返回资讯中心
外部精选
软件工程
#开发者实时流

演讲回顾:算法控制如何影响劳动力市场与人工智能治理

来源标题:Computer Says No (2021)

本文是作者在第二次 remote Chaos Experience 上演讲《Computer says no》的配套文字,讲稿录像可在 media.ccc.de 观看。文章梳理了当今主流人工智能观的起源,讨论算法控制对劳动力市场的影响、为何总被比作工业革命,以及 AI 如何成为国家统治工具并呈现个体化监控趋势。

Hacker News 最新zenincognito2026/11/22 · 今天30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

本文是对我在第二届远程混沌体验大会上所作演讲《计算机说不》的补充。录像可在media.ccc.de上找到。 这里讨论的许多主题足以写成书,也确实有人写成了书。因此我不声称本文全面完整。我已单独发布了参考来源列表。幻灯片可在Notist上查看。另有一份(自动生成的)英文译本可供参考。 接下来我们将看到,当今主导性的人工智能观念是如何形成的。我们会讨论算法控制对劳动力市场的影响,以及为什么人们不断拿它与工业革命作比较。我们还会探讨“时间”这一概念如何成为从20世纪工人斗争直到Amazon仓库的核心议题。以及为什么机器人最终不会夺走我们的工作,而是根本不让我们获得工作。 在第二部分,我们将看到人工智能如何成为国家统治的工具,并考察监控的个体化倾向。我们会看到天上的无人机,以及在对必要生产资料获取上的集中化趋势。 最后,我们审视抵抗的可能性和条件。这是一次超越技术乐观主义和原始主义的现状盘点。最终我们会看到,话语的核心不应是技术,而应是团结。 下文我将笼统地谈论人工智能。有些读者会认为这是一个粗疏的类别,这有其道理。 在纯技术层面上,主要涉及的是Machine Learning(ML),也就是Deep Learning。即AI的特定子领域。 在技术学术话语中,这种区分很重要。但在像本文这样的考察中,这种表面上的模糊性也有其优势,正如Kate Crawford在其著作《Atlas of AI》导论中所描述的那样: “人工智能这一命名法往往在资助申请季被欣然采纳,此时风险投资人带着支票簿而来,或者研究人员正寻求媒体对其新科学成果的关注。结果是,这个术语在被使用的同时也被拒斥,使其含义始终处于流动之中。就我的目的而言,我用AI来谈论一个庞大的工业形态,它包含政治、劳动、文化和资本。当我提到machine learning时,我指的是 range of technical approaches(事实上它们也是社会和基础设施性的,尽管很少被这样讨论)。” 在这个意义上,本文不是一篇关于Machine Learning的文章,尽管它确实扮演着角色。这不是一篇技术文章。这是一篇关于我们所生活的世界的文章。Crawford将AI称为权力的目录。正如我们接下来将看到的,这几乎精准地概括了现状。 在开始之前,我还想说明另一个空白:我在这里讨论的领域极其庞大。因此我聚焦于若干领域,以便勾勒出一幅连贯的图景。尽管如此,这样长度的文章不可能充分讨论该领域的所有细微之处。它也不想记录什么终极真理,而是提供方向、思考的启发和讨论的切入点。 哪怕只是半部详尽的人工智能及相关领域起伏史,也足以成为另一场演讲。因此我在这里聚焦于近期研究史上的一个关键节点:ImageNet。 对于可能从未听说过ImageNet的人:ImageNet究竟是什么? 可以毫不夸张地说,ImageNet是Machine Learning历史上最具影响力的数据集之一。将来自互联网的图片汇总为数据,并应用AlexNet算法进行处理,深刻塑造了该领域,至今仍在影响它。 数百万张图片被手工归类到成千上万个概念之下。研究者Fei-Fei Li于2006年提出了这个数据集的想法。基础由那些未经多问便从互联网上收集来的图片构成,比如来自Google图片搜索的图片。互联网和日益强大的计算机在这里形成了一场完美风暴。 十年前,构建哪怕只有几万条目的数据集还伴随着巨大困难。ImageNet由约一千四百万张图片、两万个类别组成。PASCAL VOC——ImageNet的前身之一——包含二十个类别和19,737张图片。 ImageNet中图片被归入的类别取自一个名为WordNet的数据集。WordNet由George A. Miller于1980年代开发。根据WordNet中的词汇抓取图片搜索结果,并保存结果。 于是出现了一个核心问题:如何确保保存的图片确实包含所搜索的内容?在ImageNet之前,这项分类工作 reserved for 大学新生。ImageNet的共同研究者之一Jia Deng估算,以这种方式对ImageNet中所有图片进行分类需要十九年。将这项工作自动化是不可能的。过去(现在也)没有一种算法能够无差错地完成这些归类。 这时众包登场了,确切地说是Amazon的Mechanical Turk平台。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →