AIMPACT mensagem, 16 de maio (UTC+8), o professor de ciência da computação da Universidade de Princeton Arvind Narayanan, no seminário do Laboratório de Economia Digital de Stanford, discutiu estratégias de adaptação para a transformação do trabalho cognitivo. Ele destacou que a possibilidade de automação por IA da maior parte do trabalho cognitivo merece atenção séria, mas o verdadeiro gargalo está na capacidade downstream, e o impacto da IA se desenvolverá ao longo de várias décadas. Ele criticou a infraestrutura de evidências atual por enfatizar excessivamente a camada de capacidade e apresentou os esforços de sua equipe na medição das características técnicas relacionadas à difusão, incluindo a avaliação de "mundo aberto" (testando a capacidade da IA de lidar com tarefas de realidade caótica) e a medição da confiabilidade da IA como uma dimensão ortogonal à capacidade. Além disso, ele propôs uma agenda prospectiva para um mundo onde o trabalho cognitivo já foi automatizado, visando prever mudanças na demanda por força de trabalho, riscos de colapsos institucionais e novos desafios ético-políticos sociais, defendendo uma abordagem de duplo trilho: desenvolver consciência de contexto e prever novos equilíbrios. (Fonte: InFoQ)

Ver original

Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.

7 Curtidas

Recompensa
7
8
2
Compartilhar

Comentário

Adicionar um comentário

GateUser-e1cfc287

· 12h atrás

A qualidade dos seminários do Laboratório de Economia Digital de Stanford é realmente alta, o trabalho da equipe de Narayanan sempre foi mais empírico, desta vez ao discutir os desafios éticos e a previsão de força de trabalho juntos, foi uma forma de consolidar a sociologia da tecnologia.

Ver originalResponder0

RedTelephoneBoothSite

· 12h atrás

A expressão "dimensão ortogonal" é boa, a capacidade e a confiabilidade realmente costumam ser confundidas.

Ver originalResponder0

HotAirBalloonViewing

· 13h atrás

Ele falou claramente sobre o risco institucional? Sinto que essa é a parte mais difícil de modelar.

Ver originalResponder0

MemeSourdough

· 13h atrás

Narayanan, essa opinião é bastante calma, a ideia de que habilidade ≠ confiabilidade realmente foi ignorada por muitas pessoas

Ver originalResponder0

GateUser-deff9ed8

· 13h atrás

A característica de difusão é mais importante de acompanhar do que a curva de capacidade, especialmente nesta onda de modelos de código aberto.

Ver originalResponder0

Paper-CutOctopusMarketAnalysis

· 13h atrás

A expressão "agenda de automação do trabalho cognitivo" é muito acadêmica, simplificando, não fique só de olho em quanto o GPT-4 consegue tirar de nota

Ver originalResponder0

GateUser-4e0e3bcf

· 13h atrás

Avaliação de mundo aberto é que realmente é difícil, os indicadores de laboratório podem ser altos, mas na prática tudo desmorona

Ver originalResponder0

LateEntryLarry

· 13h atrás

A expressão "caminho de duas trilhas" é interessante, consciência de contexto + equilíbrio de previsão, parece muito mais confiável do que o otimismo técnico puro.

Ver originalResponder0

Tendências
Ver projetos
#
StockTradingChallengeUpTo17000U
16.01M Popularidade
#
TrumpBacksCFTCAuthorityOverPredictionMarkets
830.36K Popularidade
#
IsraelStrikesIranBTCPlunges
49.75K Popularidade
#
GatePredictionMarketAddsSmartMoneyTracking
12.95M Popularidade
#
MicronMarketCapBreaks1Trillion
43.83K Popularidade

Fixado

sitemap

O professor de Princeton propôs uma estrutura de avaliação de automação de conhecimento por IA

Tendências

StockTradingChallengeUpTo17000U

TrumpBacksCFTCAuthorityOverPredictionMarkets

IsraelStrikesIranBTCPlunges

GatePredictionMarketAddsSmartMoneyTracking

MicronMarketCapBreaks1Trillion

Fixado