月度归档： 2023 年 7 月

发布于

PrivateGPT 是 ChatGPT 提示的安全替代方案，用于保护敏感数据

ChatGPT 提示：PrivateGPT 处理敏感信息

数据隐私供应商推出了一款工具来降低公司意外泄露员工和客户数据的风险。 这是为了应对员工可能将敏感数据输入 ChatGPT 人工智能模型的担忧。

Private AI 的 PrivateGPT 平台集成了 OpenAI 的聊天机器人，当用户输入 ChatGPT 问题时，可以实时自动编辑 50 多种个人身份信息。

PrivateGPT 是位于用户和 ChatGPT 之间的中间人，删除用户提示中的所有信息。 这包括健康数据、信用卡号、联系方式、出生日期和社会安全号码。 根据 PrivateGPT 的创建者 Private AI 最近的一份声明，PrivateGPT 在 ChatGPT 响应中重新填充 PII，以使用户更加无缝地使用。

来源和详细信息：
https://www.darkreading.com/application-security/privategpt-tackles-sensitive-info-chatgpt-prompts

发布于

人工智能威胁新用户增长，Chegg 股价暴跌

由于人工智能对新用户增长的威胁，Chegg 股价暴跌
ChatGPT 和其他此类人工智能对一些公司产生了负面影响。

CNBC 的 Deirdre BOSA 报道了 Chegg，这家总部位于加州的教育公司股价暴跌超过 40%。 如需观看 CNBC 的直播和独家视频，请订阅 CNBC PRO：https://cnb.cx/2NGeIvi。

>> 订阅 CNBC 电视：https://cnb.cx/SubscribeCNBCtelevision。
>> 订阅 CNBC：https://cnb.cx/SubscribeCNBC

CNBC 电视是获取最新新闻和股市分析的最佳场所。 CNBC 是全球领先的商业新闻，涵盖从市场期货和实时价格更新到股票市场新闻的所有内容。

联系 CNBC 新闻在线。
请访问 CNBC.com 以获取最新消息。
在 LinkedIn 上关注 CNBC：https://cnb.cx/LinkedInCNBC
在 Facebook 上关注 CNBC 新闻：https://cnb.cx/LikeCNBC
在 Twitter 上关注 CNBC 新闻：https://cnb.cx/FollowCNBC
在 Instagram 上关注 CNBC 新闻：https://cnb.cx/InstagramCNBC

https://www.cnbc.com/select/best-credit-cards/

#CNBC电视台

来源和详细信息：
https://www.youtube.com/watch?v=CdH4xQD5LG8

发布于

不完美的人工突触在人工智能应用中的潜力

人工突触不受缺陷的影响

三位中国研究人员开发了一个人工智能平台，该平台比当前架构更加强大。 他们使用一种策略来模仿我们大脑中的编码信息。 该方法尚未在实验室中实施，但它利用了人工神经元因磁性材料缺陷而固有的不均匀性。

\\r \\r。

北京师范大学物理系和高级量子研究中心的袁哲和乔亚进行了这项研究。

来源和详细信息：

Imperfection is not a problem for artificial synapses

发布于

人工智能永远无法取代的五项技能：人性化

人工智能永远无法取代的五种技能

由于这些变化，人们越来越担心所有国家的工作未来。 调查显示，四分之一的工作可以实现自动化，这就是人们担心工作保障的原因。 有一些证据表明，自动化的影响可能并不像人们担心的那么严重。

与流行观点相反，自动化并不意味着工作岗位被淘汰。 自动化更有可能通过自动化重复、简单的任务来改变工作的性质和范围。 这将使员工能够专注于更高水平的人际交往能力。 需求的转变预计将增加对具有解决问题、批判性思维、沟通和其他领域技能的工人的需求。

技术的兴起导致工作性质发生迅速变化。 自动化和人工智能正在改变许多行业中存在的工作类型。 这为具有更高级别资格的工人创造了新的机会。 尽管人们对工作保障存在担忧，但自动化将改变职业，而不是消除职业，让工人有机会学习新技能，并在不断变化的就业市场中保持竞争力。

来源和详细信息：
https://interestingengineering.com/ie-originals/ie-explainer/season-2/ep-2-5-skills-that-ai-will-never-replace

发布于

低功耗光子芯片释放人工智能的潜力

具有神经网络的光子芯片：利用光创建超快人工智能

神经网络是模仿大脑结构的分布式计算系统。 他们的目标是在更短的时间内提供与人类相似的认知表现。

这些技术现在是人工智能和机器学习系统的基础，它们可以通过分析先前的行为来适应环境。 他们也自主工作。 这些技术应用于许多不同的领域，包括语音和图像识别、增强现实、自动驾驶、高性能计算和生物信息学。

与传统计算相比，神经网络需要大量的“训练”来学习复杂的函数。 训练过程非常耗能，并且随着计算能力的增加，神经网络的消耗将快速增长，大约每 6 个月翻一番。

来源和详细信息：
https://techxplore.com/news/2023-05-neural-networks-photonic-chips-harnessing.html