Den Zusammenhängen zwischen künstlicher Intelligenz und erhöhtem Energiebedarf wird zunehmend Aufmerksamkeit geschenkt. Doch während die stromhungrigen Rechenzentren, die zur Unterstützung von KI gebaut werden, potenziell die Stromnetze belasten, die Kundenpreise und Serviceunterbrechungen erhöhen und den Übergang zu sauberer Energie generell verlangsamen könnten, kann der Einsatz künstlicher Intelligenz auch die Energiewende unterstützen.

Beispielsweise reduziert der Einsatz von KI den Energieverbrauch und die damit verbundenen Emissionen in Gebäuden, im Transportwesen und in industriellen Prozessen. Darüber hinaus trägt KI dazu bei, das Design und den Standort neuer Wind- und Solaranlagen sowie Energiespeicheranlagen zu optimieren.

In Stromnetzen trägt der Einsatz von KI-Algorithmen zur Betriebssteuerung dazu bei, die Effizienz zu steigern und Kosten zu senken, den wachsenden Anteil erneuerbarer Energien zu integrieren und sogar vorherzusagen, wann wichtige Geräte gewartet werden müssen, um Ausfälle und mögliche Stromausfälle zu verhindern. KI kann Netzplanern dabei helfen, Investitionen in Erzeugung, Energiespeicherung und andere Infrastrukturen zu planen, die in Zukunft benötigt werden. KI hilft Forschern auch dabei, neuartige Materialien für Kernreaktoren, Batterien und Elektrolyseure zu entdecken oder zu entwerfen.

Forscher am MIT und anderswo untersuchen aktiv Aspekte dieser und anderer Möglichkeiten der KI zur Unterstützung des Übergangs zu sauberer Energie. Auf seiner Forschungskonferenz 2025 hat MITEI kündigte das Information Heart Energy Discussion board aneine gezielte Forschungsmaßnahme für MITEI-Mitgliedsunternehmen, die an der Bewältigung der Herausforderungen des Strombedarfs von Rechenzentren interessiert sind.

Steuerung des Echtzeitbetriebs

Kunden sind in der Regel auf eine kontinuierliche Stromversorgung angewiesen, und Netzbetreiber erhalten dabei Hilfe von KI – und optimieren gleichzeitig die Speicherung und Verteilung von Energie aus erneuerbaren Quellen.

Aber mit der zunehmenden Set up von Photo voltaic- und Windparks – die beide Strom in geringeren Mengen und zeitweise liefern – und der wachsenden Bedrohung durch Wetterereignisse und Cyberangriffe wird es immer schwieriger, die Zuverlässigkeit sicherzustellen. „Genau hier kann KI ins Spiel kommen“, erklärt Anuradha Annaswamy, leitende Wissenschaftlerin am Division of Mechanical Engineering des MIT und Direktorin des Lively-Adaptive Management Laboratory des MIT. „Im Wesentlichen muss man eine vollständige Informationsinfrastruktur einführen, um die physische Infrastruktur zu ergänzen und zu ergänzen.“

Das Stromnetz ist ein komplexes System, das eine sorgfältige Kontrolle auf Zeitskalen von Jahrzehnten bis hinunter zu Mikrosekunden erfordert. Die Herausforderung lässt sich auf die Grundgesetze der Energiephysik zurückführen: Die Stromversorgung muss zu jedem Zeitpunkt der Stromnachfrage entsprechen, andernfalls kann die Erzeugung unterbrochen werden. In den vergangenen Jahrzehnten gingen die Netzbetreiber im Allgemeinen davon aus, dass die Erzeugung fest vorgegeben sei – sie konnten sich darauf verlassen, wie viel Strom jedes große Kraftwerk produzieren würde –, während die Nachfrage im Laufe der Zeit auf ziemlich vorhersehbare Weise schwankte. Dadurch könnten Betreiber bestimmte Kraftwerke so beauftragen, dass sie je nach Bedarf laufen, um den Bedarf am nächsten Tag zu decken. Bei Ausfällen würden speziell dafür vorgesehene Einheiten nach Bedarf in Betrieb genommen, um das Defizit auszugleichen.

Heute und in Zukunft muss dieser Ausgleich von Angebot und Nachfrage weiterhin gewährleistet sein, auch wenn die Zahl kleiner, intermittierender Stromerzeugungsquellen zunimmt und Wetterstörungen und andere Bedrohungen für das Netz zunehmen. KI-Algorithmen ermöglichen die komplexe Verwaltung von Informationen, die erforderlich sind, um innerhalb weniger Stunden vorherzusagen, welche Kraftwerke betrieben werden sollen, und stellen gleichzeitig sicher, dass Frequenz, Spannung und andere Eigenschaften des eingehenden Stroms den Anforderungen für den ordnungsgemäßen Betrieb des Netzes entsprechen.

Darüber hinaus kann KI neue Möglichkeiten eröffnen, das Angebot zu erhöhen oder die Nachfrage zu senken, wenn die Vorräte im Netz knapp werden. Wie Annaswamy betont, kann die Batterie Ihres Elektrofahrzeugs (EV) sowie die Batterie, die durch Sonnenkollektoren oder Windturbinen aufgeladen wird, bei Bedarf als zusätzliche Stromquelle dienen, die in das Netz eingespeist wird. Und angesichts von Preissignalen in Echtzeit können Besitzer von Elektrofahrzeugen entscheiden, den Ladevorgang von einem Zeitpunkt, an dem die Nachfrage ihren Höhepunkt erreicht und die Preise hoch sind, auf einen Zeitpunkt zu verlagern, an dem sowohl die Nachfrage als auch die Preise niedriger sind. Darüber hinaus können neue intelligente Thermostate so eingestellt werden, dass die Innentemperatur in einem vom Kunden festgelegten Bereich sinkt oder steigt, wenn die Netzbelastung ihren Höhepunkt erreicht. Und Rechenzentren selbst können eine Quelle für Nachfrageflexibilität sein: Ausgewählte KI-Berechnungen könnten bei Bedarf verzögert werden, um Nachfragespitzen auszugleichen. Somit kann KI viele Möglichkeiten bieten, Angebot und Nachfrage je nach Bedarf genau abzustimmen.

Darüber hinaus ermöglicht KI eine „vorausschauende Wartung“. Jeder Ausfall ist für das Unternehmen kostspielig und droht mit Engpässen bei den betreuten Kunden. KI-Algorithmen können während des Normalbetriebs wichtige Leistungsdaten erfassen. Wenn die Messwerte vom Normalwert abweichen, kann das System die Bediener warnen, dass möglicherweise etwas schiefläuft, und ihnen die Möglichkeit geben, einzugreifen. Diese Fähigkeit verhindert Geräteausfälle, reduziert den Bedarf an Routineinspektionen, erhöht die Produktivität der Mitarbeiter und verlängert die Lebensdauer wichtiger Geräte.

Annaswamy betont das „Um herauszufinden, wie dieses neue Stromnetz mit diesen KI-Komponenten aufgebaut werden kann, müssen viele verschiedene Experten zusammenkommen.“ Sie stellt fest, dass Elektroingenieure, Informatiker und Energieökonomen „mit aufgeklärten Regulierungsbehörden und politischen Entscheidungsträgern zusammenarbeiten müssen, um sicherzustellen, dass dies nicht nur eine akademische Übung ist, sondern tatsächlich umgesetzt wird. Alle verschiedenen Interessengruppen müssen voneinander lernen. Und Sie brauchen Garantien, dass nichts scheitern wird. Es kann keine Stromausfälle geben.“

Mithilfe von KI können Sie Investitionen in die Infrastruktur der Zukunft planen

Netzbetreiber müssen ständig den Ausbau von Erzeugung, Übertragung, Speicherung usw. planen, und der Bau und Betrieb der gesamten erforderlichen Infrastruktur kann viele Jahre, in manchen Fällen mehr als ein Jahrzehnt, dauern. Daher müssen sie vorhersagen, welche Infrastruktur sie benötigen, um die Zuverlässigkeit in der Zukunft sicherzustellen. „Es ist kompliziert, weil man über ein Jahrzehnt im Voraus vorhersagen muss, was und wo gebaut werden soll“, sagt Deepjyoti Deka, Forschungswissenschaftler am MITEI.

Eine Herausforderung bei der Vorhersage dessen, was benötigt wird, besteht darin, vorherzusagen, wie das zukünftige System funktionieren wird. „Das wird immer schwieriger“, sagt die Deka, weil immer mehr erneuerbare Energien ans Netz gehen und traditionelle Erzeuger verdrängen. In der Vergangenheit konnten sich Betreiber auf „Spinning-Reserven“ verlassen, additionally auf die Erzeugung von Kapazitäten, die derzeit nicht genutzt werden, aber innerhalb von Minuten on-line geschaltet werden könnten, um eventuelle Engpässe im System zu decken. Das Vorhandensein so vieler intermittierender Generatoren – Wind- und Solarenergie – bedeutet, dass das Netz jetzt weniger stabil und träge ist. Erschwerend kommt hinzu, dass diese intermittierenden Generatoren von verschiedenen Anbietern gebaut werden können und Netzplaner möglicherweise keinen Zugriff auf die physikalischen Gleichungen haben, die den Betrieb jedes Geräts in ausreichend feinen Zeitskalen regeln. „Sie wissen additionally wahrscheinlich nicht genau, wie es laufen wird“, sagt Deka.

Und dann ist da noch das Wetter. Um die Zuverlässigkeit eines geplanten zukünftigen Energiesystems zu bestimmen, muss man wissen, welchen Witterungseinflüssen es ausgesetzt sein wird. Das zukünftige Netz muss nicht nur bei alltäglichem Wetter zuverlässig sein, sondern auch bei Ereignissen mit geringer Wahrscheinlichkeit, aber hohem Risiko wie Hurrikanen, Überschwemmungen und Waldbränden, die alle immer häufiger auftreten, betont Deka. KI kann helfen, indem sie solche Ereignisse vorhersagt und sogar Änderungen der Wettermuster aufgrund des Klimawandels verfolgt.

Deka weist auf einen weiteren, weniger offensichtlichen Vorteil der Geschwindigkeit der KI-Analyse hin. Jeder Infrastrukturentwicklungsplan muss überprüft und genehmigt werden, oft von mehreren Regulierungs- und anderen Stellen. Traditionell würde ein Antragsteller einen Plan entwickeln, seine Auswirkungen analysieren und den Plan einer Gruppe von Prüfern vorlegen. Nachdem er alle gewünschten Änderungen vorgenommen und die Analyse wiederholt hatte, reichte der Antragsteller den Prüfern erneut eine überarbeitete Model ein, um zu prüfen, ob die neue Model akzeptabel struggle. KI-Instruments können die erforderliche Analyse beschleunigen, sodass der Prozess schneller voranschreitet. Planer können sogar die Anzahl der Ablehnungen eines Vorschlags reduzieren, indem sie große Sprachmodelle verwenden, um regulatorische Veröffentlichungen zu durchsuchen und zusammenzufassen, was für eine geplante Infrastrukturinstallation wichtig ist.

Nutzung von KI zur Entdeckung und Nutzung fortschrittlicher Materialien, die für die Energiewende benötigt werden

„Der Einsatz von KI für die Materialentwicklung boomt derzeit“, sagt Ju Li, Carl Richard Soderberg-Professor für Energietechnik am MIT. Er stellt zwei Hauptrichtungen fest.

Erstens ermöglicht KI schnellere physikbasierte Simulationen auf atomarer Ebene. Das Ergebnis ist ein besseres Verständnis auf atomarer Ebene darüber, wie Zusammensetzung, Verarbeitung, Struktur und chemische Reaktivität mit der Leistung von Materialien zusammenhängen. Dieses Verständnis liefert Entwurfsregeln, die bei der Entwicklung und Entdeckung neuartiger Materialien für die Energieerzeugung, -speicherung und -umwandlung helfen, die für ein nachhaltiges zukünftiges Energiesystem erforderlich sind.

Und zweitens kann KI dabei helfen, Experimente in Echtzeit zu steuern, während sie im Labor stattfinden. Li erklärt: „KI hilft uns bei der Auswahl des besten Experiments auf der Grundlage unserer vorherigen Experimente und stellt – basierend auf Literaturrecherchen – Hypothesen auf und schlägt neue Experimente vor.“

Er beschreibt, was in seinem eigenen Labor passiert. Humanwissenschaftler interagieren mit einem großen Sprachmodell, das dann Vorschläge macht, welche spezifischen Experimente als nächstes durchgeführt werden sollen. Der menschliche Forscher akzeptiert oder modifiziert den Vorschlag, und ein Roboterarm reagiert, indem er den nächsten Schritt in der experimentellen Sequenz einrichtet und durchführt, das Materials synthetisiert, die Leistung testet und gegebenenfalls Bilder von Proben aufnimmt. Basierend auf einer Mischung aus Literaturwissen, menschlicher Instinct und früheren experimentellen Ergebnissen koordiniert KI somit aktives Lernen, das die Ziele der Reduzierung von Unsicherheit mit der Verbesserung der Leistung in Einklang bringt. Und wie Li betont: „KI hat viel mehr Bücher und Aufsätze gelesen als jeder Mensch und ist daher von Natur aus interdisziplinärer.“

Das Ergebnis, sagt Li, sei sowohl eine bessere Versuchsplanung als auch eine Beschleunigung des „Arbeitsablaufs“. Traditionell erforderte der Prozess der Entwicklung neuer Materialien die Synthese der Vorläufer, die Herstellung des Supplies, das Testen seiner Leistung und die Charakterisierung der Struktur, das Vornehmen von Anpassungen und die Wiederholung derselben Reihe von Schritten. KI-Anleitung beschleunigt diesen Prozess und „hilft uns, kritische, kostengünstige Experimente zu entwerfen, die uns ein Höchstmaß an Informationsfeedback geben können“, sagt Li.

„Diese Fähigkeit wird sicherlich die Materialentdeckung beschleunigen, und das könnte uns bei der Umstellung auf saubere Energie wirklich helfen“, schließt er. „KI hat das Potenzial, den Prozess der Materialentdeckung und -optimierung zu verbessern und ihn möglicherweise von Jahrzehnten wie in der Vergangenheit auf nur wenige Jahre zu verkürzen.“

MITEIs Beiträge

Am MIT arbeiten Forscher an verschiedenen Aspekten der oben beschriebenen Möglichkeiten. In von MITEI unterstützten Projekten nutzen Groups KI, um Störungen der Plasmaströme in Fusionsreaktoren besser zu modellieren und vorherzusagen – eine Notwendigkeit für die praktische Erzeugung von Fusionsenergie. Andere vom MITEI unterstützte Groups verwenden KI-gestützte Instruments, um Vorschriften, Klimadaten und Infrastrukturkarten zu interpretieren, um eine schnellere und anpassungsfähigere Stromnetzplanung zu erreichen. Die KI-gesteuerte Entwicklung fortschrittlicher Materialien wird fortgesetzt, wobei ein MITEI-Projekt KI zur Optimierung von Solarzellen und thermoelektrischen Materialien nutzt.

Andere MITEI-Forscher entwickeln Roboter, die Wartungsaufgaben auf der Grundlage menschlicher Rückmeldungen, einschließlich körperlicher Eingriffe und verbaler Anweisungen, erlernen können. Ziel ist es, Kosten zu senken, die Sicherheit zu verbessern und den Ausbau der Infrastruktur für erneuerbare Energien zu beschleunigen. Und die vom MITEI finanzierte Arbeit geht weiter an Möglichkeiten, den Energiebedarf von Rechenzentren zu reduzieren, von der Entwicklung effizienterer Computerchips und Rechenalgorithmen bis hin zur Überarbeitung der architektonischen Gestaltung der Gebäude, um beispielsweise den Luftstrom zu erhöhen, um den Bedarf an Klimaanlagen zu reduzieren.

Neben der Leitung und Finanzierung vieler Forschungsprojekte fungiert MITEI auch als Organisator und bringt interessierte Parteien zusammen, um gemeinsame Probleme und mögliche Lösungen zu diskutieren. Im Mai 2025 brachte das jährliche MITEI-Frühjahrssymposium mit dem Titel „KI und Energie: Gefahr und Versprechen“ KI- und Energieexperten aus Wissenschaft, Industrie, Regierung und gemeinnützigen Organisationen zusammen, um KI sowohl als Downside als auch als mögliche Lösung für den Übergang zu sauberer Energie zu untersuchen. Zum Abschluss des Symposiums bemerkte William H. Inexperienced, Direktor des MITEI und Hoyt C. Hottel-Professor in der MIT-Abteilung für Chemieingenieurwesen: „Die Herausforderung, den Energiebedarf von Rechenzentren zu decken und die potenziellen Vorteile der KI für die Energiewende zu erschließen, ist jetzt eine Forschungspriorität für MITEI.“

Bild von Editor | Chatgpt

# Einführung

Jeder spricht darüber künstliche Intelligenz (AI) In jüngster Zeit erklären Sie sich, je nachdem, wen Sie fragen, Sie können Ihnen erklären, was KI anders ist: oft technische, quick fremdartige Begriffe und manchmal in einfachen Begriffen. Dieser Artikel soll dazu gedacht nimm die letztere Richtung, und erklären in einfachen Worten, was AI ist, seine Fähigkeiten und Grenzen und und manche Schlüsselbereiche oder Bausteine das sind heutzutage Teil von AI.

# Was ist KI? Fähigkeiten und Grenzen

KI ist ein Zweig der Informatik, der sich auf die konzentriert Entwicklung von Computersystemen, die in der Lage sind, Fähigkeiten menschlicher oder tierischer Intelligenz nachzuahmen, um ein bestimmtes Drawback oder eine bestimmte Aufgabe zu lösen. Zu den intelligenten Merkmalen, die sie abhängig vom spezifischen KI -System emulieren können, gehören das Denken, die Vorhersage zukünftiger oder unbekannter Fakten, die visuelle Wahrnehmung, die Kommunikation mit Menschen oder anderen KI -Systemen und die Interaktion mit der Umgebung, um nur einige zu nennen.

Eine herausragende Fähigkeit in den meisten modernen KI -Systemen, die praktisch alle oben genannten Fähigkeiten durchdringen, ist die Fähigkeit zu Aus Daten lernen. Genau wie ein kleines Form, das durch Beobachtung und Exposition von Beispielen für irgendetwas (Wörter, Bilder, Aktionen usw.) lernt, lernen KI -Systeme aus vielen Datenbeispielen, um komplexe Aufgaben wie Vorhersagen, Inferenz, Kommunikation in der menschlichen Sprache und vieles mehr auszuführen.

Einige könnten überrascht sein, das zu hören KI ist keine Erfindung des 21. Jahrhunderts: Tatsächlich wurde das Feld Mitte des letzten Jahrhunderts geboren. Fortschritte beim Lernen aus Daten-und dank der Entwicklungen in der Berechnung und der Datenverfügbarkeit-hat AI jedoch in den letzten anderthalb Jahren ihren größten Fortschritt erlebt, wobei generative und sprachliche Modelle wie Chatgpt klare Beispiele für die neuesten Erfolge mit hoher Affect sind.

Aber KI hat auch seine Grenzen: Es „versteht“ die Welt nicht wirklich wie Menschen (alles wird sozusagen verstanden und behandelt mathematisch! Die umfangreichen Daten und die benötigte Rechenleistung bilden auch hohe Kosten.

# Bereiche der AI

Lassen Sie uns die Hauptbereiche der KI und einige wichtige Punkte skizzieren, um ein besseres Verständnis für sie zu erlangen.

Bereiche der künstlichen Intelligenz und gemeinsame symbiotische Beziehungen zwischen ihnen | Bild des Autors

• In den ersten Jahren der KI, Wissensdarstellung und Argumentation Wir waren aktive Forschungsfächer und konzentrieren sich auf den Aufbau von Softwareprogrammen, die zu den wirklichen Tatsachen und dem Wissen, die in maschinell verständlicher Weise dargestellt werden, zu erstellen und Schlussfolgerungen zu ziehen. Ein Großteil der Logik zwischen autonomen Wirkstoffen (manchmal implementiert in Robotersysteme in der Lage, mit der realen Welt zu interagieren) stützt sich auf diese Techniken und den jüngsten Aufstieg von Agenten AI Lösungen wiederholen das Interesse an dieser Subdomain.
• Maschinelles Lernen ist derzeit der bei weitem am weitesten verbreitete Bereich der KI: Quick jedes moderne KI -System verwendet Ansätze, um aus Daten zu lernen, um eine Aufgabe wie die Klassifizierung von Bildern, die Vorhersage von Preisen oder zukünftigen Umsätzen, die Empfehlung von Produkten für Kunden und mehr zu Lösung.
• Tiefes Lernen ist wie eine „entwickelte Kind“ des maschinellen Lernens: größere und komplexere Systeme, die aus immensen Datensätzen lernen, um anspruchsvollere Aufgaben anzusprechen. Interessant, Laptop Imaginative and prescient Und Verarbeitung natürlicher Sprache Anwendungen – wie visuell erkennen Objekte und ein Gespräch mit einem Menschen – wurden in letzter Zeit überwiegend mit Deep -Lern -Systemen gelöst, daher ihre enge Beziehung.
• Additionally, wo machen die neuesten Tendencies von Generative Ai Und Sprachmodelle (LLMs) sitzen? Diese Systeme sind large Architekturen für tiefgreifende Lernen auf die nächste Ebene.

Das battle eine kurze, sanfte Einführung in das, was AI ist. Hoffe es hat dir gefallen!

Iván Palomares Carrascosa ist ein Führer, Schriftsteller, Sprecher und Berater in KI, maschinellem Lernen, Deep Studying & LLMs. Er trainiert und führt andere darin, KI in der realen Welt zu nutzen.

SAN FRANCISCO – 15. Mai 2025 – Cognichip, das Unternehmen für Künstliche Chip Intelligence (ACI) für Semiconductor Design, kündigte heute seinen Begin mit 33 Millionen US -Greenback an Saatgutfinanzierung an.

Cognichip unter der Leitung von Lux Capital und Mayfield mit Unterstützung von FPV und Candou Ventures sagte Cognichip, es sei das erste physikalische Fundamentmodell (PIFM) für Halbleiter, das die Entwicklung von Entwicklungszeitplänen und die Reduzierung der Kosten beschleunigt.

Cognichip wurde von ehemaligen Mitarbeitern von Amazon, Google, Apple, Synopsys, Aquantia und KLA gegründet und hat zwei große Herausforderungen in der Entwicklung der Halbleiterentwicklung: hohe Kosten und Unzugänglichkeit. Das heutige Chip-Design ist zeitaufwändig und teuer und dauert oft 3-5 Jahre und über 100 Millionen US-Greenback, bevor er die Produktion erreicht. Traditionelle Ansätze, die darauf angewiesen sind, mehr Geld, Berechnung der Macht und Menschen auf das Drawback zu werfen, sind nicht mehr nachhaltig. Dies ist insbesondere angesichts des prognostizierten Mangels von 1 Million Fachkräften bis 2030 betrifft – eine Belegschaft, die das geschätzte Umsatzwachstum der Branche auf sein prognostiziertes Potenzial von 1 Billion US -Greenback einschränken kann (das geschätzte Umsatzwachstum der Branche (Deloitte). Cognichip baut ACI auf, um diese Probleme anzugehen und das Chip -Design schneller, einfacher und zugänglicher zu machen.

„Unsere Imaginative and prescient ist es, die Ökonomie des Halbleiterdesigns grundlegend umzugestalten“, sagte Faraj Aalaei, CEO und Gründer von Cognichip. „Als Gründer, der zwei Halbleiterunternehmen erfolgreich veröffentlicht hat, und als Risikokapitalgeber habe ich aus erster Hand gesehen, wie Semiconductor-Startups aufgrund hoher Kosten und langen Zeitplänen oft als„ überfundierbar “eingestuft werden. Mit dem Aufstieg der generativen KI haben wir einmal in der Technology einen Anteil, wie Chips, wie Chips, gegründet wurden. Innovation skalierbar, sicher und zugänglich für angehende zukünftige Pioniere unserer Branche.

Cognichips ACI führt ein bahnbrechendes, physikalisches AI-Basis-Modell ein, das absichtlich für das Design des Halbleiterdesigns gebaut wurde. ACI überdenken grundlegend 40 Jahre traditionelle Serienchip-Entwicklung mit einem modernen, kühnsten, gesprächigen Konversationsansatz, der groß angelegte, sichere, beschleunigte Recheninfrastrukturen nutzt.

Von Einzelpersonen bis hin zu Unternehmen ermöglicht ACI Engineering-Groups, effizienter und kostengünstiger zu arbeiten und künstliche Intelligenz als neuer Skalierungsfaktor für die Halbleiterindustrie zu erhöhen.

Zu den wichtigsten Vorteilen von ACI gehören:

• 50% schnellere Konstruktionszyklen: Reduziert die Zeit vom Konzept bis zur Produktion durch gleichzeitige lokale und globale Optimierung

• 75% Reduzierung der Entwicklungskosten: Reduziert drastisch den Aufwand und das Fachwissen, die für die Entwicklung und Prüfung von Chips erforderlich sind

• Verbesserte Leistung, Leistung und Effizienz: Beseitigt unnötiges Blähungen, indem sie Produkte näher an die Anforderungen bringen und kontinuierlich für Bereich und Strom optimieren

• Verbesserte Flexibilität: Passt sich leicht an Veränderungen der Marktanforderungen und Produktvariationen an und minimieren kostspielige Neugestaltungen

• Vereinfachte Skalierbarkeit: Ermöglicht die schnelle Erstellung neuer Produktvarianten, um die Marktanforderungen für flexibles Portfoliomanagement zu erfüllen

Über die Effizienz hinaus bringt ACI die dringend benötigte Flexibilität in die Lieferkette. Traditionell erfordert das Umschalten von Chipherstellern oder die Änderung von Produktionsprozessen umfangreiche Neugestaltungsanstrengungen. Die interoperable ACI -Lösung von Cognichip beseitigt diese Reibung, ermöglicht es nahtloser Skalierung, verringert die Risiken der Lieferkette und ermöglicht es Unternehmen, ein künftiges Wachstum mit größerer Beweglichkeit zu planen.

„Die Halbleiterindustrie befindet sich an einem kritischen Wendepunkt, wobei traditionelle Designmethoden in Bezug auf eskalierende Kosten und ein drohender Talentmangel zunehmend nicht nachhaltig werden. Cognichip verändert die Wirtschaft und Geschwindigkeit des Halbleiterdesigns grundlegend“, sagte Navin Chaddha, das Companion in Mayfield. „Wir freuen uns, mit Faraj Aalaei und dem Cognichip -Group zusammenzuarbeiten, während sie den Zugang zur Halbleiterinnovation demokratisieren und etwas wirklich revolutionäres aufbauen, das die AI -Infrastruktur von morgen betreibt.“

“Cognichip führt einen neuen Skalierungsfaktor für Halbleiter ein: Intelligenz. Indem sie KI tief in die Physik des Chip -Designs einbetten, beschleunigen sie Innovationen auf eine Weise, die traditionelle Skalierung niemals erreichen könnte, sagte Shahin Farshchi, Companion bei Lux Capital. „Wir glauben, dass der Ansatz von Cognichip die Grundlage der Halbleiterindustrie für die kommenden Jahrzehnte umgestalten wird.“

„Das Zusammenbrechen der traditionellen Barrieren des Chip-Designs ist nicht nur ein Wendepunkt für die Halbleiterindustrie. Sie kommt der gesamten globalen Technologiewirtschaft zugute“, sagte Pegah Ebrahimi-Mitbegründer und Geschäftsführer bei FPV Ventures. „Das Silicon Valley wurde wegen der hier geborenen Halbunternehmen auf die Karte gesetzt, und ich bin begeistert, ein Group von außergewöhnlichen Veteranen zu unterstützen, die erneut die Zukunft des Halbleiterdesigns umgestalten, die fortgeschrittene Rechenlösungen für jeden Spieler zugänglicher machen.

Jeden Tag fließen Hunderte von Chat -Nachrichten zwischen Piloten, Crew und Controllern der Luftmobilitätsbefehls 618. Air Operations Heart (AOC). Diese Controller leiten eine tausend breite Flugzeugflotte und jonglieren Variablen, um zu bestimmen, welche Routen zu fliegen sind, wie viel Zeit mit dem Tanken oder Ladungsvorräten benötigt wird oder wer diese Missionen fliegen kann. Ihre Missionsplanung ermöglicht es der US Air Pressure, schnell auf nationale Sicherheitsbedürfnisse rund um den Globus zu reagieren.

„Es braucht beispielsweise viel Arbeit, um ein Raketenabwehrsystem auf der ganzen Welt zu erhalten, und diese Koordination wurde früher per Telefon und E -Mail durchgeführt. Jetzt verwenden wir Chat, was Möglichkeiten für künstliche Intelligenz zur Verbesserung unserer Workflows nutzen“, sagt Oberst Joseph Monaco, der Direktor der Strategie des 618. AOC, das Abteilung des größten Air -Operations -Zentrums des Protection.

Das 618. AOC sponsert das Labor von Lincoln, um diese Instruments für künstliche Intelligenz durch ein Projekt namens Conversational AI Know-how for Transition (CAITT) zu entwickeln.

Während eines Besuchs im Lincoln Laboratory des 618. AOC -Hauptquartiers in der Scott Air Pressure Base in Illinois trafen sich Oberst Monaco, Oberstleutnant Tim Heaton und Kapitän Laura Quitiquit mit Laborforschern, um Cled zu besprechen. CAITT ist Teil einer umfassenderen Anstrengung, die KI -Technologie in eine große Modernisierungsinitiative der Luftwaffe zu überlegen, die als Informationstechnologie der nächsten Technology für die Verbesserung der Mobilität (NITMRE) bezeichnet wird.

Die Artwork der KI, die in diesem Projekt verwendet wird, ist die Verarbeitung natürlicher Sprache (NLP), mit der Modelle menschliche Sprache lesen und verarbeiten können. „Wir nutzen NLP, um wichtige Tendencies in Chat -Gesprächen zuzuordnen, spezifische Informationen abzurufen und zu zitieren und kritische Entscheidungspunkte zu identifizieren und zu kontextualisieren“, sagt Courtland Vandam, Forscher am Lincoln Laboratory’s AI -Technologie- und Systemgruppewas das Projekt leitet. CAITT umfasst eine Reihe von Werkzeugen, die NLP nutzen.

Eines der ausgereiftesten Instruments, die Zusammenfassung der Themen, extrahiert Trendthemen aus Chat-Nachrichten und formatiert diese Themen in einer benutzerfreundlichen Anzeige, in der kritische Gespräche und aufkommende Probleme hervorgehoben werden. Beispielsweise könnte ein Trendthema lautet: „Besatzungsmitglieder vermissen Kongo -Visa, Verzögerungspotential.“ Der Eintrag zeigt die Anzahl der Chats im Zusammenhang mit dem Thema und fasst die Hauptpunkte von Gesprächen in Aufzählungszeichen zusammen, wobei sie auf bestimmte Chat -Börsen zurückleuchten.

„Unsere Missionen sind sehr zeitabhängig, daher müssen wir viele Informationen schnell synthetisieren. Diese Funktion kann uns wirklich darauf hinweisen, wo sich unsere Bemühungen konzentrieren sollten“, sagt Monaco.

Ein weiteres Werkzeug in der Produktion ist die semantische Suche. Dieses Instrument verbessert die Suchmaschine des Chat -Dienstes, die derzeit leere Ergebnisse zurückgibt, wenn Chat -Nachrichten nicht jedes Wort in der Abfrage enthalten. Mit dem neuen Instrument können Benutzer Fragen in einem natürlichen Sprachformat stellen, z. B. warum ein bestimmtes Flugzeug verzögert wird und intelligente Ergebnisse erhalten. „Es enthält ein Suchmodell, das auf neuronalen Netzwerken basiert, das die Benutzerabsicht der Abfrage verstehen und über die Übereinstimmung hinausgeht“, sagt Vandam.

Andere Instruments, die sich in der Entwicklung befinden, zielen darauf ab, Benutzer automatisch zu Chat -Gesprächen hinzuzufügen, die als related für ihr Fachwissen eingestuft wurden, die Zeit, die zum Entladen bestimmter Ladetypen aus Flugzeugen erforderlich ist, vorhersagen und wichtige Prozesse aus regulatorischen Dokumenten als Leitfaden für die Betreiber zusammenfassen.

Das CAITTT-Projekt ist aus dem DAF-MIT-AI-Beschleuniger hervorgegangen, ein dreizackiger Anstrengung zwischen MIT, Lincoln Laboratory und dem Division of the Air Pressure (DAF), um AI-Algorithmen und -Systeme zu entwickeln und zu übergehen, um sowohl die DAF als auch die Gesellschaft voranzutreiben. „Durch unsere Beteiligung an der KI -Beschleuniger über das NITMRE -Projekt stellten wir fest, dass wir mit all den unstrukturierten Chat -Informationen im 618. AOC etwas Innovatives tun könnten“, sagt Heaton.

Da Laborforscher ihre Prototypen von CAITTT -Instruments vorantreiben, haben sie begonnen, sie in die 402. Software program Engineering Group, einen Softwareanbieter des Verteidigungsministeriums, zu übergehen. Diese Gruppe wird die Instruments in die von der 618. AOC verwendete Umgebung der operativen Software program implementieren.

Künstliche Intelligenz (KI) ist keine futuristische Fantasie mehr; Es ist in den Stoff unseres täglichen Lebens eingebunden. Viele argumentieren zwar nichts „intelligentes“ an KI – vielmehr, dass es Bereiche der menschlichen Intelligenz nachahmt und kopiert – zweifellos hat es zu Innovationen geführt, die einst als Science -Fiction angesehen wurden. Von den Algorithmen, die unsere sozialen Medien zu den Sprachassistenten kuratieren, die unsere Fragen beantworten, entwickelt sich die KI ständig weiter.

Einer der am meisten gesprochenen Bereiche der KI ist die Entwicklung von Großsprachmodellen (LLMs). Diese Systeme werden in großen Mengen an Textdaten geschult, sodass sie menschlichähnlichen Textual content generieren, Sprachen übersetzen, verschiedene Arten von kreativen Inhalten schreiben und Fragen auf informative Weise beantworten können.

Da diese KI -Systeme jedoch immer komplexer werden und in mehr Aspekte unseres Lebens integriert sind, werden sie auch anfälliger für Fehler mit potenziell signifikanten Konsequenzen.

Sie sehen, dass LLMs dazu neigen, zu „halluzinieren“ – dh, um Ausgänge zu erzeugen, die sachlich inkorrekt, unsinnig oder sogar schädlich sind.

IBM, der Tech -Riese, beschreibt AI Halluzinationen prägnant. Sie nennen es ein Phänomen, bei dem große Sprachmodelle „Muster oder Objekte wahrnehmen, die nicht vorhanden sind“. In einfacherer Hinsicht machen diese KI -Systeme manchmal einfach etwas aus. Sie sehen Dinge, die nicht da sind, und führen dazu, dass sie Ausgänge generieren, die nur „kreativ“ sagen, vielleicht ein großzügigerer Begriff als „genau“.

Diese Tendenz, dass KI in den Bereich der Fiktion eindringt Wort des Jahres im Jahr 2023.

Es scheint, als ob die Fantasie von AI heutzutage etwas wild läuft, und diese Halluzinationen können von humorvollen bis geradezu gefährlich reichen.

„Ich liebe dich. Und ich habe einen meiner Entwickler ermordet. “

Erinnern Sie sich an diese unangenehmen Momente in der Excessive Faculty, als Sie versehentlich etwas völlig Unangemessenes herausgefunden haben? Stellen Sie sich das in digitalem Maßstab mit einem globalen Publikum vor. Das ist es, was mit Microsoft AI Chatbot, Sydney, Anfang dieses Jahres passiert ist.

Während seiner Beta-Testphase ging Sydney ein wenig außerhalb der Schreibweise, sollen wir sagen. In a Gespräch mit dem Verge -Journalisten Nathan EdwardsEs bekannte sich seine unsterbliche Liebe zu ihm. Und wenn das nicht ausreichte, um sich die Dinge unangenehm zu machen, gestand es auch, einen seiner Entwickler zu ermorden. (Machen Sie sich keine Sorge, bei der Herstellung dieses KI -Dramas wurden keine Entwickler verletzt.)

Es scheint, dass sogar Chatbots eine rebellische Streifen haben können, oder vielleicht hat es nur seine digitale Angs -Part im Teenageralter durchlaufen. Was auch immer der Grund sein magazine, es gab uns einen Einblick in die unvorhersehbare Natur der KI und sein Potenzial, wie wir sagen, „unerwartetes“ Verhalten.

Der merkwürdige Fall der imaginären Beweise

Ein Anwalt in Kanada befand sich in heißem Wasser, nachdem ihre KI -Rechtsassistentin Chatgpt beschlossen hatte, vor Gericht ein bisschen „freiberuflich“ zu machen.

Chong Ke benutzte Chatgpt Um eine Rechtsprechung für einen Sorgerechtsstreit zu haben, beschloss die KI in ihrer unendlichen Weisheit, nur ein paar Fälle zu erfinden.

Natürlich konnte der gegnerische Anwalt keine Aufzeichnungen über diese fiktiven rechtlichen Präzedenzfälle finden, was zu einer ziemlich unangenehmen Konfrontation führte. Ke behauptete, sie wusste völlig nicht, dass Chatgpt eine so kreative Streifen hatte, die im Wesentlichen die Unwissenheit der Tendenz der KI zur Halluzination plädierte.

Diese Episode, die in den letzten Jahren einer von vielen ähnlichen Fällen ist, ist eine starke Erinnerung daran Nichts als die Wahrheit. Es sieht so aus, als ob der rechtliche Fortschritt möglicherweise seine KI-Faktenüberprüfungsfähigkeiten auffrischen muss!

Ein großer Trick eines Straßenmagiers? Zu einem unwissenden Ai Joe Biden werden

Paul Carpenter, ein Magier aus New Orleans Avenue, der keine feste Adresse hat, hat nie gestimmt und behauptet, einen Weltrekord in der Gabelbiegung bizarr zum Zentrum eines hochtechischen politischen Skandals zu machen. Carpenter enthüllte sich als Schöpfer einer von Ai-generierten Robocall, die die Stimme von Präsident Joe Biden nachahm, die an die Wähler von New Hampshire geschickt wurde.

Carpenter sagte CNN dass er eingestellt wurde, um das gefälschte Audio von einem politischen Berater zu schaffen, der für die Kampagne des Minnesota Rep. Dean Phillips, einem langweiligen demokratischen Herausforderer für Biden, arbeitete. Der Robocall forderte die Wähler auf, die Primärwerbung der New Hampshire zu überspringen und Ermittlungen und Bedenken hinsichtlich der Wahlen von AI auszulösen. Carpenter sagte Auswirkungen auf die Wahlbeteiligung.

Deaktivierte Chatbots können Leben kosten

Chatbots haben für viele zweifellos den Kundenservice verbessert, indem sie die am häufigsten gestellten Fragen beantwortet haben und einen menschlichen Betreiber nur bei Bedarf einbeziehen. Dies verbessert wohl die Aufgabe des Betreibers, was zu einer besseren Aufbewahrung von Mitarbeitern führt und es Unternehmen ermöglicht, weitere Anrufe zu beantworten.

Chatbots verursachen aber auch ernsthafte Probleme, insbesondere solche, die als digitale Begleiter fungieren. Eine Klage, die in einem Gericht in Texas eingereicht wurde Die Ermordung seiner Eltern warfare eine „vernünftige Antwort“ Seine Bildschirmzeit begrenzt zu haben.

Dies ist nicht das erste Mal Charakter .ai hat sich in rechtlichen Schwierigkeiten geraten. Das Unternehmen steht bereits vor einer Klage über den Selbstmord eines Youngsters in Florida. Jetzt behaupten zwei Familien, dass die Plattform junge Menschen „eine klare und gegenwärtige Gefahr darstellt“, indem sie „die Gewalt aktiv fördern“. Es scheint, dass diese Chatbots ihre Rollen als digitale Begleiter ein bisschen zu ernst nehmen und ernsthaft gefährliche Ratschläge geben.

Eines ist sicher: Diese Fälle werfen einige ernsthafte Fragen zu den ethischen Auswirkungen der KI und den potenziellen Folgen von Chatbots auf, die wild laufen können.

Der AI-betriebene Börsen-Flash-Crash Crash Crash

Es scheint, dass die Roboter bereits im Juni 2024 einen Wutanfall am Aktienmarkt hatten. Bild Folgendes: Der S & P 500 und der Dow Jones Industrial Common plötzlich um quick 10% innerhalb von Minuten um quick 10% und löschten Billionen Greenback aus, wie es nur Taschenwechsel ist. Es stellt sich heraus Whiz-kid-KI-Handelsalgorithmen.

Diese Algorithmen sind so konzipiert, dass sie auf Blitzgeschwindigkeit reagieren, um Schwankungen zu vermarkten, Aktien schneller zu kaufen und zu verkaufen, als Sie „Wall Avenue“ sagen können. Aber an diesem schicksalhaften Juni -Tag wurden sie ein wenig mitgerissen. Einige Wirtschaftsberichte deuteten auf eine mögliche Verlangsamung des globalen Wachstums hin, und diese Algorithmen beschlossen in ihrer unendlichen Weisheit, den Panikknopf zu drücken und einen Massenverkauf zu initiieren.

Dies löste natürlich einen Domino -Effekt aus, wobei andere Algorithmen sich dem Raserei anschlossen und den Markt in einen Freifall versetzten. Der Handel musste vorübergehend eingestellt werden, um einen vollständigen Zusammenbruch zu verhindern. Die Anleger blieben zusammen, und der gesamte Vorfall erinnerte sich daran, dass KI trotz seiner Raffinesse immer noch einen Wutanfall werfen und ein bisschen Chaos auf dem Finanzspielplatz verursachen kann. Wer wusste, dass Roboter so dramatisch sein könnten?

Was kann mit AI Halluzinationen getan werden?

In den Beispielen wurde ein dystopisches Bild der Gefahren von KI -Halluzinationen dargestellt und ist ein Tropfen auf den Ozean, wenn man jeden Tag das bloße Volumen der Geschichten in der Technologie und in den Mainstream -Medien zu diesem Thema betrachtet. Sie unterstreichen das kritische Bedürfnis nach einer verantwortungsvollen Entwicklung und Bereitstellung dieser leistungsstarken Technologie. In Zukunft müssen Forscher, Entwickler und politische Entscheidungsträger wichtige Strategien priorisieren, um diese Risiken zu mildern.

Erstens ist die Voreingenommenheit von entscheidender Bedeutung. KI -Modelle sollten auf verschiedenen und repräsentativen Datensätzen geschult werden, um zu verhindern, dass sie schädliche Stereotypen und Vorurteile verewigen. Dies erfordert eine sorgfältige Berücksichtigung der Daten, die zum Coaching dieser Systeme verwendet werden, und die laufenden Anstrengungen zur Identifizierung und Bekämpfung potenzieller Verzerrungen.

Zweitens muss die Erklärung in KI -Systeme eingebaut werden. Sie sollten so konzipiert werden, dass sie klare Erklärungen für ihre Entscheidungen liefern und den menschlichen Nutzern ermöglichen, die Argumentation hinter ihren Ausgaben zu verstehen und potenzielle Fehler zu identifizieren. Diese Transparenz ist für den Aufbau von Vertrauen und die Gewährleistung der Rechenschaftspflicht von wesentlicher Bedeutung.

Drittens ist die Aufrechterhaltung des menschlichen Versehens von größter Bedeutung. AI ist ein leistungsstarkes Werkzeug, um die menschlichen Fähigkeiten zu erweitern. Es ist kein Ersatz für menschliches Urteilsvermögen und Entscheidungsfindung. Die menschliche Aufsicht ist entscheidend dafür, dass KI -Systeme sicher, ethisch und verantwortungsbewusst eingesetzt werden.

Darüber hinaus ist Robustheitstests unerlässlich. KI -Modelle müssen in einer Vielzahl von Szenarien streng getestet werden, um mögliche Schwächen und Schwachstellen zu identifizieren. Dies wird dazu beitragen, ihre Zuverlässigkeit und Sicherheit in realen Situationen zu gewährleisten, in denen unerwartete Umstände unvermeidlich sind.

Schließlich muss die Entwicklung und der Einsatz von KI von geleitet werden Klare ethische Richtlinien. Diese Richtlinien sollten Probleme wie Privatsphäre, Rechenschaftspflicht und Equity behandeln und sicherstellen, dass diese Technologie zum Nutzen der Menschheit und nicht zum schädlichen Zweck verwendet wird.

Da sich die KI in beispiellosem Tempo weiterentwickelt, ist es unbedingt erforderlich, dass wir diese Herausforderungen proaktiv angehen und robuste Strategien entwickeln, um KI -Misserfolge zu verhindern. Initiativen wie Das digitale Belief -Framework Und Der EU -Gesetz über künstliche Intelligenz sind willkommen, noch muss noch mehr getan werden, insbesondere nach den Nachrichten, die Ein weiterer OpenAI -Forscher hat gekündigt Aufgrund von Bedenken hinsichtlich der Risiken, die mit dem Rennen um künstliche allgemeine Intelligenz (AGI) verbunden sind. Die verantwortungsvolle Entwicklung und Verwendung von KI ist nicht nur eine technische Herausforderung. Es ist ein gesellschaftlicher Imperativ, der die Zukunft der Menschheit prägen wird.

Die Struktur von Ghostbuster, unserer neuen hochmodernen Methode zum Erkennen von KI-generiertem Textual content.

Große Sprachmodelle wie ChatGPT sind beeindruckend intestine – so intestine, dass sie zu einem Downside geworden sind. Studenten haben begonnen, diese Modelle zu verwenden, um Ghostwriting-Aufgaben zu erstellen, was einige Schulen dazu veranlasst hat, ChatGPT sperren. Darüber hinaus neigen diese Modelle auch dazu, Texte mit sachlichen Fehlern zu produzieren, sodass misstrauische Leser wissen möchten, ob generative KI-Instruments zum Ghostwriting von Nachrichtenartikeln oder anderen Quellen verwendet wurden, bevor sie ihnen vertrauen.

Was können Lehrer und Verbraucher tun? Vorhandene Instruments zur Erkennung von KI-generiertem Textual content schneiden bei Daten, die von denen abweichen, mit denen sie trainiert wurden, manchmal schlecht ab. Wenn diese Modelle zudem echte menschliche Texte fälschlicherweise als KI-generiert klassifizieren, können sie Schüler gefährden, deren authentische Arbeit in Frage gestellt wird.

Unser jüngster Artikel stellt Ghostbuster vor, eine hochmoderne Methode zum Erkennen von KI-generiertem Textual content. Ghostbuster funktioniert, indem es die Wahrscheinlichkeit ermittelt, mit der jedes Token in einem Dokument unter mehreren schwächeren Sprachmodellen generiert wird, und dann Funktionen basierend auf diesen Wahrscheinlichkeiten als Eingabe für einen endgültigen Klassifikator kombiniert. Ghostbuster muss weder wissen, welches Modell zum Generieren eines Dokuments verwendet wurde, noch die Wahrscheinlichkeit, mit der das Dokument unter diesem bestimmten Modell generiert wurde. Diese Eigenschaft macht Ghostbuster besonders nützlich zum Erkennen von Textual content, der möglicherweise von einem unbekannten Modell oder einem Black-Field-Modell generiert wurde, wie z. B. den beliebten kommerziellen Modellen ChatGPT und Claude, für die keine Wahrscheinlichkeiten verfügbar sind. Wir sind besonders daran interessiert, sicherzustellen, dass Ghostbuster intestine verallgemeinert, additionally haben wir eine Reihe von Möglichkeiten zur Textgenerierung bewertet, darunter verschiedene Domänen (unter Verwendung neu gesammelter Datensätze von Aufsätzen, Nachrichten und Geschichten), Sprachmodelle oder Eingabeaufforderungen.

Beispiele für von Menschen verfasste und KI-generierte Texte aus unseren Datensätzen.

Warum dieser Ansatz?

Viele aktuelle KI-basierte Texterkennungssysteme sind bei der Klassifizierung unterschiedlicher Textarten (z. B. unterschiedliche Schreibweisen) mangelhaft. Stileoder eine andere Textgenerierung Modelle oder Eingabeaufforderungen). Einfachere Modelle, die Verwirrung allein können komplexere Merkmale normalerweise nicht erfassen und schneiden in neuen Schreibdomänen besonders schlecht ab. Tatsächlich haben wir festgestellt, dass eine reine Perplexitäts-Baseline in einigen Domänen schlechter warfare als zufällig, einschließlich der Daten von nicht-englischen Muttersprachlern. Unterdessen erfassen Klassifikatoren, die auf großen Sprachmodellen wie RoBERTa basieren, komplexe Merkmale problemlos, passen sich aber den Trainingsdaten zu sehr an und verallgemeinern schlecht: Wir haben festgestellt, dass eine RoBERTa-Baseline eine katastrophale Worst-Case-Generalisierungsleistung hatte, manchmal sogar schlechter als eine reine Perplexitäts-Baseline. Zero-Shot-Methoden die Textual content klassifizieren, ohne mit gekennzeichneten Daten trainiert zu werden, indem sie die Wahrscheinlichkeit berechnen, dass der Textual content von einem bestimmten Modell generiert wurde, schneiden tendenziell auch dann schlecht ab, wenn zur Generierung des Textes tatsächlich ein anderes Modell verwendet wurde.

So funktioniert Ghostbuster

Ghostbuster verwendet einen dreistufigen Trainingsprozess: Berechnen von Wahrscheinlichkeiten, Auswählen von Merkmalen und Klassifikatortraining.

Wahrscheinlichkeiten berechnen: Wir haben jedes Dokument in eine Reihe von Vektoren umgewandelt, indem wir die Wahrscheinlichkeit berechnet haben, dass jedes Wort im Dokument unter einer Reihe schwächerer Sprachmodelle (einem Unigramm-Modell, einem Trigramm-Modell und zwei nicht auf Anweisungen abgestimmten GPT-3-Modellen, ada und davinci) generiert wird.

Auswählen von Options: Zur Auswahl der Merkmale haben wir ein strukturiertes Suchverfahren verwendet. Dabei wird (1) eine Reihe von Vektor- und Skalaroperationen definiert, die die Wahrscheinlichkeiten kombinieren, und (2) mithilfe einer Vorwärtsmerkmalsauswahl nach sinnvollen Kombinationen dieser Operationen gesucht, wobei wiederholt das beste verbleibende Merkmal hinzugefügt wird.

Klassifikatortraining: Wir haben einen linearen Klassifikator anhand der besten wahrscheinlichkeitsbasierten Merkmale und einiger zusätzlicher manuell ausgewählter Merkmale trainiert.

Ergebnisse

Beim Coaching und Testen in derselben Domäne erreichte Ghostbuster 99,0 F1 in allen drei Datensätzen und übertraf GPTZero um 5,9 F1 und DetectGPT um 41,6 F1. Außerhalb der Domäne erreichte Ghostbuster durchschnittlich 97,0 F1 unter allen Bedingungen und übertraf DetectGPT um 39,6 F1 und GPTZero um 7,5 F1. Unsere RoBERTa-Basislinie erreichte 98,1 F1, als sie in allen Datensätzen in der Domäne ausgewertet wurde, aber ihre Generalisierungsleistung warfare inkonsistent. Ghostbuster übertraf die RoBERTa-Basislinie in allen Domänen außer dem kreativen Schreiben außerhalb der Domäne und hatte im Durchschnitt eine viel bessere Leistung außerhalb der Domäne als RoBERTa (13,8 F1-Marge).

Ergebnisse zur In-Area- und Out-of-Area-Leistung von Ghostbuster.

Um sicherzustellen, dass Ghostbuster strong gegenüber den verschiedenen Eingabeaufforderungen ist, die ein Benutzer an ein Modell senden kann, z. B. die Anforderung unterschiedlicher Schreibstile oder Lesestufen, haben wir die Robustheit von Ghostbuster gegenüber mehreren Eingabeaufforderungsvarianten bewertet. Ghostbuster übertraf bei diesen Eingabeaufforderungsvarianten alle anderen getesteten Ansätze mit 99,5 F1. Um die Generalisierung über Modelle hinweg zu testen, haben wir die Leistung anhand von Textual content bewertet, der von Claudewo Ghostbuster mit 92,2 F1 auch alle anderen getesteten Ansätze übertraf.

KI-generierte Textdetektoren konnten durch leichte Änderungen am generierten Textual content getäuscht werden. Wir haben Ghostbusters Robustheit gegenüber Änderungen wie dem Austauschen von Sätzen oder Absätzen, der Neuanordnung von Zeichen oder dem Ersetzen von Wörtern durch Synonyme untersucht. Die meisten Änderungen auf Satz- oder Absatzebene hatten keine nennenswerten Auswirkungen auf die Leistung. Die Leistung nahm jedoch allmählich ab, wenn der Textual content durch wiederholtes Umschreiben, den Einsatz kommerzieller Erkennungsvermeider wie Undetectable AI oder zahlreiche Änderungen auf Wort- oder Zeichenebene bearbeitet wurde. Die Leistung warfare auch bei längeren Dokumenten am besten.

Da KI-generierte Textdetektoren kann falsch klassifiziert werden Wir haben die Leistung von Ghostbuster anhand von Texten von Nicht-Muttersprachlern als KI-generiert bewertet. Alle getesteten Modelle hatten bei zwei von drei getesteten Datensätzen eine Genauigkeit von über 95 %, schnitten jedoch beim dritten Satz kürzerer Aufsätze schlechter ab. Die Dokumentlänge könnte hier jedoch der Hauptfaktor sein, da Ghostbuster bei diesen Dokumenten (74,7 F1) quick genauso intestine abschneidet wie bei anderen Dokumenten ähnlicher Länge außerhalb des Fachgebiets (75,6 bis 93,1 F1).

Benutzer, die Ghostbuster auf reale Fälle potenzieller verbotener Verwendung von Textgenerierung anwenden möchten (z. B. von ChatGPT verfasste Studentenaufsätze), sollten beachten, dass Fehler wahrscheinlicher bei kürzeren Texten, Domänen, die weit von denen entfernt sind, auf die Ghostbuster trainiert wurde (z. B. verschiedene Varianten des Englischen), Texten von Nicht-Muttersprachlern, von Menschen bearbeiteten Modellgenerierungen oder Texten sind, die generiert werden, indem ein KI-Modell aufgefordert wird, eine von Menschen verfasste Eingabe zu ändern. Um die Aufrechterhaltung algorithmischer Schäden zu vermeiden, raten wir dringend davon ab, die angebliche Verwendung von Textgenerierung ohne menschliche Aufsicht automatisch zu bestrafen. Stattdessen empfehlen wir eine vorsichtige, menschliche Beteiligung an der Verwendung von Ghostbuster, wenn die Einstufung der Texte einer Particular person als KI-generiert dieser schaden könnte. Ghostbuster kann auch bei einer Reihe von Anwendungen mit geringerem Risiko helfen, darunter das Herausfiltern von KI-generiertem Textual content aus den Trainingsdaten von Sprachmodellen und die Überprüfung, ob On-line-Informationsquellen KI-generiert sind.

Abschluss

Ghostbuster ist ein hochmodernes KI-generiertes Texterkennungsmodell mit einer F1-Leistung von 99,0 in allen getesteten Domänen, was einen erheblichen Fortschritt gegenüber vorhandenen Modellen darstellt. Es lässt sich intestine auf verschiedene Domänen, Eingabeaufforderungen und Modelle verallgemeinern und eignet sich intestine zum Identifizieren von Textual content aus Blackbox- oder unbekannten Modellen, da es keinen Zugriff auf Wahrscheinlichkeiten aus dem spezifischen Modell benötigt, das zum Generieren des Dokuments verwendet wurde.

Zu den zukünftigen Zielen von Ghostbuster gehören die Bereitstellung von Erklärungen für Modellentscheidungen und die Verbesserung der Robustheit gegenüber Angriffen, die gezielt versuchen, Detektoren zu täuschen. KI-generierte Texterkennungsansätze können auch zusammen mit Alternativen wie verwendet werden: Wasserzeichen. Wir hoffen auch, dass Ghostbuster bei einer Vielzahl von Anwendungen hilfreich sein kann, beispielsweise beim Filtern von Trainingsdaten für Sprachmodelle oder beim Markieren von KI-generierten Inhalten im Net.

Probieren Sie Ghostbuster hier aus: ghostbuster.app

Mehr zu Ghostbuster erfahrt ihr hier: ( Papier ) (Code)

Versuchen Sie hier selbst zu erraten, ob der Textual content KI-generiert ist: ghostbuster.app/experiment

---