对以ChatGPT为代表的生成式人工智能规制的思考

ChatGPT的出现引发广泛关注。通过了解生成式人工智能的技术原理,认识到其带来进步的同时更需重视造成的短期冲击与长远威胁。应对冲击,短期内需处理好著作权,信息安全,生成内容真实合法等问题的法律规制。立足长远需做好面向未来的制度储备。针对发展人工智能特点,建立“全国一盘棋”的运作体制,集合力量引领发展。为应对风险,从内外两方面协调各方建立全方位的风险防控体系。更需侧重思考人机关系这一核心命题,在发展产业与技术的同时做好人工智能伦理的框架建设工作,确保人工智能安全可控,增进人类福祉。     

生成式AI生成物的版权风险及规制路径建构

生成式A I具有智慧性、泛用性和复杂性的综合技术特征,但也引发了一系列的版权风险。在本体论上,生成式AI生成物面临版权保护的牢笼困境;在外部性上,生成式AI生成物在数据挖掘、处理和传播的过程中较容易产生一系列的侵权风险。为此,要将生成式AI生成物视为作品,纳入版权保护的范畴,并且要通过“自律+他律”相结合的手段对版权风险加以规制。     

生成式人工智能在高校学生教育中的应用

随着互联网技术的快速发展,生成式人工智能备受关注,其对高校学生教育的应用和影响逐渐凸显。本文将探讨生成式人工智能在高校学生教育中的应用和潜在风险。一方面,生成式人工智能为高校提供了个性化学习和教学资源的新机遇,有效提高教学效果和学生兴趣;另一方面,必须关注数据安全、隐私泄露,以及辨别生成式人工智能信息真伪等问题。在这个背景下,高校方面需要深入探讨如何平衡生成式人工智能在高校学生教育中的优势与挑战,以实现全面、持续的教育创新。     

基于数字水印技术的生成式人工智能标识研究

在过去的一年里,以ChatGPT为代表的深度预训练大模型展现出了异常强大的内容生成能力,引领着生成式人工智能技术的持续火热,生成式人工智能技术已经在科学和社会领域产生了广泛的影响。一方面,越来越多的高质量人工智能生成作品被源源不断地“创造”出来,给人们的生活带来了极大的便利,也为社会生产带来了更高的效率;另一方面,人工智能生成内容也带来了一些真实性、来源和版权等安全隐患,这些问题迅速凸显出来,并开始对教育、媒体、设计、客服等一系列行业产生冲击。     

合规实践:探寻类ChatGPT大模型产品风险化解之道

随着技术发展的日新月异,类ChatGPT大模型等深度合成技术崭露头角,它在信息获取、人机交互等方面的优异表现,让我们看到了未来科技发展的巨大潜力,为元宇宙等数字空间技术带来了无限可能。然而,类ChatGPT产品运用于实际是把双刃剑,模型技术给我们生活带来便利性的同时,也催生了各种各样伦理道德、数据泄露、内容违法等其他潜在风险,甚至给社会秩序、国家安全带来威胁。因而对于深度合成大模型的监管也对相应数据、内容、伦理提出具体合规要求。本文将从类ChatGPT模型机理入手,引出数据与内容方面的法律风险,进而针对风险进行分析化解,提出相关合规建议。     

人工智能时代的风险治理和数据决策

在过去的几年间,我国的大数据、人工智能等技术突飞猛进,涌现了许多新的应用场景. 社会系统性风险涉及很多领域,包括社会治理、公共安全、环境安全、水资源、电力等,风险发生的原因都有据可寻,我们应该认识这些风险发生、发展的规律,然后进行规避.可以说,研究风险治理的核心目的就是为了"防患于未然".为此,我们需要通过大数据、人工...     

生成式对抗网络研究与应用进展

基于零和博弈思想的生成式对抗网络(GAN)可通过无监督学习获得数据的分布,并生成较逼真的数据。基于GAN的基础概念及理论框架,研究各类GAN模型及其在特定领域的应用情况,从数据相似性度量、模型框架、训练方法3个方面进行分析,对GAN改进与扩展的相关研究成果进行总结,并从图像合成、风格迁移等应用领域展开讨论,归纳出GAN的优势与不足,同时对其应用前景进行展望。分析结果表明,GAN的学习能力与可塑性强,改进潜力大,应用范围广,但其发展面临的挑战是训练过程不稳定,且缺乏生成数据质量的客观评价标准。     

义教阶段信息科技生成式人工智能教学实践探索——以“我是节水小标兵”项目为例

本文以“我是节水小标兵”主题为例展开教学实践,结合生活实际创设问题情境,引导学生思考并寻找数字化工具解决生活中的问题,并采用任务驱动法,注重合作学习和自主评价,培养学生信息素养和创新能力,最后总结生成式人工智能与数据的关系。     

一种基于生成式对抗网络的图像数据扩充方法

针对卷积神经网络(CNN)在数据集(训练集)较小时,易发生过度拟合的现象,提出并实现了一种引入Selu激活函数并结合带参数归一化的Dropout方法的深度卷积生成式对抗网络用于图像增强,生成图像实现数据集扩充,从而解决深度学习图像分类研究中因图像数据不足造成的模型表达能力差、训练时易过度拟合的问题。通过裁剪、旋转、插值、畸变变换等扩充图像集的传统图像增强方法往往只能扩充样式单一甚至信噪比较低的图像,与传统图像增强方法扩充图像集不同,使用生成式对抗网络生成的图像明显区别于原始图像,不仅可以得到数量更多,内容更丰富的高质量图像,数据集扩充效率也得以提升。仿真实验表明,该生成式对抗网络得到了质量相对较高的图像,有效地扩充了数据集。     

基于人工智能的非结构化数据脱敏方法研究

介绍了数据脱敏技术的相关信息,提出了利用BERT预训练语言模型结合Transformer编码器和条件随机场等人工智能技术处理文字、音频、图像、视频中敏感信息的方法,为解决数据安全和数据共享之间的矛盾提供了思路。     

基于邻域差分滤波生成式对抗网络的数据增强方法

针对工业产品样本缺乏且特征不明显而难以用于深度学习训练的问题,提出一种邻域差分滤波生成式对抗网络数据增强（NDF-GAN）方法。将邻域差分滤波器融合到生成对抗网络中,从样本中提取特征并进行样本重建,对样本进行数据增强。实验表明,提出的方法所生成的样本比现有两种模型质量更高,所生成样本与真实样本混合训练分类模型后获得更好的分类性能。因此,提出的NDF-GAN实现了对工业产品样本的数据增强。     

高中阶段生成式人工智能体验教学实践探索——以基于大模型的分组学习项目学习为例

本文基于人工智能课程综合性、实践性和发展性并重的特点,关注人工智能领域的最新动向和成果,并沿着“是什么—怎样用—什么特征—如何看待”的主线,采用分组学习的组织形式,通过厘清概念、体验生成式人工智能、总结归纳生成式人工智能的特征、思辨生成式人工智能的发展,以及课堂检测和评价等教学活动,将人工智能素养的习得渗透到学习活动中。     

人工智能研究的新前线:生成式对抗网络

生成式对抗网络（Generative adversarial networks,GAN）是当前人工智能学界最为重要的研究热点之一.其突出的生成能力不仅可用于生成各类图像和自然语言数据,还启发和推动了各类半监督学习和无监督学习任务的发展.本文概括了GAN的基本思想,并对近年来相关的理论与应用研究进行了梳理,总结了GAN常见的网络结构与训练方法,博弈形式,集成方法,并对一些应用场景进行了介绍.在此基础上,本文对GAN发展的内在逻辑进行了归纳总结.     

大数据时代下人工智能应用研究探讨

大数据时代背景下,人工智能研究初露锋芒.如何利用海量数据为人工智能技术的应用普及添砖加瓦成为研究热点.本文简要探讨大数据时代背景下,人工智能的发展现状、研究热点、应用优势、运行条件及应用前景等内容.文章主要讨论分析大数据时代人工智能所涉及的领域,为了不断更新应用服务,将大数据和人工智能进行有效结合.     

基于人工智能的装备保障仿真训练系统

文章指出了构建基于人工智能技术的装备保障仿真训练系统的需要,阐述了基于人工智能的装备保障仿真训练系统的设计思想和系统体系结构。该系统以联邦式作战仿真为基础,采用先进的人工智能技术,将有利于提高我军装备保障仿真训练和装备保障法研究的水平,有助于提高装备保障指挥员的指挥决策能力。     

人工智能时代大数据风险管理的建议

伴随着信息技术的不断发展,人们的视野中不断涌进崭新的智能技术,人工智能在社会的发展过程中起到了关键性的作用。但是,人工智能在给社会带来价值和财富的同时,也存在很多安全隐患。因此,在人工智能时代,提高大数据风险管理能力,提高人们对大数据风险的管理意识十分重要。     

大数据与人工智能:大数据智能时代

继移动互联技术和云计算技术之后,能够称得上颠覆性信息技术的当属大数据技术了.它使得我们能够对数量大、种类多、价值密度低、本身快速变化的数据进行有效地、低成本地存取、检索、分类以及统计.但这不代表我们可以高效率和低成本地掌握这些数据中蕴藏的巨大价值,诸如隐性社会科学规律和经验.不过值得一提的是,人工智能技术在大数据分析、预测等领域已经开始崭露头角,展现出了强劲的发展势头,大数据的核心使用价值在人工智能技术的发展与运用下展示了巨大潜力.同时,大数据技术的发展也为人工智能领域带来了大量机遇和挑战,更加激发了该领域的无限发展可能性.     

基于朴素贝叶斯算法的电力数据合规风险智能监督方法

针对现有电力数据合规风险监督方法召回率、查准率较低,误报率较高等问题,研究引入朴素贝叶斯理论,提出并设计了一种电力数据合规风险智能监督方法。首先对电力数据进行采集及预处理,然后针对预处理后的电力数据完成电力数据合规风险特征提取,最后引入朴素贝叶斯算法,构建电力数据合规风险评估模型,实现对电力数据合规风险的智能监督。实验结果表明,应用所提方法后召回率在92%～95%,查准率高于93%,误报率仅为2%,优于对比方法,可对电力数据合规风险进行准确评估,具有较高的应用价值。