Adakah budaya manusia terkunci dalam evolusi?
Pengarang |. Wang Hao
Pengajian budaya ialah disiplin kemanusiaan yang telah dibangunkan sejak ratusan tahun. Walau bagaimanapun, kajian budaya sentiasa menjadi disiplin penyelidikan yang menggunakan data berskala kecil kerana batasan dalam skala data dan kawasan geografi. Dengan kemunculan era data besar, set data awam seperti data tingkah laku pengguna Internet telah menjadi lombong emas terkini dalam bidang kemanusiaan kerana jumlah data yang besar dan maklumat yang kaya. Pada tahun 2022, penyelidik menerbitkan artikel yang memperkenalkan penyelidikan budaya pengiraan pada persidangan akademik antarabangsa MHEHD 2022, yang menerangkan cara menjalankan penyelidikan budaya melalui algoritma kecerdasan buatan.
Kertas kerja ini terutamanya menganalisis kesan sosiologi algoritma pembelajaran mesin pukulan sifar yang dipanggil ZeroMat. Algoritma ZeroMat ialah algoritma pertama dalam bidang kecerdasan buatan yang benar-benar tidak menggunakan sebarang data untuk cadangan. Seperti yang kita sedia maklum, algoritma pembelajaran sifar pukulan sedia ada pada asasnya ialah variasi pembelajaran pemindahan dan pembelajaran meta. Dan ZeroMat adalah algoritma pertama yang berbeza.
Algoritma ZeroMat menganggap bahawa matriks penilaian item pengguna mematuhi pengedaran berikut:
Masukkan formula di atas ke dalam model taburan matriks kebarangkalian dan dapatkan formula berikut:
Selepas mengambil logaritma, gunakan keturunan kecerunan stokastik untuk mengira U dan V, dan menetapkan varians kepada pemalar 1, kita mendapat formula berikut:
Daripada formula Kami mendapati bahawa algoritma ini pada asasnya ialah algoritma pembelajaran sifar pukulan. Kesan sosiologi algoritma ini ialah budaya kita telah dikunci, kerana kita boleh meramalkan data penilaian pengguna barangan pengguna budaya dengan tepat seperti filem tanpa sebarang data, iaitu, kita boleh mengetahui keutamaan budaya peribadi pengguna tanpa menggunakan sejarah. data. Dan disebabkan ketidakseimbangan data penilaian pengguna yang tinggi, kami tahu bahawa budaya manusia bukan sahaja terkunci, tetapi juga terkunci dalam keadaan ketaksamaan yang melampau, dan ia hanya mengambil masa yang singkat untuk semua ini berlaku.
Sebenarnya fenomena ini bukan sahaja wujud dalam bidang kebudayaan, tetapi juga meluas dalam bidang sosial yang lain. Banyak langkah yang diambil oleh kerajaan China telah mengurangkan masalah ini sedikit sebanyak. Sebagai contoh, strategi kelompok bandar besar menggunakan prinsip bahawa kesan Matthew membantu meningkatkan kecekapan dan menggalakkan pembangunan ekonomi. Contoh lain ialah penyeliaan kerajaan terhadap selebriti Internet, yang secara berkesan mengurangkan kesan Matthew dalam penyebaran maklumat dan menghalang penyebaran maklumat daripada jatuh ke dalam keadaan terkunci.
Sebab asas mengapa budaya manusia terkurung adalah kesan pengagihan undang-undang kuasa dalam pelbagai fenomena sosial. Sebab mengapa pengagihan undang-undang kuasa wujud adalah kerana ia boleh memaksimumkan kecekapan dan berkaitan dengan kepelbagaian. Mempelajari secara serius pengagihan undang-undang kuasa boleh membolehkan kami memahami pelbagai fenomena sosial dengan lebih baik, dan membantu kami mempelajari algoritma dan sains semula jadi yang lain dengan lebih baik.
Adakah Budaya Manusia Dikunci Oleh Evolusi: https://www.atlantis-press.com/article/125975737.pdf
Pengenalan kepada pengarang
Wang Hao, seorang veteran Internet dan bekas ketua Qujia Games AI Lab, mempunyai lebih daripada 11 tahun pengalaman teknologi dan pengurusan teknikal dalam syarikat Internet seperti Douban, Sina dan NetEase, dan telah berjaya melancarkan lebih daripada 10 produk teknologi. Beliau mempunyai pengalaman yang kaya dan cerapan unik dalam bidang sistem pengesyoran, kawalan risiko dan pemprosesan bahasa semula jadi. Menerbitkan 30 kertas kerja dalam persidangan dan jurnal akademik antarabangsa, dan memenangi Anugerah Kertas Terbaik/Anugerah Laporan Kertas Terbaik di persidangan akademik antarabangsa sebanyak tiga kali. Peraduan Pengaturcaraan Kolej Antarabangsa ACM/ICPC 2006 Pingat Emas Wilayah Rocky Mountain Amerika Utara.
Atas ialah kandungan terperinci Adakah budaya manusia terkunci dalam evolusi?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas





Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

01Garis prospek Pada masa ini, sukar untuk mencapai keseimbangan yang sesuai antara kecekapan pengesanan dan hasil pengesanan. Kami telah membangunkan algoritma YOLOv5 yang dipertingkatkan untuk pengesanan sasaran dalam imej penderiaan jauh optik resolusi tinggi, menggunakan piramid ciri berbilang lapisan, strategi kepala pengesanan berbilang dan modul perhatian hibrid untuk meningkatkan kesan rangkaian pengesanan sasaran dalam imej penderiaan jauh optik. Menurut set data SIMD, peta algoritma baharu adalah 2.2% lebih baik daripada YOLOv5 dan 8.48% lebih baik daripada YOLOX, mencapai keseimbangan yang lebih baik antara hasil pengesanan dan kelajuan. 02 Latar Belakang & Motivasi Dengan perkembangan pesat teknologi penderiaan jauh, imej penderiaan jauh optik resolusi tinggi telah digunakan untuk menggambarkan banyak objek di permukaan bumi, termasuk pesawat, kereta, bangunan, dll. Pengesanan objek dalam tafsiran imej penderiaan jauh

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
