


Plötzlich wollen alle darüber reden, wie man künstliche Intelligenz regulieren kann
In letzter Zeit scheint sich die Einstellung der Menschen zur Politik der künstlichen Intelligenz geändert zu haben. Seit Jahren zögern US-Gesetzgeber und Technologieunternehmen, strenge Technologievorschriften einzuführen, oder sind sogar dagegen. Nun fordern beide eine Regulierung.
Letzte Woche erschien OpenAI-CEO Sam Altman vor einem US-Senatsausschuss, um die Risiken und das Potenzial von Sprachmodellen für künstliche Intelligenz zu diskutieren. Altman und viele Senatoren haben internationale Standards für künstliche Intelligenz gefordert. Er forderte die Vereinigten Staaten auf, eine Behörde ähnlich der US-amerikanischen Food and Drug Administration einzurichten, um die Technologie der künstlichen Intelligenz zu überwachen und auf deren Regulierung zu drängen.
Für jemanden wie mich, der sich leidenschaftlich für die KI-Politik einsetzt, war die Anhörung im Senat sowohl ermutigend als auch enttäuschend. Das ist ermutigend, denn die Diskussion scheint sich weg von leeren Selbstbeschränkungen und hin zur Festlegung von Vorschriften zu entwickeln, die Unternehmen möglicherweise zur Rechenschaft ziehen. Frustrierenderweise scheint diese Debatte die letzten mehr als fünf Jahre der KI-Politik vergessen zu haben.
Bild |. Sam Altman (Quelle: AP PHOTO/PATRICK SEMANSKY)
Ich bin nicht der Einzige, dem es so geht. „Der Vorschlag, dass der Kongress bei Null anfangen soll, untermauert nur das beliebte Narrativ der Branche, dass der Kongress so weit zurückliegt und die Technologie nicht versteht – wie kann er uns regulieren?“ Anna, Politikwissenschaftlerin am Institute for Data Democracy and Policy der George Washington University sagte Lenhart.
Tatsächlich haben Politiker im letzten Kongress von Januar 2021 bis Januar 2023 eine Vielzahl von Gesetzen zur künstlichen Intelligenz eingebracht. Lenhardt hat alle in dieser Zeit vorgeschlagenen KI-Regulierungen zusammengestellt.
Sie decken alles von der Risikobewertung über Transparenz bis hin zum Datenschutz ab. Keiner von ihnen hat den Schreibtisch des Präsidenten erreicht, aber angesichts der Tatsache, dass dieses trendige (oder für viele „beängstigende“) neue generative KI-Tool die Aufmerksamkeit Washingtons auf sich gezogen hat, hofft Lenhardt, dass einige von ihnen verbessert werden und in neuen Formen wieder auftauchen. Hier sind einige Punkte, auf die Sie achten sollten.
Algorithmisches Rechenschaftspflichtgesetz
Der Gesetzentwurf wurde von den Demokraten im US-Kongress und Senat im Jahr 2022 eingebracht, bevor ChatGPT existierte, und zielt darauf ab, die tatsächlichen Schäden automatisierter Entscheidungssysteme anzugehen, wie etwa die Verweigerung der Verschreibung von Schmerzmitteln oder die Ablehnung ihrer Kreditanträge.
Lenhardt sagte, der Gesetzentwurf würde von Unternehmen verlangen, algorithmische Folgen- und Risikobewertungen durchzuführen. Außerdem würde die Federal Trade Commission mit der Regulierung und Durchsetzung von Regeln für künstliche Intelligenz beauftragt und ihr Personal aufgestockt.
US-Datenschutzgesetz
Dieser parteiübergreifende Gesetzentwurf soll regeln, wie Unternehmen Daten sammeln und verarbeiten. Obwohl ein Ansatz zum Schutz der Sicherheit der persönlichen Gesundheitsdaten von Frauen nach dem Fall Roe v. Wade große Aufmerksamkeit erregte, wurde er nicht rechtzeitig verabschiedet. Die Debatte um die Risiken der generativen KI könnte sie noch dringlicher machen als beim letzten Mal. Das amerikanische Datenschutz- und Datenschutzgesetz (ADPPA) verbietet Unternehmen im Bereich der generativen künstlichen Intelligenz, Daten auf diskriminierende Weise zu sammeln, zu verarbeiten oder zu übertragen. Ziel ist es auch, den Nutzern mehr Kontrolle darüber zu geben, wie Unternehmen ihre Daten verwenden.
Agentur für künstliche Intelligenz
Altman und mehrere Senatoren schlugen während der Anhörung die Einrichtung einer neuen Behörde zur Regulierung künstlicher Intelligenz vor. Aber ich denke, das könnte ein Ablenkungsmanöver sein. Lenhardt sagte, die US-Regierung benötige mehr technisches Fachwissen und Ressourcen, um die Technologie zu regulieren, entweder in einer neuen oder einer umgestalteten bestehenden Behörde. Die Befugnis zur Durchsetzung des Gesetzes ist eine Grundvoraussetzung für jede Regulierungsbehörde, ob jung oder erfahren.
Lenhardt sagte: „Es ist einfach, eine Agentur zu gründen und ihr keine Befugnisse zu geben. Die Demokraten haben versucht, den Digital Platform Commission Act, den Data Protection Act und den Online Privacy Act voranzutreiben, um neue Schutzmaßnahmen zu schaffen.“ Der von der Partei unterstützte Versuch ist zum Scheitern verurteilt, daher wird keiner dieser Versuche zum Erfolg führen
.
Als nächstes?
Eine weitere technologieorientierte Agentur könnte in Sicht sein. Die Senatoren Lindsey Graham, eine Republikanerin, und Elizabeth Warren, eine Demokratin, arbeiten zusammen, um eine neue digitale Regulierungsbehörde zu schaffen, die die Macht hätte, Social-Media-Unternehmen zu regulieren und möglicherweise Social-Media-Ermächtigungen durchzusetzen.
Der Demokrat Chuck Schumer beruft außerdem den Senat ein, um einen neuen Gesetzentwurf einzubringen, der sich speziell mit den Gefahren künstlicher Intelligenz befasst. Er erhielt parteiübergreifende Unterstützung bei der Verabschiedung eines umfassenden Gesetzes über künstliche Intelligenz, das darauf abzielt, Schutzmaßnahmen festzulegen und eine verantwortungsvolle Entwicklung künstlicher Intelligenz zu fördern. Beispielsweise kann von Unternehmen verlangt werden, dass sie externen Experten erlauben, ihre Technologie vor der Veröffentlichung zu prüfen und Benutzern und Regierungen mehr Informationen über ihre KI-Systeme zur Verfügung zu stellen.
Lenhardt sagte, dass Altman zwar die Unterstützung des Justizausschusses des Senats gewonnen zu haben scheint, die Vorsitzenden der Handelsausschüsse des Repräsentantenhauses und des Senats jedoch zusammenkommen müssen, um einen umfassenden Ansatz zur KI-Regulierung zu unterstützen, bevor diese zum Gesetz wird.
Die Regulierung muss schnell umgesetzt werden, bevor die Menschen das Interesse an generativer KI verlieren. „Es wird schwierig, aber alles ist möglich“, sagte Lenhardt.
Unterstützung: Ren
Originaltext:
https://www.technologyreview.com/2023/05/23/1073526/suddenly-everyone-wants-to-talk-about-how-to-regulate-ai/
Das obige ist der detaillierte Inhalt vonPlötzlich wollen alle darüber reden, wie man künstliche Intelligenz regulieren kann. 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
