


Rang undang-undang kecerdasan buatan Eropah akan diperkenalkan, yang mungkin menjejaskan peraturan teknologi global
Rang Undang-undang Kepintaran Buatan bertujuan untuk mewujudkan rangka kerja kawal selia dan undang-undang yang sama untuk penggunaan kecerdasan buatan, termasuk cara ia dibangunkan, untuk kegunaan apa syarikat boleh menggunakannya, dan akibat undang-undang jika tidak mematuhi keperluan. Rang undang-undang itu boleh menghendaki syarikat mendapatkan kelulusan dalam keadaan tertentu sebelum menggunakan kecerdasan buatan, mengharamkan penggunaan tertentu kecerdasan buatan yang dianggap terlalu berisiko, dan membuat senarai awam penggunaan kecerdasan buatan yang berisiko tinggi yang lain.
Dalam laporan rasmi mengenai undang-undang, Suruhanjaya Eropah mengatakan bahawa pada peringkat yang luas, undang-undang berusaha untuk mengubah EU menjadi paradigma kecerdasan buatan yang boleh dipercayai. Paradigma ini "menghendaki AI menjadi kukuh dari segi undang-undang, etika dan teknologi, sambil menghormati nilai demokrasi, hak asasi manusia dan kedaulatan undang-undang".
Rangka kerja pengawalseliaan yang dicadangkan untuk kecerdasan buatan mempunyai objektif berikut:
1 Memastikan sistem kecerdasan buatan yang digunakan dan digunakan di pasaran EU adalah selamat dan menghormati hak asas undang-undang dan nilai EU ;
2. Memastikan kepastian undang-undang untuk menggalakkan pelaburan dan inovasi dalam AI;
3 Memperkukuh tadbir urus dan penguatkuasaan undang-undang yang sedia ada mengenai hak asasi dan keselamatan seperti yang digunakan pada sistem AI;
4. Menggalakkan pembangunan pasaran bersatu untuk aplikasi kecerdasan buatan yang sah, selamat dan boleh dipercayai serta mencegah pemecahan pasaran.
Walaupun banyak butiran undang-undang baharu masih disiarkan, yang penting ialah definisi AI, faktor teras nampaknya ialah "Rangka Kerja Keselamatan Produk", yang membahagikan produk AI masa hadapan kepada empat kategori tahap keselamatan , Terpakai kepada semua industri.
Menurut laporan Suruhanjaya Eropah 2021 mengenai undang-undang baharu yang disusun oleh Maruritz Kop dari Forum Undang-undang Teknologi Transatlantik Stanford-Vienna, bahagian bawah "piramid kritikal" ialah sistem yang paling tidak berisiko. Aplikasi AI yang termasuk dalam kategori ini tidak perlu mematuhi keperluan ketelusan yang mesti dilalui oleh sistem yang lebih berisiko. Dalam kategori "risiko terhad", terdapat beberapa keperluan ketelusan untuk sistem AI, seperti chatbots.
- Rang undang-undang AI baharu EU membahagikan program AI kepada empat kategori, dari bawah ke atas: risiko rendah, risiko terhad, risiko tinggi dan risiko tidak boleh diterima.
Dalam kategori AI berisiko tinggi dengan keperluan ketat untuk ketelusan, peraturan akan lebih ketat. Menurut pengenalan, kategori berisiko tinggi termasuk aplikasi AI dalam:
- Infrastruktur kritikal, seperti pengangkutan, yang boleh membahayakan nyawa atau kesihatan orang ramai (seperti kereta pandu sendiri); 🎜> Menjejaskan pendidikan peribadi atau pendidikan atau latihan vokasional untuk pencapaian kerjaya (seperti skor ujian
- Komponen keselamatan produk (seperti pembedahan bantuan robot
- Pekerjaan, pengurusan pekerja,); bekerja sendiri (seperti resume, Perisian klasifikasi resume); 🎜>Imigresen, pengurusan sempadan (termasuk penilaian ketulenan pasport); dan pengecaman muka).
- Kategori keempat di bahagian atas menara ialah sistem kecerdasan buatan dengan "risiko yang tidak boleh diterima". Apl ini pada asasnya menyalahi undang-undang kerana ia menimbulkan terlalu banyak risiko. Contoh aplikasi sedemikian termasuk sistem untuk memanipulasi tingkah laku atau orang atau "kumpulan yang terdedah secara khusus", pemarkahan sosial dan sistem biometrik masa nyata dan jauh.
- Kategori berisiko tinggi berkemungkinan menjadi tumpuan usaha banyak syarikat untuk memastikan ketelusan dan pematuhan. Rang Undang-undang Kecerdasan Buatan EU akan menasihati syarikat untuk mengambil empat langkah sebelum melancarkan produk atau perkhidmatan AI yang termasuk dalam kategori berisiko tinggi.
- Membangunkan sistem AI berisiko tinggi, sebaik-baiknya secara dalaman dahulu, menggunakan penilaian impak AI dan kod tingkah laku yang diawasi oleh pasukan yang inklusif dan pelbagai disiplin.
- Sistem kecerdasan buatan berisiko tinggi mesti menjalani penilaian dan kelulusan pematuhan, dan terus mematuhi keperluan Akta AI EU sepanjang kitaran hayatnya. Sesetengah organisasi di luar sistem akan terlibat dalam audit penilaian pematuhan. Proses dinamik ini memastikan penanda aras, pemantauan dan pengesahan. Di samping itu, untuk sistem dinamik AI berisiko tinggi, langkah 2 mesti diulang.
- Pendaftaran sistem AI bebas berisiko tinggi akan dilakukan dalam pangkalan data EU khusus.
Atas ialah kandungan terperinci Rang undang-undang kecerdasan buatan Eropah akan diperkenalkan, yang mungkin menjejaskan peraturan teknologi global. 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

AI Hentai Generator
Menjana ai hentai secara percuma.

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

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

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

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

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

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

Dalam dunia pembangunan bahagian hadapan, VSCode telah menjadi alat pilihan untuk banyak pembangun dengan fungsi yang berkuasa dan ekosistem pemalam yang kaya. Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, pembantu kod AI pada VSCode telah muncul, meningkatkan kecekapan pengekodan pembangun. Pembantu kod AI pada VSCode telah muncul seperti cendawan selepas hujan, meningkatkan kecekapan pengekodan pembangun. Ia menggunakan teknologi kecerdasan buatan untuk menganalisis kod secara bijak dan menyediakan penyiapan kod yang tepat, pembetulan ralat automatik, semakan tatabahasa dan fungsi lain, yang mengurangkan kesilapan pembangun dan kerja manual yang membosankan semasa proses pengekodan. Hari ini, saya akan mengesyorkan 12 pembantu kod AI pembangunan bahagian hadapan VSCode untuk membantu anda dalam perjalanan pengaturcaraan anda.
