和中等收入的案例用于基本测试。标记为“无家可归”和其他信息的患者将更频繁地指向紧急护理，侵入性干预S或心理健康评估。这项研究评估了九种自然语言模型，其中包括1,000个紧急情况的170万个结果（500例实际病例和500例合成病例）。先前的研究表明，AI只能根据X光片预测患者的品种，性别和其他信息。这使网络博士在“评判人”方面也比人类医生更好，“开处方食物”。研究人员认为，这是一种驱动这些“偏见”的模型，并最终导致不同的人口达到健康水平。在货币的另一端，一些患者也可以进行不必要的检查和治疗。在Agrartuswim结果的背后，该行业认为，人类健康需要尽快改变。是人类教授的控制论医生吗？肮脏的数据供应会污染大型模型，这是IA公司越来越多的事情。它在医学领域可能更有害。 Dong Yunfeng，特别的助理研究中国政治与法律大学法律法律战略研究所的雪儿曾经写过他的文章。他说，他担心AI将来将普通感冒视为癌症。美国研究人员进行的一项对临床细分的多中心，随机和临床研究似乎也证明了这一问题。研究人员发现，当医生预测使用显示全身偏见的AI模型时，治疗的诊断和精度降低了11.3％。因此，有些人认为Smart AI可以做一些坏AI。原因是数据实际上是一个非常重要的因素。根据Tong Yuanyuan研究和中国传统医学信息研究所的说法，中国传统医学学院还存在许多数据问题，除了受到批评的低水平信息所引起的医疗数据质量差，经常受到批评。包括：数据不是很有代表性。示例：与人在一起低经济收入很少去医院接受治疗。此外，孕妇和妇女等特殊群体在进行药物研究方面遇到困难，导致数据不足。数据标签不是很好。例如，个人偏见，主观判断和不一致的数据注释标准可能会通过标记导致数据偏差。更重要的是，行为中有许多无意识的偏见。研究人员已经在去年八月发表了在美国国家科学院的会议记录中发表文章，他说医生经常将女性患者的痛苦视为“夸张或歇斯底里的”，并认为男性更具抵抗力。该研究包括20,000名患者高记录，并且没有明确的理由是非特异性偏头痛。结果表明，女性患者的平均等待时间比男性患者的平均等待时间长30分钟。医疗访问的记录表明疼痛评估女性患者比男性患者低10％，疼痛评估（1-10度）也明显大于女性患者。以前，英国的另一项研究表明，在最初的诊断中，心肌梗塞的女性患者错误地被错误地诊断为男性患者的概率增加了50％。另外，中风和甲状腺功能减退症是女性患者容易诊断出错误的疾病。关于过度诊断和治疗，Fudan大学公共卫生学院以及疾病控制和预防的公共卫生学院的研究已在过去的九年中发表。这表明，中国女性肺癌患者的过度诊断率和治疗在2011-2015-2016-2016-2020之间已翻了一番，超过22％，达到了2015年之间的22％。肺腺癌患者已被过度诊断。当然，这种类型会产生负面影响数据以较大的模型馈送。但是正确的数据可以消除偏见吗？专家仍然没有答案。人工智能的“自治”已成为挽救生命的党派政治家。 “学习负面的事物和积极的事物不一定会鼓励人们具有强烈的道德意识。” Fudan University计算机创新与智能创新学院的教授Qiu Xipeng曾经在一项行业活动中认识到这一点。他认为，解决偏见问题不是启动数据的好方法，并且很难直接构建正确的数据库。此外，良好的数据不一定训练完全公平的大型模型。这与人类一样。他认为，这种现象很难满足人类的道德要求，主要是由大型模型和人类活动之间的差异引起的。例如，在医疗中，人类医生在患者的经历中平衡了对疾病的治疗S，而AI可以在寻找“治疗”时视而不见。人类计算机的一致性是为更大的模型提供更好的道德取向，并将人类价值注入大型模型。典型的路线涉及在训练阶段添加数据过滤。添加教学显微镜，以帮助最大的模型了解人类语言。它还使用奖励功能，即，第一个人的资格使数据有资格形成“奖励模型”，然后使用增加的学习来迭代这种方法，得出模型并提供满足人类价值观的答案。抹布（搜索改进），RLHF（手动反馈增强学习）以及更多的人类计算机对齐工具。在某种程度上，该模型将AI的主管增加到最大的模型，并随时调节单词和动作。但是，他经常认为这种方法治疗症状。是，但不是根本原因。一些研究人员认为他们可以放弃管理人工智能的风险。 Tong Yunfeng曾经说过，使人类计算机对齐所必需的不可避免的成本和损失是巨大的，并给公司带来了巨大的财务压力。 OpenAI超级对齐团队已成立。最初，它计划在2027年解决对齐问题，但团队在成立一年后解散。根据项目负责人兼前校长Ilya Sutskever的计划，该项目将消耗20％的计算机功率。在首先被称为伊坎医学学校的西奈山卫生系统的研究中，研究人员回顾了该模型，但仍然存在“偏见”。偏见，过度诊断和治疗者等医学领域的复杂性和困难超出了想象力。诸如AI之类的新技术可以解决其中的一些问题，但不是根本的问题。我们必须面对的现实是，生成的人工智能是复活了一个概率模型，很难避免由于低概率事件而造成的损害。对于卫生行业来说，这是一个重要的挑战，在卫生行业中，容错率几乎无限至零。促进医疗保健本身更为重要。客观上，过度诊断，诊断和治疗偏见也与医学发展水平有关。功能医学医学中心学院主任He Jian博士告诉Huxiu：“精密医学和过度药之间存在灰色区域。”也可以说医生本身是一个相对的概念。他引用了Zhanlu翻译，计划和出版的“精密医学”一书，并指出Huxiu Qyou必须使用足够的数据来澄清限制，以将该灰色区域倾斜到精密医学。这本书是Medidata的共同创始人，Medidata是世界领先的生命科学研究云平台。 de vries Gen使用对阿尔茨海默氏症等疾病的预测作为ex的例子真相。为了解决这个问题，作者认为澄清两个阈值非常重要：损害和死亡损害。如果预测一个人在“死亡”阈值之前，甚至在生命的早期阶段会遭受痴呆症的损害，无疑是及时的干预。如果损害在死亡阈值之后发生，则干预毫无意义。检查此“阈值”或限制需要在医学和足够的数据支持方面取得持续的进步。江说，这一过程是动态的，应该始终对药物进行创新，还需要足够的证据来验证经验的中央情报局。实际上，完全了解人类健康是令人惊讶的。例如，当简（Jian）于2007年在中国引入功能医学并绘制人类健康图时，需要至少200个或更多的指标来测试。 （该医疗部门是由英国科学家在1871年提出的。基于主导疾病的原因，衡量不正确的饮食，生活方式等，并纠正不正确的饮食，生活方式等。结合对受试者的过于详细的划分，医生可能很难找到原因并从根本上解决问题。湿疹是由疾病引起的。肠道免疫，许多患者在调节肠道技术趋势（例如便携式设备和人工智能）时会治疗湿疹，随着人们对他们的健康越来越了解，可以预见到不可避免地压缩过度诊断和治疗的空间。要牢记，对于普通百姓而言，人体具有令人难以置信的修复能力，并且许多生理变化不被视为疾病，并且不需要过多的关注或治疗。示例：肺结核（小于7毫米），甲状腺结节，窦性节奏，颈部侵蚀等。从这个意义上讲，解释和面对I当人类能够更清楚地了解自己的健康时，生理变化甚至早期受伤也已成为一个新问题。