才会有的微动作。
苏酥雪在新年假期期间没有休息。她利用矿区大部分人员休假、计算资源相对空闲的窗口期，对棋手模型进行了第四轮训练。这一轮训练的数据集覆盖了七个主干领域中的五个，数据总量达到了前三次训练总和的两倍以上。训练耗时十一天，期间服务器的散热风扇几乎一刻不停地高速旋转，机房里的温度比走廊高出将近十摄氏度。
训练完成后，苏酥雪对棋手进行了一组标准化的能力评估测试。测试结果显示，棋手在跨领域推理任务上的表现相比第三轮训练有了显著的提升——在涉及材料科学、能源工程和航天技术三个交叉领域的综合性问题上，它的输出质量已经接近甚至超过了源点实验室内部资深工程师的平均水平。
但更让苏酥雪在意的，不是那些可以量化的评分指标，而是棋手在测试过程中表现出的一种新的行为倾向。在面对一个它无法确定答案的问题时，它不再像前几轮训练中那样勉强输出一个置信度较低的答案，而是会主动标注：“当前知识库中的信息不足以支持可靠判断，建议补充以下方向的实验数据或文献资料后再做分析。”
这种“知道自己不知道”的能力，在人工智能领域被称为“不确定性感知”——它是衡量一个AI系统是否具备可靠决策能力的关键指标之一。一个不知道自己不知道什么的系统，是危险的；一个能够准确识别自己知识边界的系统，才是可信赖的。
苏酥雪在评估报告的末尾写道：“棋手已经具备了初步的不确定性感知能力。这是一个里程碑式的进展。下一步的重点，是将这种能力从不确认识别扩展到错误纠正——当它发现自己之前的推理存在偏差时，能否主动回溯并修正。”
一月下旬，伦敦。
卢卡斯·墨尔斯收到了技术主管提交的关于非洲某国反对派武装的详细调查报告。报告的内容比他预想的要丰富得多——该国境内目前活跃着至少三支具有一定规模的反对派武装，其中两支主要集中在北部边境地区，活动范
本章未完，请点击"下一页"继续阅读！ 第3页 / 共6页