


Ehemaliger Google-CEO: KI ist wie Atomwaffen. Große Länder müssen eine „KI-Abschreckung' aufbauen, um gegenseitige Zerstörung sicherzustellen.
Der frühere Google-Chef Eric Schmidt verglich in einem Interview künstliche Intelligenz mit Atomwaffen und forderte einen ähnlichen, gegenseitig zugesicherten Zerstörungsabschreckungsmechanismus, um zu verhindern, dass die mächtigsten Länder der Welt sich gegenseitig aufgrund von KI zerstören.
Mutually Assured Destruction (kurz M.A.D.-Mechanismus, auch bekannt als das Prinzip der gegenseitigen Zerstörung) ist eine Idee der „alle zerstörten“ Natur. Wenn eine der beiden gegnerischen Parteien es vollständig ausnutzt, werden beide Parteien zerstört, was als „Gleichgewicht des Terrors“ bezeichnet wird.
Schmidt verglich KI mit Atomwaffen und sagte, dass China und die Vereinigten Staaten in Zukunft möglicherweise einen Vertrag schließen könnten, der dem Verbot von „Atomtests“ ähnelt, um zu verhindern, dass KI die Welt zerstört.
Schmidt: Ich war damals sehr jung und naiv
Am 22. Juli sprach Schmidt auf der Sitzung des Aspen Security Forums zu nationaler Sicherheit und künstlicher Intelligenz über die Entwicklung der künstlichen Intelligenz.
Auf eine Frage zu ethischen Werten in der Technologie erklärte Schmidt, dass er selbst in den frühen Tagen von Google naiv gegenüber der Macht der Informationen gewesen sei.
Anschließend forderte er, dass sich die Technologie besser an der Moral und Ethik derjenigen orientiert, denen sie dient, und zog einen bizarren Vergleich zwischen künstlicher Intelligenz und Atomwaffen.
Schmidt geht davon aus, dass China und die Vereinigten Staaten in naher Zukunft einige Verträge zum Thema künstliche Intelligenz unterzeichnen müssen.
Schmidt sagte: „In den 1950er und 1960er Jahren gab es eine ‚zu erwartende‘ Regel für Atomtests, und Atomtests wurden schließlich verboten.“
Schmidt glaubt: „Dies ist ein Beispiel für ein Gleichgewicht.“ Vertrauen oder Mangel an Vertrauen, es gilt die Regel „Keine Überraschungen“. Er ist sehr besorgt, dass zwischen den beiden KI-Mächten USA und China aufgrund einiger Missverständnisse und Missverständnisse etwas entstehen könnte, was zu gefährlichen Ereignissen führen würde.
Schmidt sagte, dass derzeit niemand auf diesem Gebiet forscht, aber künstliche Intelligenz so mächtig sei.
Eric Schmidt war von 2001 bis 2011 CEO von Google, von 2011 bis 2015 Executive Chairman von Google und von 2015 bis 2017 Executive Chairman von Alphabet, von 2017 bis 2020 war er als technischer Berater für Alphabet tätig.
Im Jahr 2008, als er Vorsitzender von Google war, setzte sich Schmidt für Barack Obama ein und war später zusammen mit Eric Lander (Council of Advisors on Science and Technology) Mitglied des Wissenschafts- und Technologiebeirats von Präsident Obama.
Von 2019 bis 2021 war Schmidt gemeinsam mit Robert O. Work Vorsitzender der Nationalen Sicherheitskommission für KI.
Ist KI wirklich so gefährlich?
Künstliche Intelligenz und maschinelles Lernen sind eine beeindruckende, aber oft missverstandene Technologie. Meistens ist es nicht so intelligent, wie die Leute denken.
Es kann Kunstwerke auf Meisterwerksniveau produzieren, Menschen in „StarCraft 2“ schlagen und auch einfache Telefonanrufe für Benutzer tätigen. Der Versuch, es komplexere Aufgaben wie autonomes Fahren erledigen zu lassen, hat jedoch keine großen Fortschritte gemacht . reibungslos.
Schmidt geht davon aus, dass in naher Zukunft sowohl China als auch die Vereinigten Staaten über Sicherheitsfragen besorgt sein werden, was beide Seiten dazu zwingen wird, eine Art Abschreckungsabkommen über künstliche Intelligenz zu schließen.
Er sprach über die 1950er und 1960er Jahre, als Länder mithilfe der Diplomatie eine Reihe von Kontrollen der tödlichsten Waffen der Welt organisierten. Aber es würde Jahrzehnte nuklearer Explosionen dauern, bis die Welt den Punkt erreicht hätte, an dem der Vertrag über das Verbot von Nuklearversuchen sowie SALT II und andere wegweisende Gesetze in Kraft traten, wie etwa die nuklearen Explosionen in Hiroshima und Nagasaki.
Die Vereinigten Staaten zerstörten am Ende des Zweiten Weltkriegs zwei japanische Städte mit Atomwaffen, töteten Tausende von Menschen und bewiesen der Welt den ewigen Schrecken von Atomwaffen.
Anschließend entwickelten auch die Sowjetunion und China erfolgreich Atomwaffen, und dann wurde Mutually Assured Destruction (MAD) geboren, eine Abschreckungstheorie, die ein „Gleichgewicht der Gefahren“ aufrechterhält, um sicherzustellen, dass, wenn ein Land eine Atomwaffe abfeuert, andere Länder werden es wahrscheinlich auch starten.
Bisher hat die Menschheit darauf verzichtet, die zerstörerischsten Waffen auf dem Planeten einzusetzen, weil dies die Zivilisation auf der ganzen Welt zerstören könnte.
Hat künstliche Intelligenz derzeit eine solche Macht?
Es scheint, dass künstliche Intelligenz nicht so zerstörerisch ist wie Atomwaffen, aber viele Machthaber haben Angst vor dieser neuen Technologie. Menschen schlagen sogar vor, die Kontrolle über Atomwaffen der künstlichen Intelligenz zu übertragen ist mächtiger als Menschen. Besser geeignet als Schiedsrichter für den Einsatz von Atomwaffen.
Vielleicht liegt das Problem mit KI also nicht darin, dass sie die potenziell weltzerstörende Kraft von Atomwaffen besitzt, sondern dass KI nur so gut ist wie ihre Designer und sie die Werte ihrer Schöpfer widerspiegeln.
Künstliche Intelligenz hat das klassische „Müll rein, Müll raus“-Problem. Rassistische Algorithmen bringen rassistische Roboter hervor, und künstliche Intelligenz wird auch Vorurteile hervorrufen.
DeepMind-CEO Demis Hassabis versteht das besser als Schmidt.
DeepMind hat eine KI trainiert, die in der Lage ist, Starcraft II-Spieler zu besiegen. In einem Interview im Juli im Lex Fridman Podcast fragte Fridman Hassabis, wie man eine so mächtige Technologie wie KI kontrollieren könne und wie Hassabis selbst es vermeiden könne, durch solche Macht korrumpiert zu werden.
Hassabis‘ Antwort: „KI ist eine zu große Idee“, sagte er, „Was zählt, ist, wer (künstliche Intelligenz) geschaffen hat, aus welcher Kultur sie kommt, welche Werte sie haben und dass sie KI sind. Der Erbauer des Systems.“ . Das KI-System wird von selbst lernen ... aber die Kultur und Werte des Systemschöpfers bleiben im System.“
Künstliche Intelligenz ist ein Spiegelbild ihres Schöpfers, 1,2 Millionen Tonnen. Eine Superexplosion Eine Stadt kann nicht dem Erdboden gleichgemacht werden, es sei denn, Menschen lehren sie, dies zu tun.
Das obige ist der detaillierte Inhalt vonEhemaliger Google-CEO: KI ist wie Atomwaffen. Große Länder müssen eine „KI-Abschreckung' aufbauen, um gegenseitige Zerstörung sicherzustellen.. 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

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

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 |. 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 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
