这无疑会激怒许多Facebook批评者，他们仍然坚决反对事实调查。
今天，Meta宣布推出一种新的人工智能模型，该模型能够同时自动扫描数十万条网站引用，以检查它们是否真正支持页面上的相应声明。
正如你在这个例子中看到的，Meta的新“球体”系统能够扫描维基百科页面，例如，寻找文本中的支持链接。然后，它可以匹配链接页面是否确实加强了原始帖子中的声明。
正如Meta所解释的：
“[这个过程]让人们注意到有问题的引用，允许人工编辑评估最有可能有缺陷的案例，而不必筛选数千条正确引用的陈述。如果引用似乎无关紧要，我们的模型将建议更适用的来源，甚至指向支持该主张的特定段落。”
因此，这本质上是对参考链接的双重检查，目前只关注维基百科页面。但它最终可能扩展到所有网站和参考链接，以帮助确保更准确的数据共享，减少人工劳动。
梅塔说，它首先关注维基百科，因为它是网络上引用最多的知识来源之一。
“作为有史以来最受欢迎的百科全书，维基百科拥有约650万篇文章，是搜索研究信息、背景材料或回答有关流行文化的烦人问题的默认第一站。但有时，快速搜索信息会带来一个烦人的疑问：我们如何知道我们正在阅读的内容是否准确？”
由于维基百科是众包的，并且不断扩展，平台的志愿者团队越来越难以跟上公共编辑，这可能会导致错误信息和混乱。你很可能在备受关注的新闻故事中看到过这一点，人们会将维基百科页面编辑成一个笑话。
这可能对模因有好处，但也会降低维基百科信息的准确性，现在有这么多人依赖该网站获取信息，这可能会产生问题。
这就是这个新系统的用武之地——尽管作为一个搜索引擎优化工具，它在检测和提醒网页所有者断开或错误链接方面可能具有更大的价值，这有助于确保更好的数据映射，以在上下文中匹配相关查询。
在这方面，一个能够提醒网站管理员注意有问题的链接的自动化系统可能非常有价值，并可以改善更广泛的网络信息流和准确性，促进更好的数据生态系统。
这也标志着人工智能理解和类人信息处理的又一重大进步。
“为了成功完成这项任务，人工智能模型必须理解有问题的主张，在引用的网站上找到相应的段落，并预测来源是否真正验证了陈述[……]如果一个人将使用推理和常识来评估引用，我们的系统应用自然语言理解（NLU）估计索赔可从来源推断的可能性的技术。在自然语言处理中，模型将人类句子（或单词、短语或段落）转换为复杂的数学表示。我们设计了一些工具来比较这些表述，以确定一种表述是否支持另一种表述。”
梅塔说，该模型及其1.34亿个网页的数据集现在可以通过开源来扩展相关的研究项目。
这是一个有趣的项目，有一系列潜在的用例——随着越来越多的人变得更加依赖于他们在网上阅读的内容，任何能够提高显示内容准确性的措施都只能是积极的。
你可以在这里阅读更多关于Meta的Sphere项目的信息。
图文内容来源于网络，版权归原作者所有，侵权请联系删除。
