Meta 公司于近日宣布成立一个新的商业 AI 部门，由技术资深人士 Clara Shih 担任负责人。这个新部门旨在将 Meta 的人工智能技术推广到各类企业，帮助它们提升运营效率和业务能力。Meta 已经通过其社交平台与企业建立了广泛的联系，每月有2亿家企业通过 Facebook、Instagram 和 WhatsApp 进行业务沟通。Meta 的开放源码 Llama 语言模型已经获得超过6亿次下载，而其 Meta AI 助手每月活跃用户超过5亿。此次成立的商业 AI 部门是 Meta 首次大规模地将其 AI 技术和专业知识转向专门的商业服务领域。虽然 Meta

巴黎初创公司 H，由前谷歌员工创立，去年夏天在未发布任何产品的情况下，便获得了2.2亿美元的种子轮融资，震惊业界。然而，在融资后不久，该公司却因 “运营和业务分歧” 而三位创始人离职，令人担忧其前景。但 H 公司并没有被困难击倒，近日宣布推出其首款产品 Runner H，这是一款针对企业和开发者的 “智能代理” 人工智能，旨在处理质量保证和流程自动化等任务。Runner H 建立在该公司的专有 “紧凑型” 大语言模型（LLM）之上，参数仅有20亿。H 公司已在其官网上设立了 Runner H 的

机器学习早已渗透到各种线上服务中，网购便是其中最成功的领域之一。近年来，机器学习被应用于各种网购任务，例如用户查询、浏览记录、评论分析、产品属性提取等等。为了促进机器学习方法的发展，许多基准测试应运而生，旨在降低研究人员和工程师开发和评估针对真实网购任务的新颖解决方案的门槛。然而，现有的模型和基准通常是为特定任务量身定制的，无法完全捕捉网购的复杂性。大型语言模型 （LLM） 凭借其多任务和少样本学习能力，有可能通过减少特定任务的工程工作

微软最近在企业 AI 智能体领域取得了显著进展，已经建立起全球最大的企业 AI 智能体生态系统。自推出 Co pilot Studio 以来，已有超过10万个组织参与了 AI 智能体的创建和编辑。这一里程碑标志着微软在企业科技领域的领先地位。微软高管查尔斯・拉曼纳表示，这一增长速度超出预期，比公司之前发布的任何尖端技术的接受速度都要快。他在最近的 Ignite 大会上宣布，微软将允许企业使用 Azure 目录中的1800个大型语言模型（LLM），这一举措显著增强了企业的智能体能力。此外，微软还推出了

自然语言到 SQL（NL2SQL）技术正在快速发展，成为自然语言处理(NLP)领域的一项重要创新。该技术使得用户能够将自然语言查询转化为结构化查询语言(SQL)语句，这一进步极大地方便了缺乏技术背景的用户与复杂数据库之间的交互，从而获取有价值的信息。NL2SQL 技术不仅为各行业的大型数据库探索打开了新大门，还提升了工作效率和决策能力。然而，NL2SQL 的实现过程中，查询准确性与适应性之间存在一定的权衡。一些方法在生成 SQL 查询时，既无法保证准确性，也难以适应不同类型的数据库

在于11月17日至22日举行的国际高性能计算、网络、存储与分析大会（SC24）上，戴尔正式推出了一系列新产品和服务，旨在帮助企业克服在采用生成式 AI 和大型语言模型(LLM)过程中遇到的挑战。戴尔基础设施和电信产品营销高级副总裁 Varun Chhabra 表示，目前企业在应用 AI 时面临的主要问题包括数据质量、成本、能源消耗和可持续性。分析师 Dave Vellante 指出，企业需要有效利用自己的数据，以在竞争激烈的数字环境中保持优势。戴尔的 AI 基础设施、解决方案及服务正是为了满足这种需求而推

最近，AI 大型语言模型（LLM）在各种任务中表现出色，写诗、写代码、聊天都不在话下，简直是无所不能!但是，你敢相信吗?这些“天才”AI 居然是“数学菜鸟”!它们在处理简单的算术题时经常翻车，让人大跌眼镜。一项最新的研究揭开了 LLM 算术推理能力背后的“奇葩”秘诀:它们既不依赖强大的算法，也不完全依靠记忆，而是采用了一种被称为“启发式大杂烩”的策略! 这就好比一个学生，没有认真学习数学公式和定理，而是靠着一些“小聪明”和“经验法则”来蒙答案。研究人员以算

一项最新研究表明，利用生成式 AI 模型，特别是大型语言模型（LLM），可以构建一种能够在多种情境下准确模拟人类行为的架构。这项研究成果为社会科学研究提供了一个强大的新工具。研究人员首先招募了1000多名来自美国不同背景的参与者，并对他们进行了长达两小时的深度访谈，收集了他们的生活经历、观点和价值观等信息。然后，研究人员利用这些访谈记录和一个大型语言模型构建了一个“生成式代理架构”。这个架构能够根据参与者的访谈内容创建出上千个虚拟的“克隆人”，

随着 ServiceTitan 向美国证券交易委员会提交首次公开募股（IPO）申请文件，该公司在风险因素部分特别提到了大型语言模型(LLMs)可能带来的潜在风险。此类警告或许标志着未来 IPO 文档中的新标准:使用 AI 技术的同时也伴随风险。在 ServiceTitan 的申请文件中，有一段长达1150字的风险提示，详细阐述了其使用生成性 AI 的可能负面影响。公司警告称，LLMs 可能产生 “虚假” 信息，并可能表现出 “歧视性” 行为。此外，使用这些模型可能涉及侵犯他人的版权或知识产权，而在数据的使用上，若不

在人工智能技术迅速发展的背景下，开发者们迫切需要一个能够灵活应用多种大型语言模型（LLM）的平台。近期推出的 AnyChat 正好满足了这一需求，它将多个领先的 AI 模型整合到一个统一的界面上，极大地方便了开发者和企业的使用。AnyChat 由知名 AI 专家 Ahsen Khaliq（AK）开发，他目前在 Gradio 担任机器学习增长负责人。该平台支持开发者在 ChatGPT、谷歌的 Gemini、Claude、Meta 的 LLaMA 以及 Grok 等多个模型之间无缝切换，摆脱了被单一服务提供商锁定的困境。Khaliq 表示:“我们希望构建一个让用

在当今科技领域，CLIP（Contrastive Language-Image Pre-training）是一个重要的多模态基础模型。它通过在大规模图像 - 文本对上使用对比学习损失，将视觉信号和文本信号结合到一个共享的特征空间中。CLIP 作为检索器，能够支持零 - shot 分类、检测、分割和图像 - 文本检索等多种任务。同时，作为特征提取器，它在几乎所有跨模态表示任务中占据主导地位，例如图像理解、视频理解以及文本到图像或视频生成。CLIP 的强大之处在于它能够将图像与自然语言相连接，并捕捉人类知识，这得益于其在大

在人工智能的应用中，如何实现与 AI 的实时互动一直是开发者和研究人员面临的重大挑战。这其中，整合多模态信息（如文本、图像和音频）以形成一个连贯的对话系统显得尤为复杂。尽管像 GPT-4这样的先进大型语言模型取得了一些进展，但许多 AI 系统在实现实时对话流畅性、上下文意识以及多模态理解方面仍然存在困难，这限制了它们在实际应用中的效果。此外，这些模型的计算需求也使得在没有大量基础设施支持的情况下实现实时部署变得极为困难。为了解决这些问题，Fixie AI 推出

近日，英伟达发布了其全新的 Blackwell 平台，并在 MLPerf Training4.1基准测试中展示了初步的性能表现。根据测试结果，Blackwell 在某些方面的性能相比于前一代 Hopper 平台实现了翻倍的提升，这一成果引起了业界的广泛关注。在 MLPerf Training4.1基准测试中，Blackwell 平台在 LLM（大语言模型）基准的 Llama270B 微调任务中，每个 GPU 的性能达到了 Hopper 的2.2倍，而在 GPT-3175B 的预训练中则达到了2倍的提升。此外，在 Stable Diffusion v2训练等其他基准测试中，新一代的 Blackwell 也以1.7倍的优势超过了前代产品

美国AI翻译平台Unbabel周三宣布推出一项由人工智能驱动的翻译服务——Widn.AI，这是该公司的新产品，基于其专有的大型语言模型（LLM）Tower。Unbabel的CEO瓦斯科·佩德罗(Vasco Pedro)表示，三年内可能根本不再需要人类来翻译。佩德罗在接受采访时表示，Unbabel的大语言模型允许人工智能翻译32种语言。他认为，这是第一次，人工智能完全可以取代人类的翻译能力。佩德罗说:“10年前，当我们开始在Unbabel工作时，AI还没有达到现在的水平，所以我们非常专注于创造将AI和人类结合起来的混合解决方

在人工智能领域，规模越大似乎就意味着能力越强。为了追求更强大的语言模型，各大科技公司都在疯狂堆叠模型参数和训练数据，结果却发现成本也随之水涨船高。难道就没有一种既经济又高效的方法来训练语言模型吗?来自哈佛大学和斯坦福大学的研究人员最近发表了一篇论文，他们发现，模型训练的精度（precision） 就像一把隐藏的钥匙，可以解锁语言模型训练的“成本密码”。什么是模型精度?简单来说，它指的是模型参数和计算过程中使用的数字位数。传统的深度学习模型通常使用

微软近期发布了一款引人注目的 Python 库 ——TinyTroupe，这是一种基于大型语言模型（LLM）的多智能体人格模拟工具。TinyTroupe 中的智能体被称为 TinyPersons，它们可以在模拟的环境中进行互动和交流。通过利用强大的大型语言模型（LLM），尤其是 GPT-4，TinyTroupe 可以生成逼真的模拟行为，让用户得以探索各种消费者类型和互动方式。简单的说就是，TinyTroupe 亮点在于它能够模拟具备特定性格、兴趣和目标的虚拟角色，从而为企业在商业决策和市场研究方面提供全新的视角。使用 TinyTroupe，用户

普林斯顿大学和耶鲁大学的研究人员最近发布了一份关于大语言模型（LLM）“思维链(CoT)”推理能力的报告，揭示了CoT推理的奥秘:它并非纯粹基于逻辑规则的符号推理，而是融合了记忆、概率和噪声推理等多种因素。研究人员以破解移位密码为测试任务，分析了GPT-4、Claude3和Llama3.1这三个LLM的表现。移位密码是一种简单的编码方式，每个字母都被替换成字母表中向前移动固定位数的字母。例如，将字母表向前移动3位，"CAT"就会变成"FDW"。研究结果表明，影响CoT推理效果的三个关键因素是:概

根据研究公司 IDC 的最新预测，到2025年，全球人工智能（AI）相关技术的支出将达到3370亿美元，并预计到2028年这一数字将翻倍，达到7490亿美元。随着各行业 IT 领导者们不断推动 AI 战略的落实，未来的应用场景将更加丰富多样。图源备注:图片由AI生成，图片授权服务商Midjourney在这一趋势下，越来越多的企业开始试验生成式人工智能（Gen AI），并已经在生产中应用。以 Dairyland Power Cooperative 的首席信息官奈特・梅尔比为例，该公司已经开发出大型语言模型(LLM)，不仅可以自动化文档摘要，还

人工智能行业迎来重大转折点:领先企业纷纷改变发展方向，从追求更大规模的语言模型转向专注于提升模型的思考能力。这一转变将重塑整个AI行业的发展格局。据路透社报道，主要AI实验室正面临困境。开发大型语言模型不仅需要投入数千万美元，还常常遭遇系统崩溃等技术难题，评估一个模型的性能往往需要持续数月之久。这种发展瓶颈已经波及行业巨头。有报道称OpenAI的新型Orion模型相比GPT-4提升有限，谷歌的Gemini2.0也遇到类似困境。Anthropic方面，其首席执行官Dario Amodei表示正在重新

大型语言模型（LLM）的崛起为人工智能应用带来了革命性的变化，然而，它们在处理表格数据方面却存在着明显的不足。 浙江大学计算创新研究院的研究团队针对这一问题，推出了一款名为 TableGPT2的全新模型，它能够直接且高效地整合和处理表格数据，为商业智能(BI)和其他数据驱动型应用开辟了新的可能性。TableGPT2的核心创新在于其独特的表格编码器，该编码器专门设计用于捕获表格的结构信息和单元格内容信息，从而增强模型处理现实应用中常见的模糊查询、缺失列名和不规则表格的