研究者提出渗透式人工智能新概念，让大语言模型与真实物理世界进行交互

该团队预计“渗透式人工智能”将在众多网络物理系统中发挥重要作用，包括但不限于以下领域：

其一，可用于智慧医疗。

渗透式人工智能利用可穿戴设备的传感器数据，不仅能跟踪健康指标、预测潜在健康问题，还能够实施个性化治疗。它对于健康数据的精准解析，能为持续监测开辟创新途径。

其二，可用于家庭自动化。

渗透式人工智能通过物联网数据智能化管理家居，如灯光调节和能源优化，可以极大提升居家效率和安全程度。由于它能精准识别家庭生活模式，故能为现代居住带来更多便利和保障。

其三，可用于工厂自动化。

通过机械传感器数据的深入分析，渗透式人工智能有潜力能实现工序自动化及生产线优化。比如，它能够快速适应复杂生产环境，从而可以有效减少停机时间、确保生产安全。

其四，可用于环境监测。

在环境监测方面，渗透式人工智能凭借对复杂传感器数据的深度分析，能够敏锐捕捉环境变化并预测潜在风险，从而能在生态保护和公共安全上发挥作用。

其五，可用于决策指挥系统。

渗透式人工智能在此应用场景下，能够整合多源传感器数据，支撑复杂环境中的迅速决策与指挥。

其对数据的深度洞察和处理，可以显著提升应急响应效率与决策准确性，能对城市管理、紧急救援等提供技术支撑。

那么，徐华韬等人缘何开展了这样一项研究？

据介绍，在 ChatGPT 于 2022 年底发布并取得显著成功之后，徐华韬的导师李默教授洞察到其可能成为颠覆性技术（game changer）。

2023 年春节期间，李默多次鼓励徐华韬等人深入了解并积极使用 ChatGPT。

受到导师的启发，徐华韬开始深入思考大模型的特性和优势。据介绍，徐华韬的研究主要集中在设计算法处理传感器数据，比如利用手机传感器数据来感知人的行为。

这促使他考虑是否可以借助大模型来解析这些传感器数据。初步的实验验证表明：像 ChatGPT 这样的大模型，确实能够理解包括 WiFi 在内的各种信号。

将这些发现汇报给导师后，后者同样感到兴奋，并认为应该继续深入探索。

随后，他们开始探讨大模型是否能够处理更多其他类型的任务，并选择心跳检测作为新尝试。

然而，在心跳检测任务中，大模型需要处理长串数字，直接应用大模型并不能取得良好的效果。

后来，徐华韬尝试用传统算法的思维来指导大模型，但是效果乏善可陈，研究因此陷入了僵局。

一次在南洋理工大学校园绿地散步时，徐华韬灵光一闪，开始思考人类是如何完成这类任务的。

他心想：如果面前有一个小孩，该如何指导他完成这项任务？于是，徐华韬开始将大模型视为“人类”，通过文本描述信号模式来辅助其处理信号，最终发现 GPT-4 能够非常出色地完成这一任务。

研究期间课题组还发现：在两个任务中，大模型处理信号的方式存在不同层次，因此他们总结出了“文本化信号”与“数字化信号”两种层次。

后来，他们又与美国加州大学洛杉矶分校马尼·斯里瓦斯塔瓦（Mani Srivastava）教授课题组合作，最终完成了本次研究。

此外，研究中徐华韬等人一直在思考如何给本次概念命名。经过多次筛选与考虑，他们最终选择了“渗透式人工智能（Penetrative AI）”这一名称。

这个名称有双重含义：

一方面，“Penetrative”有“深刻理解”的意思，这意味着他们希望基于大模型的新智能可以深入理解物理世界。

另一方面，“Penetrative”有“渗透”的含义，它也象征着这种新智能能够渗透到各个产业和应用中。

日前，相关论文以《Penetrative AI：让大模型理解物理世界》（Penetrative AI：Making LLMs Comprehend the Physical World）为题发在 arXiv[1]。

徐华韬是第一作者，李默和马尼·斯里瓦斯塔瓦（Mani Srivastava）担任共同通讯作者。