过去两年人工智能程序的语言流畅度达到了惊人的水平。其中最优秀的程序都是基于 2017 年发明的、被称为 Transformer 的架构。它以方程式列表的形式，作为程序遵循的一种蓝图。除了这个简单的数学概述之外，我们不知道 Transformer 对处理的单词做了什么。普遍的理解是它们以某种方式同时关注多个单词，从而可以立即进行“大图景”分析，但究竟是如何工作的——或者甚至这是否是准确理解 Transformer 的方式——都还不清楚。我们知道成分，但不知道配方。Anthropic 公司的研究人员进行的两项研究开始从根本上弄清楚 Transformer 在处理和生成文本时在做什么。在 12 月发布的首篇论文中，他们着眼于架构的简化版本并充分解释了它们的功能。作者还展示了从学习基本语言模式到获得语言处理通用能力的简单 Transformer。

在 3 月8 日发表的第二篇论文中，研究人员表明，负责这种能力的相同组件在最复杂的 Transformer 中也发挥作用。虽然这些模型的运算在很大程度上仍难以理解，但是这些结果为理解提供了一个途径。理解Transformer 的难点在抽象性。传统程序遵循着一个可以理解的过程，如看到“绿色的”时输出“草”，而Transformer 则是将“绿色的”这个单词转换为数字，然后将其乘以某些值。这些值（也被称为参数）决定下一个单词是什么。它们在训练过程中得到微调，模型在这个过程中学会了如何产生最佳输出，但尚不清楚模型在学习的是什么。大多数机器学习程序将运算打包成模块化的成分，这些成分被称为神经元。Transformer 加入了一种额外的成分，被称为注意力头（attention head），成组的头分层排列（就像神经元一样）。但是头执行的操作和神经元完全不同。头通常被理解为允许程序记住输入的多个单词，但这种解释远非定论。

周四苏格兰卫生官员公布了一项国际研究的早期结果，调查了数十起令人费解的儿童严重肝炎病例。少数病例导致急性肝功能衰竭和肝移植。周四的报告详细描述了苏格兰的 13 例严重病例，主要发生在 3 至 5 岁的儿童中，几乎所有的病例都发生在今年的 3 月和 4 月。苏格兰通常一整年记录的儿童不明原因肝脏炎症（即肝炎）不到四例。今年苏格兰的 13 例病例中，有一例进行了肝移植，五例仍在住院。还没有报告死亡。英格兰的卫生官员在 2022 年报告了大约 60 例不明原因的重症肝炎病例，其中大部分是 2 至 5 岁的儿童。其中一些病例发展为急性肝功能衰竭，少数还导致了肝移植。同样也没有死亡报告。苏格兰的官员在报告中指出，他们还在同美国疾病控制和预防中心保持联系，后者也在调查自己的儿童肝炎病例群。卫生官员正在竞相了解这些急性疾病背后的原因。在迄今为止描述的病例中，最明显的会导致肝脏炎症的传染性罪魁祸首——肝炎病毒（从甲型到戊型）已被排除，因为孩子们的检测结果一直都是阴性的。卫生调查员也没有发现可以解释这些疾病的常见食物、饮料或个人护理用品。病例之间没有明确的联系，也没有旅行的联系。研究人员也没有看到细菌感染的有力证据。

融化的冰盖可能不会阻挡洋流。气候学家将大西洋经向翻转环流（AMOC）视为我们这个行星最大的气候灾难转折点之一。大西洋洋流就像是一条传送带，向北运送温暖的热带地表水，向南运送比较冷也比较重的深水。在《自然气候变化》期刊上发表的一项研究中，威斯康星大学麦迪逊分校的 Feng He 和俄勒冈州立大学的古生物气象学家 Peter Clark 描述了一种与过去 1 万年的变暖相匹配的新模拟模型。他们是通过取消大多数科学家认为停止或阻断 AMOC 的触发机制做到的。地球表面温度升高导致北冰洋和格陵兰冰盖的海冰融化，将淡水释放到海洋中。科学家普遍认为，淡水流入扰乱了北大西洋的密度差异，使 AMOC 向北的水流下沉并返回南方。He 表示：“问题出在地质气候数据上”。尽管气候记录显示北美和欧洲冰盖的最终融化产生了大量的淡水，但 AMOC 几乎没有改变。因此 He 在模型中删除了淡水洪流的假设。He 表示：“如果没有淡水进来让模型中的 AMOC 减速，我们得到的模拟结果与气候记录中的温度数据的一致性更好，也更持久。”“重要的结果是，根据数据和模型，AMOC 对淡水的敏感性似乎低于长期以来的看法。”AMOC 急剧减弱造成的后果广泛，包括北美东海岸的海平面迅速上升、可能会扰乱农业的欧洲降温、亚马逊热带雨林干涸以及亚洲季风的破坏。新的建模研究预计 AMOC 强度的下降幅度要小得多，但这并不排除突然的变化。