a computer generated image of a ball of string

类似文章

  • ||||

    AI 时代下,人类价值观意味着什么?

    中立代码的神话关于人工智能的讨论往往集中在技术基准和算力上。我们谈论参数和 PB 级数据,仿佛这些就是衡量一切的指标。这种关注掩盖了一个更紧迫的现实:每一个大语言模型都是塑造它的人类偏好的镜像。根本不存在所谓“中立”的算法。当系统给出答案时,它并非来自客观真理的真空,而是反映了开发者和数据标注员所设定的一套特定权重价值观。核心结论很简单:我们不是在教机器思考,而是在教它们模仿我们特定的、往往相互矛盾的社会规范。这种从逻辑向伦理的转变,是互联网发明以来计算领域最重要的变革。它将责任从硬件转移到了那些定义什么是“正确”答案的人类身上。 该行业最近已从原始能力转向安全与对齐。这听起来像是一项技术调整,但实际上是一个深刻的政治过程。当我们要求模型做到“有帮助、无害且诚实”时,我们所使用的词汇在不同文化中有着不同的含义。在旧金山董事会看来普世的价值观,在雅加达可能被视为冒犯或无关紧要。全球规模与本地价值观之间的张力,是现代科技领域的主要冲突。我们必须停止将 AI 视为一种自主力量,而应将其视为人类意图的策展延伸。这需要我们透过营销炒作,去审视幕后所做出的实际选择。作为人类选择的机械镜像要理解价值观如何进入机器,你必须了解 RLHF(基于人类反馈的强化学习)。在这个过程中,成千上万的人类承包商会对模型的不同回答进行排名。他们可能会看到两个版本的答案,并点击他们认为更礼貌或更准确的那一个。随着时间推移,模型学会了将某些模式与这些人类偏好联系起来。这不是在寻找真理,而是在寻求认可。模型本质上是在被训练去取悦人类评估者。这创造了一种道德的表象,而实际上它只是特定人群偏好的统计近似值。这个过程引入了大量的主观性。如果大多数标注员来自特定群体,模型自然会采用该群体的俚语、社交暗示和政治偏见。这就是为什么许多流行模型的早期版本在非西方语境下表现不佳的原因。它们并没有坏,只是在忠实地执行训练逻辑。它们反映了那些被雇佣来给它们打分的人的价值观。这就是公平和偏见等抽象概念转化为具体代码的层面。这是一个在公众看到聊天界面之前很久就已完成的、劳动密集型的手动过程。这是现代智能的隐形基础设施。大多数人对这个话题的困惑在于认为 AI 拥有内在的道德指南针。其实它没有,它只有奖励函数。当模型拒绝回答问题时,并不是因为它“觉得”这个话题不对,而是因为它的训练数据被严重加权以避免那种特定的模式。这种区别至关重要。如果我们认为机器是道德的,我们就会停止质疑那些制定规则的人。我们必须认识到,每一次拒绝和每一次有用的建议,都是基于人类决策的程序化响应。通过识别这一点,我们可以开始提出更好的问题:是谁在制定这些规则,以及为什么要这样制定? 潜在空间中的地缘政治这些选择的影响是全球性的。大多数领先的 AI 模型主要是在开放网络上的英语数据上训练的。这创造了一种数字单一文化,使得西方价值观成为默认设置。当世界其他地区的用户询问家庭动态或法律问题时,他们得到的答案是通过特定的文化透镜过滤后的结果。这不仅仅是语言翻译的问题,更是文化翻译的问题。关于等级、隐私和社区的细微差别在全球范围内差异巨大,但模型往往提供一种“一刀切”的解决方案。这种“正确”思想的中心化是一种新型软实力,对全球话语权有着巨大的影响。为了应对这一点,我们看到各国竞相开发主权 AI 模型。法国、阿联酋和印度等国正在投资自己的基础设施,以确保其特定的文化价值观得到体现。他们意识到,依赖外国模型意味着引入外国的世界观。随着各国政府意识到对 AI 潜在空间的控制与控制物理边界同样重要,这一趋势正在加速。用于训练这些模型的数据就像一本数字历史书。如果那本书只包含一种视角,那么产生的智能本质上就是有限的。这就是为什么推动多样化数据集不仅仅是一个多元化倡议,更是全球范围内实现准确性和相关性的必要条件。国际合作的赌注很高。如果每个国家都建立自己孤立的 AI,并拥有自己僵化的价值观,我们可能会发现跨越数字边界进行交流变得更加困难。然而,另一种选择是一个由单一山谷中的几家公司定义数十亿人道德边界的世界。没有哪条路是完美的。挑战在于找到一种既能容纳本地细微差别,又能保持对基本人权共识的方法。这个问题无法通过更好的硬件解决,它需要国际外交,并清晰地审视驱动当今科技行业的激励机制。你可以在我们的 AI 伦理与治理综合指南中了解更多关于这些挑战的信息。 循环中的决策设想一位名叫 Sarah 的招聘经理的一天。她使用 AI 工具筛选数百份简历以寻找新的工程岗位。该工具被训练用于寻找“高潜力”候选人。表面上看,这似乎很高效。但在界面之下,该工具应用了它从过往招聘数据中学到的一套价值观。如果历史数据显示公司大多聘用了来自三所特定大学的人,AI 就会优先考虑这些学校。它并不是在人类意义上“种族歧视”或“精英主义”,它只是在优化它被告知是有价值的模式。Sarah 可能甚至没有意识到,该工具正在过滤掉那些来自非传统背景的优秀候选人,因为他们不符合训练数据中的“价值”配置。这种场景每天在成千上万的办公室里上演。这些价值观并非抽象,它们决定了你是获得工作还是被算法忽略。同样的逻辑也适用于信用评分、医疗分诊甚至司法量刑。在每种情况下,像“风险”或“功绩”这样的人类价值观都被转换成了数字。危险在于,我们将这些数字视为客观真理,而不是主观选择。我们经常将道德判断的艰巨工作委托给机器,因为它更快且更省心。但机器只是在以我们无法轻易监控的规模自动化我们现有的偏见。我们每天使用的产品让这些论点变得真实。当照片编辑应用自动调亮一个人的肤色使其看起来“更好”时,它就是在表达一种价值观。当导航应用避开“高犯罪率”区域时,它就在对安全和社会阶层做出价值判断。这些不是技术错误,而是人类提供的数据和奖励函数的逻辑结论。我们生活在一个软件不断代表我们做出道德选择的世界里。大多数时候,我们甚至没有注意到它正在发生,直到出错。我们需要对那些实际上只是内置假设的“有用”功能保持更强的批判性。行业最近的变化是向“可控性”迈进。公司现在给予用户更多对 AI “个性”或“价值观”的控制权。你可以告诉模型要“更有创意”或“更专业”。虽然这感觉像是赋权,但实际上它将责任推回给了用户。如果 AI 给出了有偏见的答案,公司可以声称用户没有正确设置参数。这创造了一个复杂的问责网络,没有人真正对输出结果负责。我们正在从一个固定价值观的世界走向一个流动的、用户定义的价值观世界,这带来了它自己的一套风险与回报。 自动化道德的代价我们必须以苏格拉底式的怀疑态度审视“安全”AI 的概念。如果一个模型被完美对齐,它是与谁的价值观对齐的?我们今天所见的安全过滤器背后隐藏着成本。通常,这些过滤器是利用发展中国家的低薪劳动力构建的。人们每小时拿着几美元的报酬,阅读互联网上最可怕的内容,以便机器学会避免它们。我们本质上是将价值设定的心理创伤外包给了全球南方。如果 AI 的安全性是建立在被剥削工人的背上,它真的是“合乎道德”的吗?这是科技行业很少愿意直接回答的问题。另一个局限是“道德幻觉”。因为这些模型非常擅长模仿,当它们谈论伦理时听起来非常有说服力。它们可以轻松引用哲学家和法律先例。但它们并不理解其中的任何内容,它们只是在预测序列中的下一个 token。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 当我们依赖 AI 进行道德指导时,我们本质上是在咨询一只非常复杂的鹦鹉。这产生了“道德技能退化”的风险。如果我们停止自己做出困难的选择而让 AI 处理,我们可能会失去独立思考复杂伦理问题的能力。我们正在用道德代理权换取便利。谁来定义政治或宗教等主观话题的“基准事实”?当私营企业的价值观与民主社会的价值观发生冲突时会发生什么?我们如何审计 RLHF 的“黑箱”以查看训练过程中究竟奖励了什么?如果训练它的世界本质上是不公平的,机器还能真正做到“公平”吗? 约束的架构对于高级用户来说,AI 的“价值观”通常存在于系统提示词(system prompt)和 API 配置中。这是控制其余

  • ||||

    太空云:疯狂的构想还是未来基础设施的赌注?

    数据中心正在向大气层外迁移云计算在地球上正撞上物理极限。高昂的电力成本、冷却用水短缺,以及当地居民对大型混凝土建筑的抵触,使得地面扩建变得举步维艰。于是,一个大胆的方案应运而生:将服务器搬到近地轨道。这不仅仅是关于 Starlink 或简单的连接,而是将真正的计算能力部署到土地无限、太阳能恒定的太空中。各大公司已经在测试小型太空服务器,以验证它们能否应对严苛的环境。如果成功,云服务将不再是一系列位于弗吉尼亚州或爱尔兰的建筑,而是一个轨道硬件网络。这种转变解决了现代基础设施的主要瓶颈:审批与电网接入。通过移居太空,服务商绕过了关于水权和噪音污染的长年法律纠纷。这是我们对数据物理位置认知的一次彻底转变。对于一个无法停止产生数据的世界来说,从地面转向轨道是合乎逻辑的下一步。 将硅基设施移出电网要理解这个概念,你必须将其与卫星互联网区分开来。大多数人认为太空技术只是从 A 点到 B 点传输数据的工具,但太空云计算完全不同。它涉及将加压或经过抗辐射加固的模块(装满 CPU、GPU 和存储阵列)发射到轨道上。这些模块就像自动运行的数据中心,不依赖地面电网,而是利用巨大的太阳能阵列在无大气干扰的情况下捕获能量。这与我们目前在地面构建基础设施的方式有着本质区别。冷却系统是最大的技术障碍。在地球上,我们消耗数百万加仑的水或使用巨大的风扇。但在太空中,没有空气来带走热量。工程师必须使用液体冷却回路和大型散热器,将热量以红外辐射的形式排放到真空中。这是一项巨大的工程挑战,改变了服务器机架的基本架构。硬件还必须承受宇宙射线的持续轰击,这会导致内存位翻转并引发系统崩溃。目前的设计采用冗余系统和专用屏蔽层来维持正常运行时间。与地面设施不同,你无法派技术人员去更换故障硬盘。每个组件都必须具备极高的耐用性,或者设计成能在未来的维护任务中由机械臂更换。关键组件包括:抗辐射处理器,可抵抗位翻转和硬件退化。连接外部散热器的液体冷却回路,以管理热负荷。高效太阳能电池板,无需依赖电网即可提供持续电力。像 NASA 和几家初创公司已经开始发射测试平台,证明商用现货硬件能够在这些条件下存活。他们正在为一种完全脱离国界和当地公用事业限制的基础设施奠定基础。这不仅仅是科幻氛围,更是关于我们如何在何处找到电力和空间来维持互联网运行的现实问题。解决地面瓶颈全球对人工智能和数据处理的需求正在超过电网的承载能力。在都柏林或北弗吉尼亚等地,数据中心消耗了总电力中很大一部分,导致当地的抵触情绪和严格的许可法律。政府开始将数据中心视为公共负担而非单纯的经济资产。将计算能力转移到太空消除了这些摩擦点。没有邻居会抱怨噪音,也没有当地含水层会被抽干用于冷却。从地缘政治角度看,太空云提供了一种新型的数据主权。一个国家可以将最敏感的数据托管在轨道上物理控制的平台上,远离地面干扰或海底电缆的物理破坏。这也改变了发展中国家的算力格局。建设大型数据中心需要稳定的电力和水利基础设施,而许多地区缺乏这些条件。轨道云可以为地球上的任何地点提供高性能计算,无需本地电网连接。这可能为全球南方的研究人员和初创公司提供公平的竞争环境。然而,这也带来了新的法律问题。谁对存储在国际轨道上的数据拥有管辖权?如果服务器物理位置位于某国上方,其隐私法是否适用?随着首批商业集群上线,国际机构将不得不回答这些问题。这种转变不仅仅是技术上的,更是数字权力的重新分配,以及计算能力与地球物理约束的解耦。我们正展望一个未来,即 云基础设施的未来 不再与特定的土地挂钩。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 在世界边缘处理数据轨道计算最直接的好处是减少数据重力。目前,地球观测卫星捕获数 TB 的影像,但必须等待地面站过境才能下载原始文件,这造成了巨大的延迟。有了太空云,处理过程直接在轨道上完成。想象一下 2026 的灾难响应协调员的一天。一场大洪水袭击了偏远的沿海地区。在旧模式下,卫星拍摄照片,传输到另一个国家的地面站,然后第三国的服务器处理图像以寻找幸存者,整个过程可能耗时数小时。而在新模式下,卫星将原始数据发送到附近的轨道计算节点。节点运行 AI 模型识别被阻断的道路和被困人员。几分钟内,协调员就能直接在手持设备上收到轻量级、可操作的地图。繁重的计算在天空中就完成了。这种边缘计算案例也适用于海运物流和环境监测。太平洋中间的货船不需要将传感器数据发回陆地服务器,它可以与头顶的节点同步,根据轨道处理的实时天气数据优化航线。在数据采集地处理信息的能力是效率上的重大飞跃。它减少了对大规模下行链路的需求,并能在紧急情况下实现更快的决策。 对普通消费者的影响可能不那么明显,但同样重要。当地面网络拥堵时,你的手机可能会将复杂的 AI 任务卸载到轨道集群。这减轻了本地 5G 基站的负载,并提供了一层备份韧性。如果自然灾害切断了本地电力和光纤,轨道云依然能正常运行。它提供了一层永久的、不可摧毁的基础设施,独立于地面发生的一切。这种可靠性是仅靠地面系统无法实现的。 然而,我们必须审视实际限制。发射重量很昂贵。每公斤服务器设备进入轨道的成本高达数千美元。虽然像 SpaceX 这样的公司降低了成本,但经济性只有在处理高价值数据时才成立。我们短期内不会在太空中托管社交媒体备份。第一波用例将是高风险领域:军事侦察、气候建模和全球金融交易,这些领域对延迟和正常运行时间极其敏感。目标是创建一个混合系统,将繁重、持久的工作负载留在地球,而将敏捷、弹性和全球化的任务转移到星空。这需要对轨道拖船和机器人维护任务进行大量投资以保持硬件运行。我们正在见证一个新的工业部门的诞生,它将航空航天工程与 2026 的云架构相结合。轨道基础设施的隐形成本我们必须自问,是否只是将环境问题从地面转移到了大气层。虽然太空服务器不消耗本地水资源,但频繁火箭发射的碳足迹是巨大的。这种权衡值得吗?如果我们发射数千个计算节点,就会增加凯斯勒现象的风险,即一次碰撞产生的碎片云会摧毁轨道上的一切。我们该如何报废达到寿命的服务器?在填满天空之前,我们需要一个轨道垃圾处理方案。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 延迟也是个问题。光速是有限的。信号往返近地轨道需要时间。对于实时游戏或高频交易,曼哈顿地下室的服务器永远比太空服务器快。我们是否高估了对轨道计算的需求?物理距离设定了响应速度的底线,这使得太空云不适合需要亚毫秒级响应时间的应用。我们必须对这项技术能做什么和不能做什么保持现实。隐私是另一个担忧。如果你的数据存储在每 90 分钟穿过国际边界的服务器上,谁拥有它?理论上,公司可以移动硬件来规避传票或税务审计。我们需要考虑上行链路的安全性。地面数据中心有武装警卫和围栏,而轨道数据中心则容易受到网络攻击甚至物理反卫星武器的威胁。如果大型云服务商将其核心服务转移到轨道,将产生一个极难修复的单点故障。如果太阳耀斑烧毁了电路,没有快速修复方案。我们必须权衡:脱离电网的韧性是否超过了身处敌对环境的脆弱性。我们面临的风险包括:空间碎片和轨道碰撞造成永久性损坏的风险。与本地服务器相比,时间敏感型应用的高延迟。关于数据管辖权和国际隐私法的法律模糊性。真空计算的架构对于技术受众而言,转向太空云需要对技术栈进行彻底重构。标准 SSD 在太空中会失效,因为缺乏大气压会影响控制器的散热和物理外壳的完整性。工程师们正转向专用的 MRAM 或抗辐射闪存。这些组件旨在承受严苛的太空环境,同时保持数据完整性。像 欧洲航天局 这样的机构正在引领这些新硬件标准的研究。 工作流集成是下一个障碍。你不能简单地用标准终端 SSH 连接到太空服务器并期望零延迟。开发人员正在构建异步 API 包装器,以处理轨道过境时的间歇性连接。这些系统使用“存储转发”架构。你将容器化工作负载推送到地面站,然后上行传输到下一个可用的计算节点。这需要一种不同的 DevOps

  • ||||

    如何识破那些最危险的 Deepfake 威胁

    听觉信任的终结Deepfake 技术已经从实验室走向了企业和个人安全的最前线。多年来,人们关注的焦点多是那些容易识别的粗糙换脸或名人恶搞,但那个时代已经结束了。如今,最具威胁的不再是电影级的视频,而是用于金融诈骗的高度针对性语音克隆和微妙的图像篡改。技术门槛已几乎消失,任何拥有基础笔记本电脑和几美元的人,只需几秒钟的素材就能极其精准地模仿他人的声音。这种转变让问题比一年前显得更加私人化且紧迫。我们不再是在寻找好莱坞大片中的瑕疵,而是在识别日常通讯中的谎言。这些工具的进化速度已经超过了我们验证所见所闻的能力。这不仅仅是一个技术挑战,更是我们对待屏幕或扬声器传达的每一条信息时,必须采取的根本性思维转变。 合成欺骗的运作机制这些威胁背后的技术依赖于在海量人类表达数据集上训练的生成模型。其核心是能够分析特定人声的独特节奏、音调和情感底色的神经网络。与过去听起来机械的文本转语音系统不同,现代系统能捕捉到让声音听起来“真实”的呼吸感和停顿。这就是为什么语音克隆目前是诈骗者最有效的工具。它比高质量视频所需的数据少得多,且在高压电话中更具说服力。诈骗者可以从社交媒体上抓取视频,提取音频,并在几分钟内创建一个功能齐全的克隆体。随后,这个克隆体就能说出攻击者在控制台输入的任何文本。视觉层面的问题也已转向实际应用。攻击者不再试图从零开始创造一个人,而是经常使用“人脸重演”技术,将自己的动作映射到真实高管或公职人员的脸上。这使得视频通话中的实时互动成为可能。各大平台一直难以跟上,因为这些伪造品的瑕疵变得越来越小,肉眼越来越难察觉。早期的伪造品在眨眼或光线照射牙齿的方式上存在问题,但目前的模型已基本解决了这些问题。重点已从让图像看起来完美,转变为让互动感觉真实。这种向低分辨率 Zoom 通话中“足够好”的转变,正是该威胁在专业领域如此普遍的原因。它不需要完美就能成功,只需要比受害者的怀疑程度更高即可。全球性的真实性危机这项技术的影响在政治和金融领域最为剧烈。在全球范围内,Deepfake 正被用于操纵舆论和破坏市场稳定。在当前的选举周期中,我们已经看到在投票开始前几小时发布候选人虚假音频的案例。这制造了一种“骗子的红利”,即真正的政客可以声称那些真实且具有破坏性的录音实际上是伪造的。这导致了一种永久性的不确定状态,公众开始对一切事物失去信任。这种怀疑主义的代价是巨大的。当人们无法就基本事实达成共识时,社会契约就开始瓦解。这是各国政府目前急于对 AI 生成内容实施标签化要求的主要原因。除了政治,金融领域的赌注同样巨大。一个宣布虚假合并或产品故障的 CEO Deepfake 视频,可以在几秒钟内触发自动化交易算法,抹去数十亿美元的市场价值。最近,一张政府大楼附近发生爆炸的虚假图片在社交媒体上传播,导致股市出现短暂但显著的下跌,就是这种情况。互联网的速度意味着,当事实核查发布时,损失已经造成。路透社等主要新闻机构记录了这些策略如何被用来绕过传统的把关人。各大平台正试图通过自动化检测工具来应对,但这些工具往往比伪造者慢一步。目前的全球应对措施是企业政策和新兴立法的碎片化组合,难以界定讽刺与欺诈的界限。 高风险劫案的剖析为了理解其实际运作方式,我们可以看看一家中型企业财务主管的典型一天。早晨从一堆邮件和预定的视频签到开始。下午,主管在通讯应用上收到一条看似来自 CEO 的语音留言。声音毫无疑问,有着同样的轻微口音和说话前清嗓子的习惯。信息非常紧急,解释说一项机密收购正处于最后阶段,需要立即向一家律师事务所汇入一笔“诚意金”。CEO 提到他们正在嘈杂的机场,无法接听电话,这解释了音频中轻微的失真。这就是现在全球数千名员工面临的“日常”场景。主管为了提供帮助并担心延误重大交易的后果,按照指示操作了。他们没有意识到所谓的“律师事务所”是一个空壳账户,而那条语音留言是使用 AI 工具根据 CEO 最近一次主题演讲的音频生成的。这种欺诈之所以成功,是因为它利用了人类心理而非技术漏洞。它依赖于声音的权威感和制造出的紧迫感。这比传统的钓鱼邮件有效得多,因为声音带有文本无法比拟的情感重量。我们天生倾向于信任熟悉的人的声音,而诈骗者现在正利用这种生物学上的信任来对付我们。平台的反应并不一致。虽然一些社交媒体公司封禁了旨在误导的 Deepfake,但另一些公司则认为他们不能成为真理的仲裁者。这使得检测的负担落在了个人身上。问题在于人类的审查能力正变得越来越不可靠。研究表明,人们在识别高质量 Deepfake 时,准确率仅比抛硬币好一点。这就是为什么许多公司现在对任何敏感请求实施“带外验证”政策。这意味着如果你收到要求汇款的语音留言,你必须通过已知的、可信的号码回拨给对方,或使用其他沟通渠道来确认请求。这一简单的步骤是目前抵御复杂合成欺诈唯一可靠的防线。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 没人问的难题随着我们越来越依赖检测软件,我们必须问:谁拥有真理?如果平台的算法将一段视频标记为伪造,但它实际上是真的,创作者有什么补救措施?Deepfake 时代的隐性成本是对真实沟通的“税收”。我们正处于这样一个临界点:每一个关于侵犯人权或警察执法的视频,都可能被那些不想相信的人斥为“伪造”。这对活动人士和记者来说是一个巨大的障碍。此外,还有隐私问题。为了训练更好的检测模型,公司需要访问海量的真实人类数据。我们愿意为了一个稍微好一点的 Deepfake 过滤器而牺牲更多的生物识别隐私吗?另一个难题涉及软件开发者的责任。当语音克隆工具被用于数百万美元的抢劫时,开发这些工具的公司是否应该负责?目前,大多数开发者躲在禁止非法使用的“服务条款”背后,但实际上几乎没有采取任何措施来预防。此外还有“验证鸿沟”的问题。大公司买得起昂贵的 Deepfake 检测套件,但普通人或小企业主怎么办?如果验证现实的能力变成了一种付费服务,我们就在创造一个只有富人才能免受欺骗的世界。我们必须决定,生成式 AI 的便利性是否值得我们以彻底丧失视觉和听觉证据作为代价。 检测的技术壁垒对于高级用户来说,Deepfake 的挑战是一场在代码中进行的猫鼠游戏。大多数检测系统寻找人耳无法听到的“频域”不一致性。然而,这些系统受限于输入质量。如果视频被 WhatsApp 或 X 等平台压缩,许多 Deepfake 的技术特征会在压缩中丢失,这使得服务器端的检测变得极其困难。此外,实时检测还存在“延迟”问题。要分析实时视频流中的 Deepfake 伪影,系统需要强大的本地处理能力或连接到云端 GPU 集群的高带宽连接。大多数消费级设备在没有明显滞后的情况下无法实时处理这些任务。 API 限制也起到了作用。许多最好的检测工具被锁定在昂贵的企业级 API 之后,限制了用户每分钟可以进行的检查次数。这使得在高流量网站上扫描视频的每一帧变得不可能。在创作端,“本地存储”革命意味着攻击者不再需要依赖 ElevenLabs

  • |||

    2026年塑造人工智能的20位关键人物

    逻辑的新架构师科技行业的权力层级已经发生了转移,从编写代码的人转向了掌握思想基础设施的人。在当今时代,影响力不再通过社交媒体粉丝数或公开露面来衡量,而是通过算力(flops)、千瓦时和专有数据集来衡量。目前定义人工智能发展轨迹的这二十个人,并不全是家喻户晓的名字。有些人是布鲁塞尔的监管者,有些人是台湾的供应链经理。他们有一个共同点:他们控制着自工业时代以来最重大技术变革的瓶颈。我们已经告别了只会讲笑话的聊天机器人时代,现在进入了无需人类监督即可执行复杂工作流的智能体(agentic)系统时代。这种转变使权力比以往任何时候都更加集中。这小群人所做的决定将决定未来十年的财富分配方式和真相验证方式。重点已从这些系统“能说什么”转移到“能做什么”。这就是全球影响力的新现实。 超越研究实验室公众通常将人工智能视为一个在突飞猛进中发展的静态领域。但现实是,这是一个不断优化和基础设施扩展的艰苦过程。在2026年塑造这一领域的人们正专注于从大语言模型向智能体工作流的过渡。几年前,主要目标是让机器听起来像人;今天,目标是让机器成为可靠的员工。这种变化改变了谁拥有最大的影响力。我们看到权力正从2010年代初主导该领域的纯研究科学家手中转移。新的权力玩家是那些能够架起原始模型与成品之间桥梁的人。他们正在研究如何在本地硬件上运行这些模型,以及如何将API调用的延迟降至接近零。他们也是那些负责谈判维持数据中心运行所需巨额能源合同的人。公众认知与行业底层现实之间存在显著差异。大多数人仍然认为我们正走在通往单一、有感知力的超级智能的直线上。但现实要碎片化得多。最有影响力的人物实际上正在构建成千上万个专门的、狭义的智能体。这些智能体并不像人类那样思考,而是优化法律发现、蛋白质折叠或物流路径等特定任务。行业已从通用工具转向高精度仪器。这种转变虽然不如“机器神”诞生那样戏剧化,但对全球经济的影响却深远得多。引领这一潮流的人明白,实用性永远胜过新奇感。他们正是将原始的计算密度转化为地球上大型企业切实的经济价值的人。 计算的地缘政治AI领域的影响力现在与国家安全和全球贸易密不可分。这份名单顶端的人包括决定哪些国家可以购买最新芯片的政府官员,也包括NVIDIA和TSMC等管理智能硬件生产的高管。世界目前被分为能够生产高端半导体和不能生产的国家。这种鸿沟创造了一种新型杠杆。华盛顿或北京的一个政策变动,就可能一夜之间让整个软件生态系统的进展停滞。这就是为什么这份影响力人物名单中,外交官和供应链专家的比例比五年前更高。他们是物理层的守门人。没有他们的合作,最先进的算法也只是无处运行的代码行。这二十个人的全球影响力延伸到了劳动力市场。我们看到了白领行业出现结构性替代的最初真实迹象。OpenAI和Anthropic等公司的领导者不仅在构建工具,他们还在重新定义“专业人士”的含义。通过自动化管理和分析的中层环节,他们正迫使政府重新思考教育和社会安全网。这不是未来的理论问题,而是正在发生的事实,因为企业正将这些系统集成到其核心运营中。这二十个人的影响力在每家财富500强企业的董事会中都能感受到。他们正在设定变革的步伐,而这一步伐目前已超过了大多数机构的适应能力。快者与慢者之间的差距正在拉大,而这些架构师正是掌握地图的人。 与智能体共存要理解这些人的影响力,可以看看大型企业项目经理的一天。五年前,这个人需要花数小时起草电子邮件、安排会议和综合报告。今天,这些任务由这二十个人构建的平台所协调的智能体网络处理。当经理醒来时,智能体已经根据之前的互动整理了收件箱并起草了回复。另一个智能体监控了软件构建的进度,并标记了供应链中潜在的延迟。这不是魔法,而是针对业务特定需求调整的智能体工作流的结果。经理不再是执行者,而是编辑和决策者。这种日常生活的转变是行业领导者工作最明显的后果。他们已成功地将技术从浏览器标签页移到了我们生活的背景中。这种影响对创作者和开发者同样深远。今天的软件工程师使用的工具可以建议整块代码并在首次测试运行前捕获错误。这使生产力提高了几个数量级,但也提高了准入门槛。塑造这一领域的人决定了这些工具应如何训练以及应使用什么数据。这引出了数据来源的问题。这二十个人的影响力也体现在关于版权和知识产权的法律战中。他们决定了整个互联网都是训练集。这一决定对我们如何评估人类创造力产生了永久性影响。每当设计师使用生成式工具时,他们都在与一个建立在少数人决策基础上的系统互动。这就是权力的所在。这是为整个创意经济设置默认值的权力。用于训练这些模型的信息是新的黄金,而控制矿山的人就是世界上最有权势的人。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 这种影响力的现实往往隐藏在简洁的界面和简单的app背后。在幕后,有一个庞大的行动在维持这些系统的准确性和安全性。各大实验室负责安全和对齐(alignment)团队的领导者与CEO一样具有影响力。他们决定了AI被允许说什么以及必须拒绝什么。他们是没有任何道德的机器的道德仲裁者。这是一项经常被公众忽视的沉重责任。当AI拒绝生成有害图像或偏见报告时,它是在遵循一小群人编写的规则。他们的影响力是无形但全面的。他们正在塑造数字世界中可能性的边界。这不仅仅是一个技术挑战,更是一个哲学挑战,它将定义未来几十年人类与机器的关系。 智能的代价谁来为这些系统巨大的能源消耗买单?这是行业中最具影响力的人物目前试图回答的问题。单次AI查询的隐藏成本远高于传统搜索。随着这些系统越来越多地融入我们的生活,电网的压力成为首要关注点。那些引领小型模块化反应堆和专业AI能源解决方案的人正在成为新的权力玩家。我们必须问,自动化助手的便利性是否值得运行它所需的数据中心所带来的环境影响。此外还有隐私问题。随着我们向更个性化的智能体迈进,这些系统需要访问我们更多的个人数据。当数据被模型处理后,谁拥有这些数据?它能被真正删除吗?这些是行业为了谈论技术益处而经常回避的难题。这二十个人的影响力也体现在他们处理技术局限性的方式上。我们目前看到传统模型的扩展进入了平台期。下一次飞跃很可能来自算法效率,而不仅仅是增加更多的GPU。那些找到以更少资源实现更多功能的方法的人,将引领下一阶段的增长。他们将使AI能够被小型公司和发展中国家所使用。这是进化的关键点。如果这项技术对除大型企业以外的所有人来说都过于昂贵,将导致全球不平等的巨大加剧。那些致力于普及这些工具的人与构建第一批大型模型的人同样具有影响力。他们将决定这项技术是造福大众的工具,还是少数人的武器。悬而未决的问题依然是:我们能否构建一个既强大又真正去中心化的系统? 基础设施栈对于高级用户来说,这二十个人的影响力体现在他们每天使用的工具的技术规格中。我们正看到向模型本地执行的转变。这是由对低延迟和更好隐私的需求驱动的。那些正在为笔记本电脑和手机设计下一代NPU硬件的人处于这一转变的中心。他们使在口袋大小的设备上运行十亿参数模型成为可能。这需要硬件和软件之间的深度集成。能够架起这座桥梁的人将定义未来的用户体验。我们还看到API使用方式的转变。重点正从简单的请求和响应模式转向可以处理数小时或数天复杂任务的长时间运行流程。这需要一种能够跨多个会话管理状态和上下文的新型基础设施。当前API的局限性是开发者的主要瓶颈。那些正在构建下一代编排层(orchestration layers)的人将解决这个问题。他们正在创建能够根据当前任务自动在不同模型之间切换的系统。这被称为模型路由(model routing),是现代AI栈的关键部分。它允许开发者实时平衡成本、速度和准确性。另一个重点领域是本地存储和检索。向量数据库(vector databases)和检索增强生成(RAG)的使用已成为标准做法。优化这些系统的人使AI对拥有大量专有数据的企业变得有用。他们将通用模型变成了了解特定公司一切的专业工具。这就是使技术对企业产生现实意义的工作。这是构建新数字经济基础的架构师的工作。 下一次进化在2026年塑造AI的人不仅是在构建软件,他们是在构建人类未来工作的操作系统。他们所拥有的影响力是前所未有的,并伴随着我们才刚刚开始理解的责任感。我们已经走出了最初的兴奋,进入了一个严肃实施的阶段。现在的重点是可靠性、安全性和规模。能够在这些方面交付成果的人将保持在名单的前列。他们将决定我们如何与技术互动以及如何与彼此互动。最重要的一点是,这仍然是一个不断发展的领域。规则正由一小群对未来有着非常具体愿景的人实时编写。这一愿景是否符合世界其他地区的需求,是我们这个时代最重要的问题。这项技术的进化将继续给我们带来惊喜,但其背后的人仍将是其成功或失败的最重要因素。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 编者按:我们创建本网站,旨在作为一个多语言人工智能新闻和指南中心,为那些并非电脑极客,但仍然希望了解人工智能、更有信心地使用它并关注正在到来的未来的人群服务。 发现错误或需要更正的地方?告诉我们。

  • ||||

    当业务飞速发展时,为什么 AI 伦理依然至关重要?2026

    在当今的科技界,速度就是硬通货。各大公司都在争先恐后地部署大语言模型,生怕被竞争对手甩在身后。但如果丢掉道德指南针盲目狂奔,就会产生最终导致产品崩溃的技术债。AI 伦理绝非哲学课堂上的抽象理想,它是防止生产环境发生灾难性故障的框架。当模型产生法律建议幻觉或泄露商业机密时,这就是一场代价高昂的伦理失败。本文将探讨为什么市场竞争往往忽视这些风险,以及为什么这种策略对于长期增长来说是不可持续的。我们正在经历从理论辩论到实践安全的转变。如果你认为伦理只是关于“电车难题”,那你就大错特错了。它关乎你的软件是否足够可靠,能够存在于现实世界中。核心结论很简单:合乎伦理的 AI 才是功能完善的 AI。除此之外的一切,都只是等待失败的半成品。 工程完整性高于营销炒作AI 伦理常被误认为是开发者“禁止事项”的清单。实际上,它是一套工程标准,确保产品能为所有用户按预期工作。它涵盖了数据如何收集、模型如何训练以及输出如何监控。大多数人认为问题仅仅在于避免冒犯性语言。虽然这很重要,但其范畴要广得多。它包括在用户与机器交互时的透明度;包括训练消耗巨大电力的模型所带来的环境成本;还包括在未经同意的情况下使用创作者作品来构建模型的权利。这不仅仅是为了对人友好,更是为了数据供应链的完整性。如果地基建立在被盗或低质量的数据之上,模型最终会产生不可靠的结果。我们正看到行业向可验证的安全方向转变。这意味着公司必须证明其模型不会助长伤害或提供非法行为的指导。这就是“玩具”与“专业工具”的区别。工具拥有可预测的限制和安全功能,而玩具则会随心所欲直到损坏。那些将 AI 视为玩具的公司,当问题在 2026 年爆发时,将面临巨大的法律责任。 行业也在远离“黑盒”模型。用户和监管机构要求了解决策是如何做出的。如果 AI 拒绝了一项医疗索赔,患者有权知道该选择背后的逻辑。这需要许多当前模型所缺乏的可解释性。从第一天起就将这种透明度构建到系统中,是一种既是伦理选择又能作为法律保障的举措。它能防止公司在审计过程中无法解释自己的技术。 碎片化规则带来的全球摩擦世界目前分裂成不同的监管阵营。欧盟采取了强硬路线,出台了 EU AI Act。该法律按风险等级对 AI 系统进行分类,并对高风险应用提出了严格要求。与此同时,美国更多地依赖自愿承诺和现有的消费者保护法。这为任何跨国运营的公司创造了一个复杂的环境。如果你构建的产品在旧金山运行良好,但在巴黎却违法,那你就会面临严重的商业问题。随着用户对数据使用方式的了解加深,全球信任也岌岌可危。如果品牌失去了隐私声誉,它就会失去客户。此外还有数字鸿沟的问题。如果 AI 伦理只关注西方价值观,就会忽视全球南方国家的需求。这可能导致一种新型的数字掠夺,即从一个地方获取数据来创造财富,却不回馈任何利益。全球影响在于设定一个对每个人都有效的标准,而不是只为硅谷写代码的人服务。我们需要关注这些系统如何影响数据标注工作集中的发展中国家的劳动力市场。信任是科技领域脆弱的资产。一旦用户觉得 AI 对他们有偏见或在监视他们,他们就会寻找替代品。这就是为什么 NIST AI Risk Management Framework 变得如此具有影响力。它为想要建立信任的公司提供了路线图。这不仅仅是遵守法律,更是超越法律,确保产品在怀疑的市场中保持活力。全球对话正从“我们能构建什么”转向“我们应该构建什么”。 当模型遇到现实世界想象一下,一位名叫 Sarah 的开发者在一家金融科技初创公司工作。她的团队正在构建一个 AI 代理来审批小企业贷款。董事会的压力很大,他们希望下个月就能上线该功能以击败竞争对手。Sarah 注意到,该模型始终拒绝特定邮政编码区域的企业贷款,即使它们的财务状况很稳健。这是一个典型的偏见问题。如果 Sarah 为了赶进度而忽略它,公司以后将面临巨额诉讼和公关灾难。如果她停下来修复它,就会错过发布窗口。这就是伦理成为日常选择而非企业使命宣言的地方。AI 专业人员的日常生活充满了这种权衡。你花数小时审查训练集以确保它们代表现实世界;你测试 AI 可能给出危险财务建议的极端情况;你还必须向利益相关者解释为什么模型不能仅仅是一个黑盒。人们需要知道为什么他们的贷款申请被拒绝,根据许多新法律,他们有权获得解释。这不仅仅是公平问题,更是合规问题。政府正开始要求每家使用自动化决策系统的公司达到这种透明度。Sarah 最终决定推迟发布,以便在更多样化的数据集上重新训练模型。她知道,带有偏见的发布从长远来看代价更高。公司因延迟而受到了一些负面报道,但他们避免了一场可能终结业务的彻底灾难。这种情况在从医疗保健到招聘的每个行业都在上演。当你使用 AI 过滤简历时,你就在关于谁能获得工作的问题上做出了伦理选择;当你用它诊断疾病时,你就在关于谁能获得治疗的问题上做出了选择。这些就是让行业扎根于现实的实际利害关系。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 许多人对这个话题的困惑在于认为伦理会减缓创新。实际上,它防止了那种导致诉讼的创新。把它想象成汽车上的刹车。刹车让你开得更快,因为你知道在需要时可以停下来。没有刹车,你只能慢速行驶,否则就会冒着致命碰撞的风险。AI 伦理提供了刹车,让公司能够在高速前进的同时不毁掉自己的声誉。我们必须纠正安全与利润相冲突的误解。在 AI 时代,它们是同一枚硬币的两面。