


Warum Menschen keine Angst davor haben sollten, durch KI-Automatisierung ersetzt zu werden
Da Unternehmen jetzt Tools der künstlichen Intelligenz einsetzen, um alles zu tun, von der Übersetzung von Reden bis hin zum Aufbau von Sprachlernmodellen für große Gesetze, beginnen viele Mitarbeiter zu befürchten, dass sie bald arbeitslos sein könnten.
Allerdings argumentierte Noah Smith, Autor der beliebten Website Noahpinion, in einem Artikel, dass sich die Menschen noch keine Sorgen darüber machen sollten, dass ihre Jobs automatisiert werden.
Smith schrieb: „Die allgemeine Auffassung ist, dass sie Menschen von der Arbeit vertreibt – heute leisten Sie wertvolle Arbeit, morgen erhalten Sie Sozialleistungen. Die Realität sieht jedoch so aus.“ Automatisierungstechnologie seit Jahrhunderten und ab 2023 wird fast jeder, der einen Job will, noch einen Job haben.“
Was bedeutet Automatisierung? Citibank an PricewaterhouseCoopers.
Smith weist darauf hin, dass der Begriff „Automatisierung“ in diesen Studien nie klar definiert ist, sondern alle zusammen unterschiedliche Grade „alternativer“ Hypothesen veranschaulichen. In manchen Fällen, wie zum Beispiel „Sie erhalten neue Tools, mit denen Sie langweilige Teile Ihrer Arbeit automatisieren und so in eine wertvollere Position befördert werden können“, gibt es sogar neue Vorteile.
Das bedeutet, dass es schwierig ist, pauschale Schlussfolgerungen darüber zu ziehen, was Automatisierung für eine bestimmte Person bedeutet.
Ein weiteres Problem, auf das Smith hinweist, besteht darin, dass diese Studien nicht darauf eingehen, wie sich der Arbeitsmarkt insgesamt verändern wird. Er glaubt, dass „wenn ein Arbeitsplatz durch Automatisierung vernichtet wird und zwei andere höher bezahlte Arbeitsplätze geschaffen werden, der Arbeitnehmer der klare Gewinner ist.“ Die Forschung zu diesem Thema scheint sich jedoch nur auf die Automatisierung zu konzentrieren, was darauf hindeuten könnte, dass die Arbeitnehmer der Gewinner sind Verlierer in dieser Situation, auch wenn das nicht der Fall ist.
Die Beurteilung von „Ersetzung“ ist oft subjektiv.
Smith weist außerdem darauf hin, dass in früheren Studien zu viel Subjektivität bei der Beurteilung des Risikos eines Arbeitsplatzwechsels verwendet wurde.
In einer Studie von Frey und Osborne (2013) stellten die Forscher fest, dass sie Jobs aus einer vom US-Arbeitsministerium entwickelten Datenbank „subjektiv von Hand beschriftet“ und ihnen eine Punktzahl von 1 gegeben haben, wenn es sich um „automatisierbare“ Punkte handelte. Wenn nicht, geben Sie 0 Punkte.
Die Forscher stellten außerdem fest, dass sie sich nur auf eine kleine Teilmenge der Jobs in der Datenbank konzentrierten, „bei denen wir großes Vertrauen in ihre computergestützten Bezeichnungen haben“, um das Risiko einer „subjektiven Verzerrung, die unsere Analysen beeinflusst“, weiter zu verringern.
Die gute Nachricht ist, dass sich die Forschungsmethoden seitdem verbessert haben, sagte Smith.
Eine Anfang dieses Monats von Goldman Sachs veröffentlichte Studie bewertete die Auswirkungen künstlicher Intelligenz auf die Automatisierung, indem sie Arbeitsplätze als eine Summe von Aufgaben betrachtete, die in Regierungsdatenbanken beschrieben werden, und nicht als monolithische Einheit.
Smith bemerkte, dass die Forscher von Goldman Sachs auch erkannten, dass, wenn nur einige Aufgaben automatisiert werden, „die Automatisierung oft eine ergänzende Rolle spielt, anstatt Arbeitskräfte zu ersetzen“.
Darüber hinaus unterstützt die Studie die Idee, dass Automatisierung nicht immer Entlassungen bedeutet, und stellt fest, dass „Technologie einige Aufgaben ersetzen kann, uns aber auch bei der Ausführung anderer Aufgaben effizienter machen und neue Aufgaben und neue Arbeitsplätze schaffen kann“.
Als Forbes jedoch über diese Studie berichtete, lautete die Schlagzeile: „Goldman Sachs prognostiziert, dass künstliche Intelligenz 300 Millionen Arbeitsplätze eliminieren oder abbauen wird.“
Smith schrieb: „Viele Menschen sind so an die ‚Roboter übernehmen unsere Jobs‘-Erzählung gewöhnt, dass sie jedes Ergebnis, das sie sehen, durch eine verzerrte Linse berichten.“
Das obige ist der detaillierte Inhalt vonWarum Menschen keine Angst davor haben sollten, durch KI-Automatisierung ersetzt zu werden. 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

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

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

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

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

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
