用于模拟书面语言的人工智能可用于预测人们生活中的事件。 DTU、哥本哈根大学、国际电联和美国东北大学的一项研究项目表明，如果使用大量有关人们生活的数据并训练所谓的“变压器模型”， (如ChatGPT)用于处理语言，它们可以系统地组织数据并预测一个人的一生中会发生什么，甚至估计死亡时间。

在《自然计算科学》上发表的一篇新科学文章“使用生命事件序列预测人类生活”Nature Computational Science，研究人员在一个名为 life2vec 的模型中分析了 600 万丹麦人的健康数据和对劳动力市场的依恋。在模型经过初始阶段的训练后，即学习数据中的模式后，它已被证明优于其他高级神经网络(参见事实框)，并能高精度地预测性格和死亡时间等结果。< /span>

“我们使用该模型来解决一个基本问题：我们可以在多大程度上根据您过去的条件和事件来预测您未来的事件?从科学角度来说，令我们兴奋的并不是预测本身，而是使模型能够提供如此精确答案的数据方面。” DTU 教授、该文章的第一作者 Sune Lehmann 说道。

死亡时间的预测

Life2vec 的预测是对一些常见问题的回答，例如：“四年内死亡”?当研究人员分析模型的反应时，结果与社会科学领域的现有发现一致;例如，在所有条件相同的情况下，处于领导地位或高收入的人更有可能生存，而男性、有技能或有精神诊断的人则有更高的死亡风险。 Life2vec 将数据编码在一个大型向量系统中，这是一种组织不同数据的数学结构。该模型决定将出生时间、就学时间、教育程度、工资、住房和健康数据放在哪里。

“令人兴奋的是，将人类生活视为一长串事件，类似于语言中的句子由一系列单词组成。这通常是人工智能中使用 Transformer 模型的任务类型，但在我们的实验中，我们使用它们来分析我们所谓的生命序列，即人类生活中发生的事件。”苏尼·莱曼说。

提出道德问题

文章背后的研究人员指出，life2vec 模型存在伦理问题，例如保护敏感数据、隐私以及数据中偏见的作用。在使用该模型之前，必须更深入地了解这些挑战，例如评估个人感染疾病或其他可预防的生活事件的风险。

“该模型为政治讨论和解决提供了重要的积极和消极视角。如今，用于预测生活事件和人类行为的类似技术已经在科技公司内部使用，例如，跟踪我们在社交网络上的行为，极其准确地分析我们，并使用这些分析来预测我们的行为并影响我们。这种讨论需要成为民主对话的一部分，以便我们考虑技术将带我们走向何方，以及这是否是我们想要的发展。”苏尼·莱曼说。

研究人员表示，下一步将是整合其他类型的信息，例如文本和图像或有关我们社会关系的信息。这种数据的使用开启了社会科学和健康科学之间的全新互动。

事实：

研究项目

研究项目“利用生命事件序列来预测人类的生活”该数据基于劳动力市场数据以及国家患者登记处 (LPR) 和丹麦统计局的数据。该数据集包括全部 600 万丹麦人，包含收入、工资、津贴、工作类型、行业、社会福利等信息。健康数据集包括医疗保健专业人员或医院的就诊记录、诊断、患者类型和紧急程度。该数据集涵盖 2008 年至 2020 年，但在多项分析中，研究人员重点关注 2008 年至 2016 年期间以及有年龄限制的个人子集。

变压器型号

Transformer 模型是一种人工智能、深度学习数据架构，用于学习语言和其他任务。可以训练模型来理解和生成语言。 Transformer 模型的设计比以前的模型更快、更高效，通常用于在大型数据集上训练大型语言模型。

神经网络

神经网络是一种受人类和动物大脑和神经系统启发的计算机模型。有许多不同类型的神经网络(例如变压器模型)。与大脑一样，神经网络也是由人工神经元组成的。这些神经元相互连接并可以相互发送信号。每个神经元接收来自其他神经元的输入，然后计算传递给其他神经元的输出。神经网络可以通过大量数据的训练来学习解决任务。神经网络依靠训练数据来学习并随着时间的推移提高其准确性。但是，一旦这些学习算法经过精确调整，它们就会成为计算机科学和人工智能领域的强大工具，使我们能够高速对数据进行分类和分组。最著名的神经网络之一是谷歌的搜索算法。了解更多：神经网络 - 维基百科。