美國科研機構突破技術大關，可比較人腦與機器推理進程的不同，還可比較模型與人類推理的匹配度，或?qū)⒂糜谂R床醫(yī)療。它就是“共享興趣”技術。

麻省理工大學和IBM研究實驗室的科研人員開創(chuàng)了一個新的技術。該技術通過使用多個指標來對龐大的數(shù)據(jù)進行比對，并劃分為八個類別，從與人類的判斷完全一致到模型做出完全錯誤的判斷，幫助開發(fā)者自行對大量的數(shù)據(jù)進行匯總和排序，從而快速分析程序模型在數(shù)據(jù)處理中的各種異常行為。

例如，當一個圖像識別程序模型對大量狗的圖片進行處理時，這個模型可能會處于和人類一樣的理由判斷成功圖片上的一只狗，也有可能基于不一樣的理由做出同樣的答案，還有不使用人類預設的任何狗的圖像特征而做出了錯誤答案的可能性。這個技術通過量化所有的識別圖像數(shù)據(jù)，從而讓人們對這些情況進行分類，從而分析出這個程序模型在圖像識別中的具體問題。

麻省理工學院和IBM研究實驗室的人們將該技術稱之為“共同興趣”。他們使用了幾個案例來證明“共同興趣”對非相關人員對幫助和功用。其中最引人注目的是一個醫(yī)學領域的實驗?！肮餐d趣”技術幫助一位皮膚科醫(yī)生快速瀏覽了程序模型對皮膚病照片的各種判斷，最終成功排除了其中因為成像的陰影而導致模型做出的錯誤的癌癥判斷。

“共同興趣”技術在這些案例中表現(xiàn)出來了高效功用，使研究人員能夠在平時的手動方法所需的一小段時間內(nèi)分析出數(shù)千個正確和不正確的結果，但它并非沒有缺點。由于該技術需要通過人類的判斷來對大量大數(shù)據(jù)分析進行篩選分類，如果人類做出了錯誤的決定，那么“共同利益”技術得出的結論將不再具有準確性。
麻省理工學院和IBM研究實驗室的科研人員們表示，他們希望將“共同興趣”技術應用于不同類型的數(shù)據(jù)，特別是醫(yī)療記錄中使用的數(shù)據(jù)，來幫助相關人員做出快速準確的判斷。他們還希望使用共同利益來幫助改進計算機程序的數(shù)據(jù)模型分析技術。“共同興趣”的研究也許激發(fā)計算機領域的新的變革，促進以對人類更有幫助的方式來改進程序?qū)W習模型行為。