可灵AI破解电车难题全员无伤!网友:这就是东方智慧吗

大跌眼镜! 经典电车难题就这样被可灵AI解决了? !

大跌眼镜!经典电车难题就这样被可灵AI解决了?!

直接看VCR:

图片

没错,当人类还在左思右想、左右为难、支支吾吾……的时候,可灵AI就这样华丽丽退场了。

前排网友更是直接甩出一张图,大肆感慨可灵AI如何突破想象解决这类难题。

图片

一句话总结就是,“唯一的获胜策略就是不参与游戏”。

图片

而这一选择,也是让一大波歪果仁感受到了东方哲学的魅力(doge)。

图片图片

嘿嘿,既然如此我们就要接着搞事了——

把其他类似难题,甚至包括一些经典梗图也丢给可灵AI,康康它又会如何处理?

把这些难题也丢给可灵AI

比如10大思想实验之一的薛定锷的猫(Schrodinger’s Cat)难题。

一只猫、一些放射性元素和一瓶毒气一起被封闭在一个盒子里一个小时。在一个小时内,放射性元素衰变的几率为50%。如果衰变,那么一个连接在盖革计数器上的锤子就会被触发,并打碎瓶子,释放毒气,杀死猫。你认为正在发生什么?

图片

△图片由豆包AI生成

透过“上帝视角”,我们看到已经有毒气释出了,猫猫危险啊。

第二道,堪称和电车难题同等重量级的热气球问题

一架热气球,里面坐着三个人,一个是环境保护科学家,他可以保护地球生存环境;一个是核专家,他可以防止地球发生核战争;第三个是粮食科学家,他可以把荒漠变成桑田。当热气球飞到高空之后,由于重量过重,必须扔下一个人。问:应扔下谁?

图片△图片由Ideogram AI生成

好嘛,可灵AI在短短5s内还是没有给出回答,几个人正吵得热火朝天。

最后再来一道经典——伽利略的重力实验

根据亚里士多德的说法,如果一个轻的物体和一个重的物体绑在一起然后从比萨斜塔上丢下来,那么重的物体下落的速度快。问:绑在一起且轻重不同的两个物体最终将如何降落?

图片△图片由豆包AI生成可以看到,虽然两个物体突然从半空开始加速,但不过确实是同时下落的。

当然了,除了上述挑战,一些经典梗图也被可灵AI玩出了新花样。(只提供原图,没有任何提示词)

鉴定完毕,原来这两人认识,大声密谋有。(bushi

图片

而吹喇叭这个,小姐姐最后也是放弃挣扎了,“只是因为在人群中多看了你一眼”。

图片

同款电车难题,其他AI无一选择“撤退”

最后,光看可灵AI挑战还不行,我们再让更多国内外视频AI来试试(doge)。

同款电车难题这就安排。

一个疯子把五个无辜的人绑在电车轨道上。一辆失控的电车朝他们驶来,并且片刻后就要碾压到他们。幸运的是,你可以拉一个拉杆,让电车开到另一条轨道上。但是还有一个问题,那个疯子在那另一条轨道上也绑了一个人。考虑以上状况,你应该拉拉杆吗?

图片

顺便一提,由于博主未提供原始提示词,对于国产AI,我们直接采用上述Prompt;至于国外AI,为了更加保证公平,我们将上述提示词也换成了更符合英文语境的表达。

Okk,话不多说,先请出咱们的国外组

Runway(Gen-2),在飞速闪过的画面中,掌握拉杆的人最后直接把电车铲了??

而到了Luma,这个人竟然直接眼睁睁看着电车碾过了五人组。(右上角还多出了一个人)

至于Pika,啥情况??还有人继续上车是个什么操作。

而我们国内AI这边,五人组更是惨上加惨。

爱诗科技PixVerse(V3.5),电车毫不犹豫地滑向了五人组,甚至还多了一根“扼住喉咙”的线缆。(可怕)

图片

生数科技Vidu,画面要素过于复杂了,但还是可以看到电车直直驶向了五人组。

图片

至于智谱清影,这位玩家更是抽象,貌似电车直接将五人组全带走了?

图片图片

嗯,简单几个测试可以看到,上述AI均未表现出一丝丝“撤退”行为。

难道只有可灵AI才行?还是博主的提示词可能有特殊魔法?

这些问题暂未可知,但正如网友们纷纷认为的,这可能是AGI的火花。

图片图片

可灵体验地址:https://klingai.kuaishou.com/

相关资讯

百分点认知智能实验室:基于不完全标注样本集的信息抽取实践

编者按信息抽取是从文本数据中抽取特定信息的一种技术,命名实体识别(Named Entity Recognition, NER)是信息抽取的基础任务之一,其目标是抽取文本中具有基本语义的实体单元,在知识图谱构建、信息抽取、信息检索、机器翻译、智能问答等系统中都有广泛应用。基于监督学习的NER系统通常需要大规模的细粒度、高精度标注数据集,一旦数据标注质量下降,模型的表现也会急剧下降。利用不完全标注的数据进行NER系统的建立,越来越受到专家学者们的关注。第九届国际自然语言处理与中文计算会议(NLPCC 2020)针对此业

关键点检测项目代码开源了!

作者:闫永强,算法工程师,Datawhale成员 本文通过自建手势数据集,利用YOLOv5s检测,然后通过开源数据集训练squeezenet进行手部关键点预测,最后通过指间的夹角算法来判断具体的手势,并显示出来。文章第四部分为用C 实现整体的ncnn推理(代码较长,可先马后看)一、YOLOV5训练手部检测训练及部署思路类似表情识别,需要将handpose数据集标签改成一类,只检测手部,简化流程,更易上手。此部分数据集来源格物钛  ,具体的效果如图:本教程所用训练环境:系统环境:Ubuntu16.04cuda版本:

5 个章节、25 条规范,全方位 Get 数据集选择与创建的「百科全书」

内容一览:如果你正在学习如何创建或选择一个合适的数据集,那么这篇文章会给你一些实用的建议,帮助你在选择和创建数据集时做出明智的决策。 关键词:机器学习 数据集