Google DeepMindチームは、1000億個の画像テキストペアを含む巨大データセットWebLI-100Bを発表しました。これは、人工知能のビジョン言語モデルの文化的にも言語的にも多様な能力を向上させることを目的としています。このデータセットにより、研究者たちは、異なる文化や言語環境でのビジョン言語モデルのパフォーマンスを改善し、サブグループ間の性能差を縮小することで、AIの包括性を高めることを期待しています。ビジョン言語モデル（VLMs）は、学習のために大規模なデータセットに依存しており、…

メタは著作権侵害に関する訴訟に直面しています。原告弁護士によると、メタのCEOであるマーク・ザッカーバーグは、違法にコピーされた電子書籍や記事のデータセットを使用してLlama AIモデルをトレーニングすることを承認しました。この訴訟は、許可なく著作権で保護された作品をAIモデルのトレーニングに使用したとして非難されている複数のテクノロジー大手に対する、多くの著作権訴訟の一つです。水曜夜、カリフォルニア州北部地区連邦地方裁判所に提出された文書で、原告は昨年末のメタの証言を再確認しました。

最近、国家発展改革委員会、国家データ局、工業情報化部が共同で『国家データインフラ整備ガイドライン』を発表しました。本ガイドラインは、全国各地における行政サービス大規模言語モデルの積極的な構築推進、行政サービスのインテリジェント化プロセスの促進、ひいては政府サービスの効率性と質の向上を目指しています。ガイドラインではデータアノテーション産業の重要性が強調されており、各地域におけるデータアノテーションのエコシステム構築、能力向上、およびシナリオ適用における探求と革新が奨励されています。政府は公共データとの連携、企業および個人データの積極的な公開、そして高品質データ資産の構築に取り組みます。

上海のロボットスタートアップ企業である智元ロボットは、上海人工智能実験室、国家と地方が共同で建設したヒューマノイドロボットイノベーションセンター、上海クーパー社と協力し、汎用的なロボット大規模モデルの訓練を支援することを目的とした、100万実機データセットAgiBot Worldを正式にオープンソース化しました。これは、全世界初の、全領域の現実的なシナリオ、多様なハードウェアプラットフォーム、一貫した品質管理に基づいた100万実機データセットです。AgiBot Worldデータセットは、智元が独自に構築した大規模データ収集工場と応用実験基地で作成され、総面積は…

智元机器人は上海人工知能研究所などの機関と協力し、AgiBot Worldデータセットを正式に発表しました。これは、現実世界のシーンに基づいた世界初の百万級ロボットデータセットです。GoogleのOpen X-Embodimentと比較して、長期的データ規模は10倍、シーンのカバー範囲は100倍に拡大し、データ品質は産業レベルの基準に達しています。具象知能分野のImageNetモーメントと称賛されているこのオープンソースプロジェクトは、驚くべきロボット能力を示しています。リビングでの生け花から、台所の料理、スーパーでのレジ業務まで、幅広いタスクをこなすことができます。

先日、中関村フォーラムの一環として開催された第12回デジタル金融とテクノロジー金融会議において、アリババ傘下のZOLOZ（ゾロズ）のDeepfake検出ソリューションが「金融テクノロジー技術革新と応用事例」に選出されました。ZOLOZは傘下の天機ラボを基盤に、業界で初めて大規模で高品質なマルチモーダルDeepfakeデータセットを構築しました。これは百万を超えるマルチメディアコンテンツを合成しており、現実世界の金融リスク管理環境におけるDeepfake攻撃サンプルを十分にシミュレートし、金融分野における既存のDeepfake検出技術を評価するための基盤となります。

ハーバード大学は先日、約100万冊の公共ドメイン書籍で構成されるデータセットを公開する計画を発表しました。このデータセットは、誰でも大規模言語モデルやその他の人工知能ツールをトレーニングするために使用できます。このプロジェクトは、ハーバード大学の新設機関であるInstitutional Data Initiativeが主導し、マイクロソフトとOpenAIの資金提供を受けて完成しました。このデータセットには、Google Booksプロジェクトからのスキャン書籍が含まれており、シェイクスピア、ディケンズ、ダンテなどの古典作品を網羅しています。

ハーバード大学は木曜日、約100万冊のパブリックドメイン書籍を含む高品質なデータセットを公開すると発表しました。これは、誰でも大規模言語モデルやその他のAIツールをトレーニングするために利用できます。このデータセットは、ハーバード大学が新設した機関データイニシアチブ（Institutional Data Initiative）によって作成され、マイクロソフトとOpenAIの資金提供を受けています。収録されている書籍はすべて、Google ブックスプロジェクトでスキャンされた、著作権の保護期限が切れた作品です。

『ニューヨーク・タイムズ』と『デイリー・ニュース』は著作権訴訟で予期せぬ展開に直面。OpenAIのエンジニアが、重要な証拠となりうる仮想マシンの検索データを誤って削除したことで、注目を集めるこの訴訟に新たなドラマが加わった。水曜夜、ニューヨーク南地区合衆国地方裁判所に提出された書簡によると、両メディアの弁護士と技術専門家は、OpenAIのAIトレーニングデータセットの検索に150時間以上を費やしていた。しかし、11月14日、OpenAIのエンジニアが仮想マシンに保存されていたデータを誤って削除した。

先日、複数の中国の研究機関の研究チームが、Infinity-MMという超大規模多モーダルデータセットを発表し、このデータセットに基づいて、性能が優れたAIモデルAquila-VL-2Bを開発しました。この画期的な成果は、多モーダルAIの発展に新たな勢いをもたらします。Infinity-MMデータセットは驚異的な規模を誇り、1000万件の画像説明、2440万件の汎用ビジュアル指示データ、600万件の厳選された高品質指示データ、そして300万件のG…

複数の中国の研究機関からなる研究チームが、世界最大規模の公開マルチモーダルAIデータセットの一つである「Infinity-MM」データセットの作成に成功し、同時に、優れた性能を持つ小型の新モデル「Aquila-VL-2B」を開発しました。このデータセットは、主に1000万件の画像キャプション、2440万件の一般的なビジュアル指示データ、600万件の高品質な厳選された指示データ、そしてGPT-4やその他のAIモデルによって生成された300万件のデータの4つのカテゴリーで構成されています。

イスラエル工科大学を主導とする最新の研究によると、大規模言語モデル（LLM）は実際よりも多くの知識を秘めている可能性があることが示されました。研究者らは、LLMの内部表現が、出力の正しさに関する情報をエンコードしていることを発見しました。つまり、最終的に誤った回答を生成した場合でも、内部的には正解を認識している可能性があるのです。本研究チームは、現実世界の応用シーンに近い、長文生成におけるLLMの誤りを重点的に分析しました。そして、モデルの生成された回答と正解を比較することで、誤答検出データセットを構築しました。

人工知能の急速な発展の中で、国際研究チームがヨーロッパのAI言語モデルの発展を促進するための道を切り開いています。彼らはMOSEL（Massive Open-source compliant Speech data for European Languages）というプロジェクトを発表し、EUの24の公用語を網羅した包括的なオープンソース音声データセットを作成しました。この取り組みは、ヨーロッパにおけるオープンなAI言語モデルの開発を促進し、現在英語が支配的な状況への挑戦を目的としています。

2024北京文化フォーラムにおいて、北京智源人工知能研究院（BAAI）は、新世代の中文インターネットコーパスCCI3.0（Chinese Corpora Internet）の正式発表を行いました。データの共同構築と共有を促進します。CCI3.0は1000GBのデータセットと498GBの高品質サブセットCCI3.0-HQを含み、2023年11月のCCI1.0の最初のオープンソース化、2024年4月のCCI2.0発表に続く重要なアップデートとなります。

先日、OpenAIは、アラビア語、ドイツ語、スワヒリ語、ベンガル語、ヨルバ語など14言語におけるAIのパフォーマンスを評価することを目的とした、重要な多言語データセットを発表しました。 「多言語大規模多タスク言語理解」（MMMLU）と名付けられたこのデータセットは、オープンデータプラットフォームHugging Faceで公開され、OpenAIによる世界的なAI分野における新たな重要な進歩を示しています。データセットへのアクセス：https://huggingface

北京智源人工智能研究院は、大規模言語モデルの対話性能向上を目指した、数千万件の命令微調整データセットInfinity-Instructを発表しました。最近、Infinity-Instruct-7M基本命令データセットとInfinity-Instruct-Gen対話命令データセットを含む、新たなバージョンが公開されました。

世界的な都市化の進展が加速する中、Googleは再びその技術革新力を示し、オープンソースの建築2.5D時系列データセットを発表しました。この発表は、地図技術の大きなブレークスルーとなるだけでなく、世界の都市計画と発展に貴重なデータを提供します。国連の予測によると、2050年までに世界の都市人口は約25億人増加し、その大部分はグローバルサウス地域で増加するとされています。この大きな課題に直面し、都市計画者や意思決定者は、都市の急速な変化を理解し対応するための新たなツールを必要としています。Googleが今回発表したデータは…

LAIONは、CSAM（児童性的虐待素材）へのリンクを包括的に削除した世界初のAIトレーニングデータセットであるRe-LAION-5Bを発表しました。これは、児童性的虐待素材の問題に対処することを目的としています。このデータセットはLAION-5Bを大幅に改良したもので、Re-LAION-5B ResearchとResearch-Safeの2つのバージョンがあり、合計2236個のCSAMリンクが削除されています。そのうち1008個は児童保護団体のリストに掲載されていたものです。このデータセットは、テキストと画像のペアを55億個含んでおり、…

ドイツの研究機関LAIONが、児童性的虐待素材（CSAM）への疑わしいリンクを削除したと主張する新しいデータセット、Re-LAION-5Bを生成・公開しました。このデータセットは、以前のデータセットLAION-5Bを修正したもので、インターネット・ウォッチ財団、ヒューマン・ライツ・ウォッチ、カナダ児童保護センター、スタンフォードインターネット観察所の提案を採用しています。Re-LAION-5Bは、ResearchとResearch-Safeの2つのバージョンに分かれており、後者はNSFWコンテンツがさらに削除されています。このデータセットは、〜を支援することを目的としています。