Mengapa manusia tidak perlu takut digantikan oleh automasi AI
Dengan perniagaan kini menggunakan alatan kecerdasan buatan untuk melakukan segala-galanya daripada menterjemah ucapan kepada membina model pembelajaran bahasa untuk undang-undang besar, ramai pekerja mula bimbang bahawa mereka mungkin akan kehilangan pekerjaan tidak lama lagi.
Walau bagaimanapun, Noah Smith, pengarang tapak web Noahpinion yang popular, berhujah dalam artikel bahawa orang ramai tidak perlu bimbang tentang pekerjaan mereka diautomatikkan lagi.
Smith menulis, “Persepsi automasi yang biasa ialah ia akan mendorong manusia keluar dari kerja—suatu hari nanti anda sedang melakukan kerja yang berharga, esok anda berada dalam bidang kebajikan Namun, ini tidak berlaku telah menggunakan teknologi automasi selama berabad-abad dan sehingga 2023, hampir semua orang yang ingin bekerja masih akan mempunyai pekerjaan ”
Apakah maksud automasi?
Dalam artikelnya, Smith melihat beberapa kajian. mengenai automasi pekerjaan selama ini oleh penyelidik dari Citibank kepada PricewaterhouseCoopers.
Smith menegaskan bahawa dalam kajian ini, istilah "automasi" tidak pernah ditakrifkan dengan jelas, tetapi bersama-sama kesemuanya menggambarkan pelbagai peringkat hipotesis "alternatif". Dalam sesetengah kes, seperti "Anda akan mendapat alatan baharu yang membolehkan anda mengautomasikan bahagian kerja anda yang membosankan, membolehkan anda dinaikkan pangkat ke jawatan yang lebih berharga," malah akan ada faedah baharu.
Ini bermakna sukar untuk membuat kesimpulan menyeluruh tentang maksud automasi bagi mana-mana individu tertentu.
Masalah lain yang ditunjukkan oleh Smith ialah kajian ini tidak menangani bagaimana pasaran buruh secara keseluruhan akan berubah. Dia percaya bahawa "jika satu pekerjaan dimusnahkan oleh automasi dan dua pekerjaan lain yang bergaji lebih tinggi dicipta, pekerja itu adalah pemenang yang jelas, bagaimanapun, penyelidikan mengenai topik ini nampaknya hanya menumpukan pada automasi, yang mungkin menunjukkan bahawa pekerja adalah Yang rugi dalam situasi ini, walaupun tidak begitu.
Menilai "penggantian" selalunya subjektif
Smith juga menyatakan bahawa kajian terdahulu telah menggunakan terlalu banyak subjektiviti apabila menilai risiko pekerjaan untuk diganti.
Dalam kajian oleh Frey dan Osborne (2013), para penyelidik menyatakan bahawa mereka "melabelkan secara subjektif pekerjaan" daripada pangkalan data yang dibangunkan oleh Jabatan Buruh A.S. jika ia "boleh automatik", kemudian mendapat 1 mata , jika tidak, skor 0 mata.
Para penyelidik juga menyatakan bahawa mereka hanya menumpukan pada subset kecil pekerjaan dalam pangkalan data "yang mana kami mempunyai keyakinan tinggi terhadap label berkomputer mereka" untuk mengurangkan lagi risiko "kecondongan subjektif mempengaruhi analisis kami."
Berita baiknya ialah kaedah penyelidikan telah bertambah baik sejak itu, kata Smith.
Kajian Goldman Sachs yang diterbitkan awal bulan ini menilai kesan kecerdasan buatan pada automasi dengan melihat pekerjaan sebagai jumlah tugas yang diterangkan dalam pangkalan data kerajaan, dan bukannya sebagai entiti monolitik.
Smith menyatakan bahawa penyelidik Goldman Sachs juga mengiktiraf bahawa apabila hanya beberapa tugasan diautomasikan, "automasi selalunya berfungsi sebagai peranan pelengkap dan bukannya menggantikan pekerja."
Selain itu, kajian itu menyokong idea bahawa automasi tidak selalu bermakna pemberhentian, dengan menyatakan bahawa "teknologi boleh menggantikan beberapa tugasan, tetapi ia juga boleh menjadikan kita lebih cekap dalam melaksanakan orang lain dan mencipta tugas Baharu dan pekerjaan baharu. ”
Walau bagaimanapun, apabila Forbes melaporkan kajian ini, tajuk utama ialah "Goldman Sachs meramalkan kecerdasan buatan akan menghapuskan atau mengurangkan 300 juta pekerjaan."
Smith menulis, "Ramai orang sudah terbiasa dengan naratif 'robot mengambil kerja kami' sehingga mereka melaporkan setiap hasil yang mereka lihat melalui lensa yang herot.'"
Atas ialah kandungan terperinci Mengapa manusia tidak perlu takut digantikan oleh automasi AI. 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

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 |. 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

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
