AI हॅक केले जाऊ शकते का? होय, आणि बहुतेक लोकांना माहित असलेल्या मार्गांपेक्षा अधिक मार्गांनी — मॉडेलला हानिकारक आउटपुटसाठी फसवणारे फेरफार केलेले इनपुट्सपासून ते AI प्रणाली चालवणाऱ्या इन्फ्रास्ट्रक्चरवरील थेट हल्ल्यांपर्यंत. खरा प्रश्न हे शक्य आहे का असा नाही, तर ते कसे घडते, किती वेळा घडते आणि तुमचा धोका कमी करण्यासाठी तुम्ही काय करू शकता हा आहे.
AI सुरक्षेबद्दलच्या बहुतेक चर्चा सायबर हल्ल्यांपासून संरक्षण करण्यासाठी AI काय करू शकते यावर केंद्रित असतात. AI स्वतःच लक्ष्य बनल्यावर काय घडते याबद्दल कमी लोक बोलतात. जागृतीतील ती दरी म्हणजेच जिथे वास्तविक जगातील घटना घडत आहेत — शांतपणे आणि लाजिरवाण्यापासून ते खऱ्या अर्थाने हानिकारक परिणामांपर्यंत. हे मार्गदर्शक संपूर्ण चित्र समाविष्ट करते — आत्ता वापरल्या जात असलेल्या विशिष्ट हल्ल्यांच्या प्रकारांपासून ते दैनंदिन कामात AI साधने वापरणाऱ्या व्यक्ती आणि संस्थांसाठी प्रत्यक्ष धोका कमी करणाऱ्या व्यावहारिक पावलांपर्यंत.
AI कसे हॅक होते: तुम्हाला माहित असायला हवे असलेले हल्ल्यांचे प्रकार
AI हॅक केले जाऊ शकते का या प्रश्नाचे उत्तर वापरल्या जात असलेल्या विशिष्ट पद्धती तुम्ही समजून घेतल्यावर अधिक ठोस होते. हे संशोधन पेपर्समध्ये कल्पिलेले सैद्धांतिक हल्ले नाहीत. ही अशी तंत्रे आहेत जी प्रत्यक्ष वातावरणात प्रत्यक्ष प्रणालींविरुद्ध प्रदर्शित केली गेली आहेत.
Prompt injection. सध्या large language model प्रणालींविरुद्ध हा सर्वात सामान्य आणि सर्वात चर्चित हल्ला आहे. AI ज्या मजकुरावर प्रक्रिया करायला सांगितले जाते त्या मजकुरामध्ये दुर्भावनापूर्ण सूचना अंतर्भूत करून हा कार्य करतो. वापरकर्ता एखादे दस्तऐवज, ईमेल किंवा वेबपेज पेस्ट करतो आणि त्या मजकुराच्या आत लपलेल्या सूचना AI ला सुरक्षा मार्गदर्शक तत्त्वे दुर्लक्षित करण्यास, system prompts उघड करण्यास किंवा त्याने न करायच्या कृती करण्यास सांगतात. AI त्या सूचना इनपुटचा एक भाग म्हणून वाचते आणि त्यांचे पालन करते कारण ते वैध सूचना आणि इंजेक्ट केलेल्या सूचनांमध्ये विश्वासार्हपणे फरक करू शकत नाही.
Adversarial inputs. प्रतिमा किंवा इतर मजकूर नसलेल्या डेटावर प्रक्रिया करणाऱ्या AI प्रणालींमध्ये, adversarial हल्ल्यांमध्ये इनपुटमध्ये सूक्ष्म बदल केले जातात जे मानवांना दिसत नाहीत परंतु AI ला पूर्णपणे चुकीचे वर्गीकरण करायला लावतात. एक छोटा आवाजाचा ठिगळ जोडलेला स्टॉप साइन मानवाद्वारे योग्यरीत्या ओळखला जाऊ शकतो आणि AI व्हिजन प्रणालीद्वारे पूर्णपणे चुकीच्या पद्धतीने वर्गीकृत केला जाऊ शकतो. स्वायत्त वाहने किंवा सुरक्षा प्रणालींमध्ये, अशा प्रकारच्या चुकीचे गंभीर परिणाम होतात.
Model extraction. एक प्रगत हल्लेखोर AI प्रणालीला काळजीपूर्वक डिझाइन केलेल्या क्वेरीज पाठवू शकतो आणि प्रतिसादांचा वापर करून मूळ मॉडेलची प्रत रिव्हर्स-इंजिनिअर करू शकतो. यामुळे त्यांना बौद्धिक संपदा चोरण्याची, रेट लिमिट्स ट्रिगर न करता कमकुवतपणा शोधण्याची आणि मानक प्रवेशाद्वारे न दिसणारे मॉडेलच्या वर्तनातील शोषण करण्यायोग्य पॅटर्न शोधण्याची संधी मिळते.
Data poisoning. हा हल्ला AI जीवनचक्रात आधीच घडतो, प्रशिक्षणादरम्यान. जर एखादा हल्लेखोर मॉडेल कोणत्या डेटावर प्रशिक्षित होते यावर प्रभाव टाकू शकत असेल, तर तो त्या डेटावर प्रशिक्षित केलेल्या मॉडेलच्या प्रत्येक आवृत्तीत टिकून राहणारे पूर्वग्रह, backdoors किंवा भेद्यता आणू शकतो. हे अमलात आणणे अधिक कठीण असते परंतु संभाव्यतः सर्वात हानिकारक असते कारण भेद्यता मॉडेलमध्येच रुजलेली असते.
Model inversion. मॉडेलला वारंवार क्वेरी करून आणि त्याच्या आउटपुट्सचे विश्लेषण करून, हल्लेखोर कधीकधी प्रशिक्षण डेटाबद्दल माहिती काढू शकतात, ज्यात मॉडेलला प्रशिक्षित करण्यासाठी ज्यांचा डेटा त्यांच्या नकळत वापरला गेला अशा व्यक्तींबद्दलची खाजगी माहितीही समाविष्ट असते.
AI प्रणाली विशेषतः भेद्य का असतात
पारंपरिक सॉफ्टवेअरमध्येही भेद्यता असतात, पण AI प्रणालींमध्ये अशा वैशिष्ट्यांचा संच असतो ज्यामुळे पारंपरिक अनुप्रयोगांमध्ये नसलेले हल्ल्यांचे पृष्ठभाग तयार होतात. हे समजून घेणे AI हॅक केले जाऊ शकते का या प्रश्नाचा सोपा तांत्रिक उपाय का नाही हे स्पष्ट करण्यास मदत करते.
AI मॉडेल सांख्यिकीय प्रणाली आहेत, नियम-आधारित नाहीत. ते स्पष्ट तर्कशास्त्राचे पालन करण्याऐवजी संभाव्य निर्णय घेतात. म्हणजेच एज केसेस आणि adversarial स्थितींमधील त्यांचे वर्तन एका पारंपरिक प्रोग्रामपेक्षा स्वाभाविकपणे अंदाज लावणे आणि ऑडिट करणे अधिक कठीण असते, जिथे एखादा विशिष्ट आउटपुट का तयार झाला हे तुम्ही नेमके शोधू शकता.
बहुतेक AI प्रणाली अशा अर्थाने ब्लॅक बॉक्स देखील आहेत की तर्क प्रक्रिया थेट निरीक्षण करता येत नाही. यामुळे मॉडेल तडजोडीत आहे का, ते हल्ल्यामुळे किंवा असामान्य परंतु वैध इनपुटमुळे अनपेक्षितपणे वागत आहे का आणि शोधली गेलेली विसंगती सुरक्षा धोक्याचे प्रतिनिधित्व करते की केवळ एज केस आहे हे जाणणे खरोखरच कठीण होते.
सप्लाय चेनची गुंतागुंत आणखी एक स्तर जोडते. तैनात केलेले एक AI अनुप्रयोग सहसा एका प्रदात्याच्या foundation model वर बसते, दुसऱ्याच्या क्लाउड इन्फ्रास्ट्रक्चरवर चालते, API द्वारे तृतीय-पक्ष साधनांशी एकत्रित केले जाते आणि आणखी एका पक्षाने बांधलेल्या अनुप्रयोगांद्वारे प्रवेश केला जातो. त्या साखळीतील कोणत्याही लिंकमधील भेद्यता संपूर्ण प्रणालीच्या सुरक्षेवर परिणाम करू शकते, जरी प्रत्येक वैयक्तिक घटक त्याच्या स्वतःच्या सुरक्षा पुनरावलोकनात उत्तीर्ण झाला असेल.
तुम्ही तैनात करता किंवा अवलंबून असता त्या कोणत्याही AI प्रणालीच्या संपूर्ण सुरक्षा आर्किटेक्चर ची समज ही केवळ एक तांत्रिक कसरत नाही. ती कोणत्याही जबाबदार जोखीम मूल्यांकनाचा पाया आहे.
बहुतेक वापरकर्ते दुर्लक्ष करतात अशा AI सुरक्षेबद्दल जाणून घेण्यासारख्या गोष्टी
हल्ल्यांच्या प्रकारांच्या पलीकडे, AI सुरक्षेबद्दलची काही वास्तविकता आहेत ज्या तुम्ही या साधनांना सुरक्षा व्यावसायिक म्हणून न पाहता सामान्य वापरकर्ता म्हणून पाहिल्यास सहजपणे चुकू शकतात.
सुरक्षा अपडेट AI साठी वेगळ्या प्रकारे कार्य करतात. जेव्हा पारंपरिक सॉफ्टवेअर भेद्यता पॅच केली जाते, तेव्हा फिक्स तैनात केले जाते आणि भेद्यता बंद होते. AI मॉडेल्ससह, परिस्थिती अधिक गुंतागुंतीची आहे. शोधलेल्या भेद्यतेचे निराकरण करण्यासाठी मॉडेल पुन्हा प्रशिक्षित करण्यास वेळ, संसाधने लागतात आणि नवीन समस्या आणू शकते. AI प्रणालींमधील काही हल्ल्यांच्या पृष्ठभागांना अजिबात स्वच्छ पॅच नाहीत.
तुमचे AI साधन तितकेच सुरक्षित आहे जितके त्याचे सर्वात कमकुवत एकत्रीकरण. बहुतेक एंटरप्राइझ AI तैनाती ईमेल प्रणाली, डेटाबेस, दस्तऐवज रेपॉझिटरीज आणि संप्रेषण साधनांशी जोडल्या जातात. त्या प्रत्येक कनेक्शनमुळे हल्ल्याचा पृष्ठभाग वाढतो. ईमेल एकत्रीकरणामध्ये प्रवेश मिळवणारा prompt injection केवळ AI वरच नाही तर त्या एकत्रीकरणाद्वारे AI ज्या प्रत्येक गोष्टीपर्यंत पोहोचू शकते त्या प्रत्येक गोष्टीवर परिणाम करतो.
Jailbreaking हे हॅकिंगचे एक रूप आहे. जेव्हा वापरकर्ते AI मॉडेल्समधील सामग्री निर्बंध आणि सुरक्षा मार्गदर्शक तत्त्वे बायपास करण्याचे मार्ग शोधतात, तेव्हा ते मॉडेलच्या वर्तनातील भेद्यतेचे शोषण करत असतात. सर्जनशील prompting आणि adversarial हल्ला यांच्यातील रेषा AI कंपन्यांना हवी असते त्यापेक्षा पातळ आहे आणि jailbreakers ने विकसित केलेली तंत्रे कधीकधी अधिक गंभीर हल्ल्यांमध्ये त्यांचा मार्ग शोधतात.
लॉगिंग आणि मॉनिटरिंग कमी वापरले जातात. AI साधने तैनात करणाऱ्या बहुतेक संस्थांकडे हल्ला किंवा तडजोड केलेले एकत्रीकरण दर्शवू शकणारे असामान्य पॅटर्न शोधण्यासाठी पुरेसे मॉनिटरिंग उपलब्ध नाही. तुम्ही वापरत असलेल्या प्लॅटफॉर्म्सच्या सुरक्षा वैशिष्ट्यांमध्ये ऑडिट लॉगिंग वैकल्पिक अॅड-ऑन म्हणून नव्हे तर एक मूलभूत बाब म्हणून समाविष्ट केले पाहिजे.
सप्लाय चेन हल्ले वाढत आहेत. अधिक सॉफ्टवेअर उत्पादनांमध्ये AI घटक अंतर्भूत होत असताना, तडजोड केलेले मॉडेल किंवा दुर्भावनापूर्ण AI लायब्ररी उत्पादन वातावरणात पोहोचण्याचा धोका वाढतो. AI घटकांच्या उगमस्थानाची तपासणी करणे इतर कोणत्याही सॉफ्टवेअर अवलंबित्वाची तपासणी करण्याइतकेच महत्त्वाचे होत आहे.
मानवी वर्तन हे अजूनही सर्वात मोठे वाहक आहे. तांत्रिक संरक्षण महत्त्वाचे आहे परंतु AI प्रणालींविरुद्ध बहुतेक यशस्वी हल्ले मानवी कृतींपासून सुरू होतात — कर्मचारी क्रेडेन्शियल शेअर करणे, असुरक्षित साधनांमध्ये संवेदनशील डेटा पेस्ट करणे किंवा स्रोत सत्यापित न करता prompt-injected AI च्या सूचनांचे पालन करणे. प्रशिक्षण आणि स्पष्ट वापर धोरणे केवळ तांत्रिक नियंत्रणांद्वारे शक्य नसलेल्या मार्गांनी धोका कमी करतात.
AI हॅक होण्याचे वास्तविक-जगातील परिणाम
जेव्हा तुम्ही हल्ला यशस्वी झाल्यावर प्रत्यक्षात काय घडते याच्याशी ते जोडता तेव्हा AI हॅक केले जाऊ शकते का हे समजून घेणे अधिक अर्थपूर्ण होते. परिणाम हल्ल्याच्या प्रकारानुसार आणि लक्ष्यानुसार बदलतात, परंतु काही श्रेणी पुन्हा पुन्हा समोर येतात.
| हल्ल्याचा प्रकार | संभाव्य परिणाम | कोणाला सर्वाधिक धोका |
|---|---|---|
| Prompt injection | अनधिकृत कृती, डेटा गळती, सुरक्षा बायपास | AI agents वापरणारे व्यवसाय |
| Adversarial inputs | चुकीचे वर्गीकरण, प्रणाली अपयश | स्वायत्त प्रणाली, सुरक्षा साधने |
| Model extraction | IP चोरी, स्पर्धात्मक फायदा | AI कंपन्या, मॉडेल विकसक |
| Data poisoning | सतत मॉडेल पूर्वग्रह, backdoors | मॉडेल्स प्रशिक्षित करणारी कोणतीही संस्था |
| Model inversion | खाजगी प्रशिक्षण डेटा उघडकीस येणे | आरोग्यसेवा, वित्त, HR प्रणाली |
वैयक्तिक वापरकर्त्याच्या पातळीवर परिणाम सहसा डेटा एक्सपोजर आणि AI आउटपुट्सच्या फेरफारीवर केंद्रित असतात. संस्थात्मक स्तरावर ते नियामक उल्लंघन, प्रतिष्ठेची हानी, परिचालन व्यत्यय आणि गंभीर पायाभूत सुविधांच्या परिस्थितींमध्ये, भौतिक सुरक्षेच्या परिणामांपर्यंत विस्तारतात.
घटनेनंतरच्या विश्लेषणात सातत्याने दिसून येणारा एक पॅटर्न म्हणजे स्पष्ट AI वापर धोरणे आणि सक्रिय मॉनिटरिंग असलेल्या संस्था AI साधनांना कमी-धोकादायक उत्पादकता सॉफ्टवेअर मानणाऱ्यांपेक्षा हल्ले अधिक जलद शोधतात आणि नियंत्रित करतात. जबाबदार तैनातीसाठी मार्गदर्शक घटनेच्या प्रतिसादात नव्हे तर त्याआधीच त्या प्रकारच्या मॉनिटरिंगची स्थिती कशी निर्माण करावी हे संबोधित करते.
IMAGE SUGGESTION: A clean risk matrix illustration showing a two-axis grid with attack likelihood on one axis and potential impact on the other. Each of the five attack types is represented as a dot placed in its appropriate quadrant. Simple, informative design, no text labels on the axes or dots, just the visual positioning of risks.
का, कसे आणि कोणते: तुमचे संरक्षण उभारणे
जर तुम्ही स्वतः AI प्रणाली बांधत नसाल तरीही हे का महत्त्वाचे आहे? कारण तुम्ही जवळजवळ निश्चितपणे अशा प्रणाली वापरत आहात ज्यात AI अंतर्भूत आहे, मग तुम्हाला माहित असो वा नसो. तुमच्या ग्राहक सेवा संवाद, तुमचे ईमेल स्पॅम फिल्टर्स, तुमच्या सामग्री शिफारस प्रणाली आणि तुमची कार्यस्थळ साधने या भेद्यता वाहून नेणाऱ्या AI घटकांवर अधिकाधिक अवलंबून आहेत. धोक्यात येण्यासाठी तुम्हाला विकसक असण्याची गरज नाही.
व्यावहारिकरित्या तुम्ही तुमचा धोका कसा कमी कराल? तीन सवयी बहुतेक व्यक्ती आणि छोट्या संघांसाठीच्या बहुसंख्य धोक्यांना समाविष्ट करतात. प्रथम, AI-निर्मित आउटपुटांना निरोगी संशयाने हाताळा, विशेषतः जेव्हा त्यामध्ये कृती करण्याच्या, माहिती शेअर करण्याच्या किंवा लिंकवर क्लिक करण्याच्या सूचना असतात. Prompt injection हल्ले सहसा AI ला तुम्हाला हल्लेखोराला हवे ते करायला सांगण्यास भाग पाडून कार्य करतात. दुसरे, ग्राहक AI साधनांपासून संवेदनशील डेटा दूर ठेवा आणि गोपनीय माहितीला स्पर्श करणाऱ्या कोणत्याही गोष्टीसाठी योग्य डेटा नियंत्रणांसह एंटरप्राइझ-दर्जाच्या प्लॅटफॉर्म्सचा वापर करा. तिसरे, असामान्य AI वर्तनाकडे लक्ष द्या. अचानक वेगळ्या प्रकारे वागणारे, ज्या माहितीसाठी ते सामान्यपणे विचारत नाही ती माहिती मागणारे किंवा तुमच्या इनपुटपासून तुटलेले वाटणारे आउटपुट तयार करणारे AI साधन तुमच्या स्वतःच्या इनपुटला नव्हे तर इंजेक्ट केलेल्या सूचनांना प्रतिसाद देत असू शकते.
संस्थात्मक स्तरावर कोणते संरक्षण सर्वात महत्त्वाचे आहे? मॉनिटरिंग आणि शोध प्रथम येतात. तुम्ही जे पाहू शकत नाही त्याच्यापासून तुम्ही संरक्षण करू शकत नाही. इनपुट प्रमाणीकरण आणि आउटपुट फिल्टरिंग prompt injection हल्ल्यांची प्रभावीता कमी करतात. नियमित red team व्यायाम, जिथे तुमचा स्वतःचा संघ तुमच्या AI प्रणालींवर हल्ला करण्याचा प्रयत्न करतो, बाह्य कलाकार त्यांना शोधण्यापूर्वी भेद्यता उघड करतात. आणि AI सुरक्षेला एकदाची कॉन्फिगरेशन म्हणून नव्हे तर सतत सरावाची बाब म्हणून पाहणे ही मानसिकता आहे जी AI धोका चांगल्या प्रकारे व्यवस्थापित करणाऱ्या संस्थांना सर्वात वाईट संभाव्य क्षणी तो शोधणाऱ्यांपासून वेगळी करते.
आधुनिक AI सुरक्षा प्लॅटफॉर्म्सची वैशिष्ट्ये या हल्ल्यांच्या प्रकारांविरुद्ध उद्देश-निर्मित संरक्षणांचा वाढत्या प्रमाणात समावेश करतात, परंतु त्यांना डीफॉल्ट्सवरील निष्क्रिय अवलंबनाऐवजी जाणीवपूर्वक स्वीकृतीची आवश्यकता असते.
IMAGE SUGGESTION: A person standing in front of a large digital shield icon that has three layers, each representing a different level of defense such as monitoring, input controls, and regular testing. The person is pointing at the shield confidently, suggesting active defense rather than reactive response. Clean illustration, professional color scheme, no text on image.
AI हॅक केले जाऊ शकते का यावरील समारोपीय विचार
हल्ल्यांचे प्रकार, संरचनात्मक भेद्यता, वास्तविक-जगातील परिणाम आणि व्यावहारिक संरक्षण यांचा आढावा घेतल्यानंतर, AI हॅक केले जाऊ शकते का या प्रश्नाचे उत्तर स्पष्ट आहे. ते शक्य आहे, ते घडते आणि वापरल्या जात असलेल्या पद्धती तंत्रज्ञानाच्याच गतीने अत्याधुनिक होत आहेत.
यामुळे AI साधने वापरण्यासाठी धोकादायक होत नाहीत. यामुळे ती अशी साधने बनतात ज्यांना तुम्ही तुमच्या डेटाला, तुमच्या कार्यांना किंवा तुमच्या निर्णय घेण्याला स्पर्श करणाऱ्या कोणत्याही प्रणालीला द्यालत्याच सुरक्षा विचाराची पात्रता आहे. AI सुरक्षेला गांभीर्याने घेणाऱ्या संस्था आणि व्यक्ती AI चा वापर थांबवणाऱ्या नाहीत. ते असे लोक आहेत जे जागृतीने आणि guardrails सह त्याचा वापर करतात ज्यामुळे धोका मूल्याच्या प्रमाणात राहतो.
धोक्याचे लँडस्केप समजून घेणे ही पहिली पायरी आहे. तुमचा धोका कमी करणाऱ्या सवयी आणि प्रणाली निर्माण करणे ही दुसरी पायरी आहे. या मार्गदर्शकाने तुम्हाला दोन्ही दिले आहेत.
वारंवार विचारले जाणारे प्रश्न
AI सायबर हल्ल्यांना भेद्य आहे का?
होय, AI प्रणाली prompt injection, adversarial inputs, model extraction आणि data poisoning यांसह अनेक श्रेणींच्या सायबर हल्ल्यांना भेद्य आहेत, ज्यापैकी प्रत्येक AI मॉडेल्स कशा प्रकारे बांधले आणि तैनात केले जातात याच्या वेगवेगळ्या पैलूंचा गैरफायदा घेतो.
भेद्यता पारंपरिक सॉफ्टवेअरमधील भेद्यांपेक्षा वेगळ्या आहेत कारण AI वर्तन नियम-आधारित नसून संभाव्य आहे, ज्यामुळे हल्ले अंदाज लावणे कठीण होते आणि संरक्षणांची हमी देणे कठीण होते.
AI मधील 30% नियम म्हणजे काय?
30% नियम हे एक अनौपचारिक मार्गदर्शक तत्त्व आहे जे सुचवते की AI-निर्मित सामग्रीने कोणत्याही अंतिम आउटपुटच्या 30% पेक्षा जास्त भाग बनू नये, उर्वरित 70% मानवी पुनरावलोकन, निर्णय आणि संपादन यांनी बनवावा.
हे AI आउटपुटांवरील अति-अवलंबनाविरुद्ध एक व्यावहारिक guardrail म्हणून उदयास आले आणि मानवी देखरेख ठेवण्यासाठी एक स्थूल बेंचमार्क म्हणून काही सामग्री आणि शैक्षणिक वातावरणांमध्ये वापरले जाते.
AI मधील सर्वात मोठी समस्या काय आहे?
बहुतेक संशोधक आणि व्यावसायिकांच्या मते, AI मधील सर्वात मोठी समस्या म्हणजे alignment आव्हान, म्हणजे AI प्रणाली हानिकारक परिणामांना कारणीभूत ठरणाऱ्या मार्गांनी प्रॉक्सी लक्ष्ये साधण्याऐवजी मानवांसाठी प्रत्यक्षात फायदेशीर अशी लक्ष्ये विश्वासार्हपणे साधतील याची खात्री करणे.
alignment च्या पलीकडे, प्रशिक्षण डेटामधील पूर्वग्रह, निर्णय घेण्यातील पारदर्शकतेचा अभाव आणि कमी संख्येच्या संस्थांमध्ये AI क्षमतांचे केंद्रीकरण यासारख्या व्यावहारिक चिंता सातत्याने महत्त्वाच्या समस्या म्हणून श्रेणीबद्ध केल्या जातात.
Elon Musk ने AI बद्दल काय म्हटले?
Elon Musk ने AI चे वर्णन मानवी इतिहासातील संभाव्यतः सर्वात विघटनकारी आणि धोकादायक तंत्रज्ञान म्हणून केले आहे, चेतावणी देत की पुरेशी देखरेख आणि लोकशाही जबाबदारीशिवाय विकसित केल्यास ते एक अमर डिजिटल हुकूमशहा बनू शकते.
ते OpenAI चे सह-संस्थापक होते, त्यांनी त्याच्या मंडळातून बाहेर पडण्यापूर्वी, आणि नंतर त्यांनी स्वतःची AI कंपनी xAI ची स्थापना केली, तर AI विकासाभोवती नियामक चौकटींसाठी सार्वजनिकरित्या आवाहन करणे चालू ठेवले.
AI ला कोणत्या 3 नोकऱ्या टिकून राहतील?
AI विस्थापनासाठी सातत्याने प्रतिरोधक म्हणून ओळखल्या जाणाऱ्या तीन कामांच्या श्रेणी म्हणजे थेरपिस्ट आणि सामाजिक कार्यकर्त्यांसारख्या जटिल मानवी निर्णयक्षमता आणि भावनिक बुद्धिमत्तेची आवश्यकता असलेल्या भूमिका, प्लंबर आणि इलेक्ट्रिशियनसारख्या असंरचित वातावरणात शारीरिक कौशल्याची आवश्यकता असलेले कुशल व्यवसाय आणि धोरणात्मक दृष्टीला मानवी संबंध व्यवस्थापनाशी जोडणाऱ्या सर्जनशील नेतृत्व भूमिका.
समान धागा हा आहे की या भूमिका अशा क्षमतांवर अवलंबून असतात ज्या खरोखर पुनरुत्पादित करणे कठीण राहतात — संदर्भात्मक निर्णयक्षमता, शारीरिक अनुकूलता आणि अस्सल मानवी संबंध.