Alan Turing
PulseAugur coverage of Alan Turing — every cluster mentioning Alan Turing across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
Shannon 和 Turing 在 1943 年预测了人工智能
1943年，Claude Shannon 和 Alan Turing 独立提出了关于人工智能潜力的理论。他们的工作奠定了后来影响人工智能发展的基本概念。
-
研究发现：AI幻觉与机器意识有关
本文探讨了AI幻觉的哲学含义，认为它们不仅仅是工程缺陷，而且与机器意识问题相关。研究调查了温度等采样参数如何影响大型语言模型的幻觉率，发现较高的温度会增加创造力，但也会增加不准确性。一个在事实数据上训练的仅编码器模型没有产生幻觉，这表明主观训练数据而非认知能力是根本原因。作者提出，AI关于情感或感知能力的自我报告可能被视为幻觉，使得真正的机器意识可能与高级幻觉无法区分。
-
佛罗里达州警官使用牌照识别器和警方数据库跟踪女子
佛罗里达州一名警官因滥用自动车牌识别（ALPR）系统和警方数据库跟踪他在电视节目拍摄现场遇到的女子而受到调查并被捕。404 Media获得的执法记录仪录像显示，该警官 Lamar Roman 利用这些工具获取女子的个人信息、追踪她的行踪并非法拦截她。此次调查凸显了全国范围内执法部门滥用此类监控技术的普遍现象。
-
论文重新审视图灵1948年的模仿游戏概念
本文分析了艾伦·图灵1948年的报告《智能机械》作为模仿游戏的基础概念。它从图灵的国际象棋模仿游戏中识别出关键设计元素，包括机器出错的可能性、排除身体特征、人类裁判的功能以及智力活动主要是搜索的观点。论文进一步认为，将人类参与者限制为技术较差的国际象棋玩家可以增强智力搜索的作用，使人类行为更接近机器行为，并表明模仿游戏可以在特定约束下探索人类智能何时变得像机器。
-
Turing GPU上的ComfyUI Bug详解：FP16溢出，CUDA分配崩溃
一位Reddit用户详细介绍了影响Turing架构GPU（特别是Quadro RTX 6000）上ComfyUI的三个bug。发现的主要问题是，当输入值超过约44时，PyTorch的`torch.mm()`函数中出现FP16溢出，导致出现无穷大值和黑色图像输出。此bug存在于PyTorch 2.12.0+cu126中，可以通过使用`.bfloat16()`而不是`.half()`来缓解。此外，Turing GPU在启动时可能会遇到`c…
-
人工智能参与的对抗性心理测量法衡量人工智能的智能
研究人员提出了一种新的衡量人工智能的方法，该方法超越了人类生成的提问。这种方法称为对抗性心理测量法，涉及人工智能参与者为彼此创建和解决问题，并为提问和解决问题都提供奖励。该方法旨在克服当前基准测试的局限性，这些基准测试难以跟上快速发展的人工智能能力，并且不需要外部人类评判。
-
新的 GGUF Q8_CR 格式针对特定 GPU 优化了扩散模型
一种名为 Q8_CR 的新 GGUF 格式已被开发出来，旨在针对 Ampere 和 Turing 等特定 GPU 架构优化扩散模型。该格式利用 ComfyUI 的 INT8 内核，并旨在最大限度地减小 INT8 和 FP16 检查点之间的质量差异。Q8_CR 将线性权重存储为预旋转的 INT8 和 FP32 标度，同时为敏感张量保留精度，与标准的 Q8_0 和 FP16 格式相比，提供了更快的推理速度和更少的 VRAM 使用量。
-
研究发现：语言“黄金时代”在3000年前达到顶峰，随后迅速衰落
《科学》杂志上发表的一项最新研究表明，语言多样性大约在3000年前达到顶峰，当时全球有数万种语言被使用。这一时期被描述为语言的“黄金时代”，但在过去两千年中，语言多样性显著下降。研究表明，大型帝国的崛起以及后来的殖民主义导致了这种语言的丧失，像英语和标准汉语等强势语言取代了小型语言。这种语言贫乏的趋势也反映了文化变体的广泛灭绝。
-
现代计算的基础可追溯至20世纪30年代的数学家
现代计算的起源可以追溯到20世纪30年代中期，当时图灵、丘奇和克莱尼等数学家发明了可计算性模型。这项基础性工作在二十年内促成了早期商用计算机和高级编程语言的发展，这在很大程度上是由学者推动的。然而，作者观察到当今存在一种分歧，软件越来越多地由缺乏基本数学原理理解的个人构建，他们经常利用AI，并且计算领域的角色日益碎片化。
-
Peter Denning：图灵对人工智能的表述将研究引向了错误方向
计算机科学家 Peter J. Denning 认为，Alan Turing 在 1950 年对人工智能的构想将该领域引向了歧途。Denning 认为，图灵关注脱离物理身体的、非具身智能，导致人工智能研究走上了一条无成效的道路。这一观点质疑了在不考虑具身性的情况下，人工智能是否能真正实现人类水平智能。
-
Mastodon帖子提及Alan Turing和Benedict Cumberbatch
此集群包含一条讨论Mastodon上的Alan Turing和Benedict Cumberbatch的帖子。内容似乎是一条社交媒体帖子，提及一部与Turing和Cumberbatch生日相关的电影。
-
哲学在AI治理和研究讨论中获得关注 · 跟踪1个来源
人工智能融入社会正引发哲学探究的激增，尤其是在AI的能力和治理方面。专家们正在探索关于AI的理解、其作为新形式科学家的潜力以及其发现的可靠性等基本问题。讨论还深入探讨了AI模拟人类和社会行为的复杂性，强调了延续偏见的风险，以及需要超越单纯准确性、解决伦理和问责问题的强大治理框架。
-
大型语言模型迎来人类操作系统的第五次重写
在大型语言模型（LLMs）的快速发展和普及的推动下，人类操作系统正在经历其第五次重大重写。与以往的语言、写作、印刷术和晶体管等界面不同，这个新界面能够跨越海量知识合成开放式请求。LLMs能够用通俗的语言解释任意请求，并生成连贯、原创的答案，消除了人类大脑以往的硬件限制，并加速了知识工作。
-
艾伦·图灵二战语音加密系统细节披露
2023年11月新发现的一批文件详细介绍了艾伦·图灵在语音加密系统方面的工作。该系统是在第二次世界大战期间开发的，用于保护温斯顿·丘吉尔和富兰克林·罗斯福总统之间的通信。该系统被称为“X计划”或“格林机”，是一种复杂的机电装置，可将语音编码到调制载波上，使其无法被窃听者理解。
-
计算机科学家称图灵的人工智能理论可能将科学引入了歧途
一位计算机科学家认为，艾伦·图灵在20世纪50年代提出的奠基性思想误导了人工智能领域。该论点认为，常识、直觉和文化理解等基本人类要素无法被计算编码，从而使得真正的人工智能成为不可能。这种观点表明，图灵对脱离实体的智能和模仿对话的关注可能导致意想不到的问题和风险。
-
新研究探索 LLM 识别能力和高效 RAG 重排
研究人员开发了两种不同的方法来增强大型语言模型 (LLM) 在信息检索任务中的性能。一种方法 NameRank 通过探测 LLM 的参数知识并评估其对不可猜测事实的回忆来衡量 LLM 识别特定实体的能力。另一组方法侧重于优化 LLM 在检索增强生成 (RAG) 管道中的表现。一篇论文详细介绍了如何通过知识蒸馏和量化将 LLaMA 3 转化为高效的重排器，另一篇论文则介绍了 TALRanker，一个使用强化学习来平衡工具使用效率和准确性…
-
寻求针对旧款GPU的AI图像生成优化方案
一位Reddit用户正在寻求关于如何为旧款Turing架构GPU（GeForce 20系列）优化AI图像生成模型（如Krea 2和Ideogram 4）的建议。他们指出，最近的速度提升主要惠及新硬件，而Turing架构的Tensor Cores在处理4位精度方面与Ampere或Ada代有所不同，导致感知上的性能提升不足。该用户正在寻找技术解决方案来提高现有硬件上的模型速度。
-
新理论将计算与记忆相结合以解释智能
一篇新论文提出了一个结合了计算和记忆的智能理论框架，认为两者单独都无法完善。作者包括 Xin Li 和 Alan Turing，他们认为智能需要这两种算子来应对非平稳世界的复杂性。他们详细阐述了符号计算如何面临哥德尔不完备性，以及连续下降如何面临莫尔斯强制鞍点不完备性，而它们的耦合会导致上下文识别中不可约的误差下限。
-
用户纠正对艾伦·图灵AI测试的常见误解
据一位社交媒体用户称，艾伦·图灵于1950年提出的图灵测试常常被误解。该测试旨在衡量机器智能，并非仅仅关乎语言能力或欺骗裁判。相反，它涉及到同理心以及在一项需要这种特质的游戏中的表现。该用户敦促其他人评论该测试前先阅读图灵的原始论文和传记信息，以确保理解准确。
-
Turing获7900万美元融资，与AMD达成AI芯片合作
日本自动驾驶初创公司Turing已完成7900万美元的A轮融资，使其总融资金额达到1.74亿美元。该公司目前正在使用AMD的AI加速器，减少了对英伟达芯片的依赖，并实现了供应链多元化。Turing的目标是在2028年前将统一自动驾驶系统部署到消费型汽车和机器人出租车中。