我们信仰AI?从神明到人工智能——信任的进化

信任的进化:

信任是我们最宝贵的资产。而现在,它正像黑色星期五促销的廉价平板电视一样,被一点点拆解。在过去,世界很简单:人们相信晚间新闻、那些满是灰尘书籍的教授,或者手持病历、眉头紧锁的医生。而如今?一个TikTok上的AI虚拟形象,用一本正经的声音讲解金融市场;聊天机器人提供医疗诊断,甚至比一些家庭医生还要靠谱。

信任是关键。但“钥匙链”在哪?

问题是什么? 信息与虚假信息的传播速度一样快。这对我们的信任意味着什么?谁来决定什么才是真相?更重要的是:我们能信任一台没有道德、没有真正判断力、只是模拟这些特质的机器吗?当然,信任是会进化的。

唯一的问题是——它会往哪个方向进化?

AI能成为启蒙者吗?

最近的两项研究——一项由Costello、Pennycook和Rand发表在《Science》期刊上,另一项由Goel等人发布的研究报告——提供了AI可以帮助人们远离错误认知的初步科学证据。

• Costello等人:在一项有 2190 名参与者的研究中,与GPT-4 Turbo进行个性化对话平均减少了20%的阴谋论信仰。这一影响持续了两个月以上,表明人们的观念发生了持久变化。尤其值得注意的是:即便是那些深信阴谋论的“铁杆信徒”,他们的信念也有明显下降。

这令人震惊——同时也让人害怕。

如果一个AI聊天机器人能够减少阴谋论信仰,那它就同样可以加强这种信仰。这种影响能持续两个月?在舆论塑造的世界里,这已经是永恒。真正的问题是:谁在掌控叙事?

因为如果算法可以塑造信念,那主导世界的就不再是人类,而是机器——或是那些操控机器的人。

• Goel等人:在一项涉及 1690 名美国参与者的实验中,研究人员探讨了人们是否更信任AI生成的信息,而非人类来源的信息。结果表明,GPT-4 在纠正错误认知方面与一名普通人同样有效,但说服力比不上公认的专家。

研究结果表明,AI可以成为启蒙工具,但存在局限性。人们对信息源的信任不仅取决于事实的准确性,还取决于其可信度。

简单来说:AI能传递事实,但它不能强行建立信任。人们相信人,尤其是那些有权威的人。 GPT-4 确实很有说服力,但它缺少专家的个人魅力。

真正的问题是:当机器不仅精准,还学会了“魅力”会发生什么?

信任的心理学

人们信任“面孔”,而不是代码。

AI聊天的水平已经能与人类对话媲美,这确实很惊人。但它的能力是有上限的。研究表明,人们更愿意相信一个头发花白、拥有博士学位的专家,而不是一个匿名的信息源,即使两者讲述的内容完全相同。为什么?因为我们的大脑被编程为尊重权威。

Goel等人的研究正好印证了这一点:专家能说服,AI只能提供信息。区别就在于——信任。

信任不仅仅是逻辑问题,更是心理问题。

这就是矛盾之处:AI可以提供客观、基于事实的答案,但人们依然更愿意信任人类。 为什么?因为信任不仅仅是一个理性过程,它是情感化的、社交性的、文化嵌入式的。即便AI可以显著减少阴谋论信仰,它的影响可能永远有限。

信任不仅建立在准确性上,更建立在人际连接上。

我们需要看到眼神,听到声音,感受到故事。

真正的挑战不是AI是否讲述事实,而是我们是否愿意去听。

黑暗的一面

虽然这些研究表明,AI可以传播知识、减少误解,但它同样存在风险。

Costello等人强调,AI能否发挥积极作用,很大程度上取决于人们如何看待它。

如果AI被视为一种操纵工具,它可能反而会加深人们的不信任。

更进一步的问题是:长期接触AI,会不会让人们逐渐丧失对人类专家的信任?

信任是脆弱的。一旦被动摇,就难以修复。 这正是AI的风险所在。

没错,它可以传播知识、打击虚假信息、塑造信念。但如果人们把它视为操控者,而非助手,信任将成为最大的牺牲品。

那么,长期来看,我们还会信任教授、记者或医生吗? 还是说,我们会逐渐认为算法更懂我们?

这就是讽刺之处:一种本应增强信任的技术,却同样有可能摧毁信任。

AI到底是启蒙者,还是操纵者? 这个问题不是由机器决定的,而是由我们决定的。

另一个问题是,AI不仅能用于启蒙,也可以用于制造虚假信息。深度伪造(Deepfake)、自动化假新闻生成器、算法偏见——都表明,同样的技术既能用来教育,也能用来操纵。

这让我想起 加德纳剃刀定律(Gardner’s Razor):

“如果一个系统需要所有人类行为都完美无缺才能正常运作,那它必然会失败。”

如果我们天真地认为AI只会被用于善良的目的,那不仅是天真,而是过度乐观到荒谬的程度**。

人类仍然是决定性因素

Costello等人和Goel等人的研究清楚地表明:AI可以对抗虚假信息,但它无法重塑人类的心理模式。

信任不仅仅建立在事实之上,它是由社会动态塑造的。

我们信任的不是冰冷的数据点,而是具体的人。

一个富有魅力的专家,永远会胜过一个再完美的算法。

真正的挑战是什么?

让AI成为盟友,而不是奥威尔式的思想警察。

如果人们感觉机器在掌控一切,最终最大的牺牲品不会是虚假信息,而是信任本身。

AI不会通过单纯的信息传递来改变我们对真相的认知,

它的影响,取决于我们如何在社会环境中解读它。

真正的问题不仅仅是——我们是否更信任机器,而不是人类?

更重要的是——在这个由科技驱动的社会中,我们如何重新定义“信任”的机制?

剩下的是什么?

信任并不是一个静态的概念,

而是一个不断演变的、由期望、经验和社会构造编织而成的网络。

在这个科技驱动的时代,问题不仅仅是我们是否更信任机器,而不信任人类,

而是:

当算法替我们做决定,透明度被复杂性取代,错误不再是“人为失误”,而是系统性缺陷时,信任的本质将如何转变?

信任的进化——从感官到工具,再到机构

人类从来都是出于必要而选择信任:

最初,我们信任自己的感官,

后来,我们信任工具,

再后来,我们信任机构。

而现在,我们正站在下一个进化阶段的门槛上:

我们是否愿意去信任,那个不以人类标准衡量自己,而是自我进化的“智能体”?

信任机器,不是盲目信仰,而是一个关于可靠性、透明度和伦理编程的计算过程。

但当信任不再与责任捆绑时,它还能持续多久?

这就是信任的悖论:

机器越完美,人们对它的错误就越无法原谅。

一个人类医生可以犯错;

但一个AI不可以——尽管两者都在基于概率运作。

最终的问题不是——我们如何信任机器?

而是——我们如何重新定义对错误和不可预测性的容忍度?

真正的挑战,不仅仅是技术,

更在于,我们是否能够在这个日益不透明的时代,塑造一种新的信任模式。

问题依然存在——

我们信仰AI吗?

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/68994.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据分析系列--[11] RapidMiner,K-Means聚类分析(含数据集)

一、数据集 二、导入数据 三、K-Means聚类 数据说明:提供一组数据,含体重、胆固醇、性别。 分析目标:找到这组数据中需要治疗的群体供后续使用。 一、数据集 点击下载数据集 二、导入数据 三、K-Means聚类 Ending, congratulations, youre done.

1-刷力扣问题记录

25.1.19 1.size()和.length()有什么区别 2.result.push_back({nums[i], nums[left], nums[right]});为什么用大括号? 使用大括号 {} 是 C11 引入的 初始化列表 语法,它允许我们在构造或初始化对象时直接传入一组值。大括号的使用在许多情况下都能让代码…

信息学奥赛一本通 2113:【24CSPJ普及组】小木棍(sticks) | 洛谷 P11229 [CSP-J 2024] 小木棍

【题目链接】 ybt 2113:【24CSPJ普及组】小木棍(sticks) 洛谷 P11229 [CSP-J 2024] 小木棍 【题目考点】 1. 思维题,找规律 【解题思路】 解法1:找规律 该题为:求n根木棍组成的无前导0的所有可能的数…

神经网络参数量和运算量的计算- 基于deepspeed库和thop库函数

引言 最近需要对神经网络的参数量和运算量进行统计。找到一个基于deepspeed库函数计算参数量和运算量的例子。而我之前一直用thop库函数来计算。 看到有一篇勘误博文写道使用thops库得到的运算量是MACs (Multiply ACcumulate operations,乘加累积操作次数&#xf…

读书笔记--分布式架构的异步化和缓存技术原理及应用场景

本篇是在上一篇的基础上,主要对分布式应用架构下的异步化机制和缓存技术进行学习,主要记录和思考如下,供大家学习参考。大家知道原来传统的单一WAR应用中,由于所有数据都在同一个数据库中,因此事务问题一般借助数据库事…

postgresql的用户、数据库和表

在 PostgreSQL 中,用户、数据库和表是关系型数据库系统的基本组成部分。理解这些概念对数据库管理和操作至关重要。下面是对这些概念的详细解释: 1. 用户(User) 在 PostgreSQL 中,用户(也称为 角色&#…

360大数据面试题及参考答案

数据清理有哪些方法? 数据清理是指发现并纠正数据文件中可识别的错误,包括检查数据一致性,处理无效值和缺失值等。常见的数据清理方法有以下几种: 去重处理:数据中可能存在重复的记录,这不仅会占用存储空间,还可能影响分析结果。通过对比每条记录的关键属性,若所有关键…

无用知识研究:std::initializer_list的秘密

先说结论,用std::initializer_list初始化vector,内部逻辑是先生成了一个临时数组,进行了拷贝构造,然后用这个数组的起终指针初始化initializer_list。然后再用initializer_list对vector进行初始化,这个动作又触发了拷贝…

代码随想录day27

669. /** lc appleetcode.cn id669 langcpp** [669] 修剪二叉搜索树*/// lc codestart /*** Definition for a binary tree node.* struct TreeNode {* int val;* TreeNode *left;* TreeNode *right;* TreeNode() : val(0), left(nullptr), right(nullptr) {}…

基于JMX实现消息队列监控

引言 实时监控中间件保障集群的可用性是极其重要的&#xff0c;本篇文章以JAVA语音基于JMX来实现对Kafka消息队列的监控 实现 添加依赖 在 pom.xml 中添加以下依赖&#xff1a; <dependencies><!-- Kafka 客户端依赖 --><dependency><groupId>org…

.Net Core笔记知识点(跨域、缓存)

设置前端跨域配置示例&#xff1a; builder.Services.AddCors(option > {option.AddDefaultPolicy(policy > {policy.WithOrigins(originUrls).AllowAnyMethod().AllowAnyHeader().AllowCredentials();});});var app builder.Build();app.UseCors(); 【客户端缓存】接…

Jupyterlab和notebook修改文件的默认存放路径的方法

文章目录 1.缘由2.操作流程2.1找到默认的路径2.2创建配置文件2.3修改配置文件内容2.4注意事项 1.缘由 我自己使用jupyterlab的时候&#xff0c;打开是在这个浏览器上面打开的&#xff0c;但是这个打开的文件路径显示的是C盘上面路径&#xff0c;所以这个就很麻烦&#xff0c;因…

HarmonyOS:ArkWeb进程

ArkWeb是多进程模型,分为应用进程、Web渲染进程、Web GPU进程、Web孵化进程和Foundation进程。 说明 Web内核没有明确的内存大小申请约束,理论上可以无限大,直到被资源管理释放。 ArkWeb进程模型图 应用进程中Web相关线程(应用唯一) 应用进程为主进程。包含网络线程、Vi…

基于Spring Security 6的OAuth2 系列之九 - 授权服务器--token的获取

之所以想写这一系列&#xff0c;是因为之前工作过程中使用Spring Security OAuth2搭建了网关和授权服务器&#xff0c;但当时基于spring-boot 2.3.x&#xff0c;其默认的Spring Security是5.3.x。之后新项目升级到了spring-boot 3.3.0&#xff0c;结果一看Spring Security也升级…

音标-- 02-- 重音 音节 变音

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 国际音标1.重音2.音节3.变音 国际音标 1.重音 2.音节 3.变音

验证回文串 II - 题解与分析

680. 验证回文串 II - 题解与分析 题目描述 给定一个字符串 s&#xff0c;最多可以从中删除一个字符。请判断 s 是否能通过删除一个字符后变成回文字符串。如果能&#xff0c;则返回 true&#xff1b;否则&#xff0c;返回 false。 示例 1: 输入&#xff1a;s "aba&q…

连续预测、

一、连续预测 调用模型遍历需要预测文件夹中的图片&#xff1a; image_ids open(‘VOCdevkit/VOC2007/ImageSets/Main/test.txt’).read().strip().split() for image_id in tqdm(image_ids): # 遍历测试图像 image_path “./VOCdevkit/VOC2007/JPEGImages/” image_id …

蓝桥备赛指南(6)

这篇文章非常简单&#xff01;重点只有两个&#xff0c;而且都和set非常相似。 se集合 set简介 首先&#xff0c;set集合是一种容器&#xff0c;用于存储一组唯一的元素&#xff0c;并按照一定的排序规则进行排序&#xff0c;set中的元素是按照升序排序的&#xff0c;默认情…

搜索插入位置(35)

35. 搜索插入位置 - 力扣&#xff08;LeetCode&#xff09; 相关算法&#xff1a;二分查找最左侧和最右侧target的index-CSDN博客 class Solution { public:int searchInsert(vector<int>& nums, int target) {int left 0;int right nums.size() - 1;int ans nu…

Adaptive LLM Transformer²

看到了一个不错的论文https://arxiv.org/pdf/2501.06252 TRANSFORMER-SQUARED: SELF-ADAPTIVE LLMS 挺有意思的&#xff0c;是一家日本AI公司SakanaAI的论文&#xff08;我以前写过他们的不训练提升模型的能力的文章&#xff0c;感兴趣可以去翻&#xff09;它家有Lion Jones坐镇…