中国世界经济论坛的未来技术
俯仰多伺服控制
Android与iOS App开发:明智地选择战场
“ Alexa” VS“ OK,Google” —谁赢了?
追求正义,求真:世界新闻摄影大赛更新
大数据科学家如何从人类判断中受益
我们对CANDIS的投资以及“增强AI”的案例
我们对CANDIS的投资以及“增强AI”的案例

作者: Tal Morgenstern ,Lightspeed合伙人 我们最近宣布了对CANDIS的投资,CANDIS是一家利用人工智能和机器学习自动执行簿记任务的柏林公司。 CANDIS与其他早期公司有一些共同点,我们很幸运能与以下公司合作: 具有相关领域经验的强大创始团队 一个很大的市场 ,目前非常劳动密集,并由税务顾问,会计师和企业自己解决 一个令人信服的“为什么现在?”:发票和付款数字化,欧盟监管机构降低了标准,通过API / PSD2等增加了对银行的可及性。(关于机器视觉和AI技术的成熟度,我也有一些要点)在下面讨论) 很有前景的SaaS指标表明产品与市场的契合度 。 特别是考虑到公司的经营状况 在过去一年左右的时间里,通过CANDIS进行的尽职调查过程中出现的某些事情,通常让我思考基于AI / ML的公司的不同“桶”,以及它们从市场中得到的反应。 紧随其后的文本,CANDIS采取了两管齐下的市场方针。 他们直接出售给公司,但也卖给税务顾问,并通过他们卖给所服务的公司。 公司邀请他们的会计师,而会计师邀请与他们合作的其他公司。 只有双方都将产品视为净收益而不是威胁,才能使这种分配模型成为可能。 当我们开始致电已经在使用CANDIS的税务顾问时,上述情况变得更加明显-他们真的很喜欢产品和他们所获得的生产率提高(在如此低利润的服务业务中,这对他们的底线产生了很大的影响。显着)。 这是我发现有趣的部分,也许与我们看到的其他AI公司有所不同。 从理论上讲,应该推销产品的人就是推销产品的人。 为什么? X的AI “ AI for X”这一推销可能是我在过去一年中从团队获得的最频繁的推销(也许紧随其后的是“ X的区块链”)。 作为我的前顾问,我看到的音调越多,就越开始在2 x 2矩阵上考虑它们,如下所示: 假对真 最近,《财富》杂志刊登了我的搭档阿里夫(Arif)关于这个确切主题的精彩文章,这为我节省了一些工作。 简而言之,“真正的” AI公司围绕专有数据集建立了一条护城河,该数据集在数据和输出之间具有强大的反馈回路,并且其软件会随着时间的流逝而自我完善(CANDIS属于此类)。 现在,以技术为基础的服务公司和以旧产品/用户界面为导向的优秀公司一直在赢得奖项,因此,成为“真正的”人工智能公司不足以赢得任何奖项,但我相信通过专有模型和访问获得的自动化和洞察力数据成为企业前进的重要优势。 根据以上定义,“真正的”人工智能公司实际上很少见。 从过去一年左右的时间来看,不到10%属于这一类。 增强与替代 虽然“假”与“真实” AI是一项基本技术特征(可以说,是问题空间和团队能力所固有的),但上述矩阵的Y轴是产品/进入市场的选择,因为相同的技术可以通常用于替换人类或增强人类。 例如,考虑自动驾驶卡车/驾驶公司制造的全自动汽车(例如Kodiak机器人公司)与特斯拉的辅助方法,以及商用飞机上的自动驾驶仪与自动驾驶仪的对比,最早的版本最早于1912年问世。这些产品采取了截然不同的方式不仅受技术影响,而且受法规和业务考虑因素影响的市场。 关于“工作场所的未来”和天网驱动的机器人霸主接任你的工作已经写了很多,所以我不打算讨论,而是着眼于这种“增强与替代”的选择是影响市场接受度。 观察那些经常在同一行业内销售非常相似的解决方案的技术公司,尝试这两种不同的市场方法,很有趣。 那么-替换更好吗? 我曾经相信,具有“真正”技术优势的公司将通过将端值应用于端到端产品并利用整个价值链来产生巨大的企业价值,而基于“较弱”技术的公司将终结向价值链中的现有参与者出售基于信号/模型/ SaaS /仪表板的解决方案。 这种推论是基于这样的假设,即技术优势将体现在更高的利润,更低的价格以及因此获得并捍卫市场上重要地位的能力上。 这里还有一个隐含的假设,那就是一家以更低的价格(在这种情况下是由于技术)提供了同等或更好的服务的公司将吸引更多的客户。 一次又一次提醒我,这不一定是正确的,因为客户(公司,但实际上是公司内部的人)只是出于价格或“效率”之外的许多其他考虑而购买。 […]

机器学习的艺术
机器学习的艺术

研究人员如何做到这一点? 好吧,他们为网络提供了他们想要生产的东西的许多示例。 因此,如果有人希望LSTM撰写有关哈利·波特的故事,那么以前的书籍将被馈送到网络上,这样它就可以开始将单词以及它们如何顺序组合在一起。 长短期记忆由于其记忆技术而特别适用于数据序列,但并非所有数据都最好按序列建模。 由Ian Goodfellow在2015年设计的另一项技术称为“ 生成对抗神经网络(GANs)”,它尝试使用训练图像的整个组成对图像进行建模,以替代将每个像素视为序列中的数字的方法。 与其他方法相比,具有LSTM的爵士乐 GAN的工作方式与生物学中的协同进化类似。 两个网络相互竞争,一个创建图像,另一个尝试预测该图像是真实的还是由另一个网络制作。 想象一下,反复使用数百万个instagram过滤器,直到形成一个人的图像为止,某种名为hyperGAN的GAN确实可以做到这一点。 通过足够大的样本量,hyperGAN可以学习图像类型的模式,并创建原始的新图像。 这样的一个例子可能是你自己的照片。 如果您为自己拍摄了足够多的照片并将其提供给hyperGAN,则最终它可能会为您生成具有原始内容的新照片。 为此,它使用了称为卷积的东西。 假设您有青蛙的图像,然后将青蛙的旋转图像提供给计算机,并询问计算机旋转后的图像与原始图像有多相似。 好吧,大多数程序会返回图像极为相似的图像。 这就是为什么GAN通常使用卷积的原因。 卷积只是将数组平均为单个向量,将大量本地信息压缩为单个数据点。 这样,旋转的青蛙在计算机上将看起来与原始青蛙相同。 Nvidia在该项目中成功实现hypergans本身就说明了一切,如果您想使用hyperGAN图像,这里有一个演示。 LSTM和GAN都需要大量图像才能工作,例如,hyperGAN通常需要10,000张以上图像才能获得令人印象深刻的结果。 但是,并非所有技术都需要这么大的样本量。 所需数据少得多的技术的一个示例是语义映射。 与其让神经网络关联大量图像中的图案,不如说是有人手动将图像标记为组件,然后网络学习与标记有关的视觉结构,这称为语义映射。 在本文中,使用语义操纵,AI研究人员能够创建GTA 5的照片逼真的图像翻译,就像您在现实世界中一样。 该项目还与GAN进行了异花授粉,以消除错误。 研究人员进一步发现,他们可以将图像的样式映射到其批注(前面提到的标签)以创建神经涂鸦,结果令人震惊。 当今世界,借助机器学习的艺术力量不断增长,并且在可预见的未来,也许它将与人类的创造力相交。

AIML教程:将上下文放入对话
AIML教程:将上下文放入对话

无论是2个人还是2个漫游器,任何对话的重要组成部分都是了解对话对象正在谈论的内容。 您还记得在学校时,让您的思维在上课时徘徊,然后突然老师问您:“那么,您对此有何看法?” Argh! 我该如何回答? 我没听,也不知道老师在说什么。 机器人也一样。 他们需要跟踪对话才能正确响应。 幸运的是,AIML为我们提供了轻松实现此目标的方法。 我将通过向您展示如何教机器人响应“敲敲门”笑话来证明这一点。 在看到Deborah Kay的这篇文章后,我选择了这个示例,因为这是介绍上下文的一种很好的简单方法。 万一您不知道,敲敲打笑话就是遵循以下顺序的笑话: 人1:敲 人2:谁在那里? 人物1:xxxx 人2:xxxx是谁? 人物1 :(涉及在xxxx字上播放的旁观者) 例如: 敲门 谁在那儿? 肯 肯谁? 肯,我进来! 在这种情况下,漫游器需要知道您正在讲一个笑话,并且应该以适当的响应进行回复。 教机器人响应敲打笑话 让我们首先训练机器人说“敲敲门”来回应我们的笑话。 我们可以使用这个简单的类别来做到这一点。 因此,当我们说“敲敲门”时,机器人会继续开玩笑并回答“谁在那儿?”。 接下来的内容有些棘手,因为我们现在可以说什么,但我们始终希望机器人以下一个笑话来响应。 但是,我们不希望它认为我们在讲一个笑话是否在谈论不同的东西。 为此,我们需要使用标记,以便该机器人可以看到它刚才所说的内容。 下划线字符是通配符,表示输入的字符数必须至少为一个。 它可以是任意多个单词,但必须至少一个单词长。 标记意味着,如果机器人刚刚说出“ 谁在那儿”这个词,它应该以该类别做出响应。 它设置为WHO IS THERE而不是WHO’S THERE ,因为它会由标准normal.txt文件自动扩展。 如果您使用的是非标准文件,则可能需要修改此类别。 模板包含是谁? 这意味着无论用户说了什么,重复一遍,但要加上“ 谁 ”一词。 最后继续开玩笑。 下一步,我们需要接受用户的强调。 这可以是任何东西,因此我们使用下划线通配符和标记保留上下文。 我们还需要笑话来回应这个笑话。 除了标记现在包含通配符之外,这与我们之前的类别非常相似,因为在被告知之前我们不知道笑话的主题是什么。 如果该机器人说“肯谁?”,“象牙谁?”,“露西谁?”或开什么玩笑,就会触发该类别。 在模式标签中使用下划线通配符意味着,无论用户对打孔线说什么,我们都会认为它很有趣,并会产生我们的随机响应之一来识别这个笑话。 而已。 您的机器人现在可以与敲打的笑话一起玩,甚至笑到最后。 […]

人工智能与机器人的崛起
人工智能与机器人的崛起

p U 仍然很难适应。 多年来,这将是我前往北美金融服务圣地大苹果公司参加#CRMEvolution的一周。 该活动曾经在时代广场的一家酒店举行。 到处都是一连串的活动。 不过,连续第二年在华盛顿举行。 该场地更适合举办活动。 人们似乎更加放松和参与。 华盛顿不是政治焦点,而是纽约的焦点。 可以说,氛围是不同的,不是更好,不是更差,而是不同。 今天是4月25日,星期天下午,多伦多的美好一天。 我的意思是,不是天空乌云密布,几乎没有微风使18摄氏度感觉到完美。 碰巧的是,在我的故乡英雄多伦多枫叶队在7场季后赛系列赛的第6场比赛中,我要离开多伦多前往华盛顿的那天,这是一个巧合。 冰球将在我着陆的同时下降开始比赛(不幸的是,多伦多输掉了这场比赛,被淘汰进入季后赛。我逃脱了毫发无损地观看比赛的场所。) 第一天的亮点是来自Nucleus Research的Rebecca Wettemann关于销售漏斗演变的演讲。 涵盖了很多内容,包括线索的概念。 由于客户自己进行大多数产品研究和选择过程,因此公司不应再为潜在客户付费。 鉴于销售渠道现在看起来更像是圆柱体,客户可以在购买周期中的不同时间进入,因此营销实际上是在寻找合格的潜在客户。 还讨论了微营销的概念,在这种概念中,销售由小型活动负责,而小型活动则由他们自己的渠道负责,而营销则侧重于更具战略意义的计划。 丽贝卡(Rebecca)也很友善地提到NexJ是提供“边缘自动化”的供应商,这表明CRM功能可提供比传统CRM更高4.2倍的价值。 Nucleus已将NexJ认可为其CRM价值矩阵专家。 与影响者共进早餐使我们于星期二早上8点开始。 本次会议是行业分析师之间非常自由的讨论,包括来自Forrester的Ian Jacobs,Esteban Kolsky,Brent Leary和Paul Greenberg等有关当前趋势的讨论。 对话类似于我所想象的,如果该小组在当地浇水的地方聚在一起。 我最初谈论的话题是聊天机器人,它直接导致了人工智能。 整个对话的其余部分都围绕一个主题进行。 人们的共识是,多年来,人工智能已经取得了长足的进步,但仍然只是在挖掘其潜力。 提出的最大问题是,关于人工智能的进步,“我们担心什么”? 在布伦特·利里(Brent Leary)领导的小组会议上,人工智能的主题得到了进一步扩展。 我发现机器学习和深度学习之间的区别很有趣。 他们解决了机器学习正在使用数据提出模型的问题。 这些模型是基于我们的知识和专长创建的。 这是一种归纳法。 使用结构化数据时更好。 深度学习围绕着试图模仿大脑的神经网络。 有神经元彼此重叠。 神经网络不会告诉您为什么它能解决问题。 非结构化数据更好。 作为一项基本声明,小组希望确保所有人都同意AI的最终目标是推动更好的客户体验,而不是降低成本或替代劳动力。 有了这种理解,讨论就演变为它将如何影响CRM技术。 简而言之,CRM中许多输入框的自动填充将带来微妙而快速的影响。 并且将有更多的自动创建联系人。 因此,传统的用户抱怨称,与添加信息的工作量相比,他们从CRM中获得的收益很少。 在NexJ,我们称其为使用户成为信息的网络接收者。 当天的最后一场会议由Estoban Kolsky主持。 这也与AI有关,对他来说,这意味着要教计算机像人类一样思考,以便我们可以分担一些我们不喜欢做的事情。 […]

董事会董事应问及的AI问题
董事会董事应问及的AI问题

其他注意事项 布鲁斯说,虽然扩大基础数据中的样本集应该会有所帮助,但推动该技术背后的工作人员多元化的努力将有助于减少人工智能的偏见。 布鲁斯(Bruce)在巴拉克·奥巴马(Barack Obama)总统任内任职期间,是2016年10月发表的《为人工智能的未来做准备》报告的作者。 政府积极推动成为该技术背后工人更多多样性的跳板。 该报告当时发现,只有18%的计算机科学专业的毕业生是女性,与1984年的“高峰”时期相比大幅下降,当时该领域的毕业生只有37%是女性。 证明在该小组中分解谁专门从事AI工作比较困难。 正如报告所指出的那样,“在AI劳动力上缺少一致报告的人口统计数据。” 2016年的报告引用了最大的人工智能研究会议之一的数据,即2015年的神经信息处理系统会议,该会议显示只有13.7%的会议参与者是女性。 报告继续说:“多样性挑战不仅限于性别。” “与非裔美国人,西班牙裔美国人和其他种族和少数族裔群体的成员相比,他们在STEM劳动力,计算机科学和技术行业劳动力(包括AI领域)中的美国人口比例严重不足。 ”,该报告说。 Willis Towers Watson的常务董事兼全球业务主管Ravin Jesuthasan认为AI监控与审计委员会特别相关。 “如果我是董事会成员,关键的事情之一就是组织中的决策由领导者和经理来完成,而决策由算法来完成?” 下一步是审核该算法“,并让董事会成员定期监视结果,存在问题,我们需要在哪里进行补救以及我们如何准备算法以确保决策集不受限制偏压?” 正如Jesuthasan所指出的,这不仅仅是消除偏见的道德压力;而且 可能会有法律和法规方面的影响。 “我认为从监管角度来看,这种风险可能非常严重。 在歧视方面,金融服务存在风险。 越来越多的人开始做出自动交易决策。 您不能疏远客户。” 而且,根据欧盟新的《通用数据保护条例》,他说:“公司必须能够解释技术是如何制定决策的。” 如果没有人能够解释算法的决策方式或原因,那么该技术可能成为董事会的一个巨大问题。 人工智能也引起了美国领导人的关注。 国会议员伊曼纽尔·克莱弗 ( Emanuel Cleaver) (民主党)去年致信消费者金融保护局(Consumer Financial Protection Bureau) ,要求该机构“调查’金融科技’贷款公司。” Cleaver在2017年3月的信中写道:“我深为某些金融科技公司可能正在使用算法,使那些有色人种辛勤工作的个人无法获得负担得起的小企业信贷。” “重要的是要确定是否向少数族裔的小企业收取更高的税率,或者这些金融科技公司是否已对其施加掠夺性税率。” 然后是纽约市议会,该议会于2017年底通过了一项法案,成立了一个工作队,“就如何与公众共享有关机构自动决策系统的信息以及机构如何处理人们受到机构伤害的情况提供建议”。自动化决策系统。” 纽约市民自由联盟对采取“算法歧视”的立法表示赞赏。 NYCLU当时在其网站上写道:“算法通常被认为是客观,无误且无偏见的。” “事实上,他们极易遭受人为偏见。 当算法存在缺陷时,可能会造成严重后果。” 同时,有人说,对人工智能偏见的担忧可能被夸大了。 人的偏见 Alex Miller博士 沃顿商学院(Wharton School )的学生专注于机器学习和决策,他认为对AI危险的很多关注都错位了。 尽管Miller承认AI可能存在偏见,但他质疑这些技术是否比人类更偏见。 他敦促公司董事要虚心,并在查看机器做出的决策时回顾所有事实。 例如,在他的研究中,他发现许多发现人工智能很危险的研究并未准确比较替代方案。 他指出,调查性新闻业非营利组织ProPublica发表了一篇有关机器偏见和“全国范围内用来预测未来罪犯的软件”的文章,该文章“偏向黑人”。 他说:“显然这不是理想的结果。” […]

存在地外生命。
存在地外生命。

在这个广阔的宇宙中,我们并不孤单。 地球之外还有生命。 我们从来不知道外星生命是不是存在,但科学家确实知道。 这些是一些科学事实,证明外星人存在是真实的。 2013年9月,一个英国科学家小组声称,高空气球飞行发现的细胞碎片可能是太空生命的证明。 甚至美国国家航空航天局(NASA)的科学家理查德·胡佛(Richard Hoover)也在2011年3月4日发表了一篇论文,声称发现了化石的蓝藻细菌证据。 蓝藻是一种单细胞生物,也称为蓝藻。 在蓝陨石中发现这种蓝藻。 1976年,美国宇航局的2架维京着陆器降落在火星表面,探针进行了一系列生物学实验,包括收集火星土壤样品以测试有机化合物-可能指示微生物存在的生命和生物特征。几乎没有发现有机物的证据.2010年12月发表在《地球物理研究》杂志上的研究表明,这些化合物存在于火星上,但在维京人获得它们之前就被存在于火星上的其他化学物质破坏了。 科学家于1996年宣布,他们发现了外星生命的证据,他们在火星的陨石中发现了化石微生物的生命,陨石被称为ALLAN HILLS 84001(ALH 84001)。 这幅画创作于15世纪。它描绘了圣母玛利亚,在画的背景下,一个人和他的狗盯着盘旋的盘状物体,这是一个外星飞船,UFO。 美国宇航局的科学家声称,通过检查自己拥有的所有证据,有很多机会可以在火星上生活,甚至现在他们宣布已经在火星土壤下找到了水。 一些天文学家和天体物理学家声称,系外行星/太阳系外行星的智能生命变化了99.9%。系外行星是不属于我们太阳系的行星。 它们可能与我们位于同一个星系中,也可能位于其他星系中。 即使有这些事实,仍然不能证明外星人存在,这是因为我们还没有看到任何东西,也许在几代人之后可能会与外星人见面,所以我们希望找到一个。

成分品牌的优势
成分品牌的优势

在最近的一篇文章中,我探讨了有关道德产品设计的想法。 除其他事项外,我谈到了应用程序和物联网设备制造商如何在不损害用户福祉的情况下吸引用户。 随着越来越多的故事出现,例如记录人们对话的三星电视和监视客户的Bose耳机,人们将希望确保他们使用的应用程序设计完整。 成分品牌可以提供帮助。 成分解决方案使宿主产品能够建立与客户的信任。 同时,它们增强了主机产品的功能,从而吸引了新用户。 成分解决方案使宿主产品能够建立与客户的信任。 同时,它们增强了主机产品的功能,从而吸引了新用户。 许多公司在其产品而非成分产品的背景中运行“白标”解决方案。 尽管白标技术增强了宿主产品的功能,但它们提供的营销价值却与成分品牌不同。 这主要是因为它们对最终用户不可见。 此外,消费者甚至可能对使用在表面下运行看不见的技术的主机产品感到不安。 以下是一些成分品牌的知名例子,这些成分可以大大提高其宿主产品的吸引力。 成分品牌为宿主产品带来回报 英特尔 英特尔将其计算机芯片确立为世界上最好的芯片,并将其宣传给消费者。 随着时间的流逝,人们开始寻找配备英特尔处理器的个人计算机,并愿意为此付出更多的代价。 英特尔品牌提高了主机的价值,并因此吸引了更多的计算机公司客户。 人们知道配备英特尔处理器的计算机是最高质量的。 杜比 如果您是电影迷,那么您会感受到杜比环绕声扬声器的震撼力量。 尽管这种体验并不像以前那样新颖,但是在杜比的早期,电影院会广告宣传他们正在使用这种令人着迷的新音频技术放映电影。 渴望获得比真实生活更大的电影体验的人们来了这些杜比增强电影。 最终,杜比(Dolby)成为了剧院和电影的精英品质徽章。 它吸引了更多的客户,并帮助巩固了客户的忠诚度。 贝宝 几年前,通过Internet共享信用卡信息的想法很可怕。 更不用说,付款处理很麻烦。 贝宝(PayPal)向消费者提供了迫切需要的保证,即他们的银行信息是安全的,同时还简化了在线支付流程。 对于希望通过Web出售商品的公司而言,它已成为必需的要素。 长期以来,说服Internet上的人们与您进行业务交易的最可靠方法之一就是将PayPal徽标固定在您的网站上。 长期以来,说服Internet上的人们与您进行业务交易的最可靠方法之一就是将PayPal徽标固定在您的网站上。 适用于应用程序和物联网设备的AI成分 成分解决方案可帮助主机产品与客户建立信任。 不仅在隐私和安全方面值得信赖,而且在质量方面也值得信赖。 Neura是针对移动应用程序和IoT设备的机器学习服务,是成分品牌做到这一点的一个很好的例子。 Neura的算法使健身追踪器,智能家居产品和医疗设备等应用程序和连接的设备能够为用户提供高度个性化的服务。 AI引擎通过创建用户的行为配置文件来做到这一点,类似于互联网公司如何利用行为配置文件来提供丰富的体验。 但是与互联网公司不同,Neura不会与广告商共享这些个人资料。 相反,它们使用户可以控制其个人资料。 用户通过API调用与其应用程序和设备共享其个人资料的一部分,以实现个性化的体验。 成分解决方案可帮助主机产品与客户建立信任。 不仅在隐私和安全方面值得信赖,而且在质量方面也值得信赖。 Neura是针对移动应用程序和IoT设备的机器学习服务,是成分品牌做到这一点的一个很好的例子。 当人们看到其中一个应用程序中提供的Neura成分时,他们知道自己的私人信息是安全的,丰富的个性化体验正等待着他们。 这样可以增强客户忠诚度,进而吸引新用户。 对于希望在市场上占有一席之地的应用制造商而言,采用成分解决方案可能会起到很大的作用。

今日的问题“机器人正在执行更多工作,我们甚至都没有意识到”
今日的问题“机器人正在执行更多工作,我们甚至都没有意识到”

如今,在“现在由机器人完成的工作中:”《华尔街日报》报道,佐治亚理工学院成功说服了300名在线学生说人工智能实际上是人类的教学助手。 想象一下发现您的助教确实是机器人 一月的一天,埃里克·威尔逊(Eric Wilson)向佐治亚州助教传达了一条信息,要求他们在佐治亚州参加在线课程…… www.wsj.com 从一月份开始,“吉尔”(她在人工智能班上就广为人知)一直在帮助研究生设计程序,这些程序可以使计算机解决某些问题,例如选择图像以完成逻辑顺序。 学生詹妮弗·加文(Jennifer Gavin)说:“她就是那个人-很好,是助教,他会提醒我们约会的时间,并在一周中发布问题以引发对话。” 沃森女士之所以这样命名,是因为她由国际商业机器公司(International Business Machines Corp.)的沃森(Watson)分析系统提供支持。她在在线论坛上代表她的助教,写了“是!”和“我们愿意”这样的文字。学生讨论课程作业并提交项目。 加文女士说:“这看起来非常像是与人类的正常对话。” 另一名学生Shreyas Vidyarthi将TA的人为属性归因于-想象她是20岁左右的友好白种人,正在去攻读博士学位。 我想写很多东西。 他们用感叹号选择“是!”而不是“是”,“是!”,“是”,“ yesssssss”或简单的“ y”的部分充分说明了在线书面语言如何传达等级和人性,以及数十种其他微小的社交和人口统计提示-借助社交媒体,我们有大量休闲的在线书面语言可供学习,因此我们确切地知道在人口统计方面,是谁选择“是”还是“是!”,可以相应地编程我们的情报。 但这是The Billfold,所以我需要重点关注金钱方面:这种人工智能可以完成人类老师可以完成的许多任务,包括促使课堂讨论。 尽管《华尔街日报》指出,“吉尔”与可以帮助她放松工作的技术人员一起工作,但这确实使我们离“现在所有的工作都由机器人担任”的世界仅一步之遥,或者离“大学毕业生”至少一步之遥。学生的津贴被削减,因为机器人可以处理基本的TA职责。 这也引发了一个关于人类动机的非常有趣的问题,让我们回到了几周前我问的有关机器人和举止的“每日问题”。 今日的机器人礼仪问题 我们所有人都开始相信我们的机器人有感觉的那一刻,这一切都会改变。 medium.com 佐治亚理工学院的学生不知道他们正在与AI聊天。 如果他们这样做了,他们的行为会改变吗? 例如,我所做的很多事情都是由于有人类(真实的人)在阅读和回应这一事实。 (偶尔也有机器人。我知道这一点。)在学校的时候,我会尽力而为,因为我俩都想取悦人类, 并且常常受到那个人类的启发。 如我之前所写,我并不喜欢讨好机器人。 我的生活中已经有足够的情感劳动。 一旦我确定您不必再说Siri的名字了。 当一位人类老师发送了一个讨论提示时,我的部分动机是因为这位人类老师正在观察我的回答。 如果我知道提示来自人工智能,我看不到自己有同样的感觉。 与其他学生一起参加学习社区有一定的动机,但即使这种动机通常是由一个人领导的,我可以轻松想象出整个学生群体对机器人引导的讨论的反应都是一样的。 如果您不一起工作,不知道会从集体反应中获得更多收益,而是本能地知道,AI的回报有限,所以为什么不花最小的精力来获得机器人?说“是的! 做得好!” 因此,我们今天的问题: 您真的可以告诉您何时与人工智能聊天吗? 如果可以,这会改变您的行为吗? 您对AI助教Jill的直觉是什么? 是接近于“哇,他们创造了一个既可以教授又可以欺骗300名学生的人工智能”或“哦,不,机器人真的可以接我们所有的工作吗?”

你的来世被搁置
你的来世被搁置

您还记得与家人在医院的最后几分钟。 你闭上眼睛,最后一口气死了。 您会排队醒来。 您穿着白色的长袍拖鞋。 您正站在一望无际的白色平原上,一直延伸到万里无云的蓝天下的地平线。 在您面前的是一排排的人,也穿着白色的长袍和拖鞋,一直延伸到眼睛能看见的地方。 您是很长很长时间内的最后一个人。 然后突然你不是。 一个年迈的亚洲人在你身后无处不在。 他看上去很困惑。 然后,一个身穿小袍的年轻非洲女孩出现在他身后。 然后,越来越多的人无所不在,填补了您身后的空白。 您身后的线伸向远方。 你问你面前的女人怎么回事。 她告诉您稍等片刻,在她前面的人说在他前面的人说将会有一个公告。 很快,您可能不确定几个小时,甚至几天,您会收到一个公告。 天使飘过,说话的声音在天上轰隆隆。 天使告诉群众,生命不过是天堂的等待队列。 每个人都必须等待神自己亲自审查自己的灵魂。 同时,他们可以回去再过另一种生活-他们在排队的地方将被保存-或者他们可以在这里等待。 你不在乎等待。 很愉快 没有无聊或疲倦的感觉,甚至没有时间的流逝。 您知道它正在通过-线向前移动。 您意识到自己处在平缓倾斜的平原上,经过数年或数年之后,您会看到地平线上的山脉。 小组向前推。 您不饿,不冷,不热也不困。 您不必去洗手间,也不会感到欲望或冲动。 您只是在等待时满足。 周围的人有时会抱怨和抱怨。 有些人似乎很无聊,决定回去另谋生路。 它们会定期消失,然后在一段时间后重新出现-可能是几分钟或几十年。 你真的不能说。 您会注意到通常留下来的人似乎……不满。 他们抱怨上帝复查每个人要花多长时间。 他们抱怨自己的生活简陋,只是在该死的队伍中等待有多好。 但是随后,他们为排队等候感到无聊。 有些人感到沮丧,闭上眼睛回去。 当他们返回队列时,他们仍然抱怨。 他们谈论离开生产线,但他们不知道如果这样做会发生什么。 因此,他们对经过的天使大喊大叫,试图澄清。 天使们就冒充过去,假装不听。 因此他们排队等候,害怕离开并失去自己的位置。 确实有一些离开。 他们坚定地前进到远方,再也见不到。 抱怨者发明了关于云中的残骸和洞使它们坠落到地球或更糟的故事。 在你身后的老人喜欢对年轻人保持警惕,而新一代却缺乏道德,道德,尊敬,而这种抱怨所暗示的所有价值观都是他的性格固有的。 在他那一天,情况有所好转,即使情况并非如此。 现在他们很烂,即使不是。 自从第一个人类生下孙子以来,他就像每个老人对年轻人所做的那样令人抓紧。 你听着,然后等待。 等一下 等一下 值得等待一生十次。 一千。 […]