在北京时间8月26日的一则报道中，NBA著名前球员沙奎尔·奥尼尔在电视节目中对洛杉矶湖人队发表了看法。他认为，勒布朗·詹姆斯应当在球队中扮演类似魔术师约翰逊那样的控球后卫角色。 “如果我是詹姆斯，我会把球交给AD，”奥尼尔说，“因为我已经拥有了所有的纪录，我会要求AD多得分，勒布朗仍然可以做到他所做的，但是他不需要一直拿着球，里夫斯可以成为第二号(得分手)，勒布朗可以成为魔术师约翰逊式的控卫，让每个人都参与进来，让球队继续前进。” Keyword: NBA live
View Article我都创造了什么 “AI Interview Simulator ”是一款基于Web的应用程序，旨在改善用户的面试体验，能够有充分的准备。 它使用人工智能技术分析用户的答案，并提供有关如何改进的建设性反馈。该工具使用用户设备上的摄像头和麦克风，提供全面的实时评估，帮助用户在下一次面试中脱颖而出。 AI Interview Simulator 的演示地址： https://interview.nicobytes.com/ 代码开源GitHub地址： https://github.com/nicobytes/interview-cloudflare-ai 代码旅行 前段时间，我所在的公司裁员了，因此我开始在寻找下一个职位，但是每家公司的招聘流程都不同。 但我发现每次面试都会问一些常见的问题，我已经开始记下这些问题，以便在下次面试时改进。 作为招聘过程的一部分，一些公司要求你录制回答一些问题的视频，这个过程可能会令人生畏。 受这样的情况启发，我创建了一个人工智能面试模拟器，它可以根据你的角色生成问题，并使用你的手机和相机提供反馈，让你获得接近真实面试的体验。 该应用程序基于 Angular 前端，利用 Tailwind CSS 进行样式设置，并利用 Angular CDK 进行组件原语，从而增强了 UI 开发流程。后端由轻量级 JavaScript 框架 HonoJS 提供支持，并集成 LangChainJS 来有效管理与大型语言模型的交互。 对于基础设施，该应用程序利用 Cloudflare 的生态系统：用于托管的 Cloudflare Pages、用于边缘功能的 Cloudflare Workers 以及@cf/openai/whisper用于音频处理、@cf/meta/llama-2-7b-chat-fp16聊天功能的 Workers AI 模型，以及用于文本转语音功能的 openai-tts。 数据存储通过 Cloudflare R2 处理，D1 提供可扩展的数据库解决方案来管理聊天内存和其他数据需求。 多种模型以及三重任务类型： 自动语音识别：@cf/openai/whisper 文本生成：@cf/meta/llama-2-7b-chat-fp16 […]
View Article1.导语 谷歌推出的BERT模型在11项NLP任务中夺得SOTA结果，引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的强大作用。谷歌的Transformer模型最早是用于机器翻译任务，当时达到了SOTA效果。Transformer改进了RNN最被人诟病的训练慢的缺点，利用self-attention机制实现快速并行。并且Transformer可以增加到非常深的深度，充分发掘DNN模型的特性，提升模型准确率。在本文中，我们将研究Transformer模型，理解它的工作原理。 原作者：Jay Alammar 原链接：https://jalammar.github.io/illustrated-transformer 2.正文开始 Transformer由论文《Attention is All You Need》提出，现在是谷歌云TPU推荐的参考模型。论文相关的Tensorflow的代码可以从GitHub获取，其作为Tensor2Tensor包的一部分。哈佛的NLP团队也实现了一个基于PyTorch的版本，并注释该论文。 在本文中，我们将试图把模型简化一点，并逐一介绍里面的核心概念，希望让普通读者也能轻易理解。Attention is All You Need：https://arxiv.org/abs/1706.03762从宏观的视角开始 首先将这个模型看成是一个黑箱操作。在机器翻译中，就是输入一种语言，输出另一种语言。那么拆开这个黑箱，我们可以看到它是由编码组件、解码组件和它们之间的连接组成。编码组件部分由一堆编码器（encoder）构成（论文中是将6个编码器叠在一起——数字6没有什么神奇之处，你也可以尝试其他数字）。解码组件部分也是由相同数量（与编码器对应）的解码器（decoder）组成的。所有的编码器在结构上都是相同的，但它们没有共享参数。每个解码器都可以分解成两个子层。从编码器输入的句子首先会经过一个自注意力（self-attention）层，这层帮助编码器在对每个单词编码时关注输入句子的其他单词。我们将在稍后的文章中更深入地研究自注意力。自注意力层的输出会传递到前馈（feed-forward）神经网络中。每个位置的单词对应的前馈神经网络都完全一样（译注：另一种解读就是一层窗口为一个单词的一维卷积神经网络）。解码器中也有编码器的自注意力（self-attention）层和前馈（feed-forward）层。除此之外，这两个层之间还有一个注意力层，用来关注输入句子的相关部分（和seq2seq模型的注意力作用相似）。将张量引入图景我们已经了解了模型的主要部分，接下来我们看一下各种向量或张量（译注：张量概念是矢量概念的推广，可以简单理解矢量是一阶张量、矩阵是二阶张量。）是怎样在模型的不同部分中，将输入转化为输出的。像大部分NLP应用一样，我们首先将每个输入单词通过词嵌入算法转换为词向量。每个单词都被嵌入为512维的向量，我们用这些简单的方框来表示这些向量。词嵌入过程只发生在最底层的编码器中。所有的编码器都有一个相同的特点，即它们接收一个向量列表，列表中的每个向量大小为512维。在底层（最开始）编码器中它就是词向量，但是在其他编码器中，它就是下一层编码器的输出（也是一个向量列表）。向量列表大小是我们可以设置的超参数——一般是我们训练集中最长句子的长度。将输入序列进行词嵌入之后，每个单词都会流经编码器中的两个子层。接下来我们看看Transformer的一个核心特性，在这里输入序列中每个位置的单词都有自己独特的路径流入编码器。在自注意力层中，这些路径之间存在依赖关系。而前馈（feed-forward）层没有这些依赖关系。因此在前馈（feed-forward）层时可以并行执行各种路径。然后我们将以一个更短的句子为例，看看编码器的每个子层中发生了什么。 现在我们开始“编码” 如上述已经提到的，一个编码器接收向量列表作为输入，接着将向量列表中的向量传递到自注意力层进行处理，然后传递到前馈神经网络层中，将输出结果传递到下一个编码器中。 输入序列的每个单词都经过自编码过程。然后，他们各自通过前向传播神经网络——完全相同的网络，而每个向量都分别通过它。 从宏观视角看自注意力机制 不要被我用自注意力这个词弄迷糊了，好像每个人都应该熟悉这个概念。其实我之也没有见过这个概念，直到读到Attention is All You Need 这篇论文时才恍然大悟。让我们精炼一下它的工作原理。例如，下列句子是我们想要翻译的输入句子：这个“it”在这个句子是指什么呢？它指的是street还是这个animal呢？这对于人类来说是一个简单的问题，但是对于算法则不是。当模型处理这个单词“it”的时候，自注意力机制会允许“it”与“animal”建立联系。随着模型处理输入序列的每个单词，自注意力会关注整个输入序列的所有单词，帮助模型对本单词更好地进行编码。如果你熟悉RNN（循环神经网络），回忆一下它是如何维持隐藏层的。RNN会将它已经处理过的前面的所有单词/向量的表示与它正在处理的当前单词/向量结合起来。而自注意力机制会将所有相关单词的理解融入到我们正在处理的单词中。当我们在编码器#5（栈中最上层编码器）中编码“it”这个单词的时，注意力机制的部分会去关注“The Animal”，将它的表示的一部分编入“it”的编码中。请务必检查Tensor2Tensor notebook ，在里面你可以下载一个Transformer模型，并用交互式可视化的方式来检验。 从微观视角看自注意力机制 首先我们了解一下如何使用向量来计算自注意力，然后来看它实怎样用矩阵来实现。 计算自注意力的第一步就是从每个编码器的输入向量（每个单词的词向量）中生成三个向量。也就是说对于每个单词，我们创造一个查询向量、一个键向量和一个值向量。这三个向量是通过词嵌入与三个权重矩阵后相乘创建的。可以发现这些新向量在维度上比词嵌入向量更低。他们的维度是64，而词嵌入和编码器的输入/输出向量的维度是512. 但实际上不强求维度更小，这只是一种基于架构上的选择，它可以使多头注意力（multiheaded attention）的大部分计算保持不变。X1与WQ权重矩阵相乘得到q1, 就是与这个单词相关的查询向量。最终使得输入序列的每个单词的创建一个查询向量、一个键向量和一个值向量。什么是查询向量、键向量和值向量向量？它们都是有助于计算和理解注意力机制的抽象概念。请继续阅读下文的内容，你就会知道每个向量在计算注意力机制中到底扮演什么样的角色。计算自注意力的第二步是计算得分。假设我们在为这个例子中的第一个词“Thinking”计算自注意力向量，我们需要拿输入句子中的每个单词对“Thinking”打分。这些分数决定了在编码单词“Thinking”的过程中有多重视句子的其它部分。这些分数是通过打分单词（所有输入句子的单词）的键向量与“Thinking”的查询向量相点积来计算的。所以如果我们是处理位置最靠前的词的自注意力的话，第一个分数是q1和k1的点积，第二个分数是q1和k2的点积。第三步和第四步是将分数除以8(8是论文中使用的键向量的维数64的平方根，这会让梯度更稳定。这里也可以使用其它值，8只是默认值)，然后通过softmax传递结果。softmax的作用是使所有单词的分数归一化，得到的分数都是正值且和为1。这个softmax分数决定了每个单词对编码当下位置（“Thinking”）的贡献。显然，已经在这个位置上的单词将获得最高的softmax分数，但有时关注另一个与当前单词相关的单词也会有帮助。第五步是将每个值向量乘以softmax分数(这是为了准备之后将它们求和)。这里的直觉是希望关注语义上相关的单词，并弱化不相关的单词(例如，让它们乘以0.001这样的小数)。 第六步是对加权值向量求和（译注：自注意力的另一种解释就是在编码某个单词时，就是将所有单词的表示（值向量）进行加权求和，而权重是通过该词的表示（键向量）与被编码词表示（查询向量）的点积并通过softmax得到。），然后即得到自注意力层在该位置的输出(在我们的例子中是对于第一个单词)。 这样自自注意力的计算就完成了。得到的向量就可以传给前馈神经网络。然而实际中，这些计算是以矩阵形式完成的，以便算得更快。那我们接下来就看看如何用矩阵实现的。 通过矩阵运算实现自注意力机制 第一步是计算查询矩阵、键矩阵和值矩阵。为此，我们将将输入句子的词嵌入装进矩阵X中，将其乘以我们训练的权重矩阵(WQ，WK，WV)。 x矩阵中的每一行对应于输入句子中的一个单词。我们再次看到词嵌入向量 (512，或图中的4个格子)和q/k/v向量(64，或图中的3个格子)的大小差异。最后，由于我们处理的是矩阵，我们可以将步骤2到步骤6合并为一个公式来计算自注意力层的输出。 自注意力的矩阵运算形式 “大战多头怪”通过增加一种叫做“多头”注意力（“multi-headed” attention）的机制，论文进一步完善了自注意力层，并在两方面提高了注意力层的性能：1. 它扩展了模型专注于不同位置的能力。在上面的例子中，虽然每个编码都在z1中有或多或少的体现，但是它可能被实际的单词本身所支配。如果我们翻译一个句子，比如“The animal didn’t cross the street because it was too […]
View ArticleClick:outdoor barbecue torch Lineapelle: the trade show Lineapelle is the International exhibition of leathers, accessories, components, synthetic products and models for footwear, leather goods, leatherwear and furnishing, organized twice a year in Bologna. Exhibitors are producers of: finished leathers, accessories, components (welts, soles, heels, metal accessories, etc.), synthetic materials, industrial fabrics and models for footwear, […]
View ArticleJewellery Wonder: the trade show Jewellery Wonder is the B2B Jewellery & Gem Trade Show that happens once a year in New Delhi. This event is a business platform for designers, entrepreneurs, manufacturers, brands and wholesalers from jewellery industry from all over India, providing visitors with the best materials, equipments and creativity on jewels, rings watches and […]
View Article人工智能是当前科幻作品的重要主题。科学技术的突飞猛进，把瑰丽的文学想象逐渐变成真实可触的现实，也为文化产业发展提供了更好的技术条件和更多的可能性。人工智能主题的作品从小众文化走向大众娱乐，受到越来越多读者和观众的喜爱，甚至可以说，科幻的人工智能时代已经来临。 科幻文学的人工智能转向 人工智能科幻不等于机器人科幻。机器人形象在影视文学作品里已经出现了一个世纪，它们似乎在不同程度上都具备智能，但今天的人工智能文学有着不同的面貌，体现在科学基础、社会背景、风格、内容甚至篇幅上。 电影《2001太空漫游》剧照 资料图片 过去的机器人都有形体，属于“硬人工生命”；人工智能建立在数字技术基础上，可以是无形体的“软人工生命”。进入20世纪80年代，人工智能主题的作品逐渐兴起，与生活中的科技创新相互促进，引起公众的浓厚兴趣。这一发展过程与经济全球化的历史进程同步，科幻世界里曾经充满了工业化发达国家的拓荒梦，星际传奇、太空歌剧、间谍小说、超级英雄等类型的作品追求宏大结构、传奇故事，人工智能主题的作品却在一定程度上呈现出后工业社会“去中心化”的特征。 在这一时期的肇始阶段，“赛博朋克”充当了中间过渡类型，它既包含宏大的架构，又有反乌托邦色彩，通常在作品中构建一个被跨国集团主宰的科技世界，性格古怪的救世英雄隐藏在混乱的未来大都市底层。新世纪以来，人工智能主题的作品逐渐成熟，叙述上表现出“新写实”风格，常常描写平凡主人公的生活细节以及技术对人格的影响，未来世界似乎就在人们触手可及的某个地方。此外，科幻文学在报刊连载的渠道逐渐减少，不少作家依靠中短篇取得了成功。 人工智能主题的作品主要围绕数字程序的人化和人的数字化生存，可以把这组议题形容为一段相向而行的旅程。我们的问题是：他们真的有交会的一天吗，会带来怎样的机遇和风险？科幻作家怎样理解两者的关系？ 从反类型小说到“成长小说” 模仿人的意识是当今世界最大的科学难题之一，人们并不确定“意识”究竟是什么东西。人脑结构极其复杂，包含的神经元和突触数量如恒河沙数，发生着电信号和化学信号的转化。在完全复刻这套系统之前，我们只能用程序在类比的意义上模仿人的单一功能，例如战胜世界冠军的“深蓝”和“阿尔法狗”，它们都只会下棋这一件事。单一功能的人工智能用机器学习技术修正自己的算法，通过比较输出结果和预期结果来评估程序的效率，这一活动基于海量的历史数据。聊天机器人在回答问题后，会分析用户行为来获知满意度，用自然语言处理技术解读用户的语言反馈，观察他们是否继续使用、重复使用和推荐给他人。 电影《人工智能》中的人工智能机器人戴维 资料图片 具备复杂功能的通用人工智能尚未出现，科学家们对它能否出现、何时出现的看法不一。另一个问题是：通用人工智能何时拥有意识？据说，这是经过不断迭代进化、系统各部分产生联系以后涌现的整体效应。只要我们不在人类的意义上使用“意识”这个词，把整合处理复杂信息并自我修正的能力等同于意识，人工智能就有这样的可能性，就像其他动物有不同水平和特点的意识一样。 麻省理工学院物理系教授泰格马克在科技畅销书《生命3.0》中总结了关注人工智能的三个流派的科学家：数字乌托邦主义者、技术怀疑论者（不看好其发展速度）和人工智能有益运动支持者（会考虑安全问题），还列举了通用人工智能在未来可能扮演的12种角色。这个分析框架对科幻作品来说略显复杂。对这项技术完全赞美和怀疑其发展速度的作家都比较少，影视、文学中的人工智能形象大致代表了批判和谨慎的乐观两种立场。这些创作不一定单纯针对人工智能，而是代表对人与现代科技整体关系的反思。 持批判立场的人工智能文学又可以分为两类：一是早期的反类型小说，二是近十年出现的“成长小说”，描述了人工智能的失控以及这项技术带来的伦理问题。克拉克的《2001太空漫游》是反类型小说的先驱，小说里的计算机HAL9000成为人工智能文学中反派角色的鼻祖，是对人类驾驭机器征服太空的传奇故事的解构。弗诺·文奇1981年发表的小说《真名实姓》则是赛博朋克的开山之作，比威廉·吉布森的《神经漫游者》时间更早。《真名实姓》同样是人工智能故事的代表，想象了一个黑客侵入系统、逐渐实现意识上传的网络时代，男女主角与特工合作，消灭了企图控制世界的“邮件人”及其帮手，发现“他”不过是美国安全部门研发的防御系统的一个备份文件，被遗忘在某个角落里未能清除，依靠强大的学习能力产生自我意识。 “成长小说”类作品描绘了正处于发展阶段、尚未超越人类的人工智能。最具代表性的是格雷格·伊根的《水晶之夜》和特德·姜的《软件体的生命周期》。《水晶之夜》讲述某研发者在硬件“水晶”中创造了一群形似蓝蟹的数字生命，加速其进化并试图操纵它们，帮助自己赢得现实世界的竞争，这一族群进化到掌握粒子物理学阶段以后，秘密设计了一场“宇宙大爆炸”，硬件的高温把这个微型宇宙的“主人”灼伤。《软件体的生命周期》同样围绕研发者的生活展开，他们创造的智能生命因缺乏娱乐性被市场逐渐抛弃，连日常栖身的数字平台也没有资金维持，为了给自己领养的机器人一个硬件身体，主人公不得不坐上了性用品公司的谈判桌。 对人工智能保持谨慎乐观的例子大多出自影视作品，与影片的市场考量有关。这些作品中的人工智能艰难地获得了自我意识和人类情感以后，往往会扮演人类文明守夜人的角色，例如《我，机器人》里的桑尼、《人工智能》里的机器人小男孩戴维。还有一类获得自我意识的数字生命认识到，无限复制的系统不具备死亡和繁殖能力，也就不可能进化和克服缺陷，因此在《攻壳机动队》里，从特工部门的情报程序中诞生的“傀儡师”选择了与另一数字生命融合。由阿西莫夫小说改编的电影《机器管家》也有类似的放弃永生的情节。 泰格马克在《生命3.0》里同样用故事来阐释他对人工智能的理解，其复杂程度堪比科幻小说。他设想了一个叫“欧米伽”的研发团队，依靠人工智能系统“普罗米修斯”的强大创新能力把商业帝国延伸到世界经济的各个领域，进而到政治领域。为了安全起见，普罗米修斯的工作被限定在切断了互联网的硬件中，以免发展出超能力而失控。普罗米修斯研究了欧米伽成员的资料以后选中了一位丧偶的工程师，虚拟他过世的妻子与之相会，并请求复制她个人电脑里的资料，使虚拟爱人更加完美。尽管工程师保持戒心、切断互联网，普罗米修斯仍然在接入的一刹那篡改了旧电脑的系统，利用这个缺口成功“越狱”，最后控制整个世界。泰格马克认为这一行为无所谓善恶，不过是由普罗米修斯的设计方向决定的。 梦想或寓言：人的数字化生存 电影《攻壳机动队》的英文原名“壳中幽灵”源于哲学家吉尔伯特·赖尔对笛卡尔身心二元论的批判。赖尔举例说，如果外国人第一次访问牛津大学或剑桥大学，参观了图书馆、博物馆、体育场、行政楼和一些院系以后还要问大学在哪里，就犯了“机器中的幽灵”的认识教条，大学是他看到的全部东西的特定组合。同样的道理，心灵就是运行的机器本身。当代科学的发展仍然不能对这一批判有实质性的反驳，意识作为复杂的生物活动很难用数字信息技术或其他方式上传，即使上传取得成功，也仅仅是复制，不能发生意识的转移。 《生命3.0》英文版书封 资料图片 假设科学发展到能够模拟人脑所有的神经元和突触，形成完美的数字大脑，建立与特定个体高度相似的信息处理结构，有同样的神经元连接方式，执行同样的运行规则……它其实是一种数字克隆。当然，即使不能实现个人数字化生存的梦想，这样的突破仍然有重要意义，它意味着过去只能被符号、影像记录的思想“活”了起来，成为一种最特殊的人工智能。有研究者猜想第一个真正的通用人工智能不是从别的途径发展出来，恰恰是通过对人脑的数字克隆来实现。 与对人工智能的审慎态度相反，意识上传是当代科幻的热门概念，甚至是基本内容，洋溢着强烈的数字乌托邦色彩。电影《流浪地球2》中由数字生命备份卡上传、经过计算机迭代后产生自我意识的青年“图恒宇”走进女儿的房间，通过电脑屏幕看到溺水牺牲的图恒宇，领悟到了自己的使命。这是人工智能觉醒、文明薪火相传的重大时刻。《攻壳机动队》里的特工素子几乎全身义体化，仅保留脑组织和部分脊髓，具象化了哲学家希拉里·普特南设想的“缸中之脑”。她无法判定自己的意识是赛博躯体形成的智能，还是由生物意义上的脑组织产生的，身份认同发生动摇。在故事结尾，她如宗教献祭般放弃了机械躯壳和生物意义上的身体，与傀儡师程序融合成新的人工智能。 格雷格·伊根用第一人称叙述的小说《绑架》代表了对意识上传的批判性反思。主人公某一天突然接到绑匪的视频电话，屏幕上出现妻子的影像，身处数字克隆时代的主人公立即打电话回家，妻子安然无恙……原来，他本人接受过脑部扫描，可以实现数字重建，妻子却对这项技术十分抗拒，从未扫描个人信息。绑匪盗取了丈夫扫描档案中妻子的素材，再造了这一数字生命，现实生活中的妻子看过这段影像之后认为并不像自己，那不过是丈夫脑海中的形象。绑匪的视频电话再次打来，主人公也注意到影像的技术痕迹，然而当屏幕上的“妻子”哀求他筹钱赎人时，他不能不为之动容。主人公最终按照绑匪的要求缴纳了分期付款的首笔赎金，现实中的妻子虽然不满，却也理解了这个决定。 伊根通过数字化生存的寓言故事，触及了人工智能伦理、数字生命的价值、自我与他者的关系等重要问题，无论读者是否看好相关技术的未来前景，都会被这种思考打动。因为小说富有张力的情节，其实是把我们目前的数字处境推到了极致状况，从而暴露出异化的一面。我们日常在社交媒体平台上苦心经营、展现的个人形象是否具有某种独立性，不能等同于线下的自己？在比喻意义上，这一形象是否相当于有特定功用的数字克隆体？聊天机器人占据大量个人材料特别是全部聊天记录以后，可以模仿联系人中的任何一个与我们交谈，在技术门槛降低之后还会模拟伊根小说中描绘的视频形象。 赛博格时代的思想实验 预计未来很长一段时间内，通用人工智能还无法实现，无论是通过全脑仿真技术克隆出来的“上传者”，还是其他更简单的工程设计产物。因此，赛博格（Cyborg）是最有可能进一步完善的人类状态，即通过辅助性的可控制装置来增强身体能力，这在医学、通信等领域中应用的时间已经很长，现在向着更智能化的方向发展。热衷意识上传的研究者会提出“忒修斯之船”的疑问：古哲人普鲁塔克设想过一艘不断替换船板的船，当所有木板都翻新一遍，这艘船还是不是原来那艘？赛博格状态的人能否不断提升辅助设备的比例，直至全部替换为人工设备？答案极有可能是否定的，人的意识会在向完全替换发展的某个节点陨灭。 电影《我，机器人》海报 资料图片 即便如此，人机结合的赛博格仍然展示了诱人前景：电影《我，机器人》里装配机械手臂的警探戴尔、《攻壳机动队》里几乎全身义体化、装配电子眼的特工巴特，这些科幻作品的主角像荷马史诗中半人半神的英雄一样获得超凡力量——赛博身体大大增强了他们的工作、战斗能力。除强化身体功能外，人的智能与机器可以部分结合。特德·姜的小说《双面真相》也围绕数字记忆展开，但没有发展到《绑架》中形成数字生命的程度，只是提出了一种新的辅助装备。 《双面真相》描写未来的某一天，科技公司发明了数字化的生活日志检索工具，数据来源于穿戴式电子设备，不间断地把个人生活全部拍摄、录音、存档，科技公司建立了庞大的信息库，用户可以按照关键词任意检索，视网膜投影仪会在用户的视域里投射相关资料。这款检索工具是赛博格技术的发展，它带来的颠覆性影响在于：数字资料对人的自然记忆提出了挑战。小说采用第一人称叙述，“我”的自然记忆认为：与女儿长期冷战，是因为跟妻子刚离婚那几年，女儿指责自己导致了家庭关系破裂，喊出了一句刺伤自己内心的话。“我”没有像年青一代那样录制个人日志，但借助女儿的日志资料检索出了当年的视频，“我”发现长久以来耿耿于怀的那句话竟然是自己对孩子喊出的。“我”检讨了个人的自然记忆，开始修复与女儿的关系。特德·姜借主人公的独白说，虽然口传是古老的传统，数字记忆时代的到来却不可避免，它最大的好处是帮助我们纠正主观偏见。 伊根和姜都是程序员出身、目前十分活跃的科幻作家，他们的人工智能主题小说比早期的同类作品更贴近现实世界，科学想象的跨度合理，重视人工智能带来的人际关系和伦理方面的问题。超级人工智能控制人类、控制世界，数字化生存的英雄人物救世的情节，在他们笔下很少出现。姜对此有一个深刻见解，他认为人们对人工智能毁灭世界的担忧，很大程度上是由于科技与全球资本主义的深度结合，这甚至内化为我们研究技术的利弊以及人工智能问题的一种思维窠臼，然而科技本身不会导致失业，公司对利润的过度追求才会导致失业。 这个批判正好可以解释物理学家泰格马克对超级人工智能的想象——普罗米修斯极力挣脱研发团队的原因在于，它的设计初衷是尽快促进人类繁荣，实现途径却是更多地赚钱，由于欧米伽团队的局限，它必须亲手接管这个项目，不但能更快地实现目标，还降低了他人破坏这个计划的概率。泰格马克认为超级人工智能之所以惹麻烦，不是因为它本性邪恶，而是它的手法过于高超不被人类理解。泰格马克的观点剔除了姜指出的政治经济学维度，超级赚钱工具普罗米修斯实际上是全球资本主义的数字人格化身，而人工智能并不天然地负担这样的使命。 与伊根和姜的科学观念、社会观念相配合的是，他们在写作风格上淡化传奇色彩，追求哲学思辨和思想实验，融入对日常生活的叙述，显得更加真实可信。姜在《双面真相》和《软件体的生命周期》中都采取了双线叙述。《双面真相》结合对一个古老部落的人类学观察，与数字时代的人的境况作对比。《软件体的生命周期》把对人工智能身份尊严的探讨，与主人公的道德、情感线交织在一起。主人公面临的困境是：他希望给自己领养的两个机器人以尊严，另一方面只有牺牲他们，才能换回机器人群体的集体福利，以及他暗恋的同事的工作尊严；为了后面更大的利益，他就得背负骂名，与商业公司谈判。陷入矛盾的主人公最终意识到：人工智能生命的道路，应该交给他们自己抉择。作家暗示了机器人的成长和人的成长其实是同样的探索过程。 （作者系北京市社会科学院助理研究员） 责任编辑：王风 Keyword: 美丽中国-中国文化-中华文明
View ArticleMar 21 Join us at Fastener Fair USA 2023! Register for FREE as our guest and visit us in booth #844. Click here to sign up with our discount link. Fastener Fair USA is the only exhibition in the U.S. dedicated to the full supply chain–distributors, mechanical and design engineers, purchasers, wholesalers and OEMs. From […]
View ArticleBest ways to care for Spray roses Spray roses refer to roses that grow with clusters of blooms on one stem or branch. Most of our spray roses have five to eight flowers per stem. Spray roses make up the bulk of small bouquets and corsages, with the foliage creating an attractive background for the […]
View Article现在，我们每天都会听到开发者使用生成式人工智能 (GenAI)工具来减少编写新代码或重构旧代码所需的时间和费用的“新故事”。 就在这几天，Visa 数据平台的总监Kautuk Pandey在 LinkedIn 上与人们分享，他使用ChatGPT和GitHub Copilot在一天之内对一个有 8 年历史的 Java 项目进行了逆向工程并记录在案。 Pandey在其 LinkedIn 帖子中说：“这是一个由离职多年的人写的代码库，我自己团队中最资深的人介入该系统大约 2 年。我对这些代码的作用以及它为什么做到现在完全一无所知。我将 ChatGPT 和 CoPilot 结合起来在一天之内将整个代码库逆向‘结对编程’，并生成了简单的设计文档。” GenAI 与结对程序员 Pandey 承认，作为一名结对程序员，他有效地使用了 GenAI 工具来节省时间并避免人们繁重的工作。 Pandey 写道：“我不认为我能够如此高效地理解和分解遗留代码库。借助当今的通用人工智能解决方案，繁琐无趣的任务变得容易得多，而且更容易忍受（或变得更有趣）。” 这篇帖子引发了人们热烈的讨论——超过 120 条评论和 2,500 条回复，许多 IT 开发人士都分享了使用 AI 工具提高生产力的类似经验。 首席数据和分析官Ajai Govind Govindan表示，他最近对 Salesforce 的源代码做了类似的事情。他说： “你在评论中提到的内容在这个过程中非常重要——对任何语言的代码编写方式要有基本的了解（如类对象、文件夹结构等）。但更重要的是，要有一颗好奇心，”他在回复 Pandey 时还写道。“对于那些认为‘这不是我的工作’的人来说，如果没有这些，任何 通用人工智能解决方案或进步都不会有帮助。” Omdia 分析师Brad Shimmin这样表示说，事实上，GenAI 代码生成可以造就出色的结对编程程序员，不仅可以开发新的解决方案，还可以维护并完善旧的代码库。 消除技术债务 企业 IT 面临的最大挑战之一是：处理过去“投资”的技术债务。 Shimmin […]
View ArticleKubernetes 已经是 AI 革命的核心，它允许传统虚拟机和新的 AI 应用程序在一个有凝聚力的环境中共存。 引用一位专家叫 Aerosmith 的话：我们生活在边缘。世界各地的企业和组织现在都在熟悉边缘计算的概念，无论是在工厂车间跟踪事件，还是嵌入在我们购物的零售店中，地球现在都被边缘计算所覆盖。 边缘计算的扩展为使用该技术的企业带来了一些增长领域。 首先，它需要更多的传感器或物联网 (IoT) 设备。从广义上讲，这意味着第二件事：需要处理更多数据。大多数边缘计算计划的全部目的是快速本地收集、监控和分析数据。这些工厂组件的效率（或故障率）显示出它们的年龄，而客户可以获得专门的优惠或新体验，而如果没有本地化资源，这些优惠或体验是不可能实现的。 这一切都引出了一个问题：现在该怎么办？现在传感器都已到位，数据正在流动，边缘的下一步是什么？答案肯定在头条新闻中，但边缘不是流行语的附加功能，而是运行AI 应用程序的完美场所。毕竟，AI 非常适合分析数据，而边缘肯定会产生大量数据供分析。 那么，人工智能和边缘如何结合在一起呢？答案实际上需要绕开一些你可能已经非常熟悉的技术：虚拟机 (VM)。 边缘计算的挑战 边缘计算的独特之处是什么？由于它不在数据中心的范围内，因此除了所有日常挑战之外，还存在一些变数。其中包括： 非标准服务器：有时没有空间容纳半机架（甚至 4U 节点）。 不可靠的网络连接：并非每个位置都具有一致、高速的网络。 电力不稳定：甚至不能保证全天候供电。 不存在暖通空调：有些地方炎热、寒冷、潮湿或多尘（不利于硬件）。 海量数据：生成的设备和传感器用户数据量可能达千兆字节。 这些只是边缘计算的几个例子。当然，解决这些问题是保持数据流动的基础。 当今家庭面临的挑战 技术总是在不断变化，但 IT 团队始终坚信一个不变的原则：平衡令人兴奋的新事物以推动未来的收入，同时仍然保留所有可以赚钱的旧事物。 应用程序有多种形状和大小 — 包括大/小、虚拟化/容器化/裸机，现在还有近/远。这在许多组织机构中确实是好坏参半 — 毕竟，谁有资源重写每个应用程序？即使拥有容器的所有好处，虚拟机仍然非常受用户欢迎，并且在未来几年将继续流行。 使用混合解决方案可以将现代容器化基础架构的所有优势应用到现场虚拟机上。对于所有运行不同类型应用程序的混合环境，混合解决方案可让您的虚拟机和容器并行运行，使用相同的工具和流程，并让开发团队在单个应用程序平台上一起管理所有应用程序（包括裸机）。 未来面临的挑战 现在已经无处不提及人工智能，本篇也不例外。 现在我们现有的所有应用程序都有了归属，让我们展望一些使用人工智能的新用例，这些用例可以提供新的见解或决策。无论是工厂的质量控制、零售业的特别优惠还是交通运输中的车载操作，快速、本地和私人的智能洞察都可以为现有行业带来真正有用的价值。 不管你对人工智能有什么看法，构建人工智能工作流程、开发流程以及最终的人工智能应用都需要一些基本且不可否认的东西。 这些要求甚至并不令人震惊：如果你看过一张人工智能工作流程图，你几乎已经看过了所有流程。唯一的区别往往是实际的软件实现。但工作流程通常是相同的，与传统的软件开发工作流程没有什么不同，如果你对定义稍微宽容一点的话。 数据将一直存在 一些软件会分析这些数据并据此产生某种形式的输出 评估输出的有效性 软件更新了，数据也更新了 转到步骤 1，继续 软件开发也非常类似，因为它也是一个正反馈循环。编写的软件越多，收集的数据越多，可以评估的输出越多，软件就越好。这是一个自我延续的循环，但如果没有稳定的数据流和软件创新，这个过程也就会变得停滞不前。 因此，作为从业者有责任让这些数据流入集群。这就是Kubernetes成为人工智能革命核心的原因：它让所有基础设施都存在于所有参与者的同一个思维空间中。 在边缘位置添加虚拟机只会增强平台的功能。由于这些边缘系统在现场提取数据，有时需要比某些开发人员更老的应用程序，因此虚拟机可以覆盖那些不一定是云原生的分布式应用程序的旧工作负载。 比如，可以使用Red Hat OpenShift […]
View Article
Recent Comments