


Alat pengesanan penulisan kecerdasan buatan tidak boleh dipercayai, dan Perlembagaan A.S. dianggap telah ditulis oleh robot
Berita 16 Julai, baru-baru ini beberapa netizen mendapati bahawa jika dokumen undang-undang terpenting Amerika Syarikat, Perlembagaan Amerika Syarikat, dimasukkan ke dalam beberapa alat yang direka khusus untuk mengesan penulisan kecerdasan buatan, hasil yang mengejutkan akan diperoleh: United Perlembagaan Negeri hampir Ia mesti ditulis oleh kecerdasan buatan. Melainkan James Madison seorang pengembara masa, ini jelas mustahil. Jadi mengapa alat pengesanan AI ini membuat ralat sedemikian? Media asing Arstechnica menemu bual beberapa pakar dan pembangun alat pengesan AI GPTZero untuk mendedahkan sebabnya.
Dalam bidang pendidikan, penulisan kecerdasan buatan telah menimbulkan banyak kontroversi. Guru telah lama menggunakan kaedah pengajaran tradisional, menggunakan esei sebagai alat untuk menilai penguasaan pelajar terhadap sesuatu mata pelajaran. Bukti setakat ini menunjukkan bahawa ramai guru yang bergantung pada alatan AI untuk mengesan tulisan yang dijana AI didapati tidak boleh dipercayai. Disebabkan kehadiran positif palsu, alat pengesan AI seperti GPTZero, ZeroGPT dan pengelas teks OpenAI tidak boleh dipercayai dan tidak boleh digunakan untuk menentukan sama ada artikel dijana oleh model bahasa besar (LLM).
Apabila anda memasukkan sebahagian daripada Perlembagaan A.S. ke dalam GPTZero, GPTZero berkata teks itu "mungkin ditulis sepenuhnya oleh AI." Dalam tempoh enam bulan lalu, tangkapan skrin dengan hasil yang serupa telah tersebar secara meluas di media sosial melalui alat pengesanan AI yang lain. Malah, perkara yang sama berlaku jika anda memasukkan sesuatu daripada Bible. Untuk memahami sebab alatan ini membuat kesilapan yang jelas, kita perlu memahami cara ia berfungsi terlebih dahulu.
Menurut IT House, pengesan penulisan kecerdasan buatan yang berbeza menggunakan kaedah pengesanan yang sedikit berbeza, tetapi prinsip asasnya adalah serupa: melalui model kecerdasan buatan, berdasarkan sejumlah besar teks (termasuk berjuta-juta contoh penulisan) dan satu set andaian telah dilatih tentang peraturan yang digunakan untuk menentukan sama ada tulisan lebih berkemungkinan dihasilkan oleh manusia atau AI.
Sebagai contoh, di tengah-tengah GPTZero ialah rangkaian saraf yang dilatih mengenai "korpus besar, pelbagai tulisan manusia dan teks yang dijana AI, dengan tumpuan pada prosa Inggeris." Seterusnya, Sistem menggunakan atribut seperti "kebingungan" dan "kecemasan" untuk menilai teks dan mengklasifikasikannya.
Dalam pembelajaran mesin, kebingungan ialah ukuran sisihan antara sekeping teks dan perkara yang dipelajari oleh model kecerdasan buatan semasa latihan. Idea di sebalik mengukur kebingungan ialah apabila model AI menulis, mereka secara semula jadi memilih kandungan yang paling mereka kenali daripada data latihan mereka. Semakin dekat output dengan data latihan, semakin rendah kebingungan. Manusia adalah penulis yang lebih mengelirukan, dan manusia juga boleh menulis dengan kekeliruan yang rendah, terutamanya apabila meniru gaya formal yang digunakan dalam undang-undang atau jenis penulisan akademik tertentu. Dan, kebanyakan frasa yang kami gunakan adalah perkara biasa yang menghairankan.
Sebagai contoh, mari cuba teka perkataan seterusnya dalam ayat ini: "Saya mahu secawan _____". ” Kebanyakan orang akan mengisi tempat kosong dengan “air,” “kopi,” atau “teh.” Model bahasa yang dilatih pada sejumlah besar teks bahasa Inggeris akan melakukan perkara yang sama, kerana frasa ini kerap muncul dalam tulisan Inggeris, seperti yang ditunjukkan dalam hasil ini. Sama ada satu akan mempunyai tahap kebingungan yang rendah
Satu lagi sifat teks yang GPTZero ukur ialah "meletup", yang merujuk kepada fenomena perkataan atau frasa tertentu yang muncul berturut-turut atau "meletup" dalam teks. kecemasan menilai kebolehubahan panjang dan struktur ayat di seluruh teks Penulis manusia sering mempamerkan gaya penulisan yang dinamik, menghasilkan teks dengan panjang dan struktur ayat yang berubah-ubah, manakala teks yang dihasilkan oleh AI cenderung lebih konsisten dan Seragam bukan metrik yang tidak mudah untuk mengesan kandungan yang dijana oleh AI, seperti kebingungan, terdapat pengecualian apabila penulis manusia mungkin menulis dalam gaya yang sangat berstruktur dan konsisten, yang menghasilkan skor yang lebih tinggi, sebaliknya, model AI boleh dilatih untuk meniru lebih ramai manusia. seperti kebolehubahan dalam panjang dan struktur ayat, dengan itu meningkatkan skor kecemasan mereka Malah, apabila model bahasa AI bertambah baik, penyelidikan menunjukkan bahawa mereka meningkatkan penulisan mereka
.Atas ialah kandungan terperinci Alat pengesanan penulisan kecerdasan buatan tidak boleh dipercayai, dan Perlembagaan A.S. dianggap telah ditulis oleh robot. 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
