Kawalan kendiri kini menjadi standard kawalan untuk kecerdasan buatan
Adakah anda bimbang bahawa kecerdasan buatan berkembang terlalu cepat dan mungkin mempunyai akibat negatif? Adakah anda ingin ada undang-undang negara yang mengawalnya? Hari ini, tiada undang-undang baharu untuk menyekat penggunaan AI, dan selalunya kawal selia kendiri menjadi pilihan terbaik untuk syarikat yang mengguna pakai AI - sekurang-kurangnya buat masa ini.
Walaupun "kecerdasan buatan" telah menggantikan "data besar" sebagai kata kunci terhangat dalam dunia teknologi selama bertahun-tahun, pada akhir November 2022 ChatGPT The pelancaran AI memulakan larian emas AI yang mengejutkan ramai pemerhati AI, termasuk kami. Dalam beberapa bulan sahaja, pelbagai model AI generatif yang berkuasa telah menarik perhatian dunia, berkat keupayaan luar biasa mereka untuk meniru bahasa dan pemahaman manusia.
Peningkatan luar biasa model generatif dalam budaya arus perdana, didorong oleh kemunculan ChatGPT, menimbulkan banyak persoalan tentang ke mana hala tuju semua ini. Fenomena menakjubkan kecerdasan buatan yang mampu menghasilkan puisi yang menarik dan seni aneh memberi laluan kepada kebimbangan tentang akibat negatif kecerdasan buatan, daripada bahaya pengguna dan kehilangan pekerjaan, sehingga ke penjara palsu dan juga kemusnahan manusia.
Ini menyebabkan sesetengah orang sangat bimbang. Bulan lalu, gabungan penyelidik AI meminta moratorium enam bulan ke atas pembangunan model generatif baharu yang lebih besar daripada GPT-4 (Bacaan lanjut: Surat terbuka menggesa moratorium penyelidikan AI), GPT-4, model besar OpenAI yang dilancarkan bulan lepas Model Bahasa (LLM).
Surat terbuka yang ditandatangani oleh pemenang Anugerah Turing Yoshua Bengio dan pengasas bersama OpenAI Elon Musk dan yang lain menyatakan: "Kecerdasan buatan lanjutan mungkin mewakili perubahan mendalam dalam sejarah kehidupan di Bumi dan harus Rancang dan urus dengan teliti dan sumber "Malangnya, tahap perancangan dan pengurusan ini tidak tercapai." Tinjauan pendapat menunjukkan rakyat Amerika tidak fikir kecerdasan buatan boleh dipercayai dan mahu ia dikawal, terutamanya pada perkara yang memberi kesan seperti kereta pandu sendiri dan akses kepada faedah kerajaan.
Namun walaupun beberapa undang-undang tempatan baharu menyasarkan AI — seperti di New York City yang menumpukan kepada penggunaan AI dalam pengambilan pekerja — usaha penguatkuasaan telah ditangguhkan Sehingga bulan ini—Kongres tidak mempunyai peraturan persekutuan baharu yang secara khusus menyasarkan AI yang menghampiri garisan penamat (walaupun AI telah memasuki bidang undang-undang industri yang sangat dikawal selia seperti perkhidmatan kewangan dan penjagaan kesihatan).
Didorong oleh kecerdasan buatan, apakah yang perlu dilakukan oleh syarikat? Tidak menghairankan bahawa syarikat ingin berkongsi faedah kecerdasan buatan. Lagipun, keinginan untuk menjadi "didorong data" dilihat sebagai satu keperluan untuk terus hidup dalam era digital. Walau bagaimanapun, syarikat juga ingin mengelakkan akibat negatif, nyata atau yang dilihat, yang boleh disebabkan oleh penggunaan AI yang tidak sesuai.
Kecerdasan buatan adalah liar "
Westworld". Andrew Burt, pengasas firma undang-undang kecerdasan buatan BNH.AI, pernah berkata, "Tiada siapa yang tahu cara menguruskan risiko. Semua orang melakukannya secara berbeza Maksudnya, syarikat boleh menggunakan Beberapa rangka kerja untuk." membantu menguruskan risiko AI. Burt mengesyorkan menggunakan Rangka Kerja Pengurusan Risiko Kecerdasan Buatan (
RMF: Rangka Kerja Pengurusan Risiko), yang berasal dari Institut Piawaian dan Teknologi Kebangsaan (NIST) dan telah dimuktamadkan awal tahun ini. RMF membantu syarikat memikirkan cara AI mereka berfungsi dan kemungkinan akibat negatif yang mungkin ditimbulkannya. Ia menggunakan pendekatan "peta, ukur, urus dan tadbir" untuk memahami dan akhirnya mengurangkan risiko menggunakan AI merentas pelbagai tawaran perkhidmatan.
Satu lagi rangka kerja pengurusan risiko AI datang daripada Cathy O'Neil, Ketua Pegawai Eksekutif O'Neil Risk Advisory & Algorithmic Audit (ORCAA). ORCAA mencadangkan rangka kerja yang dipanggil "
Keadilan Boleh Dijelaskan". Keadilan yang boleh dijelaskan memberi organisasi cara untuk bukan sahaja menguji algoritma mereka untuk berat sebelah, tetapi juga mengkaji perkara yang berlaku apabila perbezaan dalam hasil dikesan. Sebagai contoh, jika bank menentukan kelayakan untuk pinjaman pelajar, apakah faktor yang boleh digunakan secara sah untuk meluluskan atau menolak pinjaman atau mengenakan faedah yang lebih tinggi atau lebih rendah?
Jelas sekali, bank mesti menggunakan data untuk menjawab soalan ini. Tetapi apakah data yang boleh mereka gunakan—iaitu, faktor apakah yang mencerminkan pemohon pinjaman? Faktor manakah yang harus dibenarkan secara sah untuk digunakan dan faktor manakah yang tidak boleh digunakan? Menjawab soalan-soalan ini bukanlah mudah dan tidak mudah, kata O'Neil.
"Itulah maksud rangka kerja ini, ialah faktor undang-undang ini harus sah," kata O'Neil semasa perbincangan di Persidangan Teknologi GPU Nvidia (GTC) bulan lepas . "
Triveni Gandhi, ketua analisis data dan penyedia perisian AI Dataiku AI, berkata walaupun tanpa undang-undang AI baharu, syarikat harus mula bertanya kepada diri mereka sendiri bagaimana untuk bersikap adil dan patuh. beretika untuk mematuhi undang-undang sedia ada.
“Orang ramai perlu mula berfikir, okey, bagaimana kita mengambil undang-undang sedia ada dan menerapkannya pada kes penggunaan AI yang wujud pada masa ini?” “Ada beberapa peraturan, tetapi terdapat juga ramai Orang berfikir tentang cara beretika dan berorientasikan nilai yang kita mahu membina AI. Ini sebenarnya soalan yang mula ditanya oleh syarikat kepada diri mereka sendiri, walaupun tiada peraturan menyeluruh >
EU mengklasifikasikan potensi bahaya kecerdasan buatan kepada 'piramid kritikal'EU sedang bergerak ke hadapan dengan peraturannya sendiri, Akta Kepintaran Buatan , rang undang-undang itu boleh berkuat kuasa akhir tahun ini .
Rang Undang-undang Kepintaran Buatan akan mewujudkan rangka kerja kawal selia dan undang-undang yang sama untuk penggunaan kecerdasan buatan yang menjejaskan penduduk EU, termasuk cara AI dibangunkan dan syarikat yang boleh menggunakannya untuk tujuan, dan akibat undang-undang kegagalan untuk mematuhi keperluan. Undang-undang boleh menghendaki syarikat mendapatkan kelulusan sebelum mengguna pakai AI dalam kes penggunaan tertentu dan mengharamkan penggunaan AI lain tertentu yang dianggap terlalu berisiko.Atas ialah kandungan terperinci Kawalan kendiri kini menjadi standard kawalan untuk kecerdasan buatan. 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.
