人工智能语言模型　在智商测试中胜过人类******

　　新华社讯 据《参考消息》报道，美国加利福尼亚大学洛杉矶分校的研究人员发现，在衡量智力的一系列推理测试中，自回归语言模型“生成型已训练变换模型3”（GPT-3）的成绩明显优于普通大学生。该程序利用深度学习生成类似人类语言的文本。

　　由美国开放人工智能研究中心（OpenAI）研发的GPT-3有很多用途，包括语言翻译和为聊天机器人生成文本等。GPT-3有1750亿个参数，是目前规模最大、功能最强的语言处理人工智能模型之一。

　　这项新研究在常识、美国高校入学资格考试（SAT）成绩和智商这3个方面比较了GPT-3和人类的表现。发表在阿奇夫论文预印本网站上的研究结果显示，在这3个类别中，人工智能语言模型的成绩都高于人类。

　　研究人员在研究报告中写道：“我们发现，GPT-3展示出了惊人的抽象图案归纳能力，在解答大多数题目时表现和人类不相上下，甚至更好。我们的研究结果表明，像GPT-3这样的大型语言模型已经具备用零样本学习方法解决一系列类比问题的初步能力。”该报告有待同行评议。

　　研究小组还说，GPT-3“通过与生物智能截然不同的路径，被动形成了类似人类类比推理能力的机制，尽管它并未在这方面经过明确训练”。

　　这项研究发现，能够回答大多数问题甚至为人类起草论文的GPT-3，在从头开始回答问题和回答多选题时的表现超过了人类。

　　人工智能专家、作家艾伦·汤普森博士说，GPT-3的智商超过120。毫无疑问，这属于“天资聪慧”。

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟