In today’s episode, are you asking “Can AI do this?” for every task that comes your way? You’ll learn why that’s often the wrong question and how you might be overlooking simpler, existing solutions. Instead of reinventing the wheel with AI, you’ll benefit from understanding how to identify pre-existing solutions and leverage AI to implement…
Summary In today's episode, I explore why the question "Can AI do this task?" often leads you down the wrong path. Here's what this means for you. You'll learn to recognize when a problem already has a deterministic solution instead of needing generative AI at all. You'll also learn these concepts: why generative AI produces…
In today’s episode, are you concerned about AI censorship or outages impacting your business? You’ll discover why relying on big, centralized AI is a risky single point of failure. You’ll learn how distributed AI and local models offer true resilience, putting AI power directly in your hands. Tune in to understand how to build a…
Summary In today's episode, I explain why dense hyper-concentrated systems lack resilience and how distributed networks—especially local AI models running on your own hardware—create redundancy against disasters, outages, and censorship. Here's what this means for you. You gain the ability to keep powerful AI capabilities working regardless of what happens to big tech providers, authoritarian…
In today’s episode, are you struggling to get truly valuable results from generative AI? You’ll learn why AI alone is just a shiny appliance without the right ingredients – your data. To truly leverage AI’s power, you’ll benefit from understanding how to feed it your specific data to get personalized and impactful outputs. Tune in…
Summary In today's episode, I explain why generative AI needs your specific data to produce useful results rather than relying solely on its general training. Here's what this means for you. You can turn generic AI outputs into targeted, personalized results by feeding the tools data unique to you and your audience. You'll also learn…
In today’s episode, are you losing sleep wondering if your brand is even on the radar of generative AI? Forget about those bogus claims of tracking AI brand mentions. You’ll learn a surprisingly simple yet effective method using AI deep research tools to see if your brand actually appears in AI-driven searches. This is exactly…
Summary In today's episode, I explain why you cannot reliably track brand mentions inside generative AI conversations and show you a practical workaround using deep research tools as a proxy. Here's what you take away from this. You gain a realistic method for testing how AI sees your brand so you can stop wasting money…
Almost Timely News: 🗞️ The Dark Side of Generative AI (2025-02-23) :: View in Browser The Big Plug 👉 Take my new course, Mastering Prompt Engineering for Marketers! 👉 Watch my latest talk, Generative AI for Tourism and Destination Marketing Content Authenticity Statement 98% of this week’s newsletter was generated by me, the human. There’s…
近乎及时的资讯：🗞️ 生成式AI的阴暗面 (2025-02-23) :: 在浏览器中查看 重点推荐 👉 参加我的新课程，《营销人员的提示工程精通》！ 👉 观看我的最新演讲，《面向旅游和目的地营销的生成式AI》 内容真实性声明 本周新闻通讯的98%由我，人类生成。 开篇部分有来自Google Gemini的简短摘要。了解为什么这种披露是一个好主意，并且在不久的将来可能对任何与欧盟进行任何形式业务往来的人员都是必需的。 在YouTube上观看本期新闻通讯 📺 点击此处观看本期新闻通讯的视频 📺 版本 (YouTube) » 点击此处获取MP3音频 🎧 版本 » 我的想法：生成式AI的阴暗面 人工智能正在造成多大的危害？ 当谈到人工智能时，这是一个有点存在主义的问题。我进入这个领域已经12年了，从2013年R和机器学习的早期到现在。在那段时间里，这个领域经历了爆炸式增长，从提升建模和归因分析到如今看起来像科幻小说的生成式AI能力。 但这一切都是有代价的——而且是多重代价。我们过去曾讨论过人工智能对能源的巨大需求，高达美国所有电力消耗的11%。但这只是我们在公正评估人工智能，并理解其在社会中的地位和影响时应该考察的角度之一。 让我们来谈谈人工智能的阴暗面——它面临的诸多挑战，以及我们可能如何克服这些挑战。 第一部分：知识产权 多年来，知识产权持有者（包括我们所有内容创作者，如本新闻通讯）与AI模型制造商之间一直存在着持续的斗争。双方争论的焦点是，创作者认为AI侵犯了他们的知识产权，因为他们的数据被用于创建AI模型，但他们没有得到补偿。 此外，AI模型在商业成果方面与这些创作者竞争——被生成式AI模型取代的作家会因该模型而损失工资。新加坡国立大学的一篇论文“AI与工作：拐点到了吗？”证明了这一点，该论文显示，一旦生成式AI精通翻译领域，翻译人员的收入下降了35%。 哈佛商学院的第二篇论文“谁在被AI取代？GenAI对在线自由职业平台的影响”表明，知识型工作岗位减少了21%，图形设计工作岗位额外减少了17%。 模型制造商和科技公司辩称，AI模型是具有变革性的作品，消耗我们的数据并将其转化为统计库（AI模型的本质）并不是对我们数据进行衍生作品创作。变革性作品是指创作的作品与原作截然不同，以至于没有人会将其误认为是原作。例如，在蒙娜丽莎画像上画上兔子耳朵显然是衍生作品。你可以看出那是蒙娜丽莎。如果你拿一张蒙娜丽莎的印刷品，将其放入碎纸机中，然后将碎纸屑变成一个兔子雕塑，那么没有人可以合理地争辩说兔子雕塑可以被认出是蒙娜丽莎。 2025年2月11日，美国地方法院在汤森路透诉罗斯智能案中裁定，罗斯智能在将其标题转化为AI训练数据时，侵犯了汤森路透对其标题的版权。法院具体裁定的内容，由Google Gemini总结如下： 法院驳回了罗斯的合理使用抗辩。法院认为，第一个合理使用因素（使用的目的和性质）严重不利于合理使用，因为罗斯的使用是商业性的，并且不具有变革性。法院认为，罗斯的使用反映了汤森路透使用标题的目的（法律研究协助），并且没有增加新的目的或性质。法院还认为，第四个因素（对市场的影响）不利于合理使用，因为罗斯的AI工具可能会取代Westlaw，并影响使用法律内容进行训练数据的市场。虽然第二个因素（受版权保护作品的性质）和第三个因素（使用的部分数量和实质性）对罗斯有利，但法院认定，第一和第四个因素更为关键，并且超过了其他因素。 现在，罗斯模型不是通用AI模型，例如为ChatGPT和Google Gemini提供支持的模型。它是专门为直接与汤森路透竞争并成为商业替代品而构建的，但这是第一个明确表示训练数据——以及模型本身——可能侵犯版权的裁决。 创作者提出的论点——AI在市场上与他们竞争——至少在两项研究（上述研究）中得到了证实。法院裁决表明，旨在成为竞争性替代品的AI侵犯了知识产权。 因此，AI的第一个阴暗面非常直接：模型侵犯了知识产权。这会在法庭上继续站得住脚吗？这取决于情况。在世界某些地区，这已经成为既定的法律。欧盟的《AI法案》要求任何通用模型制造商披露训练数据，并为知识产权持有者提供补救措施，要么要求撤回其内容，要么从他们那里获得许可。 在世界其他地区，法律有所不同。例如，在中国，知识产权法允许使用源数据来驱动AI模型，因此像Qwen和DeepSeek这样的模型是根据当地法律制造的。无论它们是否合乎道德，它们在其管辖范围内都是合法的。这对全球知识产权构成了挑战，因为如果一个地区限制知识产权的使用，而另一个地区允许使用，那么允许使用的地区的模型可以更快地发展，能力更强，从而产生竞争优势。 如果您关注道德和法律，补救措施是了解您的模型来自何处以及数据获得了什么许可。例如，法国公司Mistral的模型非常出色。它们目前在性能上不如OpenAI o1或DeepSeek R1等模型，但它们在欧洲制造，并且符合欧盟《AI法案》，因此Mistral的模型将属于道德来源的类别。非技术人员可以使用Mistral的Le Chat（他们的Web界面），而技术人员可以下载Mistral的模型，如Mistral Small 3，并在本地硬件上运行它们。 第二部分：资源成本 AI阴暗面的第二个方面是资源消耗。AI消耗大量资源——特别是电力和淡水。OpenAI的新实验模型o3，在执行高效率任务时消耗的电力比一个普通家庭3天消耗的电力还要多。对于低效率任务，它消耗的电力比一个普通家庭一年半消耗的电力还要多。 我们说的是多少电力？如果您根据NVIDIA过去3年每年售出的GPU的公开估计值来看，情况如下——这些是数据中心GPU，而不是游戏显卡： 2024年：约480万（猜测） 2023年：376万 2022年：264万…
