编者按：为了满足大家在通勤碎片时间内对前沿科技知识的追求，识因智能特别策划了「AI与你同行」专栏。让前沿的知识变得触手可及，共同迎接智能时代的到来。关注我们，一起走进AI的世界，探索未知的未来。
GenAI技术作为创作辅助工具的双刃剑效应
GenAI技术在激发个人文学创作方面显示出巨大的潜力，但同时也可能导致集体创作内容的同质化。实验表明，使用GenAI辅助的作家创作的故事在新颖性和实用性上有所提升，但故事间的相似度也随之增高。虽然GenAI作为创作辅助工具在道德上被认为是可接受的，但其使用应当透明，并对创作权益有一定的限制，以确保创意的多样性和原创性。
First Mark预测医疗和视频游戏领域将是未来十年最大的消费市场
投资公司First Mark预测，医疗和视频游戏领域将成为未来十年最大的消费市场。该公司倾向于投资能非线性扩展的消费业务，尤其是那些具有网络效应和供需动态的市场。Rick Heitzmann强调了在消费者市场中投资的重要性，特别是那些能创造幂律分布高回报的子领域。
OpenAI面临财务困境，可能在未来12个月内破产
OpenAI目前面临严重的财务困境，预计在未来12个月内可能濒临破产，预测损失高达50亿美元。高昂的运营成本，包括70亿美元用于AI模型训练和15亿美元的员工费用，未能被其收入（约35亿美元）覆盖。尽管如此，OpenAI仍然专注于通用人工智能（AGI）的发展，并依赖微软Azure服务的折扣以及ChatGPT产生的收入来维持运营。
黄仁勋预言，下一波AI浪潮将是物理人工智能
在美国丹佛举行的SIGGRAPH图形大会上，英伟达创始人黄仁勋和Meta创始人扎克伯格分别进行了两场炉边谈话，探讨了生成式人工智能的未来。黄仁勋预言，下一波AI浪潮将是物理人工智能，即机器人。他介绍了英伟达在机器人仿真和学习方面的新产品，并展示了AI驱动的客户服务Agent。扎克伯格则对AI的未来持乐观态度，认为AI基础研究的进展正在加速，并相信每个企业未来都会有一个AI Agent与客户互动。他还透露，Meta将推出基于Llama 3.1模型的AI Studio，允许用户创建AI角色。尽管两位科技大佬对AI的未来充满期待，扎克伯格也警告了生成式AI可能带来的“噩梦”，即社交媒体平台将被AI生成内容充斥，导致用户永远刷不到底。两位大佬还以互换外套的方式结束了他们的对话，展现了他们之间的友好关系。
特斯拉即将发布“真・智能召唤”功能
特斯拉计划在下月发布一项名为“真・智能召唤”的新功能，该功能将与FSD 12.5.x版本捆绑推出。FSD 12.5版本已经推送，提升了处理复杂路况的能力，获得了用户的广泛好评。“真・智能召唤”功能将支持自主泊车、停车场内导航及无人驾驶接送乘客，这标志着特斯拉在自动驾驶技术方面的又一重要进步。
美国NIST发布人工智能模型风险测试工具Dioptra
美国国家标准与技术研究院（NIST）发布了一款名为Dioptra的人工智能模型风险测试工具。Dioptra是一个网络模块化开源工具，用于测试和评估人工智能模型在面对恶意攻击时的性能下降。该工具支持在“红队”环境中对AI模型进行基准测试和模拟威胁，帮助评估AI系统的安全性。然而，Dioptra的限制在于它只能在可下载和本地使用的模型上应用，无法用于通过API封装的模型，如OpenAI的GPT-4o。
AI技术在巴黎奥运会中的应用
AI技术在巴黎奥运会中发挥了重要作用，特别是在修复和增强历史影像方面。阿里云AI的增强视频技术帮助展现了历史女性运动员的成就。影片《永不失色的她》利用AI修复技术，包括图像超分辨率、上色化和视频插帧补帧，以高清晰度重现了历史运动影像。这不仅提升了历史文化遗产的保护和传播效率，也使得公众能更直观地了解和感受历史故事，展现了科技与人文的深层次结合。
MiniMax的Talkie应用月活用户数破1100万
MiniMax的Talkie应用在全球范围内取得了显著的市场成功，月活跃用户数已达到1100万，其中美国用户占比高达50%。该应用允许用户与虚拟角色进行情感对话或自定义角色的外观和声音，市场表现正逐渐接近行业领导者Character.ai，已达到其用户体量的60%。这一成就展示了虚拟角色在社交互动领域的潜力和受欢迎程度。
Meta开源HUSKY AI Agent，推动复杂推理能力
Meta公司开源了一款名为HUSKY的AI Agent，专门用于处理数学和表格等复杂推理任务。HUSKY采用统一的行动空间和迭代推理方法，提高了跨领域问题解决的泛化能力和效率。其核心组件行动生成器利用GPT-4的"few-shot prompting"技术，无需额外训练即可适应新任务。HUSKY通过专家模型如代码生成器和数学推理器执行具体任务，模块间紧密协作，有效解决了复杂问题。
英伟达Llama 3.1模型利用合成数据提升AI性能
英伟达的新技术Llama 3.1通过合成数据微调，显著提升了AI在金融、零售等特定领域的应用效果。该技术依赖大模型生成数据，进而微调基座模型，以适应特定任务和响应风格。然而，Llama 3.1在Nvidia H100 GPU集群上训练时遇到频繁故障，主要与GPU硬件问题相关。团队通过优化任务启动和checkpointing时间，使用PyTorch的NCCL flight recorder等工具，提高了故障诊断和处理效率。此外，环境因素如温度波动对大规模GPU集群的训练性能有1-2%的影响，对数据中心电力供应构成挑战。
*内容来源于互联网信息整理，仅供参考
热门跟贴