npj Artificial Intelligence 近期论文佳作精选

【医疗保健AI智能体：应用、评估和未来方向】AI agent in healthcare: applications, evaluations, and future directions

随着大语言模型技术的快速发展，AI智能体已迅速应用于医疗保健领域。本研究追溯了AI智能体的历史演变与核心特征，并系统探讨了其在辅助诊断、临床决策支持、医学报告生成、面向患者的聊天机器人、医疗系统管理以及医学教育中的应用。本研究进一步分析了现有的医疗保健领域AI智能体评估框架，重点关注其关键维度与性能指标。展望未来，本研究提出了未来发展的七大关键方向：与具身系统的集成、混合专家模型、拓展的评估范式、安全性与可控性保障、伦理治理、用户信任，以及对医务人员角色演变的指导。本研究旨在为医疗保健领域AI智能体的开发与应用提供全局视角，从而为未来的研究、实践与治理提供理论支持。

图1  AI智能体在医疗保健领域的应用。

【机器学习发现新的最优码】Machine learning discovers new champion codes

线性纠错码构成了现代数字通信和存储系统的数学主干，但识别“最优线性码”（即达到或超过已知最佳最小汉明距离的线性码）依然充满挑战。通过训练一个Transformer模型来预测一类线性码的最小汉明距离，并将其与搜索空间上的遗传算法相结合，本研究开发了一种发现最优码的全新方法。该模型有效地缩小了寻找最优码所需的线性码搜索空间。研究结果展示了该方法在纠错码研究和构造中的应用前景，适用于广义环面码、Reed–Muller码、BCH码、代数几何码，并具有应用于量子码的潜力。

图2  机器学习辅助的最优码发现方法。

【DeepKoopFormer：一种用于时间序列预测的Koopman增强型Transformer架构】DeepKoopFormer: a Koopman enhanced transformer based architecture for time series forecasting

时间序列预测在科学、工业和环境领域发挥着至关重要的作用，尤其是在处理高维和非线性系统时。尽管Transformer模型近期在长程预测方面取得了最先进的性能，但它们在面对噪声或动态不确定性时，往往存在可解释性差和不稳定的问题。为此，本研究提出了DeepKoopFormer，一个将基于Transformer的序列建模与受Koopman启发的潜在线性动力学相结合的预测框架，旨在提升模型的稳定性、可解释性以及长程鲁棒性。该模型采用模块化的“编码器-传播器-解码器”结构，其中时间动力学通过一个在潜在空间中具有谱约束的线性Koopman启发式传播器来学习。为确保稳定性和可解释性，本研究引入了结构性保证（即有界谱半径、基于Lyapunov的能量正则化以及正交参数化）以确保其稳定性和可解释性。使用为此专门编写的Python软件包，本研究在动力系统、气候数据集、金融时间序列以及发电数据集上进行了全面的评估。在所有实验中，DeepKoopFormer在准确性、抗噪鲁棒性以及长程预测稳定性方面，始终优于标准的LSTM和基线Transformer模型。这些结果表明，DeepKoopFormer是一个适用于高维和动态环境预测的灵活、可解释且鲁棒的框架。

图3  DeepKoopFormer变体在洛伦兹动力系统上的预测结果。每条曲线是通过沿模拟轨迹滑动长度为P = 150的输入窗口，并预测后续5个时间步而获得的；图中绘制的序列代表了针对洛伦兹时间序列拼接而成的短期预测。

【课堂AI：作为特定年级教师的大语言模型】Classroom AI: large language models as grade-specific teachers

大语言模型为补充传统教学以及解决影响数亿儿童的全球教师短缺问题提供了一种极具前景的解决方案，但现有的模型往往无法为不同教育阶段的学生提供符合其年级认知水平的恰当回答。本研究引入了一种微调大语言模型的全新框架，旨在生成涵盖从小学低年级到成人教育六个难度层级的适龄教育内容。该框架成功地调整了知识解释的难度，使其在不牺牲事实正确性的前提下，匹配学生的理解能力。该方法通过聚类整合了七种可读性指标，并构建了一个用于生成特定年级内容的综合数据集。在包含 208 名人类参与者的多数据集评估中，该框架在“年级水平对齐度”上取得了显著提升，与基于提示词的方法相比，提高了 35.64 个百分点，同时依然保持了回答准确率。这种为不同年级量身定制的 AI 辅助学习模式，具有推动教育参与度和促进教育公平的巨大潜力。

图4  针对特定年级的大语言模型微调框架和示例输出。