为模拟书面语言而开发的人工智能可以用来预测人们生活中的事件。丹麦理工大学、哥本哈根大学、国际电信联盟和美国东北大学的一项研究项目表明，如果你使用大量关于人们生活的数据，并训练所谓的“变形模型”(像ChatGPT一样)，用于处理语言，它们可以系统地组织数据，预测一个人的生活中会发生什么，甚至估计死亡时间。

　　发表在《自然计算科学》杂志上的一篇新科学文章《使用生活事件序列来预测人类生活》中，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。该模型在初始阶段接受训练后，即学习了数据中的模式，其表现优于其他先进的神经网络(见事实框)，并能高精度地预测性格和死亡时间等结果。

　　“我们用这个模型来解决一个基本问题:基于你过去的情况和事件，我们能在多大程度上预测你未来的事件?”从科学上讲，让我们兴奋的不是预测本身，而是使模型能够提供如此精确答案的数据方面，”荷兰理工大学教授、该文章的第一作者苏恩·莱曼说。

　　死亡时间的预测

　　Life2vec的预测是对一些一般性问题的回答，比如“四年内死亡”?当研究人员分析模型的反应时，结果与社会科学中的现有发现一致;例如，在所有条件相同的情况下，处于领导地位或收入高的人更有可能存活下来，而男性、技术娴熟或患有精神疾病的人则与更高的死亡风险相关。Life2vec在一个大型的向量系统中对数据进行编码，这是一种组织不同数据的数学结构。该模型决定在哪里放置有关出生时间、上学时间、教育程度、工资、住房和健康的数据。

　　“令人兴奋的是，把人类的生活看作是一系列事件的长序列，就像语言中的一个句子是由一系列单词组成的一样。这通常是使用人工智能变压器模型的任务类型，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，”苏恩·莱曼说。

　　提出道德问题

　　这篇文章背后的研究人员指出，围绕着life2vec模式的伦理问题，比如保护敏感数据、隐私以及数据偏见的作用。在使用模型之前，必须更深入地了解这些挑战，例如，评估个人感染某种疾病或其他可预防的生活事件的风险。

　　“这种模式为政治上的讨论和解决提供了重要的积极和消极的视角。类似的预测生活事件和人类行为的技术如今已经在科技公司内部使用，例如，追踪我们在社交网络上的行为，极其准确地描述我们，并利用这些描述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把我们带向何处，以及这是否是我们想要的发展，”苏恩·莱曼说。

　　根据研究人员的说法，下一步将是整合其他类型的信息，如文本和图像或有关我们社会关系的信息。这种数据的使用在社会科学和健康科学之间开辟了一种全新的互动。

　　研究项目

　　“使用生活事件序列来预测人类生活”的研究项目是基于劳动力市场数据和来自国家患者登记处(LPR)和丹麦统计局的数据。该数据集包括所有600万丹麦人，并包含收入、工资、津贴、工作类型、行业、社会福利等信息。健康数据集包括对医疗保健专业人员或医院的访问记录、诊断、患者类型和紧急程度。该数据集的时间跨度为2008年至2020年，但在几项分析中，研究人员关注的是2008年至2016年期间和一个受年龄限制的个体子集。

　　变压器模型

　　转换器模型是一种人工智能，用于学习语言和其他任务的深度学习数据架构。这些模型可以被训练来理解和生成语言。转换器模型被设计为比以前的模型更快更有效，并且经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的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)。和大脑一样，神经网络也是由人工神经元组成的。这些神经元相互连接，可以互相发送信号。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。神经网络可以通过训练大量数据来学习解决任务。随着时间的推移，神经网络依靠训练数据来学习和提高其准确性。但是，一旦这些学习算法经过微调以达到准确性，它们就会成为计算机科学和人工智能领域的有力工具，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。