人工智能(AI)和机器学习(ML)的能力正在逐渐扩大,尽管如此,总会有一些任务所要求的质量是技术难以复制的,例如创造力、同情心和情感意识。
有很多任务非常难以实现自动化,而且有些职业总是需要人的技能。我们从了解技术的各种局限性和可能性的专家那里得到了他们的一些见解,来看看他们认为哪些工作是人工智能无法或者不应该被完全取代的,以及其中的理由。
由于人工智能被用来自动化很多人类不喜欢做的工作,同时也有人类想要做的工作,我相信将会有越来越多的“工匠”型工作的增加,这种工作更看重人的因素,例如在餐饮业、家具制造业、时尚界的很多类似例子,人们情愿为手工制作——而不是机器制造——的产品花更多的钱。——Bret Piatt,Jungle Disk
在正常情况下,飞机没有人类飞行员可能是没问题的,但是当出现问题的时候,人类的直觉是不可替代的。人工智能被设计成遵循协议,但你可能还记得哈德森事件中的奇迹,正是Sally决定跳过协议并立即打开飞机的辅助动力,才使他能够让飞机安全降落。——Marc Alacqua,Signafire
网络安全是一个应对人类攻击者试图绕过自动化静态防御的行业。一个有动力的人总会打败技术。因此,我们永远不会看到网络安全行业的完全自动化,因为网络安全需要一个拥有技术的人类防御者,这意味着使用自动防御措施来为防御者提供智能武装。——Mike Morris,root9B
那些需要常识的工作都不应该用人工智能来代替。我们可以在与法律相关的工作中清楚地看到这一点:在警务工作中,算法和可靠的规则无法很容易地是用于特定的环境和情况。对于律师而言,法律研究和战略可以得到人工智能的支持辅助,但对于口才技巧、对于陪审团都是无用的。在这方面,人类加上AI是一加一大于二。——Artem Petrov,Reinvently
销售工作永远无法被完全自动化。最高价值的体现——例如建立关系、同理心、以人类理解力解决问题——是人类特有的,无法被完全替代。人工智能可以处理耗时的管理、简化数据分析、为销售人员提供个性化洞察以便他们专注于教育客户、关系最大化并完成交易。——Vinay Ramani,Pipedrive
虽然我们可以、而且应该自动化非关键医疗相关的繁杂工作,例如预约提醒、处方补充、患者调查、检查生命体征(使用可穿戴设备)、医疗记录互连等,但实际的护理诊断、治疗和手术永远不应该自动化。不同的疾病可能有非常相似的症状,完全自动化的系统可能是致命的。——Abishek Surana Rajendra,Course Hero
虽然机器人变得越来越聪明,但远远不是有真正感受的人类,或者只会让我们感到沮丧。考虑到这一点,高效人员管理者的个人和情感因素需要来自于人类,这一点还不会改变。——David Isaac Murray,Doctor.com
技术会让你变得很高效,让你可以花更多时间与客户建立关系。当你的客户需要帮助或有疑问时,从人类获得个性化关注可以建立信任和可信度。此外,与客户的每次互动,都是向市场学习的机会。你的客户会告诉你扩展和发展的机会。——Peter Strack,Alliance Reservations Network
你永远也不会使用机器来面试应聘者,不管是作为厂商还是作为业务合作伙伴。自动化适用于可以可靠测量、编码和重复的事情(通常是基于硬数据的)。但人们仍然需要相互合作,你将始终需要通过人为评估观察到的细微差别和见解。——Tom Buiocchi,ServiceChannel
好文章,需要你的鼓励
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。
苹果即将发布Apple TV 4K和HomePod mini 2两款产品更新。更值得期待的是三款全新产品:配备7英寸方形显示屏的HomePod Touch将搭载全新homeOS系统,支持Safari、音乐等应用及小组件功能,预计售价350美元;此外还有智能安全摄像头和视频门铃两款配件。这标志着苹果从依赖第三方HomeKit配件转向自主研发智能家居产品的重要战略转变。
UCL研究团队通过分析16万场AI对战数据发现,传统认为"平局代表AI实力相当"的观念完全错误。研究表明平局主要反映问题难度和客观性,而非AI能力对比。当忽略平局进行评分时,四种主流评分系统的预测准确率均提升1-3%。这项发现颠覆了现有AI评估理论,建议未来评分系统应考虑问题特征而非简单的平局语义。