Arvind Narayanan
PulseAugur coverage of Arvind Narayanan — every cluster mentioning Arvind Narayanan across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
普林斯顿大学教授批评人工智能的说法，引用失业和不信任的担忧
普林斯顿大学计算机科学教授阿尔温德·纳拉亚南（Arvind Narayanan）多年来一直致力于批判性地审视人工智能的说法。他的著作《AI Snake Oil》驳斥了人工智能能够准确预测就业、医疗保健或犯罪等领域结果的观点。纳拉亚南还质疑了生成式人工智能将导致大规模白领失业的说法，认为核心任务可能会缩小，而支持性结构可能会扩大。他承认并肯定了公众对人工智能日益增长的担忧，认为这是各种恐惧的复杂混合体，包括失业、对科技公司不信任、对环境…
-
普林斯顿大学教授：AI 的真正威胁在于暴露人类预测能力的局限，而非其产生意识
《AI 骗局》的合著者 Arvind Narayanan 认为，围绕 AI 的主要担忧并非机器产生意识，而是这项技术暴露了现有的不平等和人类预测能力的局限。他认为，虽然生成式 AI 在研究和分析等任务中为知识工作者提供了显著的效用，但其他 AI 应用，尤其是在招聘、医疗保健和刑事司法等高风险决策中使用的 AI 应用，往往不可靠，并可能导致不公平的结果。Narayanan 还强调了工人被降级为“杂务工作”或成为“道德缓冲器”的风险，在这…
-
人工智能风险投资辩论围绕会计、收入和部署出现分歧
风险投资在人工智能方面存在分歧，不仅仅是乐观者和悲观者，而是分为四种不同的叙事。这些叙事包括对会计实务、收入质量、偿付能力和部署有效性的批评，Michael Burry、Bill Gurley 和 Ed Zitron 等人物强调了这些问题。另外，Arvind Narayanan 和 Sayash Kapoor 等人组成的团队认为，人工智能的变革潜力是真实的，但其采用速度慢于发明速度，并指出能力-可靠性差距。尽管对人工智能的即时影响和财…
-
Gary Marcus 列举7起AI失误：对冲基金倒闭，OpenAI降价，Anthropic失误
Gary Marcus 强调了七个“糟糕的”与AI相关的事件，包括Leopold Aschenbrenner的对冲基金Situational Awareness的倒闭。他还提到了美国政府一张错误标注并带有OpenAI水印的非洲地图，以及OpenAI因竞争而决定降价80%。此外，Marcus还指出了Anthropic的网络安全事件，MIT Technology Review报道的新越狱技术，以及Arvind Narayanan及其同事的…
-
KPMG 和 OpenAI 结成精英合作伙伴关系，共建 AI 原生企业软件
KPMG 宣布与 OpenAI 建立新的合作伙伴关系，指定 KPMG 为 OpenAI 精英合作伙伴。该合作伙伴关系建立在 KPMG 为 OpenAI 开发的 AI 原生供应链与订单履行编排平台之上，该平台现将推向其他企业。此次合作标志着软件向“无头”模式的转变，在这种模式下，AI 代理会解读用户意图并与后端系统交互，从而摆脱传统的图形用户界面，转向更具对话性的交互模式。
-
普林斯顿大学教授称AI将数十年而非一夜之间改变就业
普林斯顿大学计算机科学教授Arvind Narayanan在ICML 2026上就人工智能时代的工作未来发表了演讲。他提议将人工智能视为一种类似于电力或互联网的“普通技术”，并认为其广泛的社会融合将需要数十年时间。Narayanan认为，由于Jevons悖论和技术采纳的“适应”速度缓慢，AI不会立即带来大规模失业的威胁。相反，他认为人类的角色将转向决策、指导和评估，从而促进一种“协作超智能”的愿景，即人类利用人工智能增强自身能力。
-
Tim O'Reilly：AI的成功取决于广泛传播，而非仅仅是前沿模型
Tim O'Reilly引用Jeff Ding的扩散理论，认为人工智能行业的焦点放在前沿模型上可能是错误的。他认为，与过去的技术革命类似，国家和企业在人工智能领域的成功将取决于在整个经济中的广泛传播和整合，而不仅仅是开创最新的技术。这种传播得益于强大的“技能基础设施”——教育和培训体系，使广大工程师能够使用人工智能，强调广泛采用而非孤立发明。
-
Redwood Research 分享关于风险和时间线的AI未来主义阅读清单
Redwood Research 汇编了一份人工智能未来主义阅读清单，重点关注人工智能发展的关键动态、生存风险和缓解策略。该清单分为核心和扩展部分，核心阅读内容按四周组织，涵盖时间线、起飞建模和错位AI接管威胁建模等主题。它包括推荐和可选的阅读材料，以及为小组学习设计的讨论问题和练习。
-
由于核心开发瓶颈，人工智能不太可能取代软件工程师
人工智能不太可能取代软件工程师，因为软件开发的核心瓶颈在于规划、验证和深入的人类理解，而不仅仅是编码速度。尽管纽约在 2025 年引入了人工智能就业影响通知要求，但广泛的失业并未出现。虽然人工智能可以协助决策和验证，但只要工程师拥有对问题和解决方案的深刻理解，他们的价值就会持续存在。
-
专家称 AI 基准测试高估了现实世界的工作自动化能力
Melanie Mitchell 认为，当前的人工智能基准测试未能捕捉到人类工作的复杂性。她强调，大多数职业涉及相互关联的任务、适应性和现实世界的灵活性，而这些特点在易于衡量的基准测试中并未得到充分体现。Mitchell 引用了 Sayash Kapoor 和 Arvind Narayanan 的观点，他们认为关注基准测试会导致高估人工智能在现实世界中的自动化能力。
-
研究人员质疑 Google 的 AI 操作系统构建声明，称其缺乏透明度
研究人员质疑 Google 关于其 AI 代理以低于 1000 美元构建操作系统的说法。他们认为，“单一提示”的描述具有误导性，因为该提示长达数千行，并且该过程涉及专门的脚手架和代理监督。此外，Google 没有提供证据表明代理是从头开始编写代码，而不是复制现有材料，也没有发布提示、代码或日志以供独立验证。
-
LessWrong 作者认为人工智能并非普通技术
一篇LessWrong帖子认为，人工智能与电力或互联网等“普通”技术有着本质区别，挑战了Narayanan和Kapoor提出的观点。作者认为，人工智能潜在的超智能及其对人类生存的深远影响，迫切需要治理和对齐方面的努力。文章引用了农业革命和工业革命等重大技术变革的历史例子，来说明尽管可能存在长远利益，但即时过渡时期通常伴随着重大的伤害和社会动荡。
-
生成式AI普及率之争：40%还是仅0.5%？
美国国家经济研究局（National Bureau of Economic Research）的一篇最新论文表明，生成式AI的普及速度很快，40%的美国成年人正在使用它。然而，这一说法受到了Arvind Narayanan等研究人员的质疑，他们认为该论文对使用率的定义过于宽泛，实际在日常工作中集成度要低得多。尽管存在争议，但AI工具越来越多地集成到搜索引擎、生产力软件和智能手机等日常平台中，这表明广泛普及已不可避免。
-
新基准显示，AI代理在复现研究方面面临挑战
研究人员开发了AutoReproduce，一个多代理框架，旨在自动复现研究论文中的AI实验。该系统利用“论文谱系”从引用的文献中挖掘隐性知识，并采用基于采样的单元测试策略来确保代码的可执行性。此外，还引入了一个新的基准测试CORE-Bench，以评估AI在自动化计算可复现性方面的能力。初步测试表明，尽管像CORE-Agent（使用GPT-4o）这样的专用代理在处理困难任务时能达到22%的准确率，但AI在处理复杂计算环境方面的能力仍有很…