人工智能进步建模
该研究表明,将人类专业知识的分布纳入考虑,并以此训练无监督的人工智能模型,能够显著提高 AI 对未来发现的预测能力,特别是在相关文献稀缺的情况下,这些模型成功预测出人类预测和可能做出预测的科学家,为科学进步开创新的前沿。
Jun, 2023
人工智能通过检测任务输入中的统计规律,依靠大量训练数据和计算资源而实现对人类任务的高效模仿,研究通过四个因素来探究这种统计人工智能在人类任务中的表现,提出了一个以可学习性、统计资源、计算资源和学习技术为视角的三阶段视觉框架来理解人工智能和就业之间的变化关系,得出了在每个职业中都存在一个拐点的简单经济竞争模型,贯穿性地验证了翻译和网页开发职业的 AI 性能对就业者的影响,并呼吁急需进行更多研究以应对人工智能对就业的巨大颠覆。
Dec, 2023
本文提出了一种新型生产力评估模型,用于评估在生产链中采用人工智能 (AI) 组件的影响。我们的模型提供了支持解决 “AI” 的 Solow 悖论的证据,其基础包括(i)理论和实证证据以解释 Solow 的二分法;(ii)数据驱动模型以评估和评估生产率变化;(iii)基于过程挖掘数据集的方法论,以确定业务流程(BP)和生产率;(iv)一组计算机模拟参数;(v)以及关于劳动力分配的实证分析。这些为我们认为 AI Solow 悖论的后果是指标误测提供了数据。
Oct, 2022
本文简述了人工智能的近一个世纪发展历程,总结了发展趋势并发现了普遍规律,分析了过去失败和现在成功的原因,强调了哲学思维在理解和解决人工智能问题中的重要性以及重点发展方向应该是人机协作和以计算能力为核心的技术路径。
Mar, 2023
生成人工智能在就业、教育、生产力和未来工作方面取得了令人兴奋的进展,需要政策制定者提供更好的数据以帮助工人适应就业变革,并鼓励教育计划以适应未来工作的需求。
Nov, 2023
通过证据的汇集,展示了自然智能是通过不同尺度的互动网络中的智能集体、社会关系和主要进化转变而产生的,这些过程通过种群压力、军备竞赛、马基雅维利选择、社会学习和积累文化等机制促进了新数据的产生,将这些机制整合到智能代理的视角中,表明通过持续的新数据生成实现类人复合创新的可能路径。
May, 2024
本研究提出借鉴认知理论以推进 AI 的研究方向,通过嵌入因果组件来获得适应性、推理能力、常识理解等人类决策能力,以期激发 AI 技术研究,进而更好地理解人类和机器智能。
Oct, 2020
自 2012 年至 2023 年,使用 Wikitext 和 Penn Treebank 的 200 多个语言模型评估数据集,我们发现为达到一定性能门槛所需的计算量每 8 个月减少一半,置信区间为 5 到 14 个月,远快于 Moore 定律关于硬件提升的速度。我们估计了增强的缩放定律,可以量化算法进展并确定缩放模型与训练算法创新的相对贡献。尽管算法进展迅速且新架构(如变压器)的发展,我们的分析显示在这段时间内计算量对整体性能改进的贡献更大。尽管受噪声基准数据限制,我们的分析量化了语言建模的快速进展,并阐明了计算量与算法的相对贡献。
Mar, 2024
人工智能创新主要关注 “what” 和 “how” 问题,忽视可能的危害与社会背景,导致了潜在的社会技术问题,因此我们需要计算机科学和社会学科之间更紧密的联系。
Dec, 2020
本文介绍了人工智能领域自 20 世纪 50 年代以来的发展历程,列举了 AI 领域研究人员常见假设中的四个谬误,并讨论了这些谬误引发的问题,包括如何将人类的常识运用于机器智能。
Apr, 2021