LLM 代表了最先进的技术,在性能和语言质量方面超越了其他当前的 T2T 模型。因此,它们被认为是 T2T 模型考察的代表。LLM 是强大的神经网络,最多可拥有一万亿个参数。它们在大量文本语料库上进行训练,专门用于处理和生成文本。LLM 的训练通常可分为两个阶段:首先,进行无监督训练,使 LLM 对文本有大致的了解。接下来是微调,使 LLM 专门用于特定任务(NIST,2024)。文本是基于随机相关性生成的;概率分布用于预测在给定上下文中接下来可能出现哪个字符、单词或单词序列。LLM 的输出通常表现出很高的语言质量,因此通常与人类书写的文本难以区分。
改变工作结构,通过自动化部分个人活动来增强个体工人的能力。当前的生成式人工智能和其他技术有可能使占用员工 60% 到 70% 时间的工作活动实现自动化。相比之下,我们之前估计技术有可能使员工工作时间的一半实现自动化。1 技术自动化潜力的加速很大程度上是由于生成式人工智能对自然语言的理解能力增强,这是占总工作时间 25% 的工作活动所必需的。因此,与其他类型的工作相比,生成式人工智能对工资和教育要求较高的职业相关的知识工作的影响更大。
公共部门负责任的 AI 6 协助您部署 AI 的工具、承诺和资源 7 第 2 部分:AI 背景下的 GDPR 合规框架 8 什么是 GDPR,它适用于谁?8 使用 AI 解决方案时利用既定原则遵守监管框架 8 使用 AI 和云服务时,谁负责 GDPR 合规?9 遵守 GDPR 是一项共同责任 9 Microsoft 如何支持客户履行 GDPR 合规义务?9 保护公共部门客户的数据 - Microsoft 在 AI 时代的隐私承诺 10 在采购和使用生成 AI 服务的背景下,GDPR 下的主要义务 11 GDPR 如何与 AI 法案互动?16 我们持续遵守数据保护法规,并与欧洲和全球的主要监管机构展开公开对话 16
6 参见:法院和法庭使用生成人工智能的指南 7 参见:隐私专员办公室 | 原则 12 – 在新西兰境外披露 8 参见:CERT NZ 和人工智能 – 拥有自己的在线
人们对 Gen AI 既兴奋又忐忑。随着 Gen AI 工具不断壮大和发展,释放出无数可能影响工作的可能性——从基于文本的 ChatGPT、Bard 等;基于图像的 Dall-E 和 Midjourney,到其他 AI 辅助的商业-金融-运营工具纷纷上市——这些工具无限的可能性引发了人们对道德考量和治理的呼吁。