搜索
近日，隐身幕后多年的谷歌联合创始人谢尔盖·布林现身AGI House，对于Gemini的近况向公众作出解释，网友纷纷猜测，这是不是要取代劈柴哥了？
线性RNN赢了？近日，谷歌DeepMind一口气推出两大新架构，在d基准测试中超越了Transformer。新架构不仅保证了高效的训练和推理速度，并且成功扩展到了14B。
现在，马斯克起诉OpenAI案的最大未解之谜，就集中在了「Ilya究竟看到了什么」上。他看到的东西，让OpenAI大震荡，所有模型推出计划被削弱和延期。最近网上曝出的一份53页PDF，就透露了Q*的许多重大细节：125万亿参数，去年12月已训完。但马斯克这么一闹，恐怕Q*面世的时间还要大大延迟。
当 AI 落实到生活生成式 AI 的诞生惊艳了世界，但它也是一个在寻找着「问题」的「解决方案」，让我们感到心痒、紧迫和焦虑，迫切想把它应用到所有可能的一切。
继千万粉丝博主、自称是“清华大学博士”，被网友戏称为“中国AI搞钱第一人”的李一舟被央视点名、全网AI课程被下架后，日前AI科学家、出门问问创始人李志飞也开始销售起AI课程。
2024年2月23日，OpenAI、微软、贝佐斯风投、英伟达等总计18位投资公司向一家机器人公司注资了6.75亿美元，这家公司就是Figure AI。
2024年伊始，手机圈最火热的概念显然莫过于“AI手机”。先有OPPO发出内部信称，2024年是AI手机元年，将通过AI把手机的体验重新做一遍，并且OPPO已做好充分的准备，还专门成立了AI中心，未来资源也将向AI集中。
如果数字人拥有意识，哪一个才是真实的你？
据悉，“绘蛙”将为淘宝、天猫商家和达人在生成营销文案、训练专属AI模特等方面提升创作效率，使商品快速被种草。这是阿里在AI电商上的一次实质化的布局。
前段时间，种子轮融资3000万美元的日本公司Sakana AI，因为众多亮眼标签，受到很多关注——谷歌科学家、硅谷原班人马、总部扎根东京、小模型……
本文介绍了AI在情感咨询领域的应用，以及情感主播行业的崛起。通过AI的帮助，情感主播可以更有效地回答用户问题，提供更多的情感课程。AI的介入还可以加快创作速度，满足不断增长的需求。
就在一年以前，AI 科学家杨植麟在硅谷做了一笔精确的计算。他意识到，如果决定启动一场以 AGI 为目标的大模型创业，要在未来几个月立马筹措超 1 亿美金资本。
去年 12 月，新架构 Mamba 引爆了 AI 圈，向屹立不倒的 Transformer 发起了挑战。如今，谷歌 DeepMind「Hawk 」和「Griffin 」的推出为 AI 圈提供了新的选择。
近期，清华大学和哈尔滨工业大学联合发布了一篇论文：把大模型压缩到 1.0073 个比特时，仍然能使其保持约 83% 的性能！
随着 Sora 的爆火，人们看到了 AI 视频生成的巨大潜力，对这一领域的关注度也越来越高。
北大团队联合兔展发起了一项Sora复现计划——Open Sora。
只靠一张物体图片，大语言模型就能控制机械臂完成各种日常物体操作吗？
996作息表爆火后，许多人一定好奇在OpenAI工作究竟是怎样的感受。最近，多位匿名员工在求职网站Glassdoor纷纷对雇主打分评价，高薪却996。最经典的评价是：潜力巨大，但成长烦恼也是真实的。
谷歌DeepMind、UC伯克利和MIT的研究人员认为，如果用大语言模型的思路来做大视频模型，能解决很多语言模型不擅长的问题，可能能更进一步接近世界模型。
近日，来自香港大学的Jihan Yang和纽约大学的谢赛宁等人发表了新的成果，将真实世界的地图、街景等各种信息融入Agent所在的虚拟世界，为智能体的未来赋予了无限可能。
随着终端侧 AI 变革席卷全球，「小而强」的端侧大模型，成为行业主流玩家的必争之地。
苹果放弃了最为野心勃勃的项目之一——造车，并考虑将2000名员工转移到人工智能部门。有接近苹果的相关人士向虎嗅透露，此前就有Vision Pro和汽车项目组的人转岗至人工智能项目。
一年多来，AI 渐渐变得普通和日常。当巨头们你追我赶扔下新的王炸，AI 也在更多不起眼的地方出现，地铁、电梯间、产品海报、软件开屏，与普通人的线上和线下擦肩而过。
机器人，成为 AI 巨头最关注的下一个方向。
3 月 1 日，「2024 首届AIGC工具展」在云栖小镇国际会展中心举行。
如果说 OpenAI 已经占据了今天闭源大模型生态的一极，那 Meta 无疑是代表开源大模型的另一极。
一项最新研究发现，人工智能在创造力方面的表现超过了人类。通过对人类和AI参与者进行创造力测量任务的比较，研究显示AI在原创性和详细程度上具有明显优势。然而，真正的创造力远远超越了创新思想的产生，它还需要实践能力来解决现实世界问题。
3月1日下午，由36C与36Kr联合举办的「GenAI超级路演」在杭州云栖小镇成功举办。
在目前的模型训练范式中，偏好数据的的获取与使用已经成为了不可或缺的一环。在训练中，偏好数据通常被用作对齐（alignment）时的训练优化目标，如基于人类或 AI 反馈的强化学习（RLHF/RLAIF）或者直接偏好优化（DPO），而在模型评估中，由于任务的复杂性且通常没有标准答案，则通常直接以人类标注者或高性能大模型（LLM-as-a-Judge）的偏好标注作为评判标准。
