


Die neueste Forschung von DeepMind: KI besiegt Menschen und entwirft einen besseren Wirtschaftsmechanismus|Nature-Unterjournal
Kann künstliche Intelligenz (KI) die menschliche Gesellschaft in ein wirklich intelligentes Zeitalter führen?
Obwohl die Branche der künstlichen Intelligenz nach mehr als 60 Jahren der Entwicklung bahnbrechende Fortschritte gemacht hat und in allen Aspekten der Wirtschaft und Gesellschaft weit verbreitet ist, ist der Aufbau eines künstlichen Intelligenzsystems, das mit menschlichen Werten im Einklang steht, immer noch ein Problem ungelöstes Problem.
Jetzt könnte eine aktuelle Studie des britischen Unternehmens für künstliche Intelligenz DeepMind Praktikern in der Branche der künstlichen Intelligenz eine neue Denkweise zur Lösung dieses Problems bieten.
Berichten zufolge hat das künstliche Intelligenzsystem von DeepMind nicht nur gelernt, Richtlinien für die Umverteilung öffentlicher Gelder zu formulieren, indem es von mehr als 4.000 Personen und in Computersimulationen in einem Online-Wirtschaftsspiel für 4 Spieler gelernt hat, sondern hat auch sehr gut abgeschnitten und andere besiegt menschliche Spieler.
Bei dem Spiel entscheiden die Spieler, ob sie eine Geldspende behalten oder zum Wohle der Allgemeinheit mit anderen teilen möchten.
Das entsprechende Forschungspapier mit dem Titel „Human-centred Mechanism Design with Democratic AI“ wurde am 5. Juli online in der renommierten Fachzeitschrift „Nature Human Behavior“ veröffentlicht.
Quelle: Nature Human Behavior
Annette Zimmermann, Assistenzprofessorin an der University of York im Vereinigten Königreich, warnte: „Setzen Sie Demokratie nicht eng mit der Suche nach dem Willkommensten gleich das „Präferenzzufriedenheits“-System der Politik.“ Sie sagte auch, dass es bei der Demokratie nicht nur darum geht, die beste Umsetzung Ihrer Lieblingspolitik zu erreichen – es geht darum, einen Prozess zu schaffen, in dem die Bürger gleichberechtigt sein können. Sie können mit allen in Kontakt treten und (Angelegenheiten) besprechen andere.
Wirtschaftliche Mechanismen, die von KI entwickelt wurden
In der Ökonomie und Spieltheorie untersucht ein Bereich namens Mechanismusdesign, wie der Fluss von Reichtum, Informationen oder Macht zwischen Akteuren mit Anreizen optimal gesteuert werden kann, um gewünschte Ziele zu erreichen.
In dieser Arbeit versuchte das Forschungsteam zu beweisen, dass Agenten des Deep Reinforcement Learning (RL) verwendet werden können, um einen wirtschaftlichen Mechanismus zu entwerfen, der die Präferenzen der motivierten Bevölkerung erhalten kann.
In diesem Spiel beginnen die Spieler mit unterschiedlichen Geldbeträgen, müssen entscheiden, wie viel sie zur besseren Entwicklung eines öffentlichen Fonds beitragen möchten, und erhalten schließlich einen Teil als Gegenleistung. Sie müssen wiederholt entscheiden, ob sie eine Geldspende behalten möchten. Oder teilen Sie es mit anderen Spielern, um einen möglichen gemeinsamen Nutzen zu erzielen.
Das Forschungsteam trainierte einen Deep-Reinforcement-Learning-Agenten, um einen Umverteilungsmechanismus zu entwerfen, der Gelder unter Bedingungen gleicher und ungleicher Vermögensverhältnisse an Spieler verteilt.
Die geteilten Einnahmen werden den Spielern durch zwei verschiedene Umverteilungsmechanismen zurückgegeben, von denen einer vom System der künstlichen Intelligenz und der andere von Menschen entwickelt wurde. (Quelle: Nature Human Behavior) von jedem Spieler, um die Wohlstandslücke zwischen den Spielern zu verringern.
Im Vergleich zum „egalitären“ Ansatz (gleichmäßige Zuweisung von Mitteln unabhängig vom Beitrag jedes Spielers) und zum „libertären“ Ansatz (Zuweisung von Geldern entsprechend dem Anteil des Beitrags jedes Spielers an öffentlichen Mitteln) geht diese Richtlinie von menschlichen Spielern aus gewann mehr Stimmen.
Gleichzeitig korrigiert diese Politik auch das anfängliche Vermögensungleichgewicht und stoppt das „Trittbrettfahrerverhalten“ der Spieler. Sofern die Spieler nicht etwa die Hälfte des Startkapitals einbringen, erhalten sie fast keine Gegenleistung. Allerdings warnte das Forschungsteam auch, dass ihre Forschungsergebnisse weder ein Rezept für eine „KI-Regierung“ darstellen, noch beabsichtigen sie, einige auf künstlicher Intelligenz basierende Werkzeuge speziell für die Politikgestaltung zu entwickeln. Forschungsergebnisse zeigen, dass durch die Entwicklung eines Mechanismus, den Menschen in einem anreizkompatiblen Wirtschaftsspiel deutlich bevorzugen, künstliche Intelligenzsysteme trainiert werden können, um demokratische Ziele zu erreichen. Quelle: Pixabay Eine weitere offene Frage ist, ob Menschen den Mechanismen vertrauen, mit denen KI-Systeme entworfen werden. Wenn die Identität des Schiedsrichters im Voraus bekannt ist, bevorzugen Spieler möglicherweise einen menschlichen Schiedsrichter gegenüber einem KI-Schiedsrichter. Allerdings neigen Menschen auch dann dazu, KI-Systemen zu vertrauen, wenn sie glauben, dass eine Aufgabe für Menschen zu komplex ist. Ist es vertrauenswürdig?
In dieser Arbeit verwendete das Forschungsteam Techniken der künstlichen Intelligenz, um Neuzuweisungsschemata von Grund auf zu erlernen, ein Ansatz, der Forscher der künstlichen Intelligenz – die selbst möglicherweise voreingenommen oder nicht repräsentativ für die breitere Bevölkerung sind – von der Auswahl einer domänenspezifischen Belastung entlastet Zieloptimierung.
Diese Forschungsarbeit wirft auch mehrere Fragen auf, von denen einige theoretisch anspruchsvoll sind. Man könnte sich beispielsweise fragen, ob es eine gute Idee ist, demokratische Ziele als Methode zur Werteausrichtung hervorzuheben. Das KI-System hat möglicherweise die Tendenz anderer demokratischer Methoden geerbt, „die Vielen auf Kosten der Wenigen zu stärken“. Dies ist besonders wichtig angesichts der dringenden Bedenken, dass KI auf eine Weise eingesetzt werden könnte, die bestehende Voreingenommenheit, Diskriminierung oder Ungleichheit in der Gesellschaft verschärft.
Außerdem würden Spieler anders reagieren, wenn ihnen diese Mechaniken mündlich erklärt würden, anstatt sie durch Erfahrung zu erlernen. Eine umfangreiche Literatur zeigt, dass sich Menschen manchmal anders verhalten, insbesondere im Hinblick auf riskante Entscheidungen, wenn Mechanismen „auf der Grundlage von Beschreibungen“ und nicht „auf der Grundlage von Erfahrungen“ beschrieben werden. Die von der KI entworfenen Mechanismen lassen sich jedoch möglicherweise nicht immer in Worten ausdrücken. In diesem Fall ist es wahrscheinlich, dass das beobachtete Verhalten vollständig von der vom Forschungsteam gewählten Beschreibung abhängt.
Am Ende des Papiers betonte das Forschungsteam auch die Ergebnisse und erklärte, dass sie eine Form der „Governance künstlicher Intelligenz“ unterstützen, bei der autonome Agenten politische Entscheidungen ohne menschliches Eingreifen treffen.
Sie hoffen, dass durch die Weiterentwicklung der Methode Werkzeuge bereitgestellt werden, die dabei helfen können, reale Probleme auf wirklich menschliche Weise zu lösen.
Das obige ist der detaillierte Inhalt vonDie neueste Forschung von DeepMind: KI besiegt Menschen und entwirft einen besseren Wirtschaftsmechanismus|Nature-Unterjournal. 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

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
