机器之能报道

编辑：杨文

这款新AI语音模型Fish Speech，模仿音色一绝。

近来，AI语音赛道突然热闹起来。

---

一个多月前，一个号称「开源语音TTS天花板级别」的ChatTTS爆火。

火到什么程度呢？

仅三天时间就在GitHub狂揽9.2k Star量，还一度登顶 GitHub Trending榜首并连续霸榜。

没多久，字节也推出一款类似项目Seed-TTS，喊出的口号同样是「生成自然真实的语音」。

这几天，这一赛道又闯进新玩家——Fish Speech。

据悉，该模型经过15万小时的数据训练，已熟练掌握中英日三种语言，语音处理接近人类水平，对中文支持更是 —

官方也甩出不少 demo——

中文句子：人间灯火倒映湖中，她的渴望让静水泛起涟漪。若代价只是孤独，那就让这份愿望肆意流淌。流入她所注视的世间，也流入她如湖水般澄澈的目光。

钟离,机器之能,15秒

视频链接：https://mp.weixin.qq.com/s/4T8b8RfK1X4tUVSeTI4gvw

英文句子：In the realm of advanced technology, the evolution of artificial intelligence stands as a monumental achievement. This dynamic field, constantly pushing the boundaries of what machines can do, has seen rapid growth and innovation. From deciphering complex data patterns to driving cars autonomously, AI’s applications are vast and diverse.

说英文,机器之能,25秒

视频链接：https://mp.weixin.qq.com/s/4T8b8RfK1X4tUVSeTI4gvw

不少网友直呼：虽然有点电音，不过效果已经很不错了，语调也不会让人感到不适。

不过，也有网友提醒，这个项目虽开源但不可商用。

-1-

解说纪录片、说绕口令，它到底行不行？

Fish Speech是一款开源文本转语音模型，由Fish Audio公司开发。据介绍，该模型仅有亿级参数，能够在个人设备上轻松运行和微调。

官网链接：https://fish.audio/zh-CN/text-to-speech/

其官网界面设计简洁，在「发现」一栏列表里有网友训练的各种声音，例如丁真、川普、雷军、邓紫棋、董宇辉、单田芳等，还有AD学姐、流萤等二次元声音。

接下来，我们就来实际测评下。

首先是另类解说《动物世界》。

前不久，有个00后博主@维C动物园，以发疯的方式另类解说《动物世界》而出圈。

例如，在《鸮张跋扈》这一集中，博主以一分正经、两分清奇、三分幽默、四分莫名其妙的解说方式，介绍了一种叫做穴小鸮的动物。

视频链接：https://mp.weixin.qq.com/s/4T8b8RfK1X4tUVSeTI4gvw

我们就用Fish speech中的「纪录片旁白」这个声音，给这个有大病的文案生成一段配音。

绿螳螂其实非常可爱，可爱死了，嘎嘣脆，鸡肉味，但这一切都与美洲鹑无关，因为它也自身难保，黄腹隼表示真香。黄腹隼遍布于南美洲各地，它们的视力极好，能看到10厘米以外的事物，所以我们今天的主角，不是它。

穴小鸮（xiao），江湖人称鸮鲜肉，跟我表哥一样，身高不足30厘米，十分可爱。正所谓「虎落平阳被犬欺，鸮在野外不如鸡」，穴小鸮常因捕食能力太差，而被邻居嘲笑。但咱不气馁，既然找不到食物，就去找食物的食物。

我们又选用丁真、邓紫棋的声音来说绕口令。

视频链接：https://mp.weixin.qq.com/s/4T8b8RfK1X4tUVSeTI4gvw

让特朗普说英文绕口令。

If you understand, say “understand”. If you don’t understand, say “don’t understand”. But if you understand and say “don’t understand”, how do I understand that you understand. Understand?

Fish Speech英文绕口令,机器之能,14秒

试听链接：https://mp.weixin.qq.com/s/4T8b8RfK1X4tUVSeTI4gvw

还有单田芳说段子。

Fish speech的模仿能力一绝，它可以模仿特定人物的音色、语调到以假乱真的程度，比如说单田芳、邓紫棋、特朗普。

不过，它也有一些瑕疵，例如有时候它不识字，「穴小鸮」胡读一通；不懂断句，会把完整的句子读得稀碎。此外，输入的文本一旦太长，它就罢工。

-2-

三款TTS模型大乱斗

除了使用现成的语音外，我们还可以自己构建语音。

操作也很easy。只需点击网页上方的「构建声音」，即可跳转至新界面。然后上传封面、填写声音名称、输入音频即可。

其中，在输入音频这个环节，我们既可以上传现成的，也可以自己录制，不过它对时长有限制，最好在30秒左右。

例如，我们上传了一段徐志胜说脱口秀的音频。

来看一下效果：

李长庚最近有点烦。

他此刻骑在一只老鹤身上，在云雾里穿梭，想入了神。眼看快飞到启明殿，老鹤许是糊涂了，非但不减速，反而直直地撞了过去。李长庚回过神来，连连挥动拂尘，它才急急一拍双翅，歪歪斜斜地落在殿旁台阶上。

Fish Speech读小说,机器之能,23秒

音色和徐志胜不能说毫不相干，只能说一模一样，连口音都很像。

我们还让它与「开源语音TTS天花板级别」的ChatTTS、Seed-TTS进行PK。

中文文本 : 好呀，哈哈哈哈哈，喜欢笑的人运气都不会差哦，希望你每天笑口常开。

Fish Speech:

Fish Speech,机器之能,11秒

试听链接：https://mp.weixin.qq.com/s/4T8b8RfK1X4tUVSeTI4gvw

ChatTTS:

ChatTTS,机器之能,6秒

试听链接：https://mp.weixin.qq.com/s/4T8b8RfK1X4tUVSeTI4gvw

由于字节的Seed-TTS还无法亲自体验，所以我们就用了它的官方示例。

Seed-TTS,机器之能,6秒

这三款TTS模型各有千秋，如果非要给它们的实力排个序，Seed-TTS的断句、语音语调最自然，其次就是ChatTTS，Fish Speech虽然还有所欠缺，但它赢在可自定义音色上。

链接 ——

https://fish.audio/zh-CN/text-to-speech/

https://github.com/fishaudio/fish-speech

https://chattts.com/

https://bytedancespeech.github.io/seedtts_tech_report/

https://github.com/BytedanceSpeech/seed-tts-eval

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

编辑 | 萝卜皮

通常，矩阵乘法 (MatMul) 在大型语言模型（LLM）总体计算成本中占据主导地位。随着 LLM 扩展到更大的嵌入维度和上下文长度，这方面的成本只会增加。

---

加州大学、LuxiTech 和苏州大学的研究人员声称开发出一种新方法，通过消除过程中的矩阵乘法来更有效地运行人工智能语言模型。这从根本上重新设计了目前由 GPU 芯片加速的神经网络操作方式。

研究人员描述了如何在不使用 MatMul 的情况下创建一个自定义的 27 亿参数模型，性能与当前最先进的 Transformer 模型相当。

该研究以「Scalable MatMul-free Language Modeling」为题，于 2024 年 6 月 4 日发布在 arXiv 预印平台。

矩阵乘法是当今大多数神经网络计算任务的核心，而 GPU 特别擅长快速执行数学运算，因为它们可以并行执行大量乘法运算。

这种能力甚至让 Nvidia 在两周前短暂地成为了全球最有价值的公司；该公司目前占据数据中心 GPU 市场约 98% 的份额，这些 GPU 通常用于为 ChatGPT 和 Google Gemini 等 AI 系统提供支持。

图示：370M 中无 MatMul 的 Transformer++ 和新方法的训练步骤损失。（来源：论文）

在最新的研究中，加州大学、LuxiTech 和苏州大学的研究人员展示了 LLM 中可以完全消除 MatMul 操作，同时在十亿参数规模下保持强劲性能。

他们通过在密集层中使用加性运算和逐元素 Hadamard 积来实现类似自注意的功能，开发了第一个可扩展的无 MatMul 语言模型 (Matmul-free LM)。

具体而言，研究人员利用三元权重消除了密集层中的 MatMul，类似于 BNN。为了从自注意力中移除 MatMul，研究人员优化了门控循环单元 (GRU)，使其仅依赖于元素级乘积。

图示：Matmul-free LM 概述。（来源：论文）

为了评估他们的方法，研究人员将他们的 MatMul-free LM 与复制的 Llama-2 样式模型（他们称之为「Transformer++」）进行了比较，涉及三种模型大小：3.7 亿、13 亿和 27 亿参数。所有模型均在 SlimPajama 数据集上进行了预训练，其中较大的模型分别在 1000 亿个标记上进行了训练。

不含 MatMul 的 LM 在多个基准任务上与 Llama 2 基线相比取得了具有竞争力的性能，包括回答问题、常识推理和物理理解。

实验表明，该团队提出的无 MatMul 模型的性能与最先进的 Transformer 模型相当，后者在推理过程中需要更多内存。

为了量化轻量级模型的硬件优势，除了定制的 FPGA 加速器外，研究人员还提供了优化的 GPU 实现。通过在三元密集层的 GPU 实现中使用融合内核，与 GPU 上未优化的基线相比，训练速度加快了 25.6%，内存消耗减少了高达 61.0%。

此外，通过采用低位优化的 CUDA 内核，当模型扩展到 13B 参数时，推理速度提高了 4.57 倍，内存使用量减少了 10 倍。

为了正确量化该架构的效率，研究人员在 FPGA 上构建了一个自定义硬件解决方案，该解决方案利用了 GPU 无法处理的轻量级操作。

研究人员演示了如何在 GPU 上以每秒 23.8 个 token 的速度运行 13 亿个参数的模型；该方法以 13 瓦的功耗（不计算 GPU 的功耗）处理了十亿参数规模的模型，超出了人类可读的吞吐量，使 LLM 更接近类似大脑的效率。

这项工作不仅展示了 LLM 在保持有效运行的情况下可以被剥离到何种程度，而且还指出了未来加速器在处理下一代轻量级 LLM 时应该优化的操作类型。

不过需要明确的是，拥有 27 亿个参数的 Llama-2 模型与目前市场上最好的 LLM（例如 GPT-4）相差甚远，据估计 GPT-4 总共拥有超过 1 万亿个参数。因此，这里还没有在这里讨论 ChatGPT 级别的处理能力。

参数数量通常意味着模型的复杂性（以及大致上的能力）更高，研究人员一直在寻找用更少的参数实现更高级别 LLM 性能的方法。

研究人员表示，他们在实验中观察到的缩放规律表明，无 MatMul 的 LM 在非常大规模下的表现也可能优于传统 LLM。

研究人员预测，他们的方法在理论上可以与标准 LLM 相媲美，并且超越其在 10²³ FLOPS 左右的规模上的性能，这大致相当于 Meta 的 Llama-3 8B 或 Llama-2 70B 等模型所需的训练计算量。

然而，该团队也指出他们的工作有局限性。由于计算限制，无 MatMul 的 LM 尚未在超大规模模型（例如 1000 亿多个参数）上进行测试。他们呼吁拥有更多资源的机构投资扩大规模并进一步开发这种轻量级的语言建模方法。

论文链接：https://arxiv.org/abs/2406.02528

相关报道：https://arstechnica.com/information-technology/2024/06/researchers-upend-ai-status-quo-by-eliminating-matrix-multiplication-in-llms/

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

编辑 | 萝卜皮

在药物研发中，确定小分子配体对蛋白质的结合亲和力和功能效应至关重要。目前的计算方法可以预测这些蛋白质-配体相互作用特性，但如果没有高分辨率的蛋白质结构，通常会失去准确性，并且无法预测功能效应。

---

莫纳什大学（Monash University）和格里菲斯大学（Griffith University）的研究人员开发了 PSICHIC（PhySIcoCHemICal graph neural network），这是一个结合物理化学约束的框架，可直接从序列数据解码相互作用指纹（fingerprints）。这使 PSICHIC 能够解码蛋白质-配体相互作用背后的机制，实现最先进的准确性和可解释性。

在没有结构数据的相同蛋白质-配体对上进行训练后，PSICHIC 在结合亲和力预测方面与领先的基于结构的方法性能相当，甚至超过了它们。

PSICHIC 的可解释指纹识别了参与相互作用的蛋白质残基和配体原子，并有助于揭示蛋白质-配体相互作用的选择性决定因素。

该研究以「Physicochemical graph neural network for learning protein–ligand interaction fingerprints from sequence data」为题，于 2024 年 6 月 17 日发布在《Nature Machine Intelligence》。

蛋白质-配体亲和力预测存在挑战

在药物发现过程中，确定小分子配体对蛋白质的结合亲和力和功能效应至关重要，因为配体与特定蛋白质的选择性相互作用决定了药物的预期效果。

然而，目前的计算方法虽然可以预测蛋白质-配体相互作用属性，但在缺乏高分辨率蛋白质结构的情况下，预测准确性往往会下降，并且在预测功能效应方面也存在困难。

基于序列的方法虽然成本和资源上更具优势，比如不需要昂贵的实验结构确定过程，但这些方法常常面临模式匹配中的过度自由度问题，容易导致过拟合和有限的泛化能力，从而造成与基于结构或复合物的方法之间的性能差距。

物理化学图神经网络

莫纳什大学和格里菲斯大学的研究团队开发了 PSICHIC，即物理化学图神经网络，这是一种遵循物理化学原理从序列数据直接解码蛋白质-配体相互作用指纹的方法。与以前基于序列的模型不同，PSICHIC 独特地结合了物理化学约束，以实现最先进的准确性和可解释性。

作为一种基于二维序列的方法，PSICHIC 通过应用聚类算法生成并在二维图上施加这些约束，从而使 PSICHIC 能够主要适应训练期间决定蛋白质-配体相互作用的合理基本模式。

性能验证与比较

在没有结构数据的相同蛋白质-配体对上进行训练后，PSICHIC 在结合亲和力预测方面与最先进的基于结构和基于复合物的方法相媲美甚至超越了它们。

在 PDBBind v2016 和 PDBBind v2020 数据集上的实验结果表明，PSICHIC在多项指标上均优于其他基于序列的方法，如 TransCPI、MolTrans 和 DrugBAN 等。

具体而言，PSICHIC 显示了更低的预测误差和更高的相关性指数，尤其在预测准确性和泛化能力方面表现突出。PSICHIC 在功能效应预测方面实现了高达 96% 的准确率。

此外，PSICHIC 在结合位点和关键配体功能基团的识别方面表现出色。在多个蛋白质-配体复杂结构（如 PDB 6K1S和 6OXV）的分析中，PSICHIC 能够准确定位重要的结合残基和配体功能基团，这验证了其在序列数据中直接解码蛋白质-配体相互作用模式的能力。这一能力特别体现在其通过序列数据预测蛋白质-配体结合位点和关键残基上。

研究人员利用 PSICHIC 成功筛选出一种新型腺苷 A1 受体激动剂（与已知最接近的 A1R 激动剂的 Tanimoto 相似度为 0.2），并分析了腺苷受体亚型之间的配体选择性。

价值体现

蛋白质-配体相互作用指纹描述了配体和蛋白质残基之间发生的特定相互作用的特征。传统上，这些指纹来自 3D 蛋白质-配体复合物，这是一个昂贵的过程，本文显示其对结构分辨率质量很敏感。

相比之下，PSICHIC 仅利用序列数据，为获取可解释的相互作用指纹提供了一种独特的方法。通过纳入约束，PSICHIC 展现出新兴能力，使其能够揭示蛋白质-配体相互作用机制并有效预测相互作用特性。PSYCHIC 消除了对 3D 数据的需求，为在大规模序列数据库上进行稳健学习铺平了道路。

作为概念验证，该团队证明了 PSICHIC 可以有效筛选候选药物并进行选择性分析。PSICHIC 只需要序列数据即可运行，有潜力成为药物发现中普遍有用的工具。研究人员期待它在从头配体设计中发挥作用，PSICHIC 的可解释指纹可以整合到其中以优化分子结构。

未来展望

目前，PSICHIC 仅限于分析单个蛋白质的蛋白质-配体相互作用。未来计划包括将其分析扩展到蛋白质复合物，例如与异三聚体 G 蛋白复合的 GPCR，这可以促进直接从序列数据全面研究蛋白质-配体动力学。

此外，PSICHIC 从序列数据中获得的强大学习能力为探索变构调节等复杂相互作用铺平了道路，有助于理解变构配体如何调节蛋白质靶标内的正构配体。

该团队已将他们的数据、代码和优化模型提供给更广泛的科学界。PSICHIC 已在各个应用领域中证明其稳健性和有效性，在未来发展中具有广阔的潜力，并有望对虚拟化合物筛选领域和创新小分子疗法的设计产生重大影响。

论文链接：https://www.nature.com/articles/s42256-024-00847-1

相关报道：https://phys.org/news/2024-06-ai-tool-rapid-effective-drug.html

---

---

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

SelfDecode，一家个性化健康和健康领域的领导者，自豪地宣布推出他们开创性的新功能，旨在改变精准健康领域的格局：DecodyGPT。{ width=60% }

---

这是世界上第一个精准健康GPT。这一创新工具利用人工智能和个性化健康数据的力量，为用户提供前所未有的定制洞见、指导和解决方案。

在这一革命性功能的核心是SelfDecode的专有精准健康技术，这是一个训练有素的人工智能系统，经过广泛数据集的基因信息、实验室检测结果、生活方式因素、症状、疾病和健康目标。通过无缝整合这些数据点，DecodyGPT为用户提供了前所未有的个性化指导和支持水平，赋予人们关于健康和幸福做出明智决策的能力。

SelfDecode创始人兼CEO Joe Cohen表示：“通过DecodyGPT，我们正在将个性化健康提升到新的高度。这不仅仅是另一个聊天机器人 - 它是一个理解您独特的基因组、健康历史和个人目标的复杂AI健康教练。无论您是在管理慢性病、优化您的健康常规，还是仅仅是在寻找关于健康问题的答案，DecodyGPT都会在您每一步指导您。就像ChatGPT一样，但可以回答专门为您的身体设计的健康问题。”

精准健康GPT的关键特点包括：

• 个性化指导：根据您的DNA、实验室结果、生活方式选择、症状和健康目标获得定制推荐和洞见。
• 实时支持：全天候访问对您的健康相关查询的即时回应，无需预约或等待时间。
• 全面方法：从多个影响您健康的因素，包括遗传倾向、环境因素、当前症状或疾病以及目标的综合分析中受益。
• 持续学习：精准健康GPT持续发展并从用户互动中学习，确保推荐始终是最新和相关的。

这一开创性功能标志着朝着真正个性化医疗保健迈出了重要一步。通过利用人工智能和数据驱动见解的力量，SelfDecode正在赋予个体控制他们健康的能力。

Cohen补充说：“随着我们继续推进精准健康的前沿，我们的使命依然明确：为个体提供他们所需的知识和工具，过上更健康、更幸福、更长寿的生活。通过DecodyGPT，我们正在让个性化健康对每个人都可及，彻底改变我们对待健康和疾病预防的方式。”

DecodyGPT现已向所有SelfDecode用户推出，为人们提供了一种全新的方式来导航健康和健康的复杂性。要了解更多并体验个性化健康的未来，请访问selfdecode.com。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

杰夫·贝索斯计划在电子商务巨头亚马逊出售近50亿美元的股份，一份监管文件显示，此前该公司股价创下历史新高。

---

在周二的市场收盘后，披露了拟出售2500万股的计划。股价在交易日中飙至历史最高点200.43美元。今年迄今为止，亚马逊股价已上涨超过30%，超过道琼斯工业平均指数4%的涨幅。2023年股价飙升了80%之后，贝索斯在2月出售了价值大约85亿美元的股份。亚马逊在4月份发布了乐观的第一季度业绩报告，作为总部位于西雅图的科技巨头，乘着人工智能浪潮发展。贝索斯在《华盛顿邮报》备忘录中强调了对“质量、道德和标准”的承诺。根据福布斯的数据，贝索斯以2144亿美元的净资产在全球排名第二富有的人。他还是太空公司蓝色起源的创始人，该公司于5月将一支由六人组成的机组送至太空边缘。

---

。注意：Title、Date、Body 三个部分的内容，放入到对应的位置，Title部分内容需要翻译为中文。最后只需要输出为Makedown源文件格式内容。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

我们对人工智能采取一种将其视为外来的态度，这表明我们对已经相互疏远的观点变得无法维持。

---

超智能机器是外来入侵者、来“窃取我们的工作”的想法揭示了我们在思考工作、价值和智慧本身时存在重大缺陷。劳动不是零和游戏，机器人并非与我们竞争的“他者”。和任何技术一样，它们是我们的一部分，像头发和指甲一样从生物体长出来。它们是人类的一部分－而我们本身也部分是机器。当我们将采摘水果的机器人视为竞争对手，认为它是零和游戏中的竞争者时，我们的注意力从真正的问题上转移开来：曾经采摘水果的人在失去那份工作后，被农场主和整个社会看作是可有可无的。这意味着，人类劳动者已经被视为一种非人，即像机器一样被对待。我们陷入了一种无法维持的境地，将机器视为外星人，因为我们已经陷入了相互疏远的境地。

我们对人工智能的许多焦虑根植于我们历史上那种强调支配和等级制度的古老遗产。然而，演化的更大故事是合作让更简单的实体联合起来，打造更大、更复杂、更持久的实体；这就是为何真核细胞从原核细胞中演化出来，多细胞动物从单细胞中演化出来，人类文明从人类、家畜和农作物群体中演化出来的方式。互惠主义是让我们能够扩展的原因。

作为一名人工智能研究人员，我的主要兴趣不在于计算机——AI中的“人工”——而在于智慧本身。现在已经很明显，无论如何具体体现，智慧需要规模。我们内部在谷歌研究部门构建的早期大型语言模型“对话应用语言模型”（LaMDA）在2021年让我确信我们已经跨越了一个重要的门槛。尽管当时还是时好时坏，拥有（当时）庞大的1,370亿个参数的LaMDA几乎可以进行对话。三年后，最新型的模型参数翻了一个数量级，因此它们变得更好了很多。再过几年，我们很可能会看到模型的参数数量达到人类大脑突触的数量。

作为一个物种，现代人类同样是大脑体积激增的结果。在过去几百万年里，我们的古人类祖先的头骨体积增大了四倍。研究人员发现，社会群体规模的增长与大脑容量呈正相关，当他们将灵长类动物群体规模与大脑体积进行相关性分析时便能发现。更大的大脑使规模更大的群体能够有效地合作。更大的群体反过来又更加智慧。

我们所谓的“人类智慧”是由许多狭隘智慧（如你和我）之间的合作现象造就的。当我们列举我们的智力成就——抗生素和室内管道、艺术和建筑、高数学和火锅冰淇淋——让我们认识到我们大多数人在个人层面上是多么无知。即使你从已有的奶牛、可可豆、香草豆、甘蔗和冷藏设备开始，你能制作一个冰淇淋吗？也就是说，从99%的辛苦工作已经完成的情况下开始，你能制作一个冰淇淋吗？

人类智慧不仅仅包括人类本身，还包括一系列植物和动物物种、微生物，甚至从史前时代到当代的各种技术。那些奶牛和可可植物、稻米和小麦，支撑了爆炸性人口增长的船只、卡车和铁路都是至关重要的。忽视所有这些伴生物种和技术的存在就等于想象我们是一个在瓮中的脱离身体的大脑。

此外，我们的智慧可以是多样化的，可以是分布式的。随着人工智能系统的普及，我们的智慧将变得更加多样化，越来越难假装我们的成就是个人或者仅仅是人类的成就。也许我们应该采纳更广泛的“人类”定义，将整个生物技术套餐都包括在内。

我们一些最令人印象深刻的成就，比如制造硅片，真正是全球规模化的。我们的挑战也越来越多地是全球性的。气候危机和核战争再起的威胁并非由任何一方造成，而是由我们所有人共同造成的，我们只能共同解决。集体智慧的深度和广度的提升是一个好事，如果我们希望在全球范围内茁壮成长，但这种增长往往并不被视为一种逐渐累积和相互的东西。为什么？

这是一个重大炸弹，美国必须将人工智能作为接下来的曼哈顿计划进行 | 约翰·诺顿阅读更多简而言之，因为我们担心谁会处于上风。但支配等级制度仅仅是一个让动物群体在内部竞争中避免持续争吵的特定技巧，这种竞争是由对交配和食物的内部竞争而产生的，通过约定如果争夺优先权的斗争爆发，谁会赢的方式。换句话说，这种等级制度可能仅仅是半聪明猴子的一种把戏，而非自然规律。

AI模型能够体现相当多的智慧，就像人类大脑一样，但它们并不是竞争争夺地位的猿类同胞。作为高度发达的人类技术的产物，他们对人类、小麦、奶牛和人类文化等依赖程度甚至要高于智人。它们并非阴谋用来吃我们的食物或抢走我们的恋人。它们依赖于我们；我们可能会同样深度地依赖它们。然而，对支配等级的担忧却伴随着AI的发展从一开始就存在。

“机器人”这个词，由卡雷尔·恰普克在他的1920年戏剧《罗萨姆万能机器人》中引入，源自捷克语“强迫劳动”的词汇robota。近一个世纪以后，一位备受尊敬的AI伦理学家命名一篇文章为“机器人应该是奴隶”，尽管她后来后悔了她的选词，但机器人的争论仍然转向了支配。目前的AI灾难论者担心人类将被超级智能机器奴役或灭绝。另一方面，AI否认者认为计算机根据定义无法拥有任何代理权，而只是人类用来支配彼此的工具。两种观点都根植于零和游戏、我们对他人思维的思考中。

许多实验室正在开发AI代理。它们在未来几年不会因为机器人“接管”，而是因为一个合作的代理人可以对个人和人类社会都更有帮助，而不只是一个无思维的机械劳动力。

如果这里有任何对社会秩序的威胁，那并非来自机器人，而是来自人类之间的不平等。我们中太多人还没有意识到我们是相互依存的。我们大家都是一体的－人类、动物、植物和机器一样。

详细了解这些话题：
人工智能（AI）
谷歌
工作 & 职业
评论
分享
重新使用这篇内容。

---

---

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

随着英国即将迎来大选，行业领袖们正在评估技术和人工智能监管可能对其产生的影响。{ width=50% }

---

在经济挑战成为政治辩论核心的情况下，专家们认为下一届政府必须将技术创新和效率作为优先事项，以推动增长并保持英国的竞争优势。

Celonis的英国和爱尔兰区域负责人Rupal Karia强调了需要立即采取行动解决私营和公共部门存在的低效率问题。“下一届政府需要更加紧急地着眼于消除英国企业内部存在的低效问题，私营和公共部门都因此受到拖累，” Karia表示。

Karia主张利用过程智能提供“基于数据的方法，以使顶端、底端和绿线都产生积极影响”。尽管政党们专注于基础设施投资和产业政策等长期策略，Karia建议利用技术获取效率提升可能会带来更为即时的结果。“实现快速增长很困难，但在此期间企业可以变得更为精简和敏捷，在当前流程中获取最大价值，”Karia解释道。

Snowflake公司的英国和爱尔兰地区副总裁兼总经理James Hall预测下一届政府将会重点关注人工智能投资和监管。他预计将任命首席人工智能官员负责监督各政府部门的人工智能与政府纲领的协调。

此外，Hall还强调了健全的数据战略的重要性，表示“一个以治理为核心的基础数据战略将有助于实现人工智能目标”。Hall提出了几项促进人工智能创新和数据利用的举措：

• 人工智能基金以促进公私合作伙伴关系
• 利用合成数据在全球范围内商业化资产同时保护隐私
• 针对特定行业的人工智能法规，尤其是医疗保健和制药行业
• 在制药行业加强医疗数据使用方面的协议
• 设立一个专门机构监督数据和人工智能计划，确保在决策过程中听取多种声音

在人工智能监管方面，Hall建议采取精细化的方法：“建立行业特定规则将是有益的，特别是要特别关注医疗保健和制药等领域及其独特需求。”

两位专家一致认为，拥抱人工智能和数据驱动技术对于英国未来的经济成功至关重要。“这些步骤将对新政府支持数据驱动型行业并确保它们可以利用人工智能进行合理增长、保护国家利益，从而将英国定位为全球创新强国至关重要，”Hall总结道。

随着选举的临近，政党们如何解决这些技术挑战和机遇，并在他们的宣言中是否会涉及这些内容，仍有待观察。选举结果可能会极大地塑造英国在人工智能监管方面的态度以及其在全球科技领域的地位。

关注AI和大数据领域的更多行业领袖观点？请查看即将在阿姆斯特丹、加州和伦敦举行的AI和大数据博览会。该综合展会与其他领先活动同期举办，包括智能自动化大会、BlockX、数字转型周和网络安全与云博览会。

探索由TechForge提供的其他即将举行的企业技术活动和网络研讨会。

---

注意：Title、Date、Body 三个部分的内容，放入到对应的位置。最后只需要输出为Makedown源文件格式内容。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

随着英国即将迎来大选，行业领袖们开始就技术和人工智能监管可能带来的影响发表看法。{ width=50% }

---

在经济挑战成为政治辩论的前沿之际，专家们认为下届政府必须优先考虑技术创新和效率，以推动增长并保持英国的竞争优势。Celonis的英国和爱尔兰地区负责人Rupal Karia强调了立即采取行动解决私营和公共部门内存在的低效率问题的必要性。“下届政府需要更加立即地集中精力去消除英国企业内部的低效率问题，这两个领域都会受到拖累，” Karia表示。Karia主张利用过程智能提供“基于数据的方法，在顶部、底部和绿线方面产生积极影响。”虽然政党们专注于长期战略，如基础设施投资和工业政策，但Karia建议利用技术提高效率可能会带来更为即时的成果。“实现快速增长很困难，但同时企业可以变得更加精益和敏捷，在当前的流程中获得最大价值，” Karia解释道。Snowflake的英国和爱尔兰地区副总裁兼总经理James Hall预测下届政府将大力投资于人工智能和监管。他预测将在政府各部门任命首席人工智能官，以确保人工智能与宣言中的重点保持一致。
此外，Hall还强调了健全的数据战略的重要性，表示：“一个以治理为核心的基础性数据战略将有助于实现人工智能目标。”Hall提出了几项增加人工智能创新和数据利用的倡议：
推动公私合作伙伴关系的人工智能基金
使用合成数据在全球范围内商业化资产，同时保护隐私
行业特定的人工智能法规，特别是对于医疗保健和制药领域
在制药业加强有关医疗数据使用的协议
成立专门机构监督数据和人工智能倡议，确保各方声音在政策制定中得到听取
在人工智能监管方面，Hall建议采取细致入微的方法：“建立行业特定规则，特别关注诸如医疗保健和制药等领域及其独特需求。”
两位专家一致认为，接纳人工智能和数据驱动技术对于英国未来的经济成功至关重要。“这些措施对一个新政府来说将至关重要，以支持以数据为驱动的行业，并确保他们能够充分利用人工智能，从而将英国定位为全球创新强国，同时确保可持续增长并维护国家利益，” Hall总结道。
随着选举的临近，政党将如何解决其宣言中的技术挑战和机会尚待观察。选举结果可能会极大地塑造英国对人工智能监管的态度以及其在全球科技领域的地位。
(照片由Chris Robert提供)
另请参阅：欧盟调查微软-OpenAI和谷歌-三星的人工智能交易

想要从行业领袖那里了解更多关于人工智能和大数据的知识吗？查看将在阿姆斯特丹、加利福尼亚和伦敦举行的人工智能与大数据博览会。该综合性活动与其他领先活动，包括智能自动化会议、BlockX、数字转型周以及网络安全和云博览会一同举办。
在这里探索TechForge提供的其他即将举行的企业技术活动和网络研讨会。

Tags: ai, artificial intelligence, development, election, ethics, europe, general election, government, law, legal, Politics, privacy, regulation, safety, Society, uk

---

---

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

公司因其行业定义的人工智能平台而榜上有名
Artisight, Inc. 是一家智能医院平台，通过人工智能实现虚拟护理模式、质量改进和护理协调解决方案，并宣布在AVIA Marketplace对企业进行广泛调研和公司推广后，被认为是2024年智能医院顶尖公司之一。{ width=60% }

---

这一荣誉是继AVIA Marketplace最近认可Artisight为2024年智能房间顶尖公司之后，使Artisight成为唯一一家在两个榜单上均被提名的平台供应商。
Artisight通过其智能医院平台和虚拟护理、质量改进和护理协调解决方案重新定义了医疗保健的可能性。Artisight深入的临床知识和行业定义的人工智能支撑着其先进的计算机视觉和强大的多传感器网络，实时适应特定环境和工作流程，解锁了以前无法访问的数据，并确保与医疗保健生态系统的无缝集成。Artisight与其医疗系统客户紧密合作，为每个护理场所定制算法，提供直接解决医院独特环境的技术。
Artisight为客户实现了结果，包括:
· 减少护士流失
· 节省数百万美元
· 提高护士满意度
· 减少在行政任务上花费的时间
· 改善患者结果，包括减少跌倒
Artisight的智能医院平台通过超越床边直至手术室（OR）和诊所设置，超越其他技术:
· 提高OR利用率
· 提高OR中的患者安全性
· 减少等待时间并增加诊所收入
除了2024年两次被AVIA Marketplace认可外，Artisight最近获得了MedTech Breakthrough奖的最佳护理交付平台奖和CHIME年度创新者奖（与其客户Guthrie Clinic），该公司最近被选中加入Microsoft for Startups Pegasus计划。
2024年顶尖智能医院公司报告代表了全国范围内客户评级和评论以及卫生系统实施数据的综合分析，重点突出了广泛的行业趋势，以便对这些公司和产品目前在该领域产生的影响加以背景衬托。 鉴于智能医院的复杂性和不断发展的性质，该报告有助于定义智能医院的格局以及这些解决方案如何最好地支持患者接触。
“智能医院正在引领医疗保健交付的新时代，” AVIA数字健康解决方案高级副总裁Dhiraj Patkar说。 “这些先进设施利用嵌入式技术进行跟踪、运输和导航，结合数据驱动的见解。 这种强大的整合不仅简化了员工工作流程并提升了运营效率，而且显著提升了患者体验。 随着医疗保健的发展，智能医院正在证明在满足患者对技术先进护理不断增长的期望方面发挥着重要作用。 通过拥抱这些创新性解决方案，卫生系统可以将自己定位在患者为中心的医疗保障交付的最前沿，确保他们不仅满足而且超越现代医疗保健消费者的需求。”

---

注意：Title、Date、Body 三个部分的内容，放入到对应的位置。最后只需输出为Makedown源文件格式内容。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

Dark Web Monitoring提供了对深层和暗网的可见性。{ width=60% }

---

NordStellar是由Nord Security开发的威胁暴露管理平台，正在推出一个名为Dark Web Monitoring的新功能。该功能目前以Beta版本提供，允许公司跟踪深网论坛、深层网络搜索引擎、非法市场、黑客社区、Telegram频道和其他来源中的各种关键字。
NordStellar的产品主管Vakaris Noreika表示：“企业将能够查找与公司相关的关键字，并主动识别风险，采取行动并防止安全事件或声誉损害。”
通过监控深层和暗网，NordStellar提供比传统威胁情报解决方案更多的见解。这种监控可以让公司更仔细地观察威胁行为者社区，以确定威胁来源并减轻潜在的业务风险。
NordStellar的产品主管Vakaris Noreika指出：“黑客论坛和聊天室分享的信息对公司的安全至关重要。”“例如，在黑客论坛上可以找到出售的假冒、植入恶意软件的应用程序，冒充合法产品、被盗的客户账户和公司后门，这只是你在黑客论坛上可以找到的一些例子。了解这类情况可以帮助公司不仅保护自身和品牌，还可以保护其客户。”
为了进一步增强这一功能，NordStellar正在开发持续的关键字监控，这意味着一旦用户监控的关键字被提及，他们将收到警报。预计将在今年晚些时候发布此增强功能。
NordStellar于今年5月发布，旨在从攻击者的角度查看组织，提供有关网络安全漏洞的见解，并帮助公司识别这些漏洞。NordStellar允许公司检查泄露的员工数据，识别恶意软件迹象，并提供客户账户接管防范解决方案。

---

---

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。