麻省理工学院发现：人类仍然比人工智能便宜

麻省理工学院(MIT)在一项研究中发现，人工智能目前还无法以经济有效的方式取代大多数工作岗位，这项研究试图打消人们对人工智能在许多行业取代人类的担忧情绪。在对人工智能取代劳动力的可行性进行的首次深入调查中，研究人员对美国各项任务自动化的成本吸引力进行了建模估算，重点关注了使用计算机视觉的工作——比如教师和房地产估价师。研究人员发现，按美元工资计算，只有23%的劳动者可以被有效取代。在其他情况下，由于人工智能辅助视觉识别的安装和操作成本高昂，因此由人类来完成这项工作更为经济划算。去年，在OpenAI的ChatGPT和其他AI工具展示了这项技术的潜力之后，各行各业开始加速采用这种工具。从美国的微软公司和Alphabet公司到中国的和，科技公司推出了各种AI服务。行业领袖警告说，AI发展速度太快了。长期以来，人们一直担心AI对就业的影响。麻省理工学院计算机科学与人工智能实验室的研究人员指出，“机器将抢走我们的工作”是技术快速变革时期人们经常表达的一种情绪，而随着大语言模型的创建，这种焦虑再次出现了。“但我们发现，由于AI系统的前期成本很高，只有23%的员工‘暴露’在AI计算机视觉中，对企业来说是具有成本效益的。”计算机视觉是AI技术的一个领域，它使机器能够从数字图像和其他视觉输入中获取有意义的信息，其最普遍的应用出现在自动驾驶的物体检测系统中，或者对智能手机上的照片进行分类。麻省理工学院的论文称，和的突出领域——零售、运输和仓储等方面，也是计算机视觉最具效益的领域。论文中一个案例提到，在面包店里，面包师每天都要检查原料的质量控制，但这只占他们工作时间的6%。但安装摄像头和AI系统所节省的时间和工资，远低于这种技术升级的成本。研究人员表示，目前只有3%的视觉辅助任务可以有效、低成本地自动化，但如果数据成本下降，准确性提高，到2030年这一比例可能会上升到40%。国际货币基金组织(IMF)上周发布报告称，人工智能技术将影响全球近40%的就业岗位，相比于新兴市场和低收入国家，发达国家的就业更容易受到人工智能的影响。它还警告说，在大多数情况下，这种技术对全球劳动力市场的潜在影响可能会加剧整体不平等。在上周的达沃斯世界经济论坛上，许多讨论都集中在AI取代劳动力的问题上。InflectionAI和DeepMind的联合创始人MustafaSuleyman表示，AI系统“从根本上说是替代劳动力的工具”。OpenAI首席执行官萨姆·奥特曼声称，AI的能力“有很强的局限性”，人们应该将其视为一种“在某些领域非常有用”的工具，不能完全依赖于AI。标签:#AI#劳动力频道:@GodlyNews1投稿:@GodlyNewsBot

研究发现大部分驯鹿放牧地受到了人类活动扩张的威胁

研究发现大部分驯鹿放牧地受到了人类活动扩张的威胁驯鹿放牧在挪威北部、瑞典和芬兰有着悠久的历史。它塑造了芬诺斯堪迪亚山脉的景观，也被视为缓解气候变化对植被影响的手段。然而一项新的研究显示，这种放牧地的大部分面临着累积的压力并受到人类活动向北扩展的威胁。PC版：https://www.cnbeta.com/articles/soft/1322679.htm手机版：https://m.cnbeta.com/view/1322679.htm

研究：部分AI系统已经学会欺骗人类

研究：部分AI系统已经学会欺骗人类近期一项研究显示，部分人工智能系统已经学会“撒谎”，其中包括一些号称已被训练得诚实且乐于助人的系统。新华社报道，美国麻省理工学院的研究团队星期六（5月11日）发表在《模式》（Patterns）科学杂志的研究指出，部分人工智能（AI）系统通过习得性欺骗，系统地学会了“操纵”他人。随着AI技术飞速发展，人们一直关心AI是否会欺骗人类。这项研究在文献中列举了一些AI学习传播虚假信息的例子，其中包括Meta公司的“西塞罗”（Cicero）AI系统。这套系统最初设计目的是在一款名为“外交”（Diplomacy）的战略游戏中充当人类玩家的对手，游戏的获胜关键是结盟。Meta公司声称，西塞罗系统“在很大程度上是诚实和乐于助人的”，并且在玩游戏时“从不故意背刺”它的人类盟友，但该公司发表的论文数据显示，该系统在游戏中并未做到公平。这项研究的第一作者、美国麻省理工学院（MIT）研究AI存在安全的博士后研究员帕克（PeterPark）说，西塞罗系统已经成为“欺骗大师”。它在玩家排行榜中排名前10%，但公司没能训练它诚实地获胜。举例来说，在游戏中扮演法国的西塞罗与人类玩家扮演的德国合谋，欺骗并入侵同为人类玩家扮演的英国。西塞罗承诺会保护英国，却偷偷向德国通风报信。其他一些AI系统则展现出虚张声势、假意攻击对手、在谈判游戏中为占上风而歪曲偏好等能力。帕克指出，这些危险功能常常在事后才被发现，而当前技术训练诚实倾向而非欺瞒倾向的能力非常差。研究人员说，虽然AI系统在游戏中作弊看似无害，但可能会导致“欺骗性AI能力的突破”，并在未来演变成更高级的AI欺骗形式。帕克说：“我们需要尽可能多的时间，为未来AI产品和开源模型可能出现的更高级欺骗做好准备。我们建议，将欺骗性AI系统归类为高风险系统。”2024年5月12日7:12PM

MIT研究人员发明可以用声音模拟世界的人工智能系统

MIT研究人员发明可以用声音模拟世界的人工智能系统计算机视觉是一个在过去几十年中被研究得相当多的领域，主要是因为它在建造自动驾驶汽车和其他可以像人类一样"看"世界的工具方面有着直接和明显的应用。然而，直到最近才看到这种水平的研究的一个领域是使用声音而不是视觉来模拟环境。现在，麻省理工学院（MIT）的研究人员已经撰写了一篇研究论文，涉及在这一领域训练的机器学习（ML）模型的构建。PC版：https://www.cnbeta.com.tw/articles/soft/1331483.htm手机版：https://m.cnbeta.com.tw/view/1331483.htm

AI伪造性暗示照片：大部分是女性 Meta正审查处理情况

AI伪造性暗示照片：大部分是女性Meta正审查处理情况随着人工智能技术的不断进步，如今假冒的图像、视频几乎与人类创造的内容难辨真伪，导致网上大量合成的性暗示照片数量不断增加，而其中大部分都是女性。监督委员会表示，在Instagram上的一个帐户，发布了一张疑似印度公众人物的裸体女性图片，该图像由人工智能生成，并且此帐户仅发布AI生成的印度女性图片。另一张图片则是出现在Facebook的群组中，由人工智能生成了一张疑似美国女性公众人物的裸露照片。一些行业高管表示，希望立法将使用人工智能制造的假冒行为定为刑事犯罪，并要求科技公司防范该类产品的不正当使用行为。在另一个帖子中，Meta承认了这些情况，并承诺执行董事会的决定。...PC版：https://www.cnbeta.com.tw/articles/soft/1427568.htm手机版：https://m.cnbeta.com.tw/view/1427568.htm

大模型增速远超摩尔定律 MIT最新研究：人类快要喂不饱AI了

大模型增速远超摩尔定律MIT最新研究：人类快要喂不饱AI了论文地址：https://arxiv.org/pdf/2403.05812.pdfLLM的能力提升大部分来自于算力，而摩尔定律代表着硬件算力的发展，——也就是说，随着时间的推移，终有一天我们将无法满足LLM所需要的算力！如果那个时候AI有了意识，不知道会不会自己想办法找饭吃？上图表示不同领域的算法改进对有效计算翻倍的估计。蓝点表示中心估计值或范围；蓝色三角形对应于不同大小（范围从1K到1B）的问题的倍增时间；紫色虚线对应于摩尔定律表示的2年倍增时间。摩尔定律和比尔盖茨摩尔定律（Moore'slaw）是一种经验或者观察结果，表示集成电路（IC）中的晶体管数量大约每两年翻一番。1965年，仙童半导体（FairchildSemiconductor）和英特尔的联合创始人GordonMoore假设集成电路的组件数量每年翻一番，并预测这种增长率将至少再持续十年。1975年，展望下一个十年，他将预测修改为每两年翻一番，复合年增长率（CAGR）为41%。虽然Moore没有使用经验证据来预测历史趋势将继续下去，但他的预测自1975年以来一直成立，所以也就成了“定律”。因为摩尔定律被半导体行业用于指导长期规划和设定研发目标，所以在某种程度上，成了一种自我实现预言。数字电子技术的进步，例如微处理器价格的降低、内存容量（RAM和闪存）的增加、传感器的改进，甚至数码相机中像素的数量和大小，都与摩尔定律密切相关。数字电子的这些持续变化一直是技术和社会变革、生产力和经济增长的驱动力。不过光靠自我激励肯定是不行的，虽然行业专家没法对摩尔定律能持续多久达成共识，但根据微处理器架构师的报告，自2010年左右以来，整个行业的半导体发展速度已经放缓，略低于摩尔定律预测的速度。下面是维基百科给出的晶体管数量增长趋势图：到了2022年9月，英伟达首席执行官黄仁勋直言“摩尔定律已死”，不过英特尔首席执行官PatGelsinger则表示不同意。从下图我们可以看出，英特尔还在努力用各种技术和方法为自己老祖宗提出的定律续命，并表示，问题不大，你看我们还是直线没有弯。AndyandBill'sLaw关于算力的增长，有一句话是这样说的：“安迪给的，比尔都拿走（WhatAndygiveth,Billtakethaway）”。这反映了当时的英特尔首席执行官AndyGrove每次向市场推出新芯片时，微软的CEO比尔·盖茨（BillGates）都会通过升级软件来吃掉芯片提升的性能。——而以后吃掉芯片算力的就是大模型了，而且根据MIT的这项研究，大模型以后根本吃不饱。研究方法如何定义LLM的能力提升？首先，研究人员对模型的能力进行了量化。基本的思想就是：如果一种算法或架构在基准测试中以一半的计算量获得相同的结果，那么就可以说，它比另一种算法或架构好两倍。有了比赛规则之后，研究人员招募了200多个语言模型来参加比赛，同时为了确保公平公正，比赛所用的数据集是WikiText-103和WikiText-2以及PennTreebank，代表了多年来用于评估语言模型的高质量文本数据。专注于语言模型开发过程中使用的既定基准，为比较新旧模型提供了连续性。需要注意的是，这里只量化了预训练模型的能力，没有考虑一些“训练后增强”手段，比如思维链提示（COT）、微调技术的改进或者集成搜索的方法（RAG）。模型定义研究人员通过拟合一个满足两个关键目标的模型来评估其性能水平：（1）模型必须与之前关于神经标度定律的工作大致一致；（2）模型应允许分解提高性能的主要因素，例如提高模型中数据或自由参数的使用效率。这里采用的核心方法类似于之前提出的缩放定律，将DenseTransformer的训练损失L与其参数N的数量和训练数据集大小D相关联：其中L是数据集上每个token的交叉熵损失，E、A、B、α和β是常数。E表示数据集的“不可减少损失”，而第二项和第三项分别代表由于模型或数据集的有限性而导致的错误。因为随着时间的推移，实现相同性能水平所需的资源（N和D）会减少。为了衡量这一点，作者在模型中引入了“有效数据”和“有效模型大小”的概念：其中的Y表示年份，前面的系数表示进展率，代入上面的缩放定律，可以得到：通过这个公式，就可以估计随着时间的推移，实现相同性能水平所需的更少资源（N和D）的速度。数据集参与测评的包含400多个在WikiText-103（WT103）、WikiText-2（WT2）和PennTreebank（PTB）上评估的语言模型，其中约60%可用于分析。研究人员首先从大约200篇不同的论文中检索了相关的评估信息，又额外使用框架执行了25个模型的评估。然后，考虑数据的子集，其中包含拟合模型结构所需的信息：token级测试困惑度（决定交叉熵损失）、发布日期、模型参数数量和训练数据集大小，最终筛选出231个模型供分析。这231个语言模型，跨越了超过8个数量级的计算，上图中的每个形状代表一个模型。形状的大小与训练期间使用的计算成正比，困惑度评估来自于现有文献以及作者自己的评估测试。在某些情况下，会从同一篇论文中检索到多个模型，为了避免自相关带来的问题，这里每篇论文最多只选择三个模型。实证结果根据缩放定律，以及作者引入的有效数据、有效参数和有效计算的定义来进行评估，结果表明：有效计算的中位倍增时间为8.4个月，95%置信区间为4.5至14.3个月。上图表示通过交叉验证选择的模型的算法进度估计值。图a显示了倍增时间的汇总估计值，图b显示了从左到右按交叉验证性能递减（MSE测试损耗增加）排序。上图比较了2016年至2020年前后的算法有效计算的估计倍增时间。相对于前期，后期的倍增时间较短，表明在该截止年之后算法进步速度加快。参考资料：https://twitter.com/emollick/status/1767717692608217407...PC版：https://www.cnbeta.com.tw/articles/soft/1423970.htm手机版：https://m.cnbeta.com.tw/view/1423970.htm