


Media British: Sesetengah orang di Silicon Valley menyokong AI terlalu banyak dan mendakwa bahawa 'pembelajaran tidak berguna'
Berita pada 13 Jun, dengan perkembangan pesat kecerdasan buatan, Silicon Valley mahu orang ramai percaya bahawa tingkah laku manusia boleh diramal dan kemahiran boleh digantikan dengan kecerdasan buatan. Pengarang media British menggambarkan melalui pengalaman kerjanya sendiri bahawa walaupun bilangan jawatan yang boleh menggantikan manusia semakin meningkat, kecerdasan buatan masih tidak dapat benar-benar memahami sifat tingkah laku manusia.
Berikut ialah kandungan yang disusun:
Dari 2010 hingga 2020, saya menumpukan sebahagian besar masa dan tenaga saya kepada industri media baharu. Tetapi rasa tidak selamat kerana diberhentikan berkali-kali akhirnya mengalahkan minat saya. Jadi saya belajar pengaturcaraan dan berpindah ke kedudukan "pembangunan web" yang lebih selamat. Kemajuan ketara baru-baru ini dalam kecerdasan buatan nampaknya menjadikan pengaturcaraan terasa seperti tugas yang berulang dan membuang masa. Ramai profesional percaya bahawa robot hari ini telah menguasai pengaturcaraan dan boleh melakukan lebih baik daripada manusia dalam banyak aspek.
Pengaturcaraan boleh menjadi terlalu membosankan dan melarang untuk bukan pakar: "bahasa pengaturcaraan" ini dianggap sukar untuk difahami dan tidak mempunyai peraturan struktur yang jelas. Tetapi menurut penyokong AI, tidak ada lagi halangan untuk pengaturcaraan. Sekarang cuma tanya chatbot dan ia akan menjana kod serta-merta, lengkap dengan komen.
Orang ramai masih menyedari banyak kesilapan yang dilakukan oleh kecerdasan buatan apabila berinteraksi dengan pelbagai bot sembang. Sudah tentu, ia juga akan cuba menangani isu ini dalam perbualan berulang dengan orang. Dengan cara ini, tidak sukar untuk membayangkan bahawa dalam masa terdekat, kecerdasan buatan akan dapat memahami keperluan pengguna dan penyelesaian yang lengkap dengan mudah, dan peranan pembangun akan nampaknya sudah ketinggalan zaman.
Ini memudahkan orang ramai terjerumus ke dalam fatalisme tentang AI yang menghilangkan pekerjaan. Orang yang paling menyokong teknologi AI adalah mereka yang paling bersemangat untuk membangunkannya, menggalakkan orang ramai untuk menyerah kepada masa depan yang dikuasai robot baharu di mana menghabiskan masa mempelajari kemahiran, melaksanakan tugas atau memperoleh pemahaman yang mendalam tentang apa-apa sahaja mungkin dianggap usang. . Untuk menguraikan semula ini: Adalah tidak betul untuk mengelirukan keupayaan untuk melakukan sesuatu dengan cepat dengan keupayaan untuk memahami sepenuhnya sebab di sebaliknya.
AI chatbots tidak melanggar peraturan asas pengaturcaraan. Mereka hanya mencerna sejumlah besar bahan sumber terbuka yang tersedia dalam talian. Orang ramai boleh menggunakan chatbots untuk melangkau peringkat pembinaan pengetahuan, tetapi dengan berbuat demikian, mereka tidak akan sekali-kali memahami keputusan yang dibuat oleh mesin bagi pihak mereka, sebab keputusan itu dibuat dan sama ada keputusan itu cukup baik. Intinya ialah terdapat kemungkinan keputusan lain.
Apa yang unik tentang reka bentuk dan pembangunan web ialah cara ia berfikir secara sisi, jarang ada satu cara objektif yang betul untuk mencapai ciri tertentu. Pembangun mesti memikirkan semua situasi berbeza yang akan dihadapi oleh pengguna di tapak, bayangkan bagaimana mereka akan berinteraksi dengan tapak, perkara yang mereka harapkan daripadanya, dan sama ada perkara yang anda tawarkan akan membebankan telefon mereka, dsb. Walaupun mesin terlatih boleh mengumpul semua maklumat di Internet, ia tidak akan berfikir seperti pembangun kecerdasan buatan.
Sebagai pembangun yang berpengalaman, pengetahuan pengaturcaraan dan kreativiti amat diperlukan. Walaupun kemajuan dalam kecerdasan buatan boleh memberi kesan kepada keupayaan saya untuk memperoleh wang dalam sesetengah kawasan, ia tidak akan membuatkan saya berasa seperti saya telah menguasai kemahiran semudah menaip arahan lisan ke dalam kotak dialog.
Walau bagaimanapun, terdapat usaha bersepadu di seluruh Lembah Silikon untuk meyakinkan orang ramai bahawa minda manusia boleh diramal, boleh ditiru dan tidak begitu kompleks. Mereka mendakwa bahawa seni dan bidang yang berkaitan boleh dikurangkan kepada persamaan dan kata kunci matematik kerana mereka membelanjakan berbilion-bilion membangunkan robot yang boleh mengesan palsu dan menjana pelbagai imej secara automatik.
Apabila ditanya tentang kemungkinan penggunaan kecerdasan buatan, pengasas bersama OpenAI Greg Brockman membuat ramalan mengenai industri hiburan masa depan di matanya: "Orang ramai masih bimbang tentang " Musim terakhir Game of Thrones tidak memuaskan. , tetapi bayangkan jika anda boleh membiarkan kecerdasan buatan anda mencipta pengakhiran baharu yang berbeza, malah meletakkan diri anda sebagai protagonis sejak itu. Ini menunjukkan kekurangan kreativiti dalam kalangan penyokong kecerdasan buatan, yang menggesa kita untuk membayangkan diri kita kreatif. Orang-orang ini tidak dapat membayangkan jenis keseronokan dan kepuasan yang mereka peroleh daripada mencipta seni, dan mereka juga tidak dapat membayangkan mengapa sesiapa lebih suka mencipta cerita mereka sendiri daripada menyumber luar keseluruhan proses kepada mesin. Mereka tidak mempunyai keyakinan asas dalam idea mereka bahawa mereka tidak dapat mencipta semula Game of Thrones tanpa bantuan komputer.
Memerah setiap karya seni ke dalam mesin dan kemudian mengecilkannya secara sia-sia ke titik tengah anggaran tidak mewakili ekspresi artistik sebenar. Ia mungkin hanya teknik penambahbaikan, kebaharuan yang menyeronokkan. Walaupun kecerdasan buatan boleh menjana tiruan, ia tidak dapat meniru minda, kemahiran dan kesanggupan manusia untuk mencipta karya seni.
Ramai orang percaya bahawa kerja kreatif bernilai hanya jika ia boleh menguntungkan, dan mereka suka mempromosikan teori ancaman kecerdasan buatan. Tetapi mesin tidak mempunyai kapasiti untuk ekspresi diri, tiada dorongan untuk berkomunikasi, dan itu adalah perkara paling berharga yang boleh diwakili oleh manusia. (Chenchen)
Atas ialah kandungan terperinci Media British: Sesetengah orang di Silicon Valley menyokong AI terlalu banyak dan mendakwa bahawa 'pembelajaran tidak berguna'. 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

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 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
