马斯克确认自己使用X数据训练AI,微软无法使用,但他自己可以使用
马斯克最终无法忍受,开始将X的数据输入给人工智能了!
这两天,大伙儿发现X悄悄更新了一版隐私政策,里面表示会使用社交媒体数据来训练机器学习或AI模型。
马斯克不久前曾威胁微软,表示要起诉他们使用X的数据来训练人工智能
在网友们纷纷艾特马斯克“要个说法”的时候,他毫不隐瞒地承认了:
只会使用公开信息进行训练,不会使用私信或任何私人数据
有一些网友对此表示惊讶:你之前不是反对人工智能吗?
但还是有网友选择给马斯克打掩护:
谷歌所做的事情比这糟糕得多
所以,马斯克究竟打算做些什么呢?
使用X数据喂AI
事情还得从这两天X更新的隐私政策说起。
根据2.1条例,X明确指出:
我们可以利用我们收集的信息和公开可获取的信息,来训练我们的机器学习或人工智能模型,以实现本政策中所列明的目标
至于“机器学习模型和AI模型”,可以想见来自于马斯克的另一家公司x.AI。
当然,使用X数据来训练人工智能并不是马斯克最近才有的想法,他之前就曾经透露过自己有这个计划
虽然有了这个计划,并不意味着X的数据可以免费供其他公司使用
在马斯克公开表示收集X数据用于训练之前,就曾指出微软用X的数据训练大模型是非法的,并威胁要起诉这家公司。
尽管如此,一旦这条消息发布出去,网友们纷纷大吃一惊
有网友表示不满,难道要将用户自己创作的图片和文字创意来投喂给AI?
还有人意识到,一旦在X上发帖创作内容,就意味着同意了马斯克可以将内容拿去喂AI……
也有网友开玩笑说,根据马斯克的发帖数量,大概可以训练出一版名为“埃隆人工智能”的版本
然而,值得注意的是,马斯克并不打算仅仅使用X的数据来训练人工智能模型
X变成信息收集平台
根据新的隐私政策,X公司表示,从9月29日开始将收集用户的生物识别数据、工作和教育信息
为了增加账号的安全性,如果用户同意,X将收集用户的生物识别信息,以用于安全等目的
毕竟通过将人脸图像和ID进行匹配后,就能准确将真人和账户联系起来,打击X的机器人或是“冒充名人”等事件,并让平台更加真实。
除此之外,由于X将推出类似于领英的求职平台功能,还会收集个人信息,包括工作经历、教育经历、就业偏好、技能和活动能力,以及求职活动和参与度等,以此为用户推荐潜在的工作。
嗯,听起来离马斯克的微信APP梦又近了一步,而且比微信业务范围更广(手动狗头)。
参考链接:
[1]https://twitter.com/elonmusk/status/1697328706178502737
[2]https://twitter.com/en/privacy
[3]https://techcrunch.com/2023/08/31/x-plans-to-collect-users-biometric-data-along-with-education-and-job-history/。
以上是马斯克确认自己使用X数据训练AI,微软无法使用,但他自己可以使用的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

在机器学习和数据科学领域,模型的可解释性一直是研究者和实践者关注的焦点。随着深度学习和集成方法等复杂模型的广泛应用,理解模型的决策过程变得尤为重要。可解释人工智能(ExplainableAI|XAI)通过提高模型的透明度,帮助建立对机器学习模型的信任和信心。提高模型的透明度可以通过多种复杂模型的广泛应用等方法来实现,以及用于解释模型的决策过程。这些方法包括特征重要性分析、模型预测区间估计、局部可解释性算法等。特征重要性分析可以通过评估模型对输入特征的影响程度来解释模型的决策过程。模型预测区间估计

本文将介绍如何通过学习曲线来有效识别机器学习模型中的过拟合和欠拟合。欠拟合和过拟合1、过拟合如果一个模型对数据进行了过度训练,以至于它从中学习了噪声,那么这个模型就被称为过拟合。过拟合模型非常完美地学习了每一个例子,所以它会错误地分类一个看不见的/新的例子。对于一个过拟合的模型,我们会得到一个完美/接近完美的训练集分数和一个糟糕的验证集/测试分数。略有修改:"过拟合的原因:用一个复杂的模型来解决一个简单的问题,从数据中提取噪声。因为小数据集作为训练集可能无法代表所有数据的正确表示。"2、欠拟合如

20世纪50年代,人工智能(AI)诞生。当时研究人员发现机器可以执行类似人类的任务,例如思考。后来,在20世纪60年代,美国国防部资助了人工智能,并建立了实验室进行进一步开发。研究人员发现人工智能在许多领域都有用武之地,例如太空探索和极端环境中的生存。太空探索是对宇宙的研究,宇宙涵盖了地球以外的整个宇宙空间。太空被归类为极端环境,因为它的条件与地球不同。要在太空中生存,必须考虑许多因素,并采取预防措施。科学家和研究人员认为,探索太空并了解一切事物的现状有助于理解宇宙的运作方式,并为潜在的环境危机

通俗来说,机器学习模型是一种数学函数,它能够将输入数据映射到预测输出。更具体地说,机器学习模型就是一种通过学习训练数据,来调整模型参数,以最小化预测输出与真实标签之间的误差的数学函数。在机器学习中存在多种模型,例如逻辑回归模型、决策树模型、支持向量机模型等,每一种模型都有其适用的数据类型和问题类型。同时,不同模型之间存在着许多共性,或者说有一条隐藏的模型演化的路径。将联结主义的感知机为例,通过增加感知机的隐藏层数量,我们可以将其转化为深度神经网络。而对感知机加入核函数的话就可以转化为SVM。这一

C++中机器学习算法面临的常见挑战包括内存管理、多线程、性能优化和可维护性。解决方案包括使用智能指针、现代线程库、SIMD指令和第三方库,并遵循代码风格指南和使用自动化工具。实践案例展示了如何利用Eigen库实现线性回归算法,有效地管理内存和使用高性能矩阵操作。

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

MetaFAIR联合哈佛优化大规模机器学习时产生的数据偏差,提供了新的研究框架。据所周知,大语言模型的训练常常需要数月的时间,使用数百乃至上千个GPU。以LLaMA270B模型为例,其训练总共需要1,720,320个GPU小时。由于这些工作负载的规模和复杂性,导致训练大模型存在着独特的系统性挑战。最近,许多机构在训练SOTA生成式AI模型时报告了训练过程中的不稳定情况,它们通常以损失尖峰的形式出现,比如谷歌的PaLM模型训练过程中出现了多达20次的损失尖峰。数值偏差是造成这种训练不准确性的根因,

译者|李睿审校|重楼人工智能(AI)和机器学习(ML)模型如今变得越来越复杂,这些模型产生的输出是黑盒——无法向利益相关方解释。可解释性人工智能(XAI)致力于通过让利益相关方理解这些模型的工作方式来解决这一问题,确保他们理解这些模型实际上是如何做出决策的,并确保人工智能系统中的透明度、信任度和问责制来解决这个问题。本文探讨了各种可解释性人工智能(XAI)技术,以阐明它们的基本原理。可解释性人工智能至关重要的几个原因信任度和透明度:为了让人工智能系统被广泛接受和信任,用户需要了解决策是如何做出的
