


Comment sommes-nous contrôlés par l'intelligence artificielle ?
Dans une interview accordée au magazine Life en novembre 1970, Minsky prévenait : « Une fois que l'ordinateur aura pris le contrôle, nous ne le récupérerons peut-être jamais. Nous survivrons à leurs dépens. » Dans sa célèbre prédiction, il affirmait : « Si nous avons de la chance. , les machines peuvent décider de nous garder comme animaux de compagnie."
Le caractère aléatoire de l'expérience humaine a été considérablement limité dans les temps modernes. Tencent vous recommandera un nouveau drame qui vous plaira certainement, Douyin vous continuera à regarder et Taobao vous recommandera vos articles préférés, mais à quel prix vous ne vous retrouverez plus jamais par hasard dans un vidéoclub et découvrirez un morceau de bonne musique ? , ou un livre égaré dans une librairie. Chaque fois que vous commandez des plats à emporter, vous recherchez toujours le restaurant le plus apprécié et le plus populaire. À moins qu'il ne vous soit recommandé par un algorithme, vous n'essayerez certainement pas un nouveau restaurant. Les produits qui offrent du divertissement ou nous facilitent la vie peuvent entraîner des coûts cachés. Lors de la navigation quotidienne sur Internet, chaque pas que nous faisons est enregistré. Les achats en ligne fournissent une grande quantité d'informations et de données. Devinez qui obtiendra les données à la fin. Bientôt, les voitures autonomes décideront qui vivra et mourra dans un accident, et si vous survivez, c'est formidable. Peut-être qu’un jour dans le futur, nous saurons quand nous mourrons, nous obligeant simplement à nous rendre sur les plateformes de rencontres en ligne pour trouver un conjoint ou changer d’emploi sur 58.com.
Dans une chronique du Nouvel An publiée sur Edge, un site dédié à la science, à la technologie et à la philosophie, l’historien des sciences et auteur George Dyson estime que nous avons atteint un point d’inflexion. Dyson a écrit : « Avant, c'était simple : les programmeurs écrivaient les instructions données à la machine. Puisque la machine était contrôlée par ces instructions, la personne qui écrivait les instructions contrôlait la machine. Aujourd'hui, le code lui-même est devenu actif : l'algorithme. Modélisez nos personnalités et prédisez nos envies grâce à notre historique de recherche, nos achats par carte bancaire et notre géolocalisation. En conséquence, un petit nombre de personnes telles que Mark Zuckerberg, Jack Ma et Ma Huateng sont devenues incroyablement riches.
Nous devrions avoir peur de ces sociétés géantes qui contrôlent actuellement le monde. Le plus prémonitoire est peut-être l’avertissement que Dyson nous donne. "Nous pensons qu'un individu ou un algorithme individuel contrôle toujours quelque part dans les coulisses. Nous nous trompons", a-t-il écrit. « En contrôlant le flux d’informations, de nouveaux gardiens contrôlent un secteur en pleine croissance du monde. » Cependant, les entreprises qui gouvernent véritablement le monde ne contrôlent plus les machines qu’elles construisent et les algorithmes auxquels des centaines de milliers d’ingénieurs touchent. possible de contrôler n’importe quelle entrée ou sortie sur la plateforme.
Plus d'un million de personnes travaillent chez Google, Amazon, Apple et Microsoft. Pendant que beaucoup d’entre eux stockent des produits dans des entrepôts ou vous aident à réparer votre iPhone, des milliers d’ingénieurs réécrivent le code pour répondre à toutes nos questions et souhaits. Aucun ingénieur, pas même des milliers, ne peut voir sous tous les angles comment ces plates-formes en sont venues à dominer nos esprits et à quoi elles pourraient être utilisées. Mais aujourd’hui, ils servent à tout.
Bientôt, tous les aspects de notre vie, des voitures à l'extérieur aux lumières de nos salons, seront dominés par les algorithmes. La prochaine version de Taobao de JD.com ne vous suggérera pas seulement quel livre vous devriez acheter la prochaine fois, elle remplira automatiquement votre réfrigérateur avec ses produits, que l'algorithme détermine que vous aimerez ou dont vous aurez besoin. Bien sûr, les achats en ligne ressemblent à une utopie, mais cela ressemble aussi davantage à la prédiction de Minsky en 1970 selon laquelle nous étions sur le point de devenir les « animaux de compagnie » des ordinateurs. Peut-on l'arrêter ? Si nous le voulions vraiment, la logique évidente serait de débrancher l'ordinateur, de réaliser que nous allons tout gâcher cette fois et de recommencer. Mais comme l’histoire l’a prouvé à maintes reprises, les êtres humains semblent irrationnels. Nous sommes indissociables de l’utilisation des téléphones portables et des ordinateurs. Cela fait longtemps que nous n’avons pas vu le monde et que nous n’avons pas enfoui notre tête dans nos téléphones portables.
Nous avons besoin d'air frais, nous pouvons le prendre en main, réduire au maximum le recours aux géants du web et essayer de trouver des alternatives pour y parvenir. Ou mieux encore, arrêtez d’utiliser la technologie autant que nous le faisons et revenons à nos vies simulées, en nous perdant et en essayant de nouvelles choses au lieu de suivre les préceptes des algorithmes. Mais nous ne le ferons probablement pas, et nous espérons que nos nouveaux suzerains nous traiteront suffisamment bien pour nous laisser nous blottir au bout du lit pour dormir une fois qu'ils auront pleinement pris le relais.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

01Aperçu des perspectives Actuellement, il est difficile d'atteindre un équilibre approprié entre efficacité de détection et résultats de détection. Nous avons développé un algorithme YOLOv5 amélioré pour la détection de cibles dans des images de télédétection optique haute résolution, en utilisant des pyramides de caractéristiques multicouches, des stratégies de têtes de détection multiples et des modules d'attention hybrides pour améliorer l'effet du réseau de détection de cibles dans les images de télédétection optique. Selon l'ensemble de données SIMD, le mAP du nouvel algorithme est 2,2 % meilleur que YOLOv5 et 8,48 % meilleur que YOLOX, permettant ainsi d'obtenir un meilleur équilibre entre les résultats de détection et la vitesse. 02 Contexte et motivation Avec le développement rapide de la technologie de télédétection, les images de télédétection optique à haute résolution ont été utilisées pour décrire de nombreux objets à la surface de la Terre, notamment des avions, des voitures, des bâtiments, etc. Détection d'objets dans l'interprétation d'images de télédétection

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
