Yukai Tu, Chief Technology Officer at CARV

不是关于AI能为我们做什么，而是关于我们能为AI做什么

大多数人通过单向视角看待人工智能（AI）。这种技术仅仅存在于为人类服务，实现新的效率、准确性和生产力水平。但是，如果我们错失了等式的另一半呢？如果我们这样做，只会放大技术的缺陷呢?AI仍处于婴儿期，并且在推理、数据质量和理解信任、价值和激励等概念方面仍面临着重大局限性。当前能力和真正的“智能”之间的差距是巨大的。好消息是，我们可以通过成为AI的积极合作伙伴而不是被动消费者来改变这一点。人类掌握着智能演化的关键，通过提供更好的推理框架、质量数据和信任桥梁。因此，人类和机器可以并肩合作，实现双赢——更好的合作产生更好的数据和更好的结果。让我们考虑一个更共生的关系可能是什么样子，以及如何作为合作伙伴，实现有意义的合作，惠及AI方程的两边。人与机器之间所需的关系AI无疑擅长分析大量数据和自动化复杂任务。然而，这种技术在思考方面仍然存在根本局限性。首先，这些模型和平台在其训练数据之外的推理方面存在困难。模式识别和统计预测并不是问题，但我们习以为常的上下文判断和逻辑框架更难以复制。这意味着AI在面对细致入微的场景或伦理判断时往往会失灵。其次，有“垃圾进，垃圾出”的数据质量问题。当前模型是在有或没有同意的情况下训练的，使用未经验证或有偏见的信息，无论是否有适当的归属或授权，导致未经验证或有偏见的AI。因此，模型的“数据饮食”最好是值得怀疑的，糟糕的则是杂乱无章的。可以这样思考这个影响：如果人类只吃垃圾食品，我们会变得迟钝和缓慢。如果代理只消费版权和二手材料，其性能也会受到阻碍，输出将不准确、不可靠和一般，而不是具体的。这仍然远远落后于代理的自治和主动决策的承诺。至关重要的是，AI仍然无法区分它与谁和什么互动。它无法区分一致和不一致的用户，难以验证关系，并且无法理解信任、价值交换和利益相关者激励等概念——这些是人类互动的核心要素。AI问题与人类解决方案我们需要将AI平台、工具和代理视为不仅仅是仆人，而是我们可以帮助训练的助手。首先，让我们看看推理。我们可以引入新的逻辑框架、伦理指南和战略思维，这些是AI系统无法独自开发的。通过深思熟虑的提示和仔细的监督，我们可以用人类的智慧来补充AI的统计优势——教会它们识别模式并理解使这些模式有意义的上下文。同样，人类可以策划更高质量的数据集，这些数据集经过验证、多样化和以道德的方式获取。这意味着开发更好的归属系统，其中内容创作者因其对训练的贡献而受到认可和补偿。新兴框架使得这一点成为可能。通过将在线身份统一在一个旗帜下，并决定是否以及分享什么，用户可以为模型提供尊重隐私、同意和法规的零方信息。更好的是，通过在区块链上跟踪此信息，用户和模型制作者可以看到信息来自哪里，并适当地补偿创作者提供此“新石油”的数据。这就是我们如何认可用户的数据并让他们参与信息革命的方式。最后，弥合信任差距意味着为模型提供人类的价值观和态度。这意味着设计可以识别利益相关者、验证关系和区分一致和不一致用户的机制。因此，我们帮助AI理解其操作环境——谁从其行为中受益，什么有助于其发展，以及价值如何在其参与的系统中流动。例如，具有区块链基础设施支持的代理在这方面相当擅长。它们可以识别和优先考虑通过声誉、社会影响力或代币所有权证明的生态系统买入的用户。这样，AI就可以通过赋予利益相关者更多权重来对齐激励，创建治理系统，其中经过验证的支持者根据其参与程度参与决策。因此，AI更深入地理解其生态系统，并可以做出明智的决策，基于真正的利益相关者关系。不要忽视AI中的人类元素关于这一技术的崛起及其对行业和工作的威胁，已经有很多讨论。然而，建立护栏可以确保AI增强人类体验，而不是取代它。例如，AI最成功的实现并没有取代人类，而是扩展了我们可以共同完成的内容。当AI处理常规分析，而人类提供创造性方向和伦理监督时，双方都贡献了其独特的优势。当做得正确时，AI承诺提高无数人类过程的质量和效率。但是，当做得不正确时，它仅仅被局限于可疑的数据源，并且模仿智能而不是真正的智能。确保这些模型变得更智能，并且我们的价值观、判断和伦理仍然处于其核心的是我们人类这一边的责任。对于这一技术来说，信任是不可协商的。当用户可以验证其数据的去向、看到其使用方式以及参与其创造的价值时，他们会成为愿意的合作伙伴，而不是勉强的对象。同样，当AI系统可以利用一致的利益相关者和透明的数据管道时，它们会变得更加值得信任。反过来，它们更有可能进入我们最重要的私人和专业空间，创造一个更好的数据访问和改进结果的飞轮。因此，在进入AI的下一个阶段时，让我们专注于用可验证的关系、质量数据源和精确的系统连接人和机器。我们应该问，不是AI能为我们做什么，而是我们能为AI做什么。