至顶网软件频道消息:人工智能究竟是一场炒作,是科技行业的没落还是这个星球的救星,这取决于和你谈话的对象是谁——或者它同时是这三者。
Oracle的首席执行官马克.赫德(Mark Hurd)认为人工智能是一个被“使用过度”了的术语。Cisco的前首席执行官约翰.钱伯斯(John Chambers)则担心人工智能可能会让科技行业变得非常不受欢迎。而美国第四十五届副总统艾尔.戈尔(Al Gore,如图)则相信人工智能是帮助拯救气候的重要工具,但是科技行业的企业家们需要加快这场游戏的速度。
人工智能这个话题本周并未完全主宰新奥尔良Collision 2018会议,但是在四天的聚会中,它出现在了不少意见制造者的想法中。这项技术既不是人见人爱,也没有让所有人讨厌,但是每个人都在谈论它。
星期二,赫德在出席会议的时候表示:“对于那些说‘我在云端有一个人工智能解决方案,来找我’的人,我并不看好。”他表示:“人工智能将会变得不太像一种解决方案,而更像是深入集成到应用程序中的功能。”
赫德公司最近推出了扩展的人工智能产品,集成在各种企业云应用程序中,包括自动管理和数据库安全。这位Oracle的高级管理人员借此机会哀叹在当前环境下从这些系统赚钱或升级的艰难。“现在你在行业中能够听到很多这样的说法。”赫德表示: “我如何回到简单?”
对于艾尔.戈尔来说,挑战并不在于简单,而是要让科技行业支持他的倡议,增强世界的环境健康,他的这份事业在过去十二年中为他赢得了诺贝尔奖和奥斯卡奖。
这位前副总统特别指出,谷歌在2014年收购Deep Mind是人工智能能够如何提高能源使用效率的最好例子。 谷歌使用DeepMind的人工智能,将其数据中心的能源使用量减少了40%。戈尔表示:“商业界和科技企业家敏锐地意识到其中的利害关系......可以发挥至关重要的作用。”
自从2015年辞去思科的首席执行官以来,钱伯斯已经开始了他自己的征途,这次是创业技术社区的冠军。星期三在Collision 大会上露面时,这位JC2 Ventures的负责人敦促美国政府在促进人工智能和金融技术等领域的创新方面发挥更积极的作用。
然而,钱伯斯也表示,对人工智能的使用可能会伤害世界各地人们的就业,这可能会为整个科技界招致敌意,他对此感到担心。钱伯斯表示:“技术总是好的。”他说:“如果我们不够小心,我们就会成为坏人,并且害得人们失业。”
然而,钱伯斯担忧人工智能对工作岗位影响,对此一些科技企业家也做出了自己的回应:那又怎么样呢?在星期三的会议讨论中,品牌咨询顾问公司Wolff Olins 的首席执行官Sairah Ashman讲述了她的想法,任何逻辑驱动的东西都将自动化,这将导致新的工作机会的出现。
Ashman表示:“当然了,工作将会消失,可是它们一直都在消失啊。”她表示:“将有很多我们现在无法想象到的新工作会被创造出来。”
无论工作是否真的在消失,人工智能的广泛应用对社会造成的影响仍然是一个有争议的话题。Ashman加入了大数据公司Enigma Technologies 的联合创始人兼首席执行官Hicham Oudghiri的Collision小组,Hicham Oudghiri描述了令人担忧的情景,例如那些在儿童监护案中做决定的人工智能算法可能会永远地影响这些生命——而且这种影响并不一定会让他们变得更好。
Oudghiri表示:“我担心我们会失去一件大家曾经认为是理所当然的东西,就是一个人被另一个人判断的权利。” Oudghiri表示:“我们需要确保在这种地方有强大的护栏。”
同时,正如Wikibon research最近的一份研究报告所述,人工智能培训正在不懈地向前发展,包括在企业计算领域。无论结果是否正面,人工智能将会对商业和日常生活的各个领域,甚至是对地球的命运产生影响。
戈尔表示:“更大规模的可持续革命将基于人工智能等数字工具。”他表示:“它正在改变一切。”
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。