人工智能开发出的模型可以预测人生事件。来自丹麦科技大学、哥本哈根大学、美国东北大学和IT大学的一个研究项目表明，如果使用大量关于人们生活的数据，并训练所谓的“Transformer模型”（如ChatGPT），这些模型可以系统地组织数据并预测一个人的生活事件，甚至估计其死亡时间。

在《自然计算科学》杂志上发表的新科学文章《使用生活事件序列预测人类生活》中，研究人员分析了600万丹麦人的健康数据和劳动市场附着情况，创建了一个名为life2vec的模型。

模型在初期训练阶段（即学习数据中的模式）之后，被证明比其他先进的神经网络表现更出色（见事实框），并能高精度预测个性和死亡时间等结果。

“我们使用这个模型来解决一个基本问题：基于过去的条件和事件，我们能在多大程度上预测你未来的事件？对我们科学上来说激动人心的不仅是预测本身，而是数据的哪些方面使得模型能提供如此精确的答案，” 丹麦科技大学教授、文章第一作者Sune Lehmann说。

Life2vec的预测是对一般问题的回答，比如“四年内死亡”？

当研究人员分析模型的响应时，结果与社会科学领域现有的发现一致；例如，在所有其他条件相同的情况下，处于领导位置或高收入的个体更有可能存活，而男性、熟练工或有精神诊断的个体则与较高的死亡风险相关。

Life2vec使用大型向量系统对数据进行编码，这是一种组织不同数据的数学结构。

模型决定了如何在出生时间、学校教育、工资、住房和健康等方面放置数据。

“令人兴奋的是，将人的生活视为一长串事件，就像语言中的句子由一系列单词组成。通常这是AI中Transformer模型所用的任务类型，但在我们的实验中，我们用它们来分析我们所说的生活序列，即人生中发生的事件，”Sune Lehmann说。

文章背后的研究人员指出，围绕life2vec模型的伦理问题，如保护敏感数据、隐私和数据中的偏见。

在模型可用于评估个人患病风险或其他可预防的生活事件之前，必须更深入地了解这些挑战。

“模型提出了需要在政治上讨论和解决的重要积极和消极观点。类似的技术已被今日科技公司用于预测生活事件和人类行为，例如，他们追踪我们在社交网络上的行为，极其精确地对我们进行画像，并利用这些画像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，这样我们才能考虑技术将我们带向何方，以及这是否是我们想要的发展方向，”Sune Lehmann说。

根据研究人员的说法，下一步将是纳入其他类型的信息，如文本和图像或我们的社会联系信息。

这种数据的使用开启了社会和健康科学之间全新的互动。

《使用生活事件序列预测人类生活》的研究项目基于劳动市场数据和国家患者注册处（LPR）及丹麦统计局的数据。

数据集包括所有600万丹麦人，并包含收入、工资、奖学金、工作类型、行业、社会福利等信息。

健康数据集包括对医疗专业人员或医院的就诊记录、诊断、病人类型和紧急程度。

数据集跨越2008年至2020年，但在多个分析中，研究人员聚焦于2008年至2016年期间和一个年龄限制的个体子集。

Transformer模型是一种AI、深度学习数据架构，用于学习语言和其他任务。

这些模型可以被训练来理解和生成语言。

Transformer模型被设计得比以前的模型更快、更高效，常用于在大型数据集上训练大型语言模型。

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Transformer模型）。像大脑一样，神经网络由人工神经元组成。这些神经元相互连接并可以互相发送信号。每个神经元接收来自其他神经元的输入，然后计算输出传递给其他神经元。神经网络可以通过在大量数据上训练来学

习解决任务。神经网络依赖于训练数据来学习，并随着时间提高其精确度。但一旦这些学习算法为准确性进行了微调，它们就成为计算机科学和人工智能中的强大工具，能够高速地对数据进行分类和分组。其中最知名的神经网络之一是谷歌的搜索算法。