探索生成人工智能在万维网的潜力
本文研究探讨了生成 AI 技术中,AI 加入真实数据之后可能会产生回馈循环并导致未来模型的降级和多样性降低的情况,从而产生社会影响。同时,对于如何缓解这种回馈循环以及降低未来技术模型降级的影响也提出了相关问题。
Jun, 2023
通过使用机器学习和大型语言模型,本论文介绍了一种知识工作者系统 Generate And Search Test,该系统能够高效地创建以前需要专家合作才能完成的解决方案。同时探讨了生成型人工智能和搜索引擎如何提供创意和验证事实、逻辑和语境,以消除人为偏见。
Jul, 2023
通过利用生成人工智能(AI)产生的图像作为新的数据源,重新塑造了视觉智能中的传统模型范式,本文探讨了这一创新概念,从训练机器学习模型到模拟场景进行计算建模、测试和验证等一系列应用中探索了生成数据的潜力,并深入讨论了支持这种突破性使用生成 AI 的技术基础以及伴随的伦理、法律和实践考虑。
Oct, 2023
从训练数据中生成新的、有意义的内容(如文本、图像或音频)的计算技术被称为 “生成型人工智能”。本文对生成型人工智能在社会技术系统中的实体进行了概念化,并提供了模型、系统和应用的示例。在此基础上,本文介绍了当前生成型人工智能的局限性,并提出了商业与信息系统工程(BISE)研究的议程。与以往的研究不同,我们将重点放在生成型人工智能在信息系统的背景下,讨论了对 BISE 社区来说独特的几个机遇和挑战,并提出了对 BISE 研究具有影响力的方向建议。
Sep, 2023
本文是一篇文献综述,探讨了 AI 生成模型在静态和交互媒体中简化视觉创造流程的巨大潜力及其在技术和伦理方面对多个重要产业的影响,涵盖了 AI 文本到图像生成、Midjourney、Stable Diffusion、AI 伦理、游戏设计、数字艺术和数据洗白等方面的关注点和挑战,以及如何通过适当的监管解决相关的法律、伦理等问题。
May, 2023
人工智能的发展催生了数字内容生成的转变,特别对网络影响操作产生了深远的影响。本文研究了扩散模型等生成深度学习模型在制造令人信服的合成图像方面的潜力和局限性,并对这些工具的可接近性、实用性和输出质量进行了批判性评估,同时分析了它们在欺骗、影响和颠覆威胁情景中的影响。在几个假设的网络影响操作中,本报告生成内容来展示这些 AI 驱动方法当前的能力和局限性。虽然生成模型擅长生成插图和非现实的图像,但创建令人信服的逼真照片内容仍面临重大挑战,受计算资源和必须人工指导改进的必要性限制。我们的探索强调了技术进步和其滥用潜力之间的微妙平衡,推动进行持续研究、防御机制、多学科合作和政策发展。这些建议旨在利用人工智能的潜力产生积极的影响,同时防范对信息完整性的风险,尤其是在网络影响的背景下。
Mar, 2024
生成式人工智能技术(GenAI)可能被用于积极和消极目的,这篇论文讨论了 GenAI 所带来的双重用途困境,并提出了针对此问题的短期和长期目标,旨在引发学术界对此重要主题的深入讨论。
Aug, 2023
通过质性调查,我们发现创意专业人士对生成式人工智能的推动对创造力的定义和如何使用人工智能支持他们的工作流程产生了重要的影响,并基于这些反思,探讨了如何设计在创新专业领域中的 “参与式人工智能”,以目前和未来协同 AI 中赋予创意专业人士更大的权力。
Mar, 2023