过年别再逼婚了,《黑镜》里的AI相亲系统是对爱情最好的匹配

简介: 春节将至,单身一人回家过年难免会被问到有无对象,何时结婚,心中难免五味杂陈。最近被大家热议的神剧《黑镜》第四季中的一集,却为苦于找不到对象的人们提供了一个完美解决方案,AI相亲系统可以对比候选人各种数据通过算法为客户寻找最完美的另一半,而现实生活中,这样的科技其实离我们并不遥远。

最新一季《黑镜》的第四集《Hang the DJ》,故事中的神器外形简洁功能不简单,内置强大相亲系统——个人喜好完全数据化、自动匹配对象、搭载人工智能恋爱导师、日常约会巨细无遗。

f6588f9052963069c9522eba6ee1d382294415f8

在这个世界里,约会是一个高度规范化的过程,被“系统”管理,它承诺每一个用户,他们最终会找到他们完美的生活伴侣。用户通过名叫Coach的语音助理和“系统”进行交互。

系统决定他们将在哪里约会,他们在那里吃什么,最重要的是,每个“关系”会持续多久。每对夫妇都有一个“系统”算法预先确定这段关系的“失效日期”,它可能是几个小时到几年的相处时间。

91f86ff1c3856e05e3de3b16d8f24b4d05eff519

使用这样的黑科技,你分不清到底是机器间谈恋爱,还是人与人谈感情。男主弗兰克和女主艾米都是第一次使用系统的单身狗,对这个恋爱系统是紧张又期待。

这个系统的设计原则很简单,那就是 " 不以共度一生为目的的恋爱都是耍流氓 "。使用者和系统必须通过多段关系的试错,不断提高信息精确度,最后找到匹配率 99.8% 的对象。

在《Hang the DJ》里,感情不需要培养,靠的是匹配。

世界上已有的AI约会平台:Viola.ai

Viola.AI是全球第一个使用人工智能驱动的相亲平台。通过结合人工智能、区块链技术和智能合约技术,Viola.AI试图颠覆相亲行业,给全球用户提供无国界的一条龙解决方案,包括约会、求婚乃至结婚。

平台使用深度学习技术,分析每个用户的个性、背景和行为习惯,给用户最贴合个人的建议,并在预测感情可能出现问题时敦促他们主动解决,保证感情稳定。

借助新技术和移动约会服务,相亲行业在过去的10年里发展迅速。不过仍有许多亟待解决的问题。比如网恋骗局、交友疲劳症、用户信息滥用等。还有在全球离婚率上升潮中的婚后感情危机了。

平台幕后团队LunchActually Group将使用其攒了13年的数据(3500个数据集,11亿数据点)以及用户提供的社交和婚恋数据来训练AI。

平台使用区块链作为其真实身份验证系统的基础。每个用户的照片都将与其社交账户和实时脸部扫描的图片对比,来验证其身份。

之后数据储存于区块链上。此外,Viola.AI还将试用端对端加密机制来保护用户数据,防止黑客入侵等威胁到用户隐私信息安全。

去中心化系统和区块链技术提高了系统的安全性以及对用户验证的严密性。从而防止任何形式的身份盗用、数据篡改。

AI相亲或成以后发展趋势

剧集中的这个世界和我们的现实主要区别在于约会应用程序对个人生活的影响力。根据皮尤研究公司(Pew Research)的一项研究,在线交友比以往任何时候都更受欢迎,更受社会认可,18-24岁的美国人中约有27%使用交友应用。

我们已经知道,约会应用程序有大量关于用户的数据,而且这些数据中的一部分可以用令人惊讶的方式预测兼容性。

 “几个月前,我们刚刚做了这项研究,讨论了食物及其对约会情况的影响。我们发现,如果你的个人资料中包含“鳄梨酱”这个词,你就会有144%的可能得到一个信息,“在线约会服务Zoosk的高级传播经理Jenn Takahashi介绍说。

Coffee Meets Bagel联合创始人兼首席运营官Dawoon Kang表示,尽管约会应用程序的未来看起来不像“Hang DJ”,但是在VR和AI技术方面,我想我们会看到更多的个人参与约会应用程序和更多的数字世界和现实之间的无缝连接。

“虚拟约会的想法实际上并不遥远:17年,Condé Nast娱乐公司与Facebook合作推出了五集的虚拟约会节目。该节目专为Facebook最近上线的观看视频流量身打造。(但节目本身并不是在虚拟现实中拍摄)。

正如标题的字面意思那样,每集节目都会安排两个戴着HTC Vive头显的陌生人在VR中约会。很多看过节目的人吐槽VR看起来有点像毒品,这个虚拟约会秀看起来就像是两个陌生人困在一个屋子里看着对方抽大烟。


原文发布时间为:2018-01-22

本文作者:弗朗西斯

本文来自云栖社区合作伙伴新智元,了解相关信息可以关注“AI_era”微信公众号

原文链接:过年别再逼婚了,《黑镜》里的AI相亲系统是对爱情最好的匹配

相关文章
|
17天前
|
机器学习/深度学习 存储 人工智能
【AI系统】昇思MindSpore并行
本文介绍昇思MindSpore的并行训练技术,包括张量重排布、自动微分等,旨在简化并行策略搜索,提高大规模模型训练效率。文章探讨了大模型带来的挑战及现有框架的局限性,详细说明了MindSpore如何通过技术创新解决这些问题,实现高效的大模型训练。
72 20
【AI系统】昇思MindSpore并行
|
15天前
|
机器学习/深度学习 人工智能 自然语言处理
转载:【AI系统】AI的领域、场景与行业应用
本文概述了AI的历史、现状及发展趋势,探讨了AI在计算机视觉、自然语言处理、语音识别等领域的应用,以及在金融、医疗、教育、互联网等行业中的实践案例。随着技术进步,AI模型正从单一走向多样化,从小规模到大规模分布式训练,企业级AI系统设计面临更多挑战,同时也带来了新的研究与工程实践机遇。文中强调了AI基础设施的重要性,并鼓励读者深入了解AI系统的设计原则与研究方法,共同推动AI技术的发展。
转载:【AI系统】AI的领域、场景与行业应用
|
17天前
|
机器学习/深度学习 人工智能 分布式计算
【AI系统】混合并行
混合并行融合了数据并行、模型并行和流水线并行,旨在高效利用计算资源,尤其适合大规模深度学习模型训练。通过将模型和数据合理分配至多个设备,混合并行不仅提升了计算效率,还优化了内存使用,使得在有限的硬件条件下也能处理超大型模型。3D混合并行(DP+PP+TP)是最先进的形式,需至少8个GPU实现。此策略通过拓扑感知3D映射最大化计算效率,减少通信开销,是当前深度学习训练框架如Deepspeed和Colossal AI的核心技术之一。
61 15
【AI系统】混合并行
|
14天前
|
存储 人工智能 vr&ar
转载:【AI系统】CPU 基础
CPU,即中央处理器,是计算机的核心部件,负责执行指令和控制所有组件。本文从CPU的发展史入手,介绍了从ENIAC到现代CPU的演变,重点讲述了冯·诺依曼架构的形成及其对CPU设计的影响。文章还详细解析了CPU的基本构成,包括算术逻辑单元(ALU)、存储单元(MU)和控制单元(CU),以及它们如何协同工作完成指令的取指、解码、执行和写回过程。此外,文章探讨了CPU的局限性及并行处理架构的引入。
转载:【AI系统】CPU 基础
|
14天前
|
人工智能 缓存 并行计算
转载:【AI系统】CPU 计算本质
本文深入探讨了CPU计算性能,分析了算力敏感度及技术趋势对CPU性能的影响。文章通过具体数据和实例,讲解了CPU算力的计算方法、算力与数据加载之间的平衡,以及如何通过算力敏感度分析优化计算系统性能。同时,文章还考察了服务器、GPU和超级计算机等平台的性能发展,揭示了这些变化如何塑造我们对CPU性能的理解和期待。
转载:【AI系统】CPU 计算本质
|
17天前
|
存储 人工智能 PyTorch
【AI系统】张量并行
在大模型训练中,单个设备难以满足需求,模型并行技术应运而生。其中,张量并行(Tensor Parallelism, TP)将模型内部的参数和计算任务拆分到不同设备上,特别适用于大规模模型。本文介绍了张量并行的基本概念、实现方法及其在矩阵乘法、Transformer、Embedding和Cross Entropy Loss等场景中的应用,以及通过PyTorch DeviceMesh实现TP的具体步骤。
50 11
【AI系统】张量并行
|
14天前
|
机器学习/深度学习 存储 人工智能
转载:【AI系统】计算之比特位宽
本文详细介绍了深度学习中模型量化操作及其重要性,重点探讨了比特位宽的概念,包括整数和浮点数的表示方法。文章还分析了不同数据类型(如FP32、FP16、BF16、FP8等)在AI模型中的应用,特别是FP8数据类型在提升计算性能和降低内存占用方面的优势。最后,文章讨论了降低比特位宽对AI芯片性能的影响,强调了在不同应用场景中选择合适数据类型的重要性。
转载:【AI系统】计算之比特位宽
|
14天前
|
机器学习/深度学习 人工智能 算法
转载:【AI系统】关键设计指标
本文介绍了AI芯片的关键设计指标及其与AI计算模式的关系,涵盖计算单位(如OPS、MACs、FLOPs)、关键性能指标(精度、吞吐量、时延、能耗、成本、易用性)及优化策略,通过算术强度和Roofline模型评估AI模型在芯片上的执行性能,旨在帮助理解AI芯片设计的核心考量与性能优化方法。
转载:【AI系统】关键设计指标
|
14天前
|
机器学习/深度学习 人工智能 并行计算
转载:【AI系统】AI轻量化与并行策略
本文探讨了AI计算模式对AI芯片设计的重要性,重点分析了轻量化网络模型和大模型分布式并行两大主题。轻量化网络模型通过减少模型参数量和计算量,实现在资源受限设备上的高效部署;大模型分布式并行则通过数据并行和模型并行技术,解决大模型训练中的算力和内存瓶颈,推动AI技术的进一步发展。
转载:【AI系统】AI轻量化与并行策略
|
17天前
|
存储 机器学习/深度学习 人工智能
【AI系统】完全分片数据并行 FSDP
本文深入探讨了AI框架中针对权重数据、优化器数据和梯度数据的分布式并行实现,特别是在PyTorch框架下的具体方案。文章首先回顾了通用数据并行和分布式数据并行的概念,重点讨论了同步与异步数据并行的差异。接着,文章详细介绍了如何在PyTorch中实现弹性数据并行,特别是完全分片数据并行(FSDP)的机制,包括其如何通过分片模型状态和剩余状态来减少内存消耗,提高训练效率。此外,文章还探讨了混合精度训练、损失缩放和内存消耗估算等关键技术,为理解和实施高效的分布式训练提供了全面的指导。
55 9
【AI系统】完全分片数据并行 FSDP

热门文章

最新文章