


Drei große Herausforderungen für die Popularisierung und Anwendung künstlicher Intelligenz
Die Nutzung vernetzter intelligenter Geräte nimmt rasant zu, sie sind jedoch noch nicht weit verbreitet, und die weit verbreitete Einführung von KI steht vor vielen Herausforderungen.
Viele Freunde haben vielleicht erkannt, dass künstliche Intelligenz unser Leben beeinflusst hat. Die Verwirklichung einer allgegenwärtigen künstlichen Intelligenz könnte in der Zukunft lebensverändernd sein. Beispielsweise wird unser Essen nie schlecht und alles, was wir essen, ist gesund. Schon beim Einkaufen erkennt das Geschäft sofort, dass wir hereingekommen sind, und beginnt, maßgeschneiderte Produkte zu empfehlen. Deshalb ist es wichtig, die Hindernisse für die Einführung von KI zu verstehen und abzubauen.
3 Hindernisse für die Einführung von Anwendungen der künstlichen Intelligenz:
- Hardware und Hardwarekompatibilität sind der Schlüssel, und die Technologie ist noch nicht ausgereift.
- Menschen haben Grund, sich über Datenschutzprobleme Sorgen zu machen.
- Die notwendige Technik ist sehr teuer.
Die erste Herausforderung: Hardware
wie ein intelligenter Kühlschrank. Samsung brachte 2018 ein solches Gerät auf den Markt, allerdings war es eher ein Novum. Nach Angaben einer Organisation waren intelligente Kühlschränke im Jahr 2019 in Nordamerika am beliebtesten und machten 31 % des Weltmarktes aus. Dabei handelt es sich jedoch nicht um Geräte im Star-Trek-Stil mit Touchscreen, sondern sie sind intelligent dank interner Schaltkreise, die eine höhere Effizienz und Selbstüberwachung ermöglichen, und Benutzer bemerken möglicherweise nicht einmal, wie intelligent das Gerät ist.
Der Austausch großer Geräte dauert länger als bei Mobiltelefonen, und Verbraucher tauschen große Gegenstände nach Bedarf aus. Daher ist die Wahrscheinlichkeit, ein neues Telefon zu kaufen, nur weil es effizienter ist, geringer als der Kauf eines neuen Telefons, weil die Akkulaufzeit etwas kürzer ist längere Möglichkeit.
Hardware zu aktualisieren ist auch keine einfache Aufgabe. Wir können nicht einfach eine Wi-Fi-Karte an jedem Kühlschrank anbringen und hoffen, dass diese Serviceaufzeichnungen an das örtliche Reparaturzentrum sendet. Die meisten elektronischen Geräte in unserem Leben sind nicht modular oder so konzipiert, dass sie weit über ihr aktuelles Design hinaus skalierbar sind. Dies stellt eine gravierende Einschränkung für die Integration von IoT-Geräten dar, denn jeder, der nur ein paar intelligente Glühbirnen besitzt, wird Ihnen sagen, dass Hardware und Hardwarekompatibilität von entscheidender Bedeutung sind, und wir sind noch nicht so weit.
Das heißt, intelligente Kühlschränke sowie andere Beispiele intelligenter Hardware sind absolut notwendig, um ein zukünftiges Leben aufzubauen, das auf künstlicher Intelligenz basiert. Es wird eine Weile dauern, bis wir uns auf eine Zukunft mit KI-gesteuerter Hardware einigen können, von der einige von uns früher überzeugt sein werden als andere. Diese Gruppe von Early Adopters ist von entscheidender Bedeutung, um den Weg zur Masseneinführung zu ebnen, dabei zu helfen, Schwachstellen zu beheben und zu beweisen, dass diese Produkte nicht nur funktionieren, sondern auch einen Mehrwert für das Leben der Menschen darstellen.
Zweite Herausforderung: Datenschutz
Wir betreten eine Ära, in der personenbezogene Daten wertvoller denn je sind, und die Verbraucher beginnen, diese Tatsache zu erkennen. Ein Bericht aus dem Jahr 2019 zeigte, dass mehr als 60 % der Befragten vernetzte Geräte für gruselig hielten, was die Akzeptanz solcher Geräte verringern könnte.
Obwohl das alles einschüchternd klingen mag, gibt es einige interessante Innovationen, die diese Schwachstellen angehen. Möglicherweise genießen wir die Vorteile dieser Denkweise, ohne es überhaupt zu merken. Um dies zu verstehen, müssen wir einen Raum voller Netzwerkgeräte betreten.
Die meisten von uns sind mit Serverräumen vertraut, dank einiger der banalen, aber hochtechnologischen Rechenzentren, die wir in Fernsehsendungen und Filmen sehen. Was den meisten Verbrauchern nicht bewusst ist, ist, dass Unternehmen nicht ihre gesamte Rechenzentrumshardware auf einmal aktualisieren. Genauso wie Sie beim Kauf eines neuen Laptops wahrscheinlich keinen neuen Router kaufen, werden im Laufe der Zeit hier und da Komponenten im Rechenzentrum ausgetauscht, und am Ende kann es zu einem Flickenteppich aus Anbietern und Diensten kommen.
Vor einiger Zeit haben Netzwerkadministratoren die Verwaltung vereinheitlicht und dem zugrunde liegenden System gleichzeitig die Mikroverwaltung einzelner Komponenten ermöglicht. Dafür ist eine spezielle Software erforderlich, die die unterschiedlichen Anforderungen aller unterschiedlichen Geräte integriert, sie nach Bedarf steuert und gleichzeitig die Details für Manager verschleiert.
Da Rechenzentren immer weiter modernisiert werden, wird in ihnen immer mehr Privatsphäre verankert. Auch wenn wir noch nicht jedem unserer Schritte in Richtung künstlicher Intelligenz völlig vertrauen können, können wir davon ausgehen, dass in den nächsten Jahren die meisten Rechenzentren den Datenschutz in den Mittelpunkt stellen werden.
Letzte Herausforderung: Kosten
Die Kosten aktueller KI-Lösungen sind oft unerschwinglich. Dies ist jedoch nicht immer der Fall.
Wir bringen KI bereits auf kostengünstigere Weise an den Rand, indem wir Software auf die vorhandene Hardware aufschichten, anstatt auf spezielle KI-spezifische Chips zu warten. Wir können Maschinen mit Funktionalität ausstatten, indem wir ihre Netzwerke und Stromnetze nutzen.
Zurück zu unserem nicht ganz so intelligenten Kühlschrank: Was würde passieren, wenn der Elektrokasten durch einen intelligenten Elektrokasten ersetzt würde, der den Kühlschrank in Ihrem Zuhause anhand seines Stromverbrauchs erkennt? Die intelligente Elektrobox kennt den Hersteller und das Modell des Kühlschranks und trifft anhand dieser Informationen Entscheidungen über den Inhalt des Kühlschranks. Fügen Sie eine intelligente Küchenkamera oder eine integrierte Waage hinzu, und wir können ohne große Kosten Sensoren hinzufügen.
Letztendlich werden die besten KI-Lösungen all diese Barrieren überwinden. Sie werden die KI den Endverbrauchern zugänglich machen, ohne auf spezielle Chips angewiesen zu sein, was dazu führen wird, dass die Verbraucher ihre Geräte durch neue ersetzen müssen. Schließlich ist die allgegenwärtige KI überall dort darauf angewiesen, wo sie benötigt wird.
Das obige ist der detaillierte Inhalt vonDrei große Herausforderungen für die Popularisierung und Anwendung künstlicher Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
