在近日于达沃斯举行的论坛上，德勤发布了一份报告，揭示了企业在将生成式人工智能（Gen AI）实验转化为实际应用时所面临的困难。尽管企业在生成式 AI 项目上取得了积极的初步成果，但在规模化部署方面仍存在诸多障碍。图源备注:图片由AI生成，图片授权服务商Midjourney根据报告，许多企业在实施生成式 AI 时发现，从实验室到生产环境的转化过程并非易事。尤其是在技术基础设施和团队能力方面，许多公司面临着适应性不足的挑战。此外，企业往往在如何将 AI 应用于具体业务场景上缺

近期，一项名为 “星际之门”AI计划（Stargate）的人工智能项目正式启动，该项目获得了软银集团的支持，旨在专门服务于 OpenAI。这一消息引起了广泛的关注，特别是美国前总统唐纳德・特朗普对此项目表示了高度认可，称其为 “对美国潜力的坚实信心宣言”。图源备注:图片由AI生成，图片授权服务商Midjourney“星际之门”计划的目标是通过先进的人工智能技术，助力 OpenAI 进一步拓展其在智能科技领域的影响力和应用范围。作为全球知名的人工智能研究机构，OpenAI 一直致力于开发出更为

夏威夷公立学校最近试点了一项人工智能项目，其成果不仅给教育界领导留下了深刻印象，甚至让他们感动不已。来自各岛屿小学、中学和高中的六支队伍，共计80名学生，被赋予了一项任务:识别同学们面临的挑战，并创建一个人工智能程序或“聊天机器人”来帮助寻找解决方案。该项目由太平洋国际高科技研究中心总裁伊恩·基塔吉马共同创建。夏威夷公共广播电台（HPR）采访了基塔吉马，了解了该项目的详细情况以及2025年第二轮项目的筹备进展。该项目充分展现了学生们利用AI技术解

近日，谷歌旗下的 AI 项目 Gemini 因其内部新规引发了对信息准确性的担忧。据报道，负责评估 AI 生成内容的外包人员被要求对他们不具备专业知识的领域进行评分，尤其是在医疗健康等敏感话题上。这些外包人员来自于全球技术服务公司 GlobalLogic，谷歌要求他们评估 AI 生成的回复，主要考量 “真实性” 等因素。此前，外包人员可以选择跳过那些他们没有相关专业知识的问题，例如，他们可以在遇到关于心脏病学的专业问题时，选择不作评估。这样做是为了确保评分的准确性，只有具备相

英国新一届工党政府在近期承诺将人工智能置于其政策的核心位置，然而在试图平衡国家财政时，却意外搁置了1.7亿美元原本用于AI和技术项目的资金。此举源于前任政府留下的财政缺口，新任财政大臣雷切尔·里夫斯指责前任政府“掩盖”了279亿美元的公共支出缺口。在财政紧缩的背景下，许多AI项目受到影响，尤其是位于爱丁堡价值10亿美元的百万兆次级超级计算机项目。科学、创新和技术部启动了“人工智能机会行动计划”以加速AI在服务业的应用，并任命了“人工智能机会行动计划”领导。然而，各界对资金削减的反应不一，有人认为这令人失望，也有人认为有助于AI领域的“暂停和清理”。资金的不确定性可能影响英国的科技行业，强调增长和创新而非紧缩是关键。

["Elon Musk的X公司与Midjourney商谈合作，可能推动生成式AI项目。","合作可能包括选举前识别X平台上的GenAI内容，推动人工智能技术应用。","Midjourney的生成式AI计划可以根据自然语言生成图像，类似于其他项目。","合作有望带来更先进的人工智能内容生成技术，推动人工智能技术不断进步。"]

["2023年GitHub新增65,000个生成式AI项目，同比增长248%。","开源生成式AI项目进入2023年度贡献者数量前十，包括LangChain和Stable Diffusion。","GitHub预测印度将在2027年成为全球最大的开发者社区，生成式AI发展将深刻影响业务。","报告显示92%的开发者使用基于AI的编码工具，GitHub Copilot备受欢迎。"]

["1. YC的AI项目占比继续增加,达到57%","2. LLMOps工具取代ChatUI成热门创业方向","3. Copilot概念持续火热"]

["沙特和阿联酋正在购买英伟达芯片，用于构建人工智能软件。","沙特阿拉伯已经购买了至少3000块英伟达的H100芯片。","阿联酋在阿布扎比的技术创新研究院开发了自己的开源大型语言模型。"]

训练人工智能（AI）模型是一个复杂的过程，容易犯一些常见的错误。这篇文章列举了 AI 项目开发中最容易犯的 10 种错误。首先，数据预处理的质量很重要，低质量的数据会导致模型出错。其次，选择正确的开发模型也很关键，需要考虑模型的适用性和评估准确性。另外，模型对齐与业务指标的一致性也很重要，只有技术指标和业务指标一致，才能实现预期的业务成果。数据隐私保护也是一个敏感问题，需要制定数据保护政策并进行安全审计。扩展能力不足会导致系统过载，因此需要提前规划扩展计划。模型训练过度会导致过拟合，需要通过更新模型参数来适应变化的数据分布。使用非真实的数据训练模型会导致实际应用性能降低。算法偏见是一个常见问题，需要制定指导方针和规则来抵抗偏见。模型的可理解性也很重要，需要维护开发文档以帮助用户理解模型的决策过程。最后，持续监测模型的性能和准确性是关键，需要及时调整和更新模型。通过避免这些错误，可以开发出安全、高效、道德的 AI 解决方案。