


Selon les règles officielles d'arXiv, l'utilisation d'outils comme ChatGPT en tant qu'auteur n'est pas autorisée
ChatGPT, cet outil de génération de texte récemment publié, a suscité de vives discussions au sein de la communauté des chercheurs. Il peut rédiger des essais d'étudiants, résumer des documents de recherche, répondre à des questions, générer du code informatique utilisable et est même assez bon pour réussir des examens médicaux, des examens de MBA, des examens judiciaires...
L'une des questions clés est la suivante : ChatGPT peut être recherche nommée L'auteur de l'article ?
Maintenant, la réponse officielle et claire d'arXiv, la plus grande plateforme de publication de prépublications au monde, est : « Non ».
L'IA n'a aucun droit de paternité
Avant ChatGPT, les chercheurs utilisaient depuis longtemps des chatbots comme assistants de recherche pour les aider à organiser leur réflexion, générer des commentaires sur leur propre travail, aider à rédiger du code et résumer la littérature de recherche.
Il semble que ces tâches auxiliaires puissent être reconnues, mais lorsqu'il s'agit de « signature », c'est une tout autre affaire. "De toute évidence, un programme informatique ne peut pas être responsable du contenu d'un article. Il ne peut pas non plus accepter les termes et conditions d'arXiv."
Il existe un certain nombre de prépublications et d'articles publiés qui ont officiellement attribué la paternité à ChatGPT. Pour résoudre ce problème, arXiv a adopté une nouvelle politique pour les auteurs concernant l'utilisation d'outils linguistiques d'IA génératifs.
Le communiqué officiel est le suivant :
arXiv reconnaît que les travailleurs scientifiques utilisent une variété d'outils pour mener les travaux scientifiques sur lesquels ils rendent compte et pour préparer eux-mêmes les rapports, allant d'outils simples à des outils très complexes.
Les opinions de la communauté sur la pertinence de ces outils peuvent varier et évoluent constamment ; les outils linguistiques basés sur l'IA suscitent des débats clés. Nous notons que les outils peuvent produire des résultats utiles et utiles, mais peuvent également produire des résultats erronés ou trompeurs. Par conséquent, comprendre quels outils sont utilisés est pertinent pour évaluer et interpréter les travaux scientifiques ;
Sur cette base, arXiv a décidé de :
1. Continuer à exiger des auteurs qu'ils signalent l'utilisation de tout outil complexe, tel que des instruments et des logiciels, dans leur travail ; inclure spécifiquement le texte à texte « L'intelligence artificielle générative » est incluse parmi les outils déclarables qui répondent aux normes méthodologiques du sujet.
2. Rappelez à tous les collègues que tant qu'ils signent leur nom sur le journal, ils assument chacun l'entière responsabilité de tout le contenu du journal, quelle que soit la manière dont il a été produit. Si un outil linguistique d'IA générative produit un langage inapproprié, un contenu plagié, un contenu erroné, des références incorrectes ou un contenu trompeur, et que ce résultat est incorporé dans un travail scientifique, cela relève de la responsabilité de l'auteur.
3. Les outils linguistiques d'intelligence artificielle générative ne doivent pas être répertoriés comme auteurs, veuillez vous référer à 1.
La signification des « règles »
Il y a quelques jours, le magazine « Nature » a déclaré publiquement qu'il avait développé conjointement deux principes avec toutes les revues Springer Nature, et ces principes ont été ajoutés aux lignes directrices existantes des auteurs :
Tout d’abord, tout grand outil de modélisation linguistique ne sera pas accepté comme auteur nommé d’un article de recherche. En effet, toute paternité implique la responsabilité du travail et les outils d’IA ne peuvent pas assumer cette responsabilité.
Deuxièmement, les chercheurs utilisant de grands outils de modélisation linguistique devraient documenter cette utilisation dans la section Méthodes ou Remerciements. Si le document n'inclut pas ces sections, utilisez une introduction ou une autre section appropriée pour documenter l'utilisation de grands modèles de langage.
Ces réglementations sont très similaires aux derniers principes publiés par arXiv. Il semble que les organisations du domaine de l'édition académique soient parvenues à un certain consensus.
Bien que ChatGPT dispose de puissantes capacités, ses abus dans les devoirs scolaires, l'édition papier et d'autres domaines ont suscité une inquiétude généralisée.
La conférence sur l'apprentissage automatique ICML a déclaré : "ChatGPT est formé sur les données publiques, qui sont généralement collectées sans consentement, ce qui entraînera une série de problèmes d'attribution de responsabilité."
Par conséquent, la communauté universitaire a commencé à explorer des méthodes et des outils pour détecter le texte généré par de grands modèles de langage (LLM) tels que ChatGPT. À l’avenir, détecter si le contenu est généré par l’IA pourrait devenir « une partie importante du processus d’examen ».
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

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

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)

Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale

L’IA change effectivement les mathématiques. Récemment, Tao Zhexuan, qui a prêté une attention particulière à cette question, a transmis le dernier numéro du « Bulletin de l'American Mathematical Society » (Bulletin de l'American Mathematical Society). En se concentrant sur le thème « Les machines changeront-elles les mathématiques ? », de nombreux mathématiciens ont exprimé leurs opinions. L'ensemble du processus a été plein d'étincelles, intense et passionnant. L'auteur dispose d'une équipe solide, comprenant Akshay Venkatesh, lauréat de la médaille Fields, le mathématicien chinois Zheng Lejun, l'informaticien de l'Université de New York Ernest Davis et de nombreux autres universitaires bien connus du secteur. Le monde de l’IA a radicalement changé. Vous savez, bon nombre de ces articles ont été soumis il y a un an.

Les performances de JAX, promu par Google, ont dépassé celles de Pytorch et TensorFlow lors de récents tests de référence, se classant au premier rang sur 7 indicateurs. Et le test n’a pas été fait sur le TPU présentant les meilleures performances JAX. Bien que parmi les développeurs, Pytorch soit toujours plus populaire que Tensorflow. Mais à l’avenir, des modèles plus volumineux seront peut-être formés et exécutés sur la base de la plate-forme JAX. Modèles Récemment, l'équipe Keras a comparé trois backends (TensorFlow, JAX, PyTorch) avec l'implémentation native de PyTorch et Keras2 avec TensorFlow. Premièrement, ils sélectionnent un ensemble de

Boston Dynamics Atlas entre officiellement dans l’ère des robots électriques ! Hier, l'Atlas hydraulique s'est retiré "en larmes" de la scène de l'histoire. Aujourd'hui, Boston Dynamics a annoncé que l'Atlas électrique était au travail. Il semble que dans le domaine des robots humanoïdes commerciaux, Boston Dynamics soit déterminé à concurrencer Tesla. Après la sortie de la nouvelle vidéo, elle a déjà été visionnée par plus d’un million de personnes en seulement dix heures. Les personnes âgées partent et de nouveaux rôles apparaissent. C'est une nécessité historique. Il ne fait aucun doute que cette année est l’année explosive des robots humanoïdes. Les internautes ont commenté : Les progrès des robots ont fait ressembler la cérémonie d'ouverture de cette année à des êtres humains, et le degré de liberté est bien plus grand que celui des humains. Mais n'est-ce vraiment pas un film d'horreur ? Au début de la vidéo, Atlas est allongé calmement sur le sol, apparemment sur le dos. Ce qui suit est à couper le souffle

Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a

Aujourd'hui, j'aimerais partager un travail de recherche récent de l'Université du Connecticut qui propose une méthode pour aligner les données de séries chronologiques avec de grands modèles de traitement du langage naturel (NLP) sur l'espace latent afin d'améliorer les performances de prévision des séries chronologiques. La clé de cette méthode consiste à utiliser des indices spatiaux latents (invites) pour améliorer la précision des prévisions de séries chronologiques. Titre de l'article : S2IP-LLM : SemanticSpaceInformedPromptLearningwithLLMforTimeSeriesForecasting Adresse de téléchargement : https://arxiv.org/pdf/2403.05798v1.pdf 1. Modèle de fond de problème important

La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.

La dernière vidéo du robot Optimus de Tesla est sortie, et il peut déjà fonctionner en usine. À vitesse normale, il trie les batteries (les batteries 4680 de Tesla) comme ceci : Le responsable a également publié à quoi cela ressemble à une vitesse 20 fois supérieure - sur un petit "poste de travail", en sélectionnant et en sélectionnant et en sélectionnant : Cette fois, il est publié L'un des points forts de la vidéo est qu'Optimus réalise ce travail en usine, de manière totalement autonome, sans intervention humaine tout au long du processus. Et du point de vue d'Optimus, il peut également récupérer et placer la batterie tordue, en se concentrant sur la correction automatique des erreurs : concernant la main d'Optimus, le scientifique de NVIDIA Jim Fan a donné une évaluation élevée : la main d'Optimus est l'un des robots à cinq doigts du monde. le plus adroit. Ses mains ne sont pas seulement tactiles
