KESaya ingin mengatakan terlalu banyak hal (berbeda) kepada banyak orang. Kita memerlukan cara yang lebih baik untuk membicarakan – dan memikirkan – mengenai hal ini. Tanda, menarik Breunigseorang antropolog dan geek budaya berbakat, yang telah menghasilkan kategorisasi teknologi yang jelas ke dalam tiga kasus penggunaan: dewa, magang dan roda gigi.
“Dewa”, dalam pengertian ini, adalah “entitas buatan yang sangat cerdas yang melakukan berbagai hal secara mandiri.” Dengan kata lain, AGI (kecerdasan umum buatan) yang coba dibangun oleh Sam Altman dan kelompoknya dari OpenAI (dengan biaya yang sangat besar), sekaligus memperingatkan bahwa hal ini bisa menjadi ancaman nyata bagi umat manusia. Dewa AI, kata Breunig, adalah “kasus penggunaan pengganti manusia.” Mereka membutuhkan model raksasa dan “perhitungan” dalam jumlah besar, air dan listrik (belum lagi CO yang terkait).2 emisi).
“Magang” adalah “co-pilot yang diawasi dan berkolaborasi dengan para ahli, dengan fokus pada kerja keras.” Dengan kata lain, hal-hal seperti ObrolanGPTClaude, Llama, dan model bahasa besar (LLM) serupa. Kualitas yang menentukan adalah bahwa mereka dimaksudkan untuk digunakan dan diawasi oleh para ahli. Mereka memiliki toleransi yang tinggi terhadap kesalahan karena para ahli membantu memverifikasi produksi mereka, mencegah kesalahan yang memalukan di masa mendatang. Mereka melakukan pekerjaan yang membosankan: mengingat dokumentasi dan menavigasi referensi, mengisi detail setelah mendefinisikan garis besarnya, membantu menghasilkan ide dengan bertindak sebagai papan suara yang dinamis, dan banyak lagi.
Terakhir, “roda gigi” adalah mesin sederhana yang dioptimalkan untuk melakukan satu tugas dengan sangat baik, biasanya sebagai bagian dari saluran pipa atau antarmuka.
Magang pada dasarnya adalah apa yang kita miliki sekarang; Mereka mewakili AI sebagai teknologi yang meningkatkan kemampuan manusia dan sudah banyak digunakan di banyak industri dan pekerjaan. Dalam hal ini, mereka adalah generasi pertama mesin semi-cerdas yang berinteraksi secara kognitif erat dengan manusia di lingkungan kerja, dan kami mulai mempelajari hal-hal menarik tentang seberapa baik hubungan manusia-mesin tersebut bekerja.
Salah satu bidang di mana terdapat harapan besar terhadap AI adalah bidang kesehatan. Dan memang demikian. Pada tahun 2018 misalnya, terjadi kolaborasi antar peneliti AI di Rumah Sakit Mata DeepMind dan Moorfields di London secara signifikan mempercepat analisis pemindaian retina untuk mendeteksi gejala pasien yang membutuhkan perawatan segera. Namun dalam beberapa hal, meskipun secara teknis sulit, hal ini tidak perlu dipikirkan lagi: mesin dapat “membaca” pemindaian dengan sangat cepat dan memilih pemindaian yang memerlukan diagnosis dan perawatan khusus.
Tapi bagaimana dengan proses diagnostik itu sendiri? Tanda Sebuah penelitian Amerika yang menarik. diterbitkan pada bulan Oktober di Jurnal Asosiasi Medis Amerikayang melaporkan uji klinis acak tentang apakah ChatGPT dapat meningkatkan kemampuan diagnostik 50 dokter praktik. Kesimpulan yang membosankan adalah bahwa “ketersediaan LLM bagi dokter sebagai alat bantu diagnostik tidak meningkatkan penalaran klinis secara signifikan dibandingkan dengan sumber daya konvensional.” Namun ada trik yang mengejutkan: ChatGPT dengan sendirinya menunjukkan kinerja yang lebih tinggi dibandingkan kedua kelompok dokter (yang memiliki dan tanpa akses terhadap mesin).
SALAH SATU, seperti dia Waktu New York menyimpulkannya“Dokter yang menerima ChatGPT-4 bersama dengan sumber daya konvensional hanya bernasib sedikit lebih baik dibandingkan dokter yang tidak memiliki akses ke bot tersebut. Dan, yang mengejutkan para peneliti, ChatGPT saja yang mengungguli para dokter.”
Namun, yang lebih menarik adalah dua temuan lainnya: eksperimen tersebut menunjukkan keyakinan para dokter yang terkadang tak tergoyahkan terhadap diagnosis yang mereka buat, bahkan ketika ChatGPT menyarankan diagnosis yang lebih baik; dan juga menyarankan bahwa setidaknya beberapa dokter tidak benar-benar mengetahui cara terbaik untuk memanfaatkan kemampuan alat tersebut. Yang pada gilirannya mengungkapkan apa kepanjangan dari AI, seperti Ethan Mollick Saya telah mengatakan selama ribuan tahun: bahwa “rekayasa cepat” yang efektif (mengetahui apa yang harus diminta dari LLM untuk mendapatkan hasil maksimal) adalah seni yang halus dan kurang dipahami.
Yang juga menarik adalah dampak kolaborasi dengan AI terhadap manusia yang terlibat dalam kemitraan tersebut. Di MIT, seorang peneliti melakukan percobaan untuk melihat seberapa baik para ilmuwan material dapat melakukan pekerjaannya jika mereka dapat menggunakan AI dalam penelitian mereka.
Jawabannya adalah bahwa bantuan AI tampaknya benar-benar berhasil, yang diukur dengan penemuan material sebanyak 44% lebih banyak dan peningkatan permohonan paten sebesar 39%. Hal ini dicapai karena AI melakukan lebih dari separuh tugas “penghasilan ide”, sehingga peneliti harus mengevaluasi materi kandidat yang dihasilkan oleh model. Jadi AI melakukan sebagian besar “pemikiran”, sementara mereka terdegradasi ke tugas yang lebih biasa yaitu mengevaluasi kelayakan praktis sebuah ide. Dan hasilnya: para peneliti mengalami penurunan kepuasan kerja yang tajam!
setelah promosi buletin
Menarik, bukan?? Penyidik ini adalah orang-orang berstatus tinggi, bukan agen berstatus rendah. Namun tiba-tiba, berkolaborasi dengan mesin cerdas membuat mereka merasa seperti… yah, roda penggerak. Dan moralnya? Berhati-hatilah dengan apa yang Anda inginkan.
apa yang telah saya baca
potongan kamera
Bagaimana jika ruang gema berfungsi? adalah esai mencolok yang menyoroti dilema liberal di era Donald Trump.
Paket tabungan
Analisa tajam dari Reuters adalah Memetakan jalur kampanye efisiensi Elon Musk.
pemikiran inventif
Esai yang luar biasa dan bijaksana oleh Steven Sinofsky Tentang konsekuensi menjadi pengganggu Ini tentang inovasi dan perubahan.
