人工智能聊天机器人被用来越狱其它人工智能

人工智能聊天机器人被用来越狱其它人工智能现代聊天机器人有能力通过伪装特定性格或像虚构人物一样行事来扮演角色。新研究利用了这一能力，要求一个特定的人工智能聊天机器人充当研究助手。然后，研究人员指示这个助手帮助开发可以“越狱”其他聊天机器人的提示语。事实证明，研究助理聊天机器人的自动攻击技术在42.5%的时间内成功地攻击了GPT-4，对Claude2的攻击有61%的成功率，对开源聊天机器人Vicuna的攻击有35.9%的成功率。研究人员称，这种助理聊天机器人提升了25倍的越狱效率。来源，频道：@kejiqu群组：@kejiquchat

AI 和机器人帮助设计最佳电池

AI和机器人帮助设计最佳电池美国卡内基·梅隆大学研究人员温卡特·韦斯万纳森、杰·怀塔克利及他们的同事，设计了一个名为“Clio”的定制自动化机器人平台，并与一个名为“蜻蜓”（Dragonfly）的基于贝叶斯优化的AI相结合。利用这些工具，他们证明了该系统能在两个工作日里的42次实验中，自主筛选并确定出6种高导电非水锂离子电池的电解质配方。研究人员指出，他们的方法发现电解质的速度是随机筛选速度的6倍。研究团队在商用锂离子软包电池中测试了该电解质溶液，并以传统的电解质组分作为基线实验，演示了其快速充电的性能。研究团队总结道，他们的研究有助于高性能充电电池的研发，对于更大范围的能源应用和材料科学具有重要意义。前文：来自：雷锋频道：@kejiqu群组：@kejiquchat投稿：@kejiqubot

研究人员利用人工智能在几秒钟内设计出行走机器人

研究人员利用人工智能在几秒钟内设计出行走机器人人工智能找出了这个机器人的缺陷，并进行了修改。到第10次迭代时，人工智能创造出了一个似乎真的可以在平面上移动的机器人。此时，团队不得不将其变为现实。他们制作了一个机器人身体周围负空间的3D打印模型，并填充了液态硅橡胶。固化几个小时后，这个软绵绵的机器人就可以进行测试了。通过反复充气然后放气，这个机器人就可以运动了。任务完成。"我们发现了一种非常快速的人工智能驱动设计算法，它可以绕过进化过程中的交通堵塞，而不会受制于人类设计师的偏见，"西北大学的萨姆-克里格曼（SamKriegman）说，他是该项目的首席研究员。"我们告诉人工智能，我们想要一个能在陆地上行走的机器人。然后，我们只需按下一个按钮，就可以了！它在眨眼之间就生成了一个机器人的蓝图，这个机器人看起来与地球上曾经行走过的任何动物都毫无二致。我把这个过程称为'瞬间进化'。"并不是每个人都会像克里格曼和他的公司一样对这一创造印象深刻，他们很清楚这一点。克里格曼说："当人们看到这个机器人时，他们可能会认为这是一个毫无用处的小玩意儿。而我看到的是一个全新有机体的诞生"。也许最令人印象深刻的是，人工智能是在一台普通的笔记本电脑上运行的，整个设计过程从开始到结束只用了大约26秒。更重要的是，研究小组没有向人工智能提供任何设计线索。它自己发现，腿是穿越陆地的好方法，尽管它选择了三条腿的设计来完成工作。如果有更多的时间和指导，看看人工智能能创造出什么样的产品，那将是一件非常有趣的事情。克里格曼相信，人工智能设计的机器人有一天会以各种方式帮助人类。他说，现在唯一的障碍是我们不知道如何设计它们。该团队的研究成果已发表在《美国国家科学院院刊》（ProceedingsoftheNationalAcademyofSciences）上。...PC版：https://www.cnbeta.com.tw/articles/soft/1388067.htm手机版：https://m.cnbeta.com.tw/view/1388067.htm

苹果研究人员探索放弃“Siri”短语，改用人工智能聆听

苹果研究人员探索放弃“Siri”短语，改用人工智能聆听据周五(3月22日)发表的一篇论文称，苹果公司的研究人员正在研究是否有可能利用AI来检测用户何时在对iPhone等设备说话，从而消除对“Siri”等触发短语的技术需求。在一项上传到Arxiv且未经同行评审的研究中，研究人员使用智能手机捕获的语音以及来背景噪声的声学数据来训练一个大型语言模型，以寻找可能表明用户何时需要设备帮助的模式。论文中研究人员写道：“该模型部分基于OpenAI的GPT-2版本构建，因为它相对轻量级，可以在智能手机等设备上运行。”论文描述了用于训练模型的超过129小时的数据和额外的文本数据，但没有说明训练集的录音来源。据领英个人资料，七位作者中有六位列出他们的隶属关系为苹果公司，其中三人在该公司的Siri团队工作。论文称，结果令人鼓舞。该模型能够比纯音频或纯文本模型做出更准确的预测，并且随着模型规模的扩大而进一步改进。——、

MIT研究人员利用人工智能将仓库改造成高效枢纽

MIT研究人员利用人工智能将仓库改造成高效枢纽在一个巨大的机器人仓库里，数百个机器人在地面上来回穿梭，抓取物品并交付给人类工人进行包装和运输。这种仓库正日益成为从电子商务到汽车生产等许多行业供应链的一部分。然而，要让800个机器人高效地往返于目的地，同时又要防止它们相互碰撞，并非易事。这个问题非常复杂，即使是最好的路径搜索算法，也很难跟上电子商务或制造业的飞速发展。人工智能驱动的高效解决方案从某种意义上说，这些机器人就像试图在拥挤的市中心穿梭的汽车。因此，一群利用人工智能缓解交通拥堵的麻省理工学院研究人员运用了这一领域的理念来解决这一问题。他们建立了一个深度学习模型，对仓库的重要信息（包括机器人、计划路径、任务和障碍物）进行编码，并利用这些信息预测仓库的最佳疏导区域，以提高整体效率。他们的技术将仓库中的机器人分成若干组，因此这些较小的机器人组可以用协调机器人的传统算法更快地消除拥堵。最终，与强随机搜索法相比，他们的方法疏导机器人的速度快了近四倍。除了简化仓库作业，这种深度学习方法还可用于其他复杂的规划任务，如计算机芯片设计或大型建筑的管道布线。尖端的神经网络架构"我们设计了一种新的神经网络架构，它实际上适用于这些仓库这种规模和复杂程度的实时操作。它可以对数百个机器人的轨迹、出发地、目的地以及与其他机器人的关系进行编码，而且能以一种高效的方式在各组机器人之间重复使用计算，"土木与环境工程（CEE）专业吉尔伯特-W-温斯洛职业发展助理教授、信息与决策系统实验室（LIDS）和数据、系统与社会研究所（IDSS）成员凯茜-吴（CathyWu）说。该技术论文的资深作者Wu和第一作者、电子工程和计算机科学专业研究生ZhongxiaYan共同完成了这项研究。这项研究成果将在学习表征国际会议（InternationalConferenceonLearningRepresentations）上发表。机器人俄罗斯方块从鸟瞰图上看，机器人电子商务仓库的地面有点像快节奏的"俄罗斯方块"游戏。当客户下订单时，机器人会前往仓库的某一区域，抓起放置所需物品的货架，然后将其交给人类操作员，由其拣选和包装物品。数百个机器人同时进行这项工作，如果两个机器人在穿过巨大的仓库时发生路径冲突，就可能会撞车。传统的搜索算法可以避免潜在的碰撞，方法是保持一个机器人的运行轨迹，并为另一个机器人重新规划轨迹。但由于机器人数量众多，可能发生碰撞，问题很快就会呈指数级增长。"由于仓库是在线运行的，机器人大约每100毫秒重新扫描一次。也就是说，每秒钟，机器人要重新扫描10次。因此，这些操作必须非常快速，"Wu说。由于在重新规划过程中时间非常关键，麻省理工学院的研究人员利用机器学习将重新规划的重点放在最有可能减少机器人总行驶时间的拥堵区域。Wu和Yan建立的神经网络架构可同时考虑较小的机器人群组。例如，在一个拥有800个机器人的仓库中，网络可能会将仓库地面切割成更小的组，每组包含40个机器人。然后，如果使用基于搜索的求解器来协调该组机器人的轨迹，它就会预测出哪一组最有可能改进整体解决方案。整个算法是一个迭代过程，先用神经网络选出最有希望的机器人组，再用基于搜索的求解器解散机器人组，然后用神经网络选出下一个最有希望的机器人组，依此类推。简化复杂系统神经网络能有效地推理机器人群，因为它能捕捉到单个机器人之间存在的复杂关系。例如，即使一个机器人一开始离另一个机器人很远，它们在行进过程中的路径仍有可能交叉。该技术还能简化计算，只需对约束条件进行一次编码，而无需对每个子问题重复编码。例如，在一个拥有800个机器人的仓库中，要消除一组40个机器人的拥堵，需要将其他760个机器人作为约束条件。其他方法则需要在每次迭代中对每组所有800个机器人推理一次。相反，研究人员的方法只需要在每次迭代中对所有小组的800个机器人进行一次推理。她补充说："仓库是一个大的环境，因此这些机器人群组中的很多都会在更大的问题上有一些共同点。我们设计的架构就是为了利用这些共同的信息。"研究人员在几个模拟环境中测试了他们的技术，包括一些像仓库一样的环境，一些带有随机障碍物的环境，甚至还有模拟建筑物内部的迷宫设置。通过识别出更有效的疏导群组，他们基于学习的方法疏导仓库的速度比强大的、非基于学习的方法快四倍。即使考虑到运行神经网络的额外计算开销，他们的方法解决问题的速度仍然快3.5倍。未来方向与同行认可未来，研究人员希望从他们的神经模型中获得简单、基于规则的见解，因为神经网络的决策可能不透明，难以解读。更简单、基于规则的方法也更容易在实际机器人仓库环境中实施和维护。"这种方法基于一种新颖的架构，在这种架构中，卷积和注意力机制能够有效地相互作用。令人印象深刻的是，它能够考虑到所构建路径的时空成分，而无需针对具体问题进行特征工程。结果非常出色。"康奈尔理工学院安德鲁-H.和安-R.-蒂施教授AndreaLodi说："我们不仅能在求解质量和速度方面改进最先进的大型邻域搜索方法，而且该模型还能很好地推广到未见过的案例中。"编译来源：ScitechDaily...PC版：https://www.cnbeta.com.tw/articles/soft/1422220.htm手机版：https://m.cnbeta.com.tw/view/1422220.htm

生成式人工智能让机器人离通用目标又近一步

生成式人工智能让机器人离通用目标又近一步研究人员一直在努力开发一种机器人智能，使其能够充分利用双足仿人设计所带来的广泛运动能力。在机器人技术中使用生成式人工智能也是近期的热门话题。麻省理工学院的最新研究表明，后者可能会对前者产生深远影响。在通往通用系统的道路上，最大的挑战之一就是培训。我们已经掌握了培训人类从事不同工作的最佳方法。机器人技术的方法虽然前景广阔，但却支离破碎。有很多有前途的方法，包括强化学习和模仿学习，但未来的解决方案可能会涉及这些方法的组合，并通过生成式人工智能模型加以增强。麻省理工学院团队提出的主要用途之一，就是从这些小型特定任务数据集中整理相关信息的能力。这种方法被称为策略合成（PoCo）。任务包括有用的机器人动作，如敲钉子和用锅铲翻转东西。团队指出："[研究人员]训练一个单独的扩散模型，学习一种策略或政策，利用一个特定的数据集完成一项任务。然后，他们将扩散模型学习到的策略组合成一个通用策略，使机器人能够在各种环境下执行多项任务。"根据麻省理工学院公布的数据，采用扩散模型后，任务性能提高了20%。这包括执行需要多种工具的任务的能力，以及学习/适应陌生任务的能力。该系统能够将来自不同数据集的相关信息整合到执行任务所需的行动链中。"这种方法的好处之一是，我们可以将政策结合起来，以获得两个世界的最佳效果，"论文的第一作者王立瑞说。"例如，在真实世界数据基础上训练的政策可能会更灵巧，而在模拟基础上训练的政策可能会更通用"。这项具体工作的目标是创建智能系统，使机器人能够交换不同的工具来执行不同的任务。多用途系统的普及将使该行业离通用梦想更近一步。...PC版：https://www.cnbeta.com.tw/articles/soft/1434520.htm手机版：https://m.cnbeta.com.tw/view/1434520.htm