当前位置:首页 > 文章列表 > 科技周边 > 人工智能 > 反对盲目信任人工智能的六个因素

反对盲目信任人工智能的六个因素

来源:51CTO.COM 2023-05-23 11:37:25 0浏览 收藏

从现在开始,我们要努力学习啦!今天我给大家带来《反对盲目信任人工智能的六个因素》,感兴趣的朋友请继续看下去吧!下文中的内容我们主要会涉及到等等知识点,如果在阅读本文过程中有遇到不清楚的地方,欢迎留言呀!我们一起讨论,一起学习!

反对盲目信任人工智能的六个因素

就我们而言,ChatGPT正在对各行各业产生影响,改变着世界。无论如何,并非这些进展从根本上是确定的。我们不能忽视这样一个事实,即人工智能缺乏内在的道德指南针或事实核查系统来指导其决策,尽管它在许多领域提供了令人兴奋的新机会。

随着人工智能日益成为世界的中心,我们应该始终对所听到的所有内容进行事实核实。相信人工智能无条件并盲目地使用并不明智,因为有些工具可能会操纵数据、错误地理解上下文并过于自信地犯错。

反对人工智能盲目信任的6个因素

1、安全

最明显和最根本的是安全。“不伤害”基本原则的意义在于,背叛会带来严重而无法逆转的影响。一名司机在2018年的一次车祸中遇难,事故是因为他所驾驶的自动驾驶特斯拉汽车与混凝土护栏发生碰撞。2019年的一篇研究论文试图证明,有策略地在道路上绘制的线条可能会劫持人工智能算法,或导致其撞毁车辆,尽管这个案例是一个灾难性的异常值。

2、稳健性和安全性

核心在于限制访问、维护信息的完整性和保持一致的可访问性,从而提高安全性。数以千计的算法利用了人工智能在稳健性和安全性方面的弱点。这些恶意攻击继续被想象。重要的是,模拟智能工程师会根据需要为每项新的安全措施定制安全比例,即使没有完全的保护措施也可以实现。人工智能可能会被设计缺陷或特定对抗性攻击的弱点所愚弄或削弱。如果这是真的,那么也有可能劫持某人的轮椅进入安全区域。

3、隐私

防止伤害也是隐私原则的核心。有太多信息泄露,所有这些都为不法分子提供机会,可以在未经个人同意的情况下识别或分析——了解其幸福、金钱和个人生活的数据。81%的美国人认为数据收集的好处大于风险,这令人担忧。然而,研究人员发现,有色人种和少数民族群体受到伤害的风险高于其他人群。由于其代表性不充分,因此在前文提到的泄露情况后,更有效地将信息匿名化。

4、简单性和合理性

关于基于计算机的智能,简单性是一个广泛的特征。用户至少知道其正在与人工智能而不是人类进行交互。在极端情况下,所有专业周期和信息将得到报告、可供访问并具有意义。英国考试评分丑闻是缺乏透明度造成的典型示例。该算法在决定分数时考虑了学校历史数据和与该学生得分相同的其他学生人数,而非仅仅以学生个人的成绩为依据。

5、道德与环境

道德和公平必须成为人工智能的目标。其必须遵守既定和强制执行的社会规范,也称为法律。这很简单,但在技术上具有挑战性。真正的情况开始于公共权力执行过时或采取自由企业战略。找到正确的道德平衡,人工智能工程师和所有者需要考虑利益相关者的利益、手段和目的、隐私权以及数据收集等方面。不仅仅是在工作场所,大型科技企业经常被指责延续性别歧视。翻译:对于积极分子和研究人员来说,“女性”语音伙伴标准化了将女性视为员工和父母的观点。 重写:积极分子和研究人员认为,“女性”语音伙伴将女性作为员工和父母的视角标准化。

6、问责制

职责确保可以针对先前引用的不同组件调查框架。许多组织目前都在内部开发负责任的人工智能来筛选和预防利益损失。但是,其可能不允许外部控制或审查。在这方面,Clearview AI就是一个例子。该企业私有的面部识别技术胜过市场上的其他所有技术,但由所有者自行决定其使用。成千上万的人可能会处于危险之中,如果该技术被犯罪组织或专制政权利用。

今天带大家了解了的相关知识,希望对你有所帮助;关于科技周边的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~

版本声明
本文转载于:51CTO.COM 如有侵犯,请联系study_golang@163.com删除
英国电信计划到2030年裁员5.5万人,并将用AI取代1万个职位英国电信计划到2030年裁员5.5万人,并将用AI取代1万个职位
上一篇
英国电信计划到2030年裁员5.5万人,并将用AI取代1万个职位
报告称 81% 员工不认为其工作可以被 AI 取代
下一篇
报告称 81% 员工不认为其工作可以被 AI 取代
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    478次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    534次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    554次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    506次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    327次使用