人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。

战争中的生死抉择不容轻视,无论是数百万人的生命,还是一个孩子的命运。战争法和交战规则为士兵在混乱的战斗中做出决定提供了框架,但在任何特定情况下,要做出正确的选择,往往需要正确的判断。

在人类与战争的关系中,技术已经把人类带到了一个关键的临界点。在未来的战争中,机器可能会独自做出生死攸关的交战决策。全球各国军队都在争先恐后地在海上、地面和空中部署机器人--九十多个国家都有无人机在空中巡逻。这些机器人的自主性越来越强,许多还配备了武器。目前,它们在人类的控制下运行,但当 “捕食者 ”无人机拥有和谷歌汽车一样的自主权时,会发生什么呢?我们应该赋予机器什么样的权力来决定最终的生死?

这不是科幻小说。目前已有三十多个国家拥有自主防御武器,以应对交战速度过快、人类无法做出反应的情况。这些系统用于防御火箭弹和导弹对舰船和基地的饱和攻击,由人类进行监督,必要时可以进行干预,但其他武器,如以色列的 “哈比 ”无人机,已经超越了完全自主的界限。与由人类控制的 “捕食者 ”无人机不同,“哈比 ”无人机可以在大范围内搜索敌方雷达,一旦发现敌方雷达,无需征得允许即可将其摧毁。该无人机已出售给少数几个国家,中国也对其进行了反向工程改造。更广泛的扩散是肯定可能的,“哈比 ”可能只是一个开始。韩国已经在与朝鲜接壤的非军事区部署了机器人哨兵枪。以色列使用武装地面机器人在加沙边境巡逻。俄罗斯正在建造一套武装地面机器人,用于在欧洲平原作战。目前已有 16 个国家拥有武装无人机,另有十几个国家正在公开研发。

这些发展是更深层次技术趋势的一部分:人工智能(AI)的崛起,有人称之为 “下一次工业革命”。技术大师凯文-凯利(Kevin Kelly)将人工智能比作电力:就像电力给我们周围的物体带来动力一样,人工智能也将给它们带来智能。从仓库机器人到下一代无人机,人工智能可以让机器人变得更加复杂和自主,还可以帮助处理大量数据并做出决策,为推特机器人提供动力,编制地铁维修时间表,甚至做出医疗诊断。在战争中,人工智能系统可以帮助人类做出决策,也可以授权人类自己做出决策。

人工智能的崛起将改变战争。二十世纪初,各国军队利用工业革命将坦克、飞机和机枪带入战争,造成了前所未有的破坏。机械化使人们能够制造出在体力上比人类更强、更快的机器,至少在某些任务上是如此。同样,人工智能革命正在实现机器的认知化,创造出在完成某些任务时比人类更聪明、更快速的机器。人工智能在军事上的许多应用是没有争议的--如改进后勤、网络防御以及用于医疗后送、补给或监视的机器人--然而,将人工智能引入武器领域却提出了具有挑战性的问题。如今,自动化已被用于武器的各种功能,但在大多数情况下,仍然是人类在选择目标和扣动扳机。这种情况是否会继续下去还不清楚。大多数国家对自己的计划保持沉默,但也有少数国家表示打算全速推进自主化。俄罗斯高级军事指挥官预计,在不久的将来,“将建立一支完全机器人化的部队,能够独立开展军事行动”,而美国国防部官员则表示,部署完全自主武器的选择应该 “摆在桌面上”。

由武装机器人决定杀戮对象听起来像是一场乌托邦噩梦,但有些人认为,自主武器可以让战争变得更加人道。让自动驾驶汽车避开行人的自动化技术也可以用来避免战争中的平民伤亡,而且与人类士兵不同,机器永远不会生气或寻求报复。它们永远不会疲劳或疲倦。飞机自动驾驶大大提高了商用客机的安全性,挽救了无数生命。自动驾驶能否为战争带来同样的效果?

新型人工智能(如深度学习神经网络)在视觉物体识别、面部识别和感知人类情绪方面取得了惊人的进步。不难想象,未来的武器在分辨手持步枪的人和手持耙子的人方面可以胜过人类。然而,计算机在理解上下文和诠释含义方面仍与人类相差甚远。如今的人工智能程序可以识别图像中的物体,但无法将这些单独的线索串联起来理解全局。

战争中的一些决策是简单明了的。有时敌人很容易识别,射击也很明确。但有些决策,比如斯坦尼斯拉夫-彼得罗夫面临的决策,需要了解更广泛的背景。有些情况,比如我的狙击小组遇到的情况,需要进行道德判断。有时,做正确的事需要打破常规--合法和正确并不总是一致的。

本书将探索下一代机器人武器的快速发展之旅。走进制造智能导弹的防务公司和从事蜂群技术前沿研究的研究实验室。还将介绍制定政策的政府官员和争取禁止机器人武器的活动家。本书将回顾过去--包括曾经出错的地方--展望未来,将会见推动人工智能发展的研究人员

本书将探讨未来自主武器的发展前景。自动股票交易导致了华尔街的 “闪电崩盘”。自动武器会导致 “闪电战 ”吗?深度学习等新的人工智能方法功能强大,但往往导致系统实际上成为一个 “黑盒子”--甚至对其设计者来说也是如此。先进的人工智能系统会带来哪些新挑战?

3000 多名机器人和人工智能专家呼吁禁止攻击性自主武器,60 多个非政府组织也加入了 “制止杀手机器人运动”。斯蒂芬-霍金(Stephen Hawking)、埃隆-马斯克(Elon Musk)和苹果公司联合创始人史蒂夫-沃兹尼亚克(Steve Wozniak)等科技界名人都公开反对自主武器,并警告它们可能引发 “全球人工智能军备竞赛”。

军备竞赛可以避免吗?如果已经发生,能否阻止?人类在控制危险技术方面的记录好坏参半;早在古代就有人试图禁止那些被视为过于危险或不人道的武器。其中许多尝试都以失败告终,包括二十世纪初试图禁止潜艇和飞机的尝试。即使是那些成功的尝试,如禁止化学武器,也很少能阻止巴沙尔-阿萨德的叙利亚或萨达姆-侯赛因的伊拉克等流氓政权。如果国际禁令无法阻止世界上最可恶的政权建立杀手机器人陆军,那么我们有一天可能会面对最黑暗的噩梦变成现实。

成为VIP会员查看完整内容
47

书籍简介

学习如何将基于大语言模型的应用安全高效地投入生产。 本实用书籍提供了清晰且富有示例的解释,涵盖了大语言模型(LLMs)如何工作、如何与它们互动,以及如何将LLM集成到自己的应用中。了解LLM与传统软件和机器学习的不同之处,探索如何将它们从实验室环境转化到实际应用中的最佳实践,并借助经验丰富的建议避开常见的陷阱。 在《大语言模型在生产中的应用》一书中,您将: • 掌握大语言模型及其背后的技术基础 • 评估何时使用现成的LLM,何时自己构建一个 • 高效地扩展机器学习平台,以满足LLM的需求 • 训练LLM基础模型并微调现有的LLM • 使用复杂架构(如PEFT和LoRA)将LLM部署到云端和边缘设备 • 构建应用程序,充分利用LLM的优势,同时减轻其弱点 《大语言模型在生产中的应用》为您提供了MLOps的宝贵见解,使您能够轻松无缝地将其引导至生产使用。在书中,您将获得关于从获取适用于LLM的训练数据集、构建平台到补偿LLM庞大规模的实践见解。此外,还包括提示工程、再训练和负载测试、成本管理和确保安全性的技巧与窍门。 前言:Joe Reis

购买印刷版书籍可获得Manning Publications提供的免费PDF和ePub格式电子书。


关于技术

大多数商业软件是通过迭代开发和改进的,甚至在部署后也可能发生重大变化。相比之下,由于LLM的创建成本高且修改困难,它们需要在前期进行细致的规划、严格的数据标准和精心执行的技术实施。将LLM集成到生产产品中将影响到您操作计划的方方面面,包括应用生命周期、数据管道、计算成本、安全性等。如果出错,可能会带来高昂的失败代价。


关于本书

《大语言模型在生产中的应用》将教您如何制定一个LLMOps计划,确保AI应用从设计到交付的顺利过渡。您将学习准备LLM数据集的技巧、像LORA和RLHF这样的成本高效训练方法,以及行业基准模型评估标准。在此过程中,您将通过三个令人兴奋的示例项目来运用新学到的技能:创建和训练一个定制的LLM、构建VSCode AI编码扩展以及将一个小型模型部署到树莓派。


本书内容:

• 成本与性能的平衡 • 再训练与负载测试 • 针对通用硬件优化模型 • 在Kubernetes集群上部署


读者对象

适合了解Python及云部署基础的 数据科学家和机器学习工程师。


作者介绍

Christopher Brousseau 和 Matt Sharp 是经验丰富的工程师,曾领导过多个成功的大规模LLM部署项目。


目录

  1. 语言的觉醒:为何大语言模型引起了关注

  2. 大语言模型:语言建模的深度解析

  3. 大语言模型操作:构建LLM平台

  4. 大语言模型的数据工程:为成功奠定基础

  5. 训练大语言模型:如何生成生成器

  6. 大语言模型服务:实用指南

  7. 提示工程:成为LLM的“低语者”

  8. 大语言模型应用:构建互动体验

  9. 创建LLM项目:重新实现Llama 3

  10. 创建编码助手项目:这会早些时候帮到你

  11. 在树莓派上部署LLM:可以做得更低吗?

  12. 生产:一个不断变化的领域:事情才刚刚开始

A. 语言学历史

B. 带有人类反馈的强化学习

C. 多模态潜在空间


作者简介

Christopher Brousseau 是JPMorganChase的Staff MLE,具有语言学和本地化背景,专注于语言学驱动的自然语言处理(NLP),尤其在国际化方面,并曾领导多个成功的机器学习和数据产品项目,涉及初创公司及财富500强企业。 Matt Sharp 是一名工程师,前数据科学家及资深的MLOps技术领导者,曾为初创公司和顶尖科技公司领导多个成功的数据项目,专注于在生产环境中部署、管理和扩展机器学习模型。

成为VIP会员查看完整内容
44

书籍简介通过构建自己的可靠、有效且自动化的财务顾问工具,掌控您的财富管理。自动化数字财务顾问——也称为机器人顾问——管理着数十亿美元的资产。在这本实用指南中,按照一步步的指引,您将学会构建一个能够管理真实投资策略的机器人顾问。在《用 Python 从零开始构建机器人顾问》一书中,您将学会如何:

  • 衡量回报并估算机器人顾问的收益
  • 使用蒙特卡洛模拟构建并测试财务规划工具
  • 利用优化和其他方法构建多元化、高效的投资组合
  • 实施并评估再平衡方法,长期跟踪目标投资组合
  • 通过税损收获和优化的提款排序来减少税负
  • 使用强化学习找到最佳的投资路径,直到退休后 自动化的“机器人顾问”因其能够以人类顾问的几分之一成本提供高质量的投资建议而在金融服务中变得十分普遍。《用 Python 从零开始构建机器人顾问》将教您如何使用流行的免费 Python 库开发这些强大且灵活的工具。您将掌握在金融服务领域需求旺盛的实际 Python 技能,以及帮助您更好地管理财富的财务规划技能。所有示例都附有可运行的 Python 代码,并且可以根据全球任何投资者的需求进行调整。购买纸质书将获得 Manning 出版社提供的免费的 PDF 和 ePub 格式电子书。关于技术数百万投资者使用机器人顾问作为人类财务顾问的替代品。在这本独一无二的指南中,您将学会如何构建自己的机器人顾问。您的机器人顾问将帮助您处理所有财务规划方面的事务,包括为退休储蓄、创建多元化投资组合和减少税负。与此同时,您还将深入了解 Python 和金融知识!关于本书《用 Python 从零开始构建机器人顾问》将带您逐步完成从零开始创建机器人顾问的全过程。随着进程的推进,您将深入了解强化学习、凸优化和蒙特卡洛方法等技术,这些技术不仅适用于金融科技领域,还可以应用到其他行业。当您完成构建时,您的强大助手将能够创建最优资产配置、在减少税负的同时进行投资再平衡等操作。

本书内容包括

  • 高级投资组合构建技巧
  • 税损收获、退休提款排序与资产配置
  • 利用 AI 和蒙特卡洛模拟进行财务规划
  • 跟踪投资组合的再平衡方法

适读人群本书适合任何具有基本 Python 和金融知识的人群,无需特殊技能。

关于作者

Rob Reider 是一位量化对冲基金投资组合经理,拥有沃顿商学院的金融博士学位,并且是纽约大学的兼职教授。他在纽约大学数学金融系教授一门名为“时间序列分析与统计套利”的研究生课程。Rob 曾为机器人顾问开发过资产配置模型、财务规划工具和最优税务策略。他也开设了多门结合 Python 和金融的讲座,并开发了一门在线课程《Python 时间序列分析》。作为对冲基金经理,Rob 参与了投资过程的各个方面,从发现新的交易策略到回测、执行和管理风险。Alex Michalka 自 2006 年以来一直活跃于金融和技术领域。他的职业生涯始于 Weatherbill,开发气象衍生品定价模型,之后在 AQR Capital Management 从事量化股票投资组合构建研究工作,现担任 Wealthfront 投资研究部门负责人。Alex 拥有加州大学伯克利分校的应用数学学士学位,以及哥伦比亚大学运筹学博士学位。目录****第一部分

  1. 机器人顾问的崛起

  2. 投资组合构建概论

  3. 预期回报和协方差估算

  4. ETF:机器人投资组合的构建块 第二部分

  5. 蒙特卡洛模拟

  6. 使用强化学习进行财务规划

  7. 衡量和评估回报

  8. 资产配置

  9. 税务高效提款策略 第三部分

  10. 优化与投资组合构建

  11. 风险资产配置:风险平价介绍

  12. 黑-利特曼模型 第四部分

  13. 再平衡:跟踪目标投资组合

  14. 税损收获:提高税后回报

成为VIP会员查看完整内容
33
登陆后查看更多精品内容
VIP会员
本周荟萃主题
区块链
区块链(Blockchain)是由节点参与的分布式数据库系统,它的特点是不可更改,不可伪造,也可以将其理解为账簿系统(ledger)。它是比特币的一个重要概念,完整比特币区块链的副本,记录了其代币(token)的每一笔交易。通过这些信息,我们可以找到每一个地址,在历史上任何一点所拥有的价值。
深度学习
机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。
机器学习
“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。”

——中文维基百科
强化学习
强化学习(RL)是机器学习的一个领域,与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外,强化学习是三种基本的机器学习范式之一。 强化学习与监督学习的不同之处在于,不需要呈现带标签的输入/输出对,也不需要显式纠正次优动作。相反,重点是在探索(未知领域)和利用(当前知识)之间找到平衡。 该环境通常以马尔可夫决策过程(MDP)的形式陈述,因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于,后者不假设MDP的确切数学模型,并且针对无法采用精确方法的大型MDP。
推荐系统
推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
卷积神经网络
在深度学习中,卷积神经网络(CNN或ConvNet)是一类深度神经网络,最常用于分析视觉图像。基于它们的共享权重架构和平移不变性特征,它们也被称为位移不变或空间不变的人工神经网络(SIANN)。它们在图像和视频识别,推荐系统,图像分类,医学图像分析,自然语言处理,和财务时间序列中都有应用。
计算机网络
计算机网络( Computer Networks )指将地理位置不同的多台计算机及其外部设备,通过通信线路连接起来,在网络操作系统及网络通信协议的管理和协调下,实现资源共享和信息传递的计算机系统。
命名实体识别
命名实体识别(NER)(也称为实体标识,实体组块和实体提取)是信息抽取的子任务,旨在将非结构化文本中提到的命名实体定位和分类为预定义类别,例如人员姓名、地名、机构名、专有名词等。
机器翻译
机器翻译,又称为自动翻译,是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支,是人工智能的终极目标之一,具有重要的科学研究价值。
计算机视觉
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
微信扫码咨询专知VIP会员