Robin Li: Kepintaran buatan tidak akan menggantikan kerja manusia |
Ketua Pegawai Eksekutif Baidu Robin Li. Fotografi oleh wartawan berita muka depan Su Yu
Pemberita berita muka depan Su Yu melaporkan dari Tianjin
“Saya tidak bimbang bahawa model besar akan membawa kepada pengurangan peluang pekerjaan manusia Apabila kita berhenti berinovasi, tidak mencipta, mencipta, atau maju, dan terus mengikuti inersia, pelbagai risiko yang tidak dapat diramalkan yang dibawa olehnya adalah. risiko terbesar bagi umat manusia." Ketua Pegawai Eksekutif Baidu Robin Li berkata.
Tajaan bersama Suruhanjaya Pembangunan dan Pembaharuan Negara, Kementerian Sains dan Teknologi serta jabatan lain, dan Kerajaan Perbandaran Tianjin, Persidangan Perisikan Dunia Ke-7 dibuka di Tianjin pada 18 Mei. Menurut Robin Li di Sidang Kemuncak Inovasi dan Pembangunan, kecerdasan buatan tidak akan menggantikan kerja manusia, sebaliknya mungkin membawa keajaiban pertumbuhan ekonomi global yang seterusnya. Setiap revolusi teknologi secara serentak menghapuskan beberapa pekerjaan dan mewujudkan lebih banyak peluang pekerjaan baharu.
Robin Li percaya bahawa arah pembangunan kecerdasan buatan adalah daripada diskriminatif kepada generatif. Aplikasi kecerdasan buatan yang digunakan secara meluas pada masa ini, seperti pengecaman muka dan enjin carian, pada asasnya berdasarkan fungsi pengecaman dan pengelasan. “Pada masa lalu, kecerdasan buatan mengajar mesin apa sahaja kemahiran yang mereka ingin pelajari, mereka yang telah diajar mungkin boleh melakukannya, tetapi mereka yang tidak diajar mungkin tidak dapat melakukannya dalam model besar, kemahiran yang tidak pernah diajar sebelum ini akan menjadi saya juga.”
Menurut Robin Li, pembangunan industri maklumat telah mengalami tiga perubahan dalam kaedah interaksi manusia-komputer dalam beberapa dekad yang lalu. Apabila dia berada di sekolah siswazah, interaksi manusia-komputer adalah melalui baris arahan. Antara muka pengguna grafik (GUI) lebih mesra daripada baris arahan, tetapi ia masih bukan cara interaksi yang paling semula jadi.
Dia percaya bahawa data besar, kuasa pengkomputeran besar dan model besar telah membawa kepada kemunculan kecerdasan. Pada masa yang sama, kecerdasan buatan telah mengalami perubahan arah, daripada AI diskriminatif kepada AI generatif. Model besar juga mentakrifkan semula interaksi manusia-komputer, mentakrifkan semula pemasaran dan perkhidmatan pelanggan. Mana-mana syarikat yang mempunyai cara terbaik untuk berkomunikasi dengan pelanggan akan mempunyai pelanggan.
Perubahan besar yang dialami oleh kecerdasan buatan bukan sahaja perubahan berterusan dalam senario yang digunakan, tetapi juga perubahan yang lebih asas dalam susunan teknologi. "Robin Li berkata bahawa timbunan teknologi IT semasa telah menjadi empat lapisan, dan lapisan bawah masih lapisan cip, tetapi cip utama bukan lagi CPU, tetapi cip generasi baru yang diwakili oleh GPU yang sesuai untuk selari. operasi titik terapung berskala besar
Menurut Robin Li, banyak institusi penyelidikan percaya bahawa dalam tempoh sepuluh tahun akan datang, kecekapan banyak pekerjaan akan meningkat secara eksponen. Sama ada peningkatan kecekapan ini akan menyebabkan ramai orang kehilangan pekerjaan juga telah menimbulkan kebimbangan"Kecerdasan buatan telah membawa revolusi perindustrian, sama seperti pemandu gerabak diganti pada masa lalu, tetapi profesion baharu muncul. Tiga puluh tahun lalu, tugas jurutaip hilang, digantikan dengan kemunculan pekerjaan seperti jurutera rangkaian dan permainan pembangunan. Menurut Robin Li Seperti yang dikatakan, industri automobil telah menjadi salah satu sistem perindustrian terbesar di dunia dan telah mencipta ratusan juta pekerjaan Di China sahaja, 30 juta orang terlibat dalam pekerjaan yang berkaitan dengan kereta 🎜>
Dia berkata bahawa dia menantikan masa depan di mana pelbagai aplikasi dalam pelbagai industri akan dapat mencari senario aplikasi yang baik berdasarkan model besar dan mencapai peningkatan ketara dalam kecekapan.
Atas ialah kandungan terperinci Robin Li: Kepintaran buatan tidak akan menggantikan kerja manusia |. 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

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

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
