本文探討了如何透過大型語言模型（LLM）推動人機互動，並超越傳統的可解釋人工智慧（XAI）範式，考慮LLM的認知解釋。作者方法著重於認知建模、遺傳算法、神經網絡、因果循環動力學和特徵實現等解決方案，使XAI更具目的性和持續性。研究結果顯示，在信息處理中應用LLM需要特定結構條件，尤其在戰略規劃情境下，可加速集體問題解決。這研究有助於各領域發展可解釋的LLM。 PubMed DOI

三十年前，我們比較了人工智慧和人類心靈的相似之處，將弗洛伊德的理論和連結主義（如PDP系統）放在一起討論。這些模型如今已成為人工智慧的基礎，像ChatGPT等廣泛應用，從精神病學模擬到深度學習的計算機視覺。RNN、LSTM和Transformer模型（如BERT和GPT）已經改變了自然語言處理等任務。我們探討這些工具在醫療保健領域的影響，從診斷到心理治療，並討論保持關係的重要性，以及將這些工具用於治療模型的對比。 PubMed DOI

最新研究利用先進語言模型研究人腦處理語言方式。模型提升語言能力，但神經科學研究未跟上。研究者用不同大小模型觀察其捕捉大腦語言資訊能力，發現大模型預測神經活動較佳。研究指出，隨模型增大，最佳神經信號預測層轉移到較早層，顯示大腦處理語言有組織層次結構。 PubMed DOI

這篇論文探討大型語言模型（LLMs）與人類語意理解的關係，特別是在具身認知的背景下。具身認知的支持者認為，LLMs 只依賴文本訓練，缺乏感官經驗的連結，這對人類理解很重要。不過，論文指出人類的認知結合了具身經驗和語言學習，語言在塑造我們對世界的理解中扮演關鍵角色。因此，LLMs 可以反映語言作為語意信息來源的豐富性，並強調語言如何在缺乏直接感官經驗的情況下增強認知能力，這也有助於理解具身認知與人工智慧的互動。 PubMed DOI

最近，自然語言處理（NLP）領域的進展主要受到變壓器模型的影響，這些模型透過注意力機制分析標記間的關係，生成回應。然而，關於這些模型是否能促進人工通用智慧（AGI）及解決對齊問題仍有爭論。研究人員認為AGI需具備可解釋的價值觀、效用函數及動態情境理解。為此，提出一種神經符號模型，結合進化理論與神經科學，探索AI的意識與同理心，並可能為對齊問題提供解決方案。 PubMed DOI

這篇文章探討了ChatGPT在認知過程中的潛在負面影響，儘管它在教育和商業上被廣泛應用。研究回顧了256篇文獻，分析了29篇經過同行評審的文章，強調人類大腦的優越性，主張應用AI工具來增強而非取代自然認知。文章指出ChatGPT具備高級推理能力，建議發展人機合作的社會認知架構，但也警告過度依賴可能削弱基本技能。因此，需在享受AI優勢與持續練習傳統認知活動之間取得平衡。 PubMed DOI

大型語言模型（LLMs）的環境影響引發了不同看法。一些研究指出，訓練和使用LLMs會產生顯著的碳足跡，而另一些則認為LLMs可能比傳統方法更可持續。我們的分析顯示，儘管LLMs對環境有影響，但在美國，它們的效率可能高於人力勞動。經濟考量可能促使人類與LLMs共同工作，而非單純取代。隨著LLMs規模增長，能源消耗可能上升，這凸顯了持續研究以確保其可持續性的重要性。 PubMed DOI

作為人工智慧安全專家，我常在創新與謹慎之間掙扎，尤其是面對大型語言模型（LLMs）。這些模型雖然能力驚人，但也引發了社會、倫理和安全的擔憂。 主要問題包括生成錯誤資訊的風險，可能削弱公眾對媒體的信任；偏見問題，因訓練數據可能不具代表性；隱私問題，若數據中含有個人資訊；以及過度依賴，可能影響批判性思維。 為了應對這些挑戰，開發和部署LLMs時必須重視安全與倫理，並促進研究人員、政策制定者和業界的合作，確保技術能服務於更大公益。 PubMed DOI

這篇論文探討生成式AI如何結合神經科學和生理學，推動精神醫學發展。AI能協助資料分析、實驗設計、臨床支援，還有助於發現新生物標記和建構症狀模型。作者強調AI與神經科學互相促進，但也提醒要注意數據品質、隱私和資源限制，建議在精神健康照護中審慎運用AI。 PubMed DOI

這篇評論（為三部曲第二部）探討AI在神經醫學的應用，包括診斷、病患互動和個人化治療，也談到責任歸屬、AI黑盒子等倫理問題，並思考AI是否會有自我意識。作者強調AI雖能改變照護模式，但仍需倫理監督與人類主導，並為下一部聚焦全球健康與數據分析做準備。 PubMed DOI