XiaoMi-AI文件搜索系统
World File Search System划时代
生成式人工智能在事实上的影响和机遇......
生成式人工智能似乎有望改变白领职业，超过 90% 的财富 500 强公司都在使用 OpenAI 的旗舰模型 GPT，该模型被称为能够影响经济划时代变革的“通用技术”。但这些技术将如何影响那些负责核实和报告事实信息以及确保信息生态系统健康的组织？为了研究这个问题，我们对来自六大洲 29 个事实核查组织的 𝑁 =38 名参与者进行了 30 次访谈，询问他们如何使用生成式人工智能以及他们在该技术中看到的机遇和挑战。我们发现，事实核查人员设想的生成式人工智能的用途因组织基础设施而异，在编辑中用于质量保证，在调查中用于趋势分析，在倡导中用于信息素养。我们使用 TOE 框架来描述参与者的关注点，从技术（缺乏透明度）、组织（资源限制）到环境（不确定和不断发展的政策）。根据参与者的见解，我们描述了事实核查和生成式人工智能之间的价值紧张，并提出了一个用于信息核查工作的生成模型设计空间的新型验证维度。最后，我们概述了公平、问责和透明度研究的议程，以支持在事实核查中负责任地使用生成式人工智能。自始至终，我们强调了人力基础设施和劳动力在与人工智能合作生成经过验证的信息方面的重要性。我们希望这项工作不仅能为事实核查的科学文献提供信息，而且还有助于理解组织对强大但不可靠的新技术的适应性。
![arXiv:2404.01302v1 [quant-ph] 2024 年 1 月 13 日](/simg/g:\will\search\icon\source\4\4abf9812899fc6c6d16eb953cbe0ea146f6e9ec3.webp)
arXiv:2404.01302v1 [quant-ph] 2024 年 1 月 13 日
近年来，量子计算得到了大力发展，主要是因为与电子计算机相比，量子计算可以为许多科学应用提供惊人的加速 [1]。量子计算可以追溯到理查德·费曼（Richard Feynman）的划时代论文，他在论文中指出，物理学“不是经典的”，因此应该在量子计算机上进行模拟 [2]。根据费曼的观察（这要归功于 T. Toffoli 和 E. Fredkin 等前辈研究人员），量子计算的早期理论工作于 20 世纪 80 年代开始，例如 Deutsch 关于量子理论、通用量子计算机和丘奇-图灵原理之间联系的研究[3]。随后，随着 20 世纪 90 年代中期 Shor 整数因式分解算法和 Grover 搜索算法的发表，该研究领域在理论工作和量子计算硬件方面也获得了显著发展势头。从那时起，量子计算的研究领域一直在不断发展 [4, 7, 8]。在应用方面，量子多体系统的模拟受到了特别的关注，因为它具有科学和工业意义，也因为它与量子硬件的密切联系，这意味着可以将量子哈密顿量直接映射到本地量子门。在本文中，我们将重点关注一个不太常见的领域，即使用量子计算机模拟经典流体[50]。为此，可以方便地参考由以下四个象限定义的物理计算平面：CC：用于经典物理的经典计算；CQ：用于量子物理的经典计算；QC：用于经典物理的量子计算；QQ：用于量子物理的量子计算。如图1所示（取自[5]）。费曼的观察属于图1所示的CQ区域，在该区域人们经常会遇到与量子多体问题相空间相关的指数复杂性障碍[11,12]。基本思想是，这种指数障碍可以通过 QQ 象限提供的量子比特表示的相应指数容量来处理。在本章中，我们将重点关注对角线外 QC 象限，量子计算的能力可能会在这里实现经典物理学中的计算难题。
引用本文：Ben Williamson & Rebecca Eynon (2020)：教育、学习、媒体和技术领域人工智能的历史线索、缺失环节和未来方向，DOI：10.1080/17439884.2020.1798995
人工智能已成为日常生活中司空见惯的事情。通过网络获取信息、消费新闻和娱乐、金融市场的表现、监控系统识别个人的方式、驾驶员和行人如何导航以及公民如何领取福利金，这些只是人工智能渗透到人类生活、社会机构、文化实践以及政治和经济进程中的无数例子。用于实现人工智能的算法技术的影响是深远的，激发了相当多的时代炒作和希望，以及反乌托邦的恐惧，尽管它们在技术专家的社交网络之外仍然很大程度上不透明且理解甚少（Rieder 2020）。然而，人工智能的深刻社会和伦理影响正变得越来越明显，并成为人们关注的重要对象。人工智能是争议的焦点，例如，工作场所和公共服务的自动化；算法形式的偏见和歧视；不平等和劣势的自动再现；以数据为中心的监视和算法分析制度；无视数据保护和隐私；政治和商业微目标定位；以及科技公司控制和塑造其渗透的所有部门和空间的权力，从整个城市和公民群体到特定的集体、个人甚至人体（Whittaker 等人，2018 年）。已经制定了许多道德框架和专业行为准则，试图减轻人工智能在社会中的潜在危险和风险，尽管关于它们对公司的具体影响或这些框架和准则如何保护商业利益的重要争论仍然存在（Greene、Hofferman 和 Stark，2019 年）。目前，人工智能在网络、智能手机、社交媒体和通过互联物体和传感器网络在空间中的实例化的历史比最近一些划时代的说法所暗示的要长得多。人工智能的历史至少可以追溯到 20 世纪 40 年代计算机科学和控制论的诞生。 “人工智能”这一术语本身是在 20 世纪 50 年代中期达特茅斯学院的一个项目和研讨会中提出的。从 20 世纪 60 年代到 90 年代，人工智能经历了一段“寒冬”，其研究和开发首先侧重于对人类推理的编码原理进行模拟，然后侧重于“专家系统”，即基于定义的知识库模拟专家的程序性决策过程。2010 年之后，人工智能逐渐以一种新范式回归，不再是模拟人类智能或可编程专家系统，而是能够通过对大量“大数据”进行分类和关联来学习和做出预测的数据处理系统。计算过程包括数据分析、机器学习、神经网络、深度学习和强化学习是大多数当代人工智能的基础。人工智能可能只是一系列统计、数学、计算和数据科学实践和发展的新的总称，它们各自都有复杂且相互交织的谱系，但它也标志着这些历史脉络的独特联系（Schmidhuber 2019 , 2020 ）。现代人工智能的重点不是创造计算“超级智能”（“强人工智能”），而是理想情况下致力于开发能够从自身经验中学习、适应变化的机器。