2021年初，欧盟委员会提出了有史以来第一个人工智能监管框架，我们在这里的文章中对此进行了讨论。人工智能法规草案包括一套拟议的规则，旨在就人工智能的具体用途提供明确的要求和义务。欧盟委员会试图考虑到人工智能的快速发展性质，承诺该法案将提供“一个面向未来的人工智能定义”。该法规草案将人工智能定义为“使用附件一中列出的一种或多种技术和方法开发的软件，并且对于一组给定的人类定义的目标，可以生成诸如内容，预测，建议或影响其交互环境的决策之类的输出。然而，这一定义非常宽泛：问题在于，像条例所提议的一般法律那样的法律是否会过于宽泛，以至于变得无效。这个定义在捕获所有人工智能方面的有效性还有待观察，特别是与尚未发明的未来技术有关，因此尚未在所涵盖的列表中设想。附件1的内容可能会在磋商阶段进行审查。根据TheRegister的Katyanna Quach的一篇文章，科学家估计仅训练一个神经“超级网络”的成本就超过了附近太空任务的成本：神经网络以及利用庞大数据集训练它们所需的硬件数量正在增长。以GPT-3为例：它有1750亿个参数，是其前身GPT-2的100倍。近期，中外科研工作者合作的一项技术成果在神经生物学顶级期刊《自然·神经科学》上发布。这项研究首次将人工智能领域的元学习方法引入神经科学及医疗领域，能在有限的医疗数据上训练可靠的AI模型，提升基于脑成像的精准医疗效果。脑成像技术是神经科学发展的一个重要领域，能够直接观察大脑在信息处理和应对刺激时的神经化学变化，从而对疾病的诊断和治疗提供重要参照。理论上，基于脑成像的AI模型可应用于预测个人的一些表征特性。研究者通过对先前的小样本数据分析发现，个体的认知、心理健康、人口统计学和其他健康属性等表征特性与大脑成像数据之间存在一种内在的相关性。基于小样本数据和大数据集之间的这种相关性，研究者提出名为元匹配的方法。这一方法可以将大数据集上训练出来的机器学习模型迁移到小数据集上，从而训练出更可靠的模型，以更准确地预测新的表型。
目前，这一新方法已经在英国生物银行和人类连接组计划的数据集上完成了测评，测评结果显示，新方法相较于传统方法体现出更高的准确率。实验显示，这项新的训练框架非常灵活，可以与任何机器学习算法相结合，在小规模的数据集上，也可以有效地训练泛化性能好的AI预测模型。
