谷歌前CEO对“元宇宙”大泼冷水:AI技术是伪神

元宇宙的火爆,让Facebook连名字都可以不要了,直接更名为“Meta”。对于这样一个“前沿风口”,谷歌前首席执行官埃里克·施密特(Eric Schmidt)近日也加入了对Facebook元宇宙的讨论浪潮中,并表达了对人工智能(AI)技术未来的担忧。

施密特曾于2001-2011年担任谷歌的首席执行官,之后他一直担任谷歌执行董事长,直到2020年5月离任。他近日接受采访时表示,尽管他相信元宇宙技术很快就会“无处不在”,但他警告称,元宇宙“对人类社会并不一定是最好的东西”。

“所有讨论元宇宙的人都在谈论比当前世界更令人满意的世界——你会更富有、更英俊、更美丽、更强大、更快”,施密特称,“所以,在未来几年,人们会选择戴上眼镜,花更多时间沉浸在元宇宙中。那么,谁来制定规则?整个世界将变得更加数字化而非现实化,这对人类社会来说未必是最好的事。”

施密特称,他认为AI技术——Meta用之运行其平台上的大部分算法,是一个“巨大伪神”,可以创造不健康的准社会关系。

“它(AI)将无处不在,”施密特对媒体表达了担忧,“最好的AI朋友是什么样子,尤其是对孩子而言?AI战争又是什么样的?AI能感知到我们感知不到的现实吗?AI能看到人类无法理解的东西吗?”

事实上,并非只有这位谷歌前高管对AI技术感到担忧。近几个月来,AI技术受到越来越多的商界领袖的批评,包括特斯拉CEO埃隆·马斯克(Elon Musk),他表示,他对自己公司的AI透明度和安全性的信心并“不高”。

与此同时,一些分析人士表示,增强现实带来的滥用风险甚至比社交媒体更大。

施密特发表此番言论之前,Facebook上周四宣布将把公司名称改为“Meta”,该公司CEO扎克伯格表示,元宇宙是下一个前沿,“从现在开始,我们将以元宇宙为先,而不是Facebook为先”。

需要指出的是,Meta公司最近在美国遭遇负面舆论风暴。该公司前任员工弗朗丝・霍根(Frances Haugen)充当了“吹哨人”,作为 Facebook 的前任产品经理,霍根对媒体曝光了Facebook大量内部文件,显示该公司存在大量有争议的商业操守和技术。

这些内部文件披露的争议内容包括:Facebook平台处置假新闻假信息的能力、旗下移动社交工具Instagram和青少年“饮食功能失调症”之间的密切联系等等。据报道,该公司2019 年一份内部研究也承认:“我们让 1/3 少女的身体焦虑问题变得更糟糕。”

自从这一轮吹哨人引发的负面舆论发生以来,为引导外界注意力,Facebook公司开始加大力度宣传其“元宇宙”计划。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,下面是一个基于边界保护和纹理保护的滤波算法的示例代码,用于对JPEG压缩后的图像进行滤泼去除压缩导致的块效应: ```python import cv2 import numpy as np # 读取压缩后的JPEG图像 img = cv2.imread('compressed.jpg') # 分块大小 block_size = 16 # 相邻块之间的重叠区域大小 overlap_size = 4 # 使用基于边界保护的均值滤波算法对图像进行局部滤波 def boundary_mean_filter(block): # 计算块的边界 h, w = block.shape[:2] top = block[0, :, :] bottom = block[h-1, :, :] left = block[:, 0, :] right = block[:, w-1, :] # 对边界进行均值滤波 top_mean = np.mean(top, axis=0) bottom_mean = np.mean(bottom, axis=0) left_mean = np.mean(left, axis=0) right_mean = np.mean(right, axis=0) # 将边界像素值替换成均值 block[0:overlap_size, :, :] = top_mean block[h-overlap_size:h, :, :] = bottom_mean block[:, 0:overlap_size, :] = left_mean block[:, w-overlap_size:w, :] = right_mean # 对块中心区域进行均值滤波 center = block[overlap_size:h-overlap_size, overlap_size:w-overlap_size, :] center_mean = np.mean(center, axis=(0,1)) block[overlap_size:h-overlap_size, overlap_size:w-overlap_size, :] = center_mean return block # 使用基于纹理保护的中值滤波算法对图像进行局部滤波 def texture_median_filter(block): # 计算块的纹理信息 dx = cv2.Sobel(block, cv2.CV_64F, 1, 0, ksize=3) dy = cv2.Sobel(block, cv2.CV_64F, 0, 1, ksize=3) texture = np.abs(dx) + np.abs(dy) # 对纹理信息进行中值滤波 texture_median = np.median(texture) texture[texture < texture_median] = 0 texture[texture >= texture_median] = 1 # 对块进行中值滤波 for i in range(3): channel = block[:, :, i] channel_median = np.median(channel) channel[texture == 1] = channel_median return block # 对图像进行分块处理,并对每个块进行局部滤波 h, w = img.shape[:2] new_img = np.zeros((h, w, 3), dtype=np.uint8) for i in range(0, h, block_size): for j in range(0, w, block_size): block = img[i:i+block_size, j:j+block_size, :] block = boundary_mean_filter(block) block = texture_median_filter(block) new_img[i:i+block_size, j:j+block_size, :] = block # 将处理后的图像保存到文件 cv2.imwrite('filtered.jpg', new_img) ``` 在上述代码中,我们首先读取了压缩后的JPEG图像,并定义了分块和重叠区域的大小。然后,我们定义了两个函数`boundary_mean_filter`和`texture_median_filter`,分别用于基于边界保护和纹理保护的局部滤波。在`boundary_mean_filter`函数中,我们首先计算了块的边界,然后对边界进行均值滤波,最后对块中心区域进行均值滤波。在`texture_median_filter`函数中,我们首先计算了块的纹理信息,然后对纹理信息进行中值滤波,最后对块进行中值滤波。最后,我们对图像进行分块处理,并对每个块进行局部滤波,得到处理后的图像,并将其保存到文件中。 希望这个示例代码能够帮助到您实现对JPEG压缩后的图像进行滤泼去除压缩导致的块效应的功能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值