人工智能(AI)正在以惊人的速度向前狂奔,本文将带大家一同展望这项前沿科技给好莱坞造成的实际影响。
AI视频。很多朋友已经知晓,如今的AI能够编写出完整剧本、创作乐曲并根据文本命令生成图片。而下一阶段的发展逻辑也已相当清晰:我们可以用文字描述想要获取的内容,再由AI系统创作出逼真的视频画面。目前已经有不少网站能够执行此类操作,搜在索引擎中输入“文本到视频”即可轻松找到它们。相信不久之后,这些网站就能把完整的剧本转换成一部配乐精良、人物生动且包含对话的长片。这样的发展将对好莱坞的运作模式和就业岗位产生深远的影响。Tyler Perry在果断停止耗资8亿美元的亚特兰大工作室扩建项目时,就曾明确表示“工作岗位正在流失”。而据前沿人士的预测,未来五年内制作一部电影的成本将降至目前成本的十分之一,这既意味着将有更多人找到新的工作,也代表不少工作室将就此烟消云散。
版权。近来针对AI厂商的诉讼越来越多,主要指控就是其输入(将内容上传至AI系统)和输出(由AI系统生成的结果)涉嫌侵犯版权。迄今为止,大部分“其中有某处抄袭了我的作品”的输出类案件由于跟原作相似度不太高,所以普遍遭遇败诉。但在另一方面,由于原告方确实掌握着被上传至AI系统的作品的注册版权,所以输入类案件仍处于悬而未决的状态。对于此类案件应如何判罚,最终可能要交由最高法院给出裁定。为了避免诉讼,部分AI公司开始提前为内容库支付许可费用,并提出修改版权法的建议,要求遵循音乐拷贝的惯例实施强制许可加强制付费的制度。
诽谤。考虑到AI系统往往有着强烈的“幻觉”倾向,很多朋友应该都在试用相关服务时看到过那些子虚乌有且令人反感的“造谣”结果。AI厂商们也自然要因此承担诽谤指控。今年一月,法院驳回了否决此类案件的动议,意味着AI系统可能需要为此类诉讼承担责任。但院方是否会以《通信规范法》第230条的内容(这一条款规定了互联网平台对于第三方用户在其平台上发布的言论内容不负有法律责任,同时也允许互联网平台基于「善意原因」封锁和屏蔽冒犯性内容)为依据处置AI生成输出,目前仍然有待观察。
民众权益。截至目前,美国各州法律及相互冲突的判例记录,明显给针对AI的公开诉讼造成了巨大障碍。然而近期出现的一系列极端案例,包括新罕布什尔州的初选阶段出现的用AI模仿拜登给选民打电话,以及Taylor Swift的伪造色情视频等,再次为悬而未决的联邦立法提供了新的动力。立法机构显然应该在问题扩大之前积极行动,有效保护个人安全。
打不过,就加入?不少名人则选择利用AI技术扩大自己的优势,包括许可AI以特定方式使用自己的姓名、声音和/或图像。例如,Meta(原Facebook)已经拿下众多名人的语音与肖像版权以供AI使用,粉丝可以随心所欲操纵这些语音和图像,包括为名人实际代言产品的竞争对手制作宣传材料等。种种潜在应用所在多有,大家可以尽情发挥脑洞。
行会协议。目前针对AI技术,各行会正着手发布一系列相应协议要求:
DGA(美国导演协会)。在新协议的三年期限之内,各工作室不得使用AI技术取代任何DGA成员职位。
WGA(美国编剧协会)。根据WGA的基本协议,AI撰写的任何材料均不可被视为“文学材料”,因此无助于成员补贴或补偿。
SAG(美国电影演员公会)。未经会员在单独协议中明确同意 (包括对预期胜任及任何预期变更的说明),工作室不得使用AI来复制SAG会员。在工作室使用AI技术创造全新肖像之前,首先需要与SAG真诚协商并给予适当补偿。
本文重点关注好莱坞娱乐行业,但生成式AI浪潮已经影响到当今世界的每一个角落。值得注意的是,近期有不少律师事务所就因提交AI生成的简报而受到制裁。这些简报中充斥着大量看似真实,但却纯由AI幻觉输出的虚构引用。看来AI仍具有很大的局限性,也让我们人类能稍微松口气。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。