Feb, 2024

生成人工智能的挑战与机遇

PDF
TL;DR我们旨在识别现代生成 AI 范例中尚未解决的主要挑战，以进一步增强其能力、多样性和可靠性，并为研究人员提供有价值的见解，以探索更有成效的研究方向，从而促进更强大和可访问的生成 AI 解决方案的发展。
deep generative modelingunsupervised learninglarge-scale generative modelssynthesizing high-resolution imagesmodern generative ai paradigms
发现论文，激发创造
  • 生成人工智能用于合成数据生成：方法、挑战与未来

    该论文探讨利用巨大的大语言模型生成特定任务训练数据的先进技术，介绍了方法论、评估技术和实际应用，并讨论了当前的限制和未来研究的潜在路径。

    Mar, 2024

  • 生成人工智能模型：行业和机构的机会与风险

    生成式 AI 模型的应用带来了数字化机会，同时也引入了新的 IT 安全风险。在将生成式 AI 集成到工作流程中之前，公司、机构、开发者和操作员都应进行风险分析，并相应地调整和采取安全措施。

    Jun, 2024

  • 生成模型安全性：挑战与对策

    探讨生成式人工智能所带来的独特安全挑战，并提出了管理这些风险的潜在研究方向。

    Feb, 2024

  • 由生成式闭环人工智能主导的基础科学的未来

    探索和研究 AI 驱动的自动闭环科学发现方法，包括自我驱动的假设生成和假设空间的无限自主探索。将自动化纳入科学实践将缓解当前问题，包括发现的复制、数据的系统化生产以及最终的科学过程民主化，具有开创性的视野将释放 AI 在我们的世界基本结构搜索和发现方面的潜力，好过自动化当前工作流程，并打开技术创新的大门，解决人类面临的最大挑战之一。

    Jul, 2023

  • 地球科学与生成式人工智能以及大型语言模型的交叉研究：基础、趋势与未来挑战

    通过生成人工智能在地球科学领域的潜在应用，我们探讨了机器学习和深度学习的最新发展，以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络（GANs）、物理信息神经网络（PINNs）和基于生成预训练转换器（GPT）的结构。这些工具在数据生成 / 增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战，如确保物理解释性、恶意用途案例和可信度。总的来说，GAI 模型对地球科学界有着巨大潜力，特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面，通过其对数据驱动建模和不确定性量化的非凡能力。

    Jan, 2024

  • 生成人工智能：系统综述和应用

    人工智能与生成式人工智能的应用领域，特别是语言生成与伦理考虑的最新研究成果与未来发展轨迹的综合分析。

    May, 2024

  • 生成式人工智能时代的物联网：视野与挑战

    利用产生式人工智能（Generative AI）将物联网（IoT）推向新水平，提供巨大的潜力和重要应用领域。然而，在实现物联网中充分利用 Generative AI 方面存在着一些关键挑战和机遇。

    Jan, 2024

  • 鉴定和减轻生成式人工智能的安全风险

    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

  • 科学家对于生成式人工智能在其领域中潜力的看法

    研究发现生成式 AI 技术有潜力改变科学家的实践方法、加速科学发现并提供科学教育，但是这也引起了对于技术责任的担忧。

    Apr, 2023

  • 应对 RE 数据的方法：利用 NLP 和生成 AI 来减轻挑战

    本书章节探讨了人工智能（AI）与软件工程（SE）相融合的时代中，特别是要将自然语言处理（NLP）和生成式 AI 融入到企业关键软件系统中所面临的挑战。通过实际洞察、解决方案和示例，提供必要的知识和工具来有效地构建以 NLP 为核心的解决方案，并强调了在开发软件系统时处理与文本数据相关性越来越重要的新的需求工程任务。

    Feb, 2024