XiaoMi-AI文件搜索系统
World File Search System炒作
人工智能炒作的机制及其对地球和社会造成的成本
摘要 全球新兴技术格局日益受到人工智能 (AI) 炒作的影响，这一现象对当今正在创建的全球 AI 叙事具有重大的大规模影响。本文旨在根据其核心机制剖析 AI 炒作现象，将当前浪潮与历史 AI 炒作进行比较，得出结论：当前的炒作在量级、规模以及地球和社会成本方面是历史上无与伦比的。我们识别并讨论了助长 AI 炒作的社会技术机制，包括拟人化、自称 AI“专家”的人数激增、地缘政治和私营部门的“害怕错过”趋势以及新兴技术中“AI”一词的过度使用和误用。本文的第二部分试图强调当前 AI 炒作经常被忽视的成本。我们研究了它的地球成本，因为 AI 炒作对有限的资源和能源消耗施加了巨大压力。此外，我们还关注人工智能炒作与社会经济不公正之间的联系，包括通过巨大的财富再分配和人类智能成本来延续社会不平等。在结论中，我们提供了关于如何减轻未来人工智能炒作的影响的见解。我们提出了关于开发者、监管者、部署者和公众如何驾驭人工智能炒作、创新、投资和科学探索之间关系的建议，同时应对关键的社会和环境挑战。
第 2 章 引领人工智能走出炒作、恐惧和希望
在以下章节中，我们将展示 AI 用于标记五种不同现象：（a）一组探索人类认知本质和具有类似特征的机器潜力的科学领域；（b）用于创建此类工具或改进科学领域的计算方法；（c）在特定社会技术背景下结合计算系统、数据和物理机器的一系列技术实际应用；（d）一种塑造市场和政策议程的修辞手段；（e）一种探索人类状况和日益依赖机器有序化的社会的概念。该术语的这种“解释灵活性”（Pinch 和 Bijker 1984；Bakker 等人 2011）使其可以同时用于研究和辩论可能复制、替代或超越人类认知能力的机器，并作为一个包罗万象的术语来标记计算技术的最新进展。这一术语几乎被任意使用，以捕捉和促进期望、希望、担忧和别有用心，目的是使新的计算机技术和用途问题化或推广。在过去和现在的某些时刻，其他词语曾被用来描述完全相同或几乎相同的问题：自动化、电子大脑、计算、机器人、机器学习、大数据、信息化、机器智能（或机器视觉/翻译）、算法和智能技术等——在被（暂时）重新贴上人工智能的标签之前。今天使用人工智能一词来界定问题反映了它所有面向未来的包袱，唤起了希望和恐惧，但也掩盖了同一技术的其他平凡问题和用途。因此，人工智能在这方面提供了一个非常有趣的案例研究，因为许多政府、
拟人化和AI炒作-UCL Discovery
人类对拟人化的天生倾向。我们不禁以独特的人类方式思考非人类，在非人类中“看到”类似人类的特征，并做出相应的反应[1]。，但是这些推论可能会产生误导。推断我们回家时很高兴见到我们是很安慰的，也许很自然。这样的推论对于我们的宠物狗来说似乎是合理的。，但对我们的宠物岩石来说却不太如此。随着复杂的AI的出现，技术人工制品的拟人化已经变得广泛[2，3]。这不是最不重要的，因为这种技术通常被设计为像人类一样。的确，在许多情况下，这就是推动他们成功的原因。流行的基于LLM的Convertion App replika获得了知名度，因为它对用户感到与人交谈的感觉。replika用户认为他们的replika具有某些人类属性，例如情感的能力（例如，爱情，欲望，狂热，善良和悲伤）。这部分是因为聊天机器人伴随着类似人类的头像。，这也是因为它有能力维持人级对话并使用第一人称代词，Ben Schneiderman和Micheal Muller对[4]批评了GPT-4。
philoxenia-酒店的DNA：炒作还是治愈？
稍后，酒店经理在中东的一家酒店工作时，我成为了变革的经理。总是有抵抗力的变化，因此实施通常是有问题的，但至关重要。这也不是无关紧要的对抗。在某个时候，必须像陌生人一样变化（Nouwen，1975）。一种策略可以是合乎逻辑，正确甚至受到启发的，例如，改进的计算机驱动技术和彻底的市场分析的结合，但是在每日的客户互动，流程，食品质量，设施，标准和清洁度的战场上，成功将获得成功。这意味着交付更改的团队必须完全加入。更改只有在伴随成功的情况下才有可能（通常以增加收入和更好的客户反馈来衡量），但是这一成功必须是
超越炒作：在科技、媒体和电信领域挖掘 AI 和 gen AI 的潜力
生成式人工智能 (gen AI) 的出现，对于希望引领组织走向未来的领导者来说，既是挑战，也是重大机遇。机会有多大？麦肯锡研究估计，gen AI 每年可为经济增加 2.6 万亿至 4.4 万亿美元，同时将所有人工智能的影响提高 15% 至 40%。在技术、媒体和电信 (TMT) 领域，新一代 AI 用例预计将产生 3800 亿至 6900 亿美元的影响——电信领域为 600 亿至 1000 亿美元，媒体领域为 800 亿至 1300 亿美元，高科技领域为约 2400 亿至 4600 亿美元。事实上，在未来三年内，任何与 AI 无关的东西似乎都可能被视为过时或无效的。
人工智能中的拟人化：炒作与谬论
魏森鲍姆一生中的大部分时间都在警告人们将人类特质投射到人工智能上会带来危险。本论文同样通过主要关注人工智能拟人化的一些负面伦理后果，对人工智能的拟人化进行了研究。对这些后果进行详尽的分析几乎是不可能的，但通过关注拟人化作为一种炒作形式和谬论，本文表明了拟人化如何夸大了人工智能系统的能力和性能，以及扭曲了对它们的一系列道德判断。本文的结构如下。在第一部分，本文解释了拟人化的含义，以及这种现象在人工智能领域的一些表现方式。本文重点指出拟人化是围绕人工智能的炒作的一个组成部分。在这种情况下，炒作被理解为对人工智能能力和性能的歪曲和夸大，而炒作的组成部分则被理解为炒作的一部分。在第二部分中，本文表明拟人化通过其谬误性扭曲了道德判断。它通过关注人工智能的四个核心道德判断来说明这一点：关于其道德品质和地位的判断，以及关于对人工智能的责任和信任的判断。第三部分通过提供简短的总结和结论结束了这项工作。* Adriana Placani adrianaplacani@fcsh.unl.pt
制药行业的生成式人工智能：从炒作走向现实
然而，数字只是故事的一部分。即将到来的由人工智能驱动的生命科学革命，将对人类健康和福祉产生难以量化的影响。例如，加速药物研发流程将有助于更快地治愈更多疾病，从而释放更多资源，并将其应用于目前医疗资源匮乏的地区。从海量患者数据中获取洞见和模式的能力，将催生更加个性化的治疗方案，并改善患者的治疗效果。人工智能工具还可以通过减少治疗药物生产和给药过程中的偏差，使患者护理更加一致。最后，通过自动化文档创建和记录保存等繁琐耗时的任务，人工智能有望提高研究人员和医疗联络员的工作效率，使他们能够更好地服务于临床医生和患者。
在课堂上应对人工智能炒作：ChatGPT 和公平优先的语言学教学法
LLM 的发展与语言学有关，但通常仅涉及极少的语言学知识（Bender 等人，2021 年）。尽管在人工智能发展的新阶段取得了许多飞跃，但 NLP 和 NLU 对我们通过人类语言命令与计算机通信的能力的提高最为重要。通过向学生展示生成式人工智能工具背后的计算语言学过程及其局限性，我们打破了人们的幻想，即这些技术确实是独立学习的智能或可靠替代品。
炒作周期评估...
随着越来越多的OEM将其策略转移到全电动车队，对电池供电的电动汽车的需求正在迅速增长。在电动汽车的性能，范围和价格方面，锂离子电池被认为是核心组成部分。自从锂离子电池的功能原理的发展以来，产品和相关的生产技术都已经显着发展。OEM，初创企业，设备供应商和汽车行业的其他参与者正在大力投资于各种技术的研究和开发，以改善电池作为产品及其生产。一个重要方面是实现可持续的电池生产。虽然定期宣布电池技术的突破，但技术的实际优点和潜力尚不确定，直到商业部署为止。本文的目的是系统地确定即将到来的突破并宣布创新，以提供有前途的电池技术的概述，公司应该专注于这些技术，以实现弹性和可持续的生产系统的规划。因此，采用Gartner后的炒作周期评估作为评估电池技术进行电动性和质量生产部署的潜在方法。首先，对电池技术领域的各种技术，创新，研究活动和公告进行了筛选，记录和分类，以概述产品和生产水平的当前发展状态。这包括电池设计和配置以及过程技术和生产系统的创新概述。随后，根据预定义的评估标准对这些技术进行评估，以便在炒作周期中对单个技术进行系统分类。结果是对可持续电池生产的新兴电池技术的合并概述，以及针对相关公司和利益相关者的进一步建议。
人工智能的进化：现实证明了炒作的合理性
然而，Google Brain 于 2017 年发表的论文“Attention is All You Need”提出了一种名为 Transformer 的新型神经网络架构，该架构改进了长短期记忆等循环神经网络架构。5 Transformer 架构采用允许并行处理的自注意力机制，从而实现更高效的数据存储和计算，并减少训练和微调基础模型的时间和成本。6 BofA Global Research 的观点是 3 全面：专家系统的回报 (1989)。专家系统将 if/then 规则应用于数据以产生新的见解，并由德州仪器等公司实施，通过使某些流程快 20 倍并通过减少成本超支和准备费用平均每年减少 200 万美元开支，从而提高了生产力和效率。美国运通将其信贷授权人的效率提高了 45-67%。 4 微调是指使用结构化数据训练预训练模型的过程，以生成相对于原始模型而言性能更佳的专用应用程序，用于特定任务。 5 Transformer 模型还改进了 AI 应用程序的功能，因为神经网络（本质上是基础模型的大脑）能够更好地将语言语境化。例如，“bank”可能表示金融机构或河边，但查看句子中单词前后的上下文以确定含义会很有帮助。Transformer 模型通过使用句子中的所有单词（而不仅仅是之前的单词）来查找上下文，从而确定“bank”的含义。换句话说，该模型双向查找上下文，这就是“BERT”中“B”的含义。BERT 代表 Transformer 的双向编码器表示，是一种神经网络架构。 6 您所需要的只是注意力 (2017)