paint-brush
人工智能能否引领我们进入高质量新闻时代?经过@kseniase
363 讀數
363 讀數

人工智能能否引领我们进入高质量新闻时代?

经过 Ksenia Se7m2024/02/13
Read on Terminal Reader

太長; 讀書

本文讨论了人工智能和社交媒体对新闻业的影响,将人工智能视为高质量报道的挑战和重要推动者。虽然社交媒体通过提高数量而非质量来淡化新闻标准,但人工智能提供了可以增强新闻实践的工具。例如,Semafor 的 Signals 使用人工智能进行富有洞察力的新闻分析、Full Fact 等自动事实核查平台以及《纽约时报》的个性化内容管理。这篇文章强调了负责任的新闻业的重要性,以及人工智能支持新闻业核心使命的潜力:提供信息、教育和追究权力责任,从而确保其在数字时代的持续相关性和可信度。
featured image - 人工智能能否引领我们进入高质量新闻时代?
Ksenia Se HackerNoon profile picture
0-item
1-item
2-item

我是一名专业记者,在科技领域工作了几十年。自从社交媒体蓬勃发展以来,新闻业经历了一段艰难的时期,因为出现了如此多的声音,刺耳的声音震耳欲聋。


人工智能生成的内容会增加更多的信息垃圾。但令人惊讶的是,我认为人工智能将让我们回归新闻质量,既作为风险因素,又作为推动因素。上周的另外两篇文章让我思考了这个问题。 Semafor 的第一个介绍了他们的新产品: Semafor 的信号。 Signals 使用 Microsoft 和 OpenAI 工具提供有关全球新闻的多样化见解,以适应数字化转变和人工智能挑战。 Semafor 的技术编辑 Reed Albergotti 写道


“这是正在发生的转变的一个很好的例子。社交媒体的出现削弱了媒体组织的力量。另一方面,人工智能是一种强化技术。社交媒体让一些记者成为明星,并帮助增加了几乎所有主要出版物的流量。但在社交媒体的推动下,有针对性的广告业务从高质量出版物中吸走了资金,而流量只是一个空头支票。当人们想到人工智能和新闻时,首先想到的是记者被机器人取代。虽然 CNET 和体育画报等少数媒体试图尝试这一点,但这些例子只是反常现象。人工智能生成的内容或多或少是垃圾邮件,它并不能取代新闻业。它促使消费者转向值得信赖的出版商。”


我完全同意这一点;在人工智能时代,没有什么比拥有你信任的声音/媒体更重要的了。职业记者来了。负责任的记者。这个人是谁?这是一个棘手的问题,因为在人工智能的背景下“负责任”变成了一个笑话。在人工智能时代,什么是负责任的新闻业这个问题有了新的维度。例如,上周推出了Goody-2 ,这是一个聊天机器人,旨在通过提供模糊的响应和“负责任”来避免错误信息。


人工智能可能很危险,例如可用于音频劫持,但就新闻业而言,它提供了一系列令人惊叹的工具,可以显着增强报告、编辑和内容分发。例如,英国Full Fact等自动事实核查平台利用人工智能快速验证公共话语中的主张,提高新闻报道的准确性和可靠性。人工智能也彻底改变了数据新闻业, Datawrapper等工具使记者无需具备丰富的编码知识即可创建交互式图表和可视化。此外,《纽约时报》的个性化文章推荐实验展示了人工智能如何根据个人读者的兴趣策划内容,从而有可能提高参与度和订阅率。


上周,平台游戏还思考了网络和新闻业的未来。


就记者在未来网络中发挥的作用而言,他们必须自己创造一个角色。使用 Arc Search、Perplexity 或 Poe,很明显没有平台可以拯救新闻业。而且越来越多的平台似乎有意消灭它。


在这里我再次同意:没有人会来拯救新闻业,但有了人工智能——作为风险和推动者——新闻业最终可以回归其本质。回顾新闻业经历数字和人工智能革命的历程,我们可以清楚地看到,尽管挑战比比皆是,但新闻业作为民主支柱的本质仍然完好无损。深思熟虑地拥抱人工智能可以让新闻业回归其核心使命:提供信息、教育并让权力承担责任——从而确保新闻业在日益复杂的世界中作为值得信赖的指南继续蓬勃发展。

来自通常嫌疑人的新闻 ©

维苏威火山和庞贝古城

罗布乐思

  • 该游戏公司推出了16 种语言的人工智能实时聊天翻译。

萨姆·奥特曼

  • Sam Altman 寻求5-7 万亿美元用于全球 AI 芯片生产扩张。 (好多啊…)。加里·马库斯 (Gary Marcus) 提供了世界应该拒绝的7 个理由(其实没那么多……)

同时开放AI

微软

英伟达

谷歌

一些

  • Nvidia、OpenAI、微软和其他近 200 家公司加入了美国人工智能安全研究所联盟 (AISIC),以支持生成式人工智能的安全开发和部署。

最新的研究论文,分类方便您使用

大型语言模型及其增强

  • 您只需要更多代理:演示如何通过抽样和投票方法增加法学硕士中的代理数量来提高性能。阅读论文
  • Tag-LLM :使用自定义输入标签来实现特定于域和任务的行为,使通用 LLM 适应专门领域。阅读论文
  • BiLLM :为LLM引入了1位训练后量化方法,在超低位宽下保持高性能。阅读论文
  • 来自在线人工智能反馈的直接语言模型对齐:通过在线反馈增强模型对齐,改进探索和性能。阅读论文
  • The Hedgehog & the Porcupine :提出了 Hedgehog,一种可学习的线性注意力机制,模仿变形金刚中的 softmax 注意力。阅读论文
  • 交互式代理基础模型:为机器人和医疗保健等领域提出了一种新颖的人工智能框架,集成了视觉自动编码器、语言建模和动作预测。阅读论文
  • DeepSeekMath :突破开放语言模型中数学推理的极限。阅读论文
  • 自我发现:使法学硕士能够自行构建推理结构以解决复杂的问题。阅读论文
  • 曼巴能学会如何学习吗? :比较状态空间模型与 Transformer 模型的上下文学习能力。阅读论文
  • 大型语言模型下游任务性能的缩放法则:研究预训练数据大小和类型对法学硕士下游性能的影响。阅读论文
  • 重新思考微型语言模型的优化和架构:研究优化移动设备的微型语言模型。阅读论文
  • Shortened LLaMA :探索深度剪枝作为提高 LLM 推理效率的方法。阅读论文

多模态和视觉语言模型

  • λ-ECLIPSE :利用CLIP的潜在空间实现个性化的文本到图像的生成。阅读论文
  • SPHINX-X :提出了一系列先进的多模态大型语言模型,重点关注模型性能和训练效率。阅读论文
  • SpiRit-LM :将文本和语音集成到多模态基础语言模型中,以提高语义理解和表达能力。阅读论文
  • 用于多模态推理的问题感知视觉转换器:将问题感知嵌入视觉编码器中以增强多模态推理。阅读论文
  • EVA-CLIP-18B :将 CLIP 扩展到 180 亿个参数,在图像分类方面实现显着的性能改进。阅读论文

机器人、自主系统和交互式代理

  • 通过大型语言模型政策适应驾驶无处不在:使用法学硕士能够适应自动驾驶汽车的当地交通规则。阅读论文
  • 离线 Actor-Critic 强化学习可扩展到大型模型:证明离线 Actor-Critic 强化学习可以有效地扩展到大型模型。阅读论文

网络导航、对话系统和实际应用

  • WebLINX :引入了会话式 Web 导航的基准,强调了对适应新 Web 环境的模型的需求。阅读论文
  • 从错误中学习的上下文原则:通过诱发错误并反思错误以提取特定于任务的原则来增强法学硕士学习。阅读论文
  • 多行人工智能辅助代码创作:推出 CodeCompose,这是一种人工智能辅助代码创作工具,提供单行和多行内联建议。阅读论文

时间序列预测、对象检测和其他创新

  • Lag-Llama :引入了单变量概率时间序列预测的基础模型,展示了强大的零样本泛化能力。阅读论文
  • InstaGen :通过对扩散模型生成的合成数据集进行训练来增强对象检测。阅读论文
  • 隐式扩散:提出了一种优化随机扩散定义的分布的算法,以实现高效采样。阅读论文
  • 内存整合实现长上下文视频理解:提出了一种通过整合过去的激活来增强视频理解的方法。阅读论文
  • 无搜索的特级大师级国际象棋:训练变压器模型以实现特级大师级的国际象棋性能,而无需显式搜索算法。阅读论文

代码表示和量化技术

  • 大规模代码表示学习:引入了 CODESAGE,这是一种采用两阶段预训练方案的代码表示学习高级模型。阅读论文

可解释性和基础模型

  • 重新思考大型语言模型时代的可解释性:随着法学硕士的出现,审视可解释性的作用,倡导更广泛的可解释性。阅读论文

在其他新闻通讯中


也出现在这里