- 综合排序
- 最热优先
- 最新优先
谁为AI事故负责？
近年来，给他人权益造成损害的AI事故快速增加，从自动驾驶汽车和有形机器人的安全事故到AI诊疗软件的错误诊断再到各种自动化决策系统的算法歧视、不公平决策，可以说，AI事故和AI侵权正日益成为AI社会的“新常态 在人工智能的应用无处不在的今天，人们必须正视AI事故和AI侵权的法律责任问题。当AI系统造成事故和损害，法律必须给受害人提供公平且有效的救济。但问题是，谁应为AI事故和AI侵权负责？ 在根本上，我们需要发展工具型AI（tool AI），而非所谓的全面接近人类的主体性AI。 误区2：将公法上AI风险类型化理念和AI侵权责任规则勾连。 欧盟人工智能法案是这种思路的典型代表，其按照风险高低，将AI系统分为不可接受风险AI、高风险AI、有限风险AI以及最小风险AI等四大类，并重点规定了高风险AI的要求和相关经营者（提供者、部署者等）的义务等 误区4：基于功能等效原则对部署、操作AI系统的主体进行替代问责。
62110编辑于 2024-12-17- 来自专栏云云众生s
AI智能体失控时，谁来负责？
随着AI代理的日益普及，在其使用它们的重点行业中，潜在的危险也在增加。鉴于此，C级高管面临着一个关键问题：当AI失控时，谁来负责？ AI问责制：不断变化的格局 AI的激增正在扰乱现代企业的组织结构。 Pearl Meyer的一份报告显示，30%的公司选择将AI相关的责任纳入现有的高管角色。与此同时，“32%的公司正在采取去中心化的AI监督方法，并期望AI工作由多个职能部门的各种领导者负责”。 在当今大多数组织中，CISO、CIO和CTO承担着AI行为和安全的主要责任。这可能会在不同的领导角色之间造成紧张关系，因为CISO无法控制AI系统，但他们却负责维护安全。 因此，如果AI代理失控并且无法解释其决策，那么确定出了什么问题可能具有挑战性（如果不是不可能的话）。那么，负责AI系统的领导者如何在这样一个不完美的世界中获得尽可能多的透明度和控制权呢？ 组织必须确定谁应对 AI 的行为负责，这可能意味着弥合 CISO、CIO 和 CTO 之间的差距，或聘用一位完全专注于 AI 的高管。
38510编辑于 2024-11-19 - 来自专栏FunTester
AI 提效了，问题谁负责
拦住它们的，往往不是模型能力不够，也不是工具不够成熟，而是问责机制没有跟上人工智能进入核心业务的速度。 当人工智能系统开始影响优先级排序、审批、建议和资源分配时，它就已经不只是一个提效工具了。 对每一个由人工智能驱动的工作流程，都至少要回答清楚这几件事： • 谁对业务后果负责 • 谁对系统性能和可靠性负责 • 这个决策的权限边界是什么 • 当输出超出预期时，升级路径是什么 举个例子，如果一个人工智能系统负责给销售机会排序 ，并自动创建后续任务，那么销售副总裁应对最终收入结果负责，销售运营负责人则应对系统性能和数据质量负责。 结果就是，团队既失去速度，也失去信任。 更合理的做法，是按照影响分级来设计监管机制。 领导者不必在速度和管理之间二选一。只要围绕人工智能驱动的决策，重新设计所有权、决策权、监督、衡量和改进机制，组织就可以在保持速度的同时，把责任边界讲清楚，把系统真正用起来。
11110编辑于 2026-06-17 - 来自专栏UE4技术专场
UE4提升编译速度
导语：UE是一个巨大的工程，在没有increbuild类似工具的情况下，编译会很耗时，以下设置会提升本地的编译速度 使用超线程 如果你的电脑没有开启超线程模式的话，可以通过修改如下配置（以下是两个文件存放处 空间存放引擎和工程可以通过一些骚操作达到类似效果，你只需要把生成的中间文件和源文件联接到SSD上即可 cd UnrealEngine\Engine mklink /J Intermediate C:\UE4\ Test\Intermediate mklink /J Source C:\UE4\Test\Source mklink 操作介绍mklink简介 避免不必要的损耗 以vs2017为例安装的时候对于incredibuild
9.1K111发布于 2018-12-05 - 来自专栏ATYUN订阅号
IBM的AI训练技术速度提高4倍，并保持原有精度
计算效率是AI的核心问题。同时保持训练速度、准确性和能耗并不容易，但是最近硬件的进步使得这个目标比以前更容易实现。IBM将在本周展示AI训练方法，这些方法能带来比以往技术水平高出数量级的性能提升。 为了释放AI的全部潜力，我们正在重新设计AI的硬件：从加速器到用于AI工作负载的专用硬件，如我们的新芯片，以及最终用于AI的量子计算。 利用新的硬件解决方案扩展AI是IBM Research为了从Narrow AI转向Broad AI，跨越各个学科，帮助人类解决我们最紧迫的问题。” 正如Welser所解释的那样，具有16位精度引擎的“计算构建块”平均比具有32位精度的类似块小4倍。 他们声称他们的技术可以使深层神经网络的训练时间比16位系统快2到4倍。
89630发布于 2018-12-24 - 来自专栏FunTester
让测试速度真正跟上 AI 生成速度
AI 生成代码的速度，已经超过了很多团队扩展测试覆盖的速度。覆盖率报告仍然是绿色，代码评审也没有明显报警，但真实风险却在变大。 默认情况下，我们应该把 AI 生成的代码视为未经充分测试的代码，并按代码生成速度同步调整测试规模。 速度确实上来了，但问题也藏在这里：看起来正确，和真的能在生产环境里正确运行，是两件事。 AI 生成的代码往往语法正确、风格一致、结构合理。 手动测试跟不上 如果 AI 向代码库引入复杂性的速度，超过了人类手动设计测试的速度，那么测试策略就会天然滞后。这不是理念问题，而是工程吞吐问题。 对于正在评估 AI 测试工具的团队，最重要的两个问题是：它是否能专门分析新代码覆盖率差距，以及它的运行速度是否能跟上代码生成速度。如果测试工具配置起来比代码生成还慢，它就很难解决这个问题。
10400编辑于 2026-06-29 - 来自专栏Dance with GenAI
AI人物传：谷歌AI部门负责人Demis Hassabis
2023年：Hassabis 被任命为谷歌 AI 部门的负责人，负责整合 DeepMind 和 Google Brain 的团队，以推动 AI 技术的商业化。 对AI的看法和观点 根据 Hassabis 的多次访谈，他认为 AI 不仅是一个技术工具，更是探索人类意识和宇宙奥秘的一种方式。他强调 AI 的发展应以伦理为基础，并关注其对社会的影响。 他相信，AI 能够帮助人类解答生命中最重大的问题，并揭示宇宙的奥秘。他表示，AI 不仅是一个工具，更是探索人类思维、意识和宇宙本质的关键手段。 Hassabis 在多次访谈中提到，图灵测试已不再适用于现代 AI。他认为，这一测试过于依赖人类的主观判断，容易导致对 AI 系统的误解。 他强调，目前没有任何 AI 系统具备真正的意识或感知能力，而是通过复杂算法模拟人类行为。 Hassabis 对未来的 AI 发展充满希望，他认为 AI 将为人类带来前所未有的自由与创造力。
1.3K10编辑于 2024-11-04 - 来自专栏资讯分享
迈向负责任 AI：中国 AI 治理趋势与展望
2017年7月，中国发布《新一代人工智能发展规划》，AI上升为国家战略；2018年4月，欧盟出台AI战略，旨在让欧盟成为世界级的AI中心并确保AI是以人为本的、可信的；2019年2月，《美国AI计划》发布 在可预见的未来，随着AI的能力越来越强，其应用和影响将日益加深，因此，负责任的AI(Responsible AI)将变得越来越重要。而负责任的AI的推进和落实，离不开合理有效的AI治理。 [4]中国AI发展成效显著，AI创新水平已经进入世界第一梯队，与美国的差距进一步缩小。 ；[6](4)更高的拟真性，AI生成、合成的内容、数据和虚拟世界越来越逼近现实。 第三，强调AI领域的科技伦理治理。国家新一代人工智能治理专业委员会先后发布《新一代人工智能治理原则——发展负责任的人工智能》和《新一代人工智能伦理规范》，为发展负责任的AI提供伦理指南。
79320编辑于 2023-08-03 - 来自专栏腾讯研究院的专栏
迈向负责任 AI：中国 AI 治理趋势与展望
2017年7月，中国发布《新一代人工智能发展规划》，AI上升为国家战略；2018年4月，欧盟出台AI战略，旨在让欧盟成为世界级的AI中心并确保AI是以人为本的、可信的；2019年2月，《美国AI计划》发布 在可预见的未来，随着AI的能力越来越强，其应用和影响将日益加深，因此，负责任的AI(Responsible AI)将变得越来越重要。而负责任的AI的推进和落实，离不开合理有效的AI治理。 [4]中国AI发展成效显著，AI创新水平已经进入世界第一梯队，与美国的差距进一步缩小。 ；[6](4)更高的拟真性，AI生成、合成的内容、数据和虚拟世界越来越逼近现实。 第三，强调AI领域的科技伦理治理。国家新一代人工智能治理专业委员会先后发布《新一代人工智能治理原则——发展负责任的人工智能》和《新一代人工智能伦理规范》，为发展负责任的AI提供伦理指南。
1.1K20编辑于 2023-11-16 「Generated Code is Real Code」：AI 代码谁负责 merge？
2026年，这句话在不少团队里已经不再是玩笑，而是一种真实的工作压力：PR变多了、变大了、生成速度比review快得多，于是有人开始把merge当成「走流程」。 JetBrains在2026年4月的一篇官方博文里，给了一个很硬的立场：Generatedcodeshouldbetreatedlikerealcode. 所以这篇文章要回答的问题很简单：AI代码谁负责merge？答案也很直接：点merge的那个人，以及他背后的团队。一、为什么「AI写的」不是免责理由？ 第4层：组织——用制度固定责任链团队级merge责任，建议写进三条硬规则：Nomergewithouthumansign-off（必须有人类签字）NolargeAIdumpPRs（禁止巨型AI倾倒式PR JetBrains在GITEX2025分享里也提到：开发者最担心的不是失业，而是信任——要的是可靠、可维护、安全的输出，没有质量的速度毫无意义。
14110编辑于 2026-06-18AI 代码谁负责 merge？Generated Code is Real Code
2026 年，这句话在不少团队里已经不再是玩笑，而是一种真实的工作压力：PR 变多了、变大了、生成速度比 review 快得多，于是有人开始把 merge 当成「走流程」。 所以这篇文章要回答的问题很简单：AI 代码谁负责 merge？ 答案也很直接：点 merge 的那个人，以及他背后的团队。 一、为什么「AI 写的」不是免责理由？ 1. Risk + AI role：风险等级；哪些部分是 AI 生成 4. Review focus：希望 reviewer 重点看哪里（架构？安全？边界条件？） 教训：AI 能洪水般产代码，团队必须管理产量。 第 4 层：组织——用制度固定责任链 团队级 merge 责任，建议写进三条硬规则： 1. 谁负责 merge？
25710编辑于 2026-06-15生成式AI时代的负责任技术挑战
近年来，甚至近几个月来，被称为生成式AI的技术取得了迅猛发展。生成式AI模型在难以想象的庞大文本、代码、图像和其他丰富数据集合上进行训练。 同时也存在可以理解的担忧——其中一些是传统负责任AI问题的新变体，另一些则是全新的问题。在本文中，我将探讨这些担忧以及如何逐步解决它们。什么是生成式AI？ 生成式AI可能成为许多专业环境中的有效生产力工具，这将至少改变当前人类与机器之间的劳动分工。也许对抗生成式AI担忧的最大防御可能来自最终用例的专业化。 随着生成式AI的潜在用途和危害得到更好和更广泛的理解，用户将用自己的常识补充我上面概述的一些防御措施。结论生成式AI既激发了合理的热情，也引起了合理的恐惧。 应当强调，在生成时代解决负责任AI风险将是一个迭代过程：不会有一劳永逸的"正确解决"。这一格局肯定会随着技术和我们对其态度的变化而转变；唯一不变的是需要在热情与对担忧的实际有效检查之间取得平衡。
25110编辑于 2025-10-31- 来自专栏Python项目实战
区块链 + AI：一个负责“信任”，一个负责“聪明”，能不能真结婚？
区块链+AI：一个负责“信任”，一个负责“聪明”，能不能真结婚？大家好，我是Echo_Wish。这两年你要是混技术圈，基本绕不开两个词：AI和区块链。 ：AI擅长AI不擅长预测、生成、拟合自证清白、证明过程而区块链恰好反过来：区块链擅长区块链不擅长可追溯、可审计、不可抵赖高性能计算所以你会发现一句非常关键的话：区块链+AI，不是为了“更聪明”，而是为了 五、第三个结合点：去中心化AI，不再“信平台”这是区块链+AI最被吹、但也最有潜力的一块。一句话总结：我不信你这个平台，但我信规则+验证机制。 六、别被忽悠的地方：不是所有AI都适合上链说点冷水。 七、我个人的一点真实感受我越来越觉得：AI解决的是“能不能做”，区块链解决的是“敢不敢用”。没有区块链的AI，像一个天才但没身份证；没有AI的区块链，像一本账本但不会分析。
28610编辑于 2026-01-09 - 来自专栏新智元
谷歌2022年度回顾：让AI更负责任，主要做了4点微小的工作
---- 新智元报道 编辑：David 【新智元导读】谷歌AI年度回顾与展望：负责任的AI仍是第一目标。 最近，我们的工作表明，LLMs可以被用来快速建立基于AI的新的交互原型。 创意和AI研究 我们发起了与创意团队的对话，讨论人工智能技术与创造力之间迅速变化的关系。 主题2：产品中负责任的AI研究 看到自己反映在周围世界的能力是很重要的，然而基于图像的技术往往缺乏公平的代表性，让有色人种感到被忽视和误导。 主题4：展示人工智能的社会效益 我们相信，人工智能可以被用来探索和解决围绕人道主义和环境问题的艰难的、未解答的问题。
72720编辑于 2023-02-24 - 来自专栏ATYUN订阅号
苹果公司聘用了谷歌前AI负责人
AiTechYun 编辑：nanan 苹果公司聘请了谷歌前搜索和AI主管John Giannandrea，这是一项重大变动，旨在赶上其竞争对手的AI技术。 苹果周二表示，Giannandrea将负责苹果的“机器学习和AI战略”，并直接向苹果CEO蒂姆库克汇报。成为直接向苹果首席执行官蒂莫西D.库克报告的16位高管之一。 许多硅谷高管和分析师认为，苹果在AI领域落后于同行。AI是一项关键的技术，对于那些使计算机能够处理更复杂任务的公司来说越来越重要，比如理解语音指令或识别图像中的人。 近年来，苹果一直在支持其AI团队。 2016年，该公司聘请了卡内基梅隆研究员Russ Salakhutdinov，让其领导一个专注于AI的团队，并于10月份，苹果收购了Init.ai，该团队专注于用自然语言处理和机器学习创建AI的客户服务
52960发布于 2018-06-06 AI存储网络接口的速度之争
AI存储网络接口的速度之争 AI存储网络接口分为外部接口和内部接口。 根据大成鹏的客户的实际使用情况，目前AI算力使用是400G和200G为主，AI存储则以200G为主。 根据大成鹏的客户的实际使用情况，目前AI算力使用是800G和400G为主，AI存储则以400G和200G为主。 但负责制定规格的SCSI贸易协会（SCSI Trade Association，STA），在2023年底，提出异于原本路线图的规画，放弃48G SAS这条提高带宽的路线，改为沿用既有的24G SAS物理层 表 4 综合以上可以直观的看到，在AI存储领域，FC和SAS网络接口已经远远的赶不上以太网和IB。
88610编辑于 2024-08-26- 来自专栏机器之心
特斯拉失去AI灵魂人物，负责人Andrej Karpathy离职
机器之心报道 编辑：杜伟、蛋酱 对于特斯拉及其 AI 和自动驾驶业务而言，Andrej Karpathy 的离职无异于失去了顶梁之柱。 今日，特斯拉 AI 高级总监、自动驾驶 Autopilot 负责人 Andrej Karpathy 在推特上宣布自己将离职。 今年 3 月份，他宣布自己将休假四个月，就隐隐透露出离职的可能。 仅一年多后，2017 年，Karpathy 接受马斯克的邀请加入特斯拉，接替了当时的特斯拉 Autopilot 负责人、苹果 Swift 语言、LLVM 编译器之父 Chris Lattner。 随着特斯拉从最开始的自动驾驶慢慢扩展到更广泛的人工智能领域，Karpathy 也被提为特斯拉的 AI 高级总监，直接向马斯克汇报工作。 一年前，马斯克表示 Autopilot 是由 Ashok Elluswamy 和 Milan Kovac 共同负责，他将这称为「圆桌结构」。
67220编辑于 2022-07-18 - 来自专栏天意云&天意科研云&天意生信云
负责人自爆核心改进,实测速度快到离谱
01、项目负责人自曝：改进预训练和后训练是关键 比起冷冰冰的榜单数字，更让人关注的是 Gemini 项目联合负责人 Oriol Vinyals 的爆料。 跟我之前实测过的其他大模型（MiniMax M2、Sonnet 4.5 等）相比，Gemini 3 的响应速度快得惊人，平均十几秒钟就能做好一个网页或动画，而且效果都还不错。 为了让广大用户可以用上平价且方便（无须因为地缘或者账号折腾）的正版Gemini 3，这里给大家推荐一个ai宝藏网站和使用教程： 1.注册账号并登陆 网址：https://dafoai.com 2.订阅服务 研值：即根据与AI大模型对话长度所扣取的一种计费方式，研值越多意味着可提问的次数或对话长度越多（当前Grok为免研值模型，可无限畅用） 4.点击“进入”即可进入GPT 5.开始使用
72610编辑于 2025-11-29 - 来自专栏人工智能头条
苹果终于任命AI研究负责人 Ruslan其人其事
Geoffrey Hinton麾下的人工智能圈子可谓把控着当今各巨头的深度学习命脉，从谷歌、微软、Facebook的人工智能负责人，到国内我们所熟知的百度首席科学家吴恩达，都出自Geoffrey Hinton 仅8个月后便拥有除副教授之外的第二重身份——苹果人工智能研究总监，其职业发展速度不可谓不快。 加入苹果后，Ruslan第一件事便是招兵买马。 因此苹果选择将AI学习系统放在个人的设备上，毫无疑问，这大大削弱了苹果AI的竞争力。 但苹果表示，对此他们已经有了很好的解决方案。 机器学习发展速度可能是当今世界上所有学科里面最快的，因此在机器学习领域，人们关心的不是你之前十年做过多少研究有过多少成果，而是你现在用这个理论做了什么。2. 仅仅雇佣一位大牛对于其AI事业并不会有大的推动作用。 system16：从Swift看来，苹果保密的态度似乎已经有了放宽。
70930发布于 2018-06-06 - 来自专栏计算机视觉战队
让模型训练速度提升2到4倍
在 4 小时 27 分钟内将 GPT-2 在 OpenWebText 上的困惑度提高到 24.11（AWS 上 145 美元），比基线快 1.7 倍，便宜 43%。 如果改变「数学」让你的网络变得同样好（例如同样的准确性）而速度更快，那就是胜利。 如果你愿意打破深度学习背后的「数学」，彩票假设就是一个例子。 2311123606 往期推荐 Yolov7：最新最快的实时检测框架，最详细分析解释（附源代码） 打假Yolov7的精度，不是所有的论文都是真实可信 最新的目标检测的深度架构 | 参数少一半、速度快
71810编辑于 2022-08-31
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号