


Ce qu'il faut savoir sur l'intelligence artificielle générale
Récemment, les discussions se sont intensifiées sur les outils d'intelligence artificielle générative, notamment après la sortie de plusieurs modèles de langage et générateurs d'images à grande échelle tels que DALL-E ou Midjourney.
Ces inventions ont une fois de plus mis l'intelligence artificielle générale (GPAI) sous le feu des projecteurs et soulevé une fois de plus des questions hypothétiques telles que celle de savoir si la GPAI devrait être réglementée.
Avant d'explorer davantage les possibilités, comprenez d'abord le concept de GPAI, ce qu'il signifie, quand a-t-il été introduit, etc.
Qu'est-ce que l'intelligence artificielle générale ?
Il y a deux ans, en avril 2021, la Commission européenne lançait l'intelligence artificielle générale. La proposition initiale du projet de loi sur l’IA exemptait les créateurs d’intelligence artificielle générale du respect d’un certain nombre d’instruments juridiques et d’autres normes de responsabilité.
La raison est qu'elle ne s'applique qu'aux IA à haut risque, qui sont clairement mentionnées et expliquées dans le projet de loi en fonction de leur finalité et de leur contexte.
Un autre règlement, l'article 28, soutient cette affirmation et recommande que les développeurs d'AGI ne soient responsables de la conformité que s'ils adaptent ou développent de manière significative des systèmes d'IA pour des utilisations à haut risque.
Mais selon des rapports récents, le Parlement européen envisage également certaines « obligations » pour les fournisseurs d'AGI d'origine.
L'objectif fondamental de la loi européenne sur l'intelligence artificielle est de classer et de classer les différentes chaînes d'acteurs impliqués dans le développement et le déploiement de systèmes utilisant l'intelligence artificielle.
Voici 5 considérations pour guider la réglementation de l’intelligence artificielle générale
L’approche de la loi sur l’intelligence artificielle en matière d’intelligence artificielle générale est idéale pour établir un ton réglementaire pour lutter contre les méfaits de l’intelligence artificielle mondiale. Avec le récent regain d’intérêt du public pour l’IA générative, il existe également le risque que les positions réglementaires soient trop adaptées aux enjeux actuels.
Étonnamment, les innovations les plus récentes comme ChatGPT, dall-e2 et Bard ne sont même pas vraiment un problème, en fait, elles ne sont que la pointe de l'iceberg ;
Recommandé : IA responsable - Comment adopter un modèle éthique dans un environnement réglementaire
L'intelligence artificielle générale est une catégorie énorme
La première chose à comprendre est que l'intelligence artificielle générale est une catégorie énorme, donc appliquez-la C'est logique se concentrer sur un large éventail de domaines technologiques, plutôt que de se limiter aux chatbots et aux LL.M.
Pour garantir que le projet de loi européen sur l’intelligence artificielle soit de nature futuriste, il doit aborder une échelle beaucoup plus grande. Premièrement, une description appropriée du GPAI devrait inclure de nombreuses techniques (« tâches ») qui peuvent servir de base à d’autres systèmes d’intelligence artificielle.
Le Conseil de l'UE le définit comme suit :
« Le fournisseur a l'intention d'exécuter des fonctions d'application générale telles que la reconnaissance d'images et de parole, la génération audio et vidéo, la détection de modèles, la réponse aux questions, la traduction, etc. ; les systèmes généraux d'intelligence artificielle peuvent exécuter des fonctions ; dans plusieurs scénarios et peut être intégré à plusieurs autres systèmes d'IA. "
L'intelligence artificielle générale peut causer des dommages généralisés
Bien que ces risques ne puissent pas être complètement surmontés dans la couche application, nous pouvons nier qu'ils puissent être nocifs pour une variété d'entre eux. des candidatures et le fait que les participants ont un impact. Nous devrions tenir compte de l’état actuel de la technologie de l’IA, de ses applications et de son fonctionnement tout en développant une approche générale de la réglementation de l’IA.
Par exemple, les modèles généraux d’IA courent le risque de générer des discours antidémocratiques, tels que des discours de haine ciblant les minorités sexuelles, raciales et religieuses. Le risque de ces modèles est qu’ils enracinent des points de vue contraints ou déformés dans les données qui les sous-tendent.
L'IA générale doit être gouvernée tout au long du cycle de vie du produit
Pour que l'intelligence artificielle générale prenne en compte la diversité des parties prenantes, elle doit être gouvernée tout au long du cycle du produit, et pas seulement au niveau de l'application. Les premières étapes de développement sont cruciales et les entreprises qui créent ces modèles doivent assumer la responsabilité des informations qu'elles exploitent et des décisions architecturales qu'elles prennent. L'architecture existante du réseau d'approvisionnement en IA permet effectivement aux participants de profiter d'applications distantes en aval tout en évitant toute responsabilité consécutive due à un manque de surveillance au niveau de la couche de développement. Cela inclut le processus de collecte, de nettoyage et d'annotation des données, ainsi que le processus de création, de test et d'évaluation des modèles.
Une clause de non-responsabilité légale standard ne suffit pas
Il est impossible pour les créateurs d'AGI d'utiliser des clauses de non-responsabilité légales de base pour se dégager de toute responsabilité. Cette approche peut conduire à une vulnérabilité dangereuse qui dégage toute responsabilité du développeur d'origine et rejette la responsabilité sur les acteurs en aval qui n'ont pas la capacité de gérer tous les risques. Le Conseil prévoit une exception à l'approche générale, qui permettrait aux développeurs d'AGI de s'exonérer de toute responsabilité à condition d'exclure toutes les utilisations à haut risque dans leurs instructions et de garantir que le système ne puisse pas faire l'objet d'abus.
Recommandé : Découvrir, traiter et démystifier les préjugés cachés de l'IA
Engager les acteurs non industriels, la société et les chercheurs dans une consultation plus large
Une pratique de documentation de base et unifiée pour évaluer les modèles généraux d'IA, en particulier la génération de modèles d'intelligence artificielle à travers les dangers est un domaine de recherche en cours. Pour éviter des exercices superficiels de cases à cocher, la réglementation devrait éviter les méthodes d’évaluation étroites.
Les systèmes généraux d'intelligence artificielle doivent faire l'objet d'une vigilance, d'une vérification et d'une inspection méticuleuses avant d'être mis en œuvre ou mis à la disposition du public. Des propositions récentes visant à intégrer les modèles généraux d'intelligence artificielle dans le champ d'application du projet de loi sur l'IA soit reportent l'élaboration de futures normes spécifiques (à décider par la Commission), soit tentent de le faire dans le libellé du projet de loi sur l'IA.
Par exemple, dans une société de consensus, la répartition des impacts possibles peut différer selon qu'un prototype est construit et utilisé par l'ensemble de la communauté, ou par une petite communauté.
La loi européenne sur l’intelligence artificielle est sur le point de devenir la première loi générale sur l’IA et deviendra un jour une norme unifiée pour tous les pays. C’est pourquoi il est crucial de prendre le domaine de l’intelligence artificielle et de le traduire en un modèle global que tout le monde peut suivre.
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.

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

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.

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

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.

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

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
