大多数人一生里都有感到孤独的时候。虽然许多人最终可以克服这种感觉,但孤独感对几百万人的生活和幸福会产生重大影响。
英国年龄协会(Age UK)称,360万的英国人独居,其中超过200万人的年龄为75岁或以上。而190万的老年人感到被忽视或孤立。对于老年人来说,由于丧亲、退休、无所事事、健康不佳等因素,孤独往往是常态。
时下人口不断地老龄化,这个问题只会更加普遍,而不堪重负的医疗卫生系统则意味着要解决这个问题面临的挑战也越来越大。专业服务巨头埃森哲(Accenture)认为,人工智能技术的突破可以提供帮助。
埃森哲为了解决老年人孤独的问题开发了一个名为Memory Lane(记忆巷)的解决方案,Memory Lane用了会话式人工智能,可为后代记录一些难忘的故事,同时又能提供陪伴。Memory Lane由谷歌声音助手(Google Voice Assistant)提供支持,可以和寂寞的人对话,让他们讲述自己的人生故事,Memory Lane然后会将故事转换为实体书和播客。
埃森哲互动创新中心主任Christian Souche表示,“老年人面临着两个重要的挑战,第一个是孤独及与社会脱节。他们中的一些人一个星期里很少互动,而且有很多空闲时间。Memory Lane可以提供一个“每天的目标”,他们可以分享自己的生活和最美好的回忆。这项活动很有意义,他们可以和后代分享这些记忆。”
他表示,“第二,他们可以分享自己的经历以及从自己的经历里学到的东西。 Memory Lane可以收集这些记忆并生成传记,生成一本书或一段数字内容。 Memory Lane可以令一代人和下一代人联系起来,一代人有大把时间和很多故事,而下一代人则忙的很,几乎没有空闲时间。”
埃森哲在设计Memory Lane解决方案时希望Memory Lane能简单易用。Souche的解释是,“老年人用户在最方便的空间或他们感觉最放松的地方部署好智能扬声器,然后智能扬声器里的Memory Lane才被激活。”
他表示,“然后智能扬声器就开始问每天的问题。用户可以回答问题,不想回答问题时可以跳过问题。他们在有必要的时候可以停止体验。Memory Lane解决方案日复一日地收集所有答案。最后,在收到用户请求时,Memory Lane解决方案可以将用户的记忆放进传记里。传记故事再由专业作家编辑和润色。“
Memory Lane用到的基础算法基于会话人工智能,会话人工智能用自然方式处理对话。 Souche表示,“Memory Lane可以为老年人提供无障碍服务,他们不必再'学习'如何使用这个系统。他们只需要自然地与Memory Lane解决方案进行交互,就像在和另一个人交互一样。”
Souche称,“我们已经做了几年的会话项目了,并且也逐渐将这项技术用在自动提问和自动生成摘要里。我们正在申请Memory Lane解决方案的专利,Memory Lane解决方案非常适合老年人。埃森哲互动中心曾努力将这项技术用在这样的场景上。“
尽管Memory Lane技术仍然是项新颖的技术,但已经有一些参与者加入了该项目并创建了自己的个性化书籍。对于Souche而言,该项目最大的成功就是在参与者收到他们的个人记忆书时看到他们脸上的幸福表情。
他还表示,“另一个方面也是个巨大成功,老年人迅速用上了这项服务,他们的年龄从80岁到101岁不等,但他们很快就变着法子搞定了与Memory Lane解决方案互动并分享自己最得意的故事。“
在未来的几个月里,Souche和他的团队会进一步探索在其他环境中应用Memory Lane解决方案的方法。他们希望最终在全球系统里部署Memory Lane及帮助更多的老年人。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。