-
根据一份文件显示，七国集团（G7）计划在周一达成一致，制定关于企业开发先进人工智能（AI）系统的行为准则。各国政府目前正致力于降低人工智能技术被滥用的风险这份文件指出，考虑到人工智能可能带来的隐私和安全风险，自愿行为准则将成为主要国家管理人工智能的重要里程碑。在今年五月份的时候，G7国家（包括加拿大、法国、德国、意大利、日本、英国和美国）以及欧盟领导人在一个名为“广岛人工智能进程”的部长级论坛上，共同启动了这个项目行为准则中提到，共有11点内容。这些准则的目标是推广全球范围内的安全、可靠和值得信赖的人工智
-
IT之家10月31日消息，IBM公司近日发布新闻稿，为了缓解当前精通COBOL（一种1959年设计开发的编程语言）语言程序员短缺问题，推出了生成式AI编程助手“watsonx”。IBM公司在今年8月推出了名为"IBMZ"的服务，旨在将COBOL转换为Java语言。近日，该服务正式以"watsonx"的名称推出Watsonx的核心功能简化了COBOL代码到Java的转换，旨在实现大型计算机的现代化。IBM表示，该人工智能助手在代码翻译方面准确性极高，能够减少常见的语法错误，从而提高逐行翻译的效率为了提高输出
-
编辑|紫罗为了促进分子特性预测，在药物发现领域，学习有效的分子特征表征非常重要。最近，人们通过采用自监督学习技术，预先训练图神经网络（GNN）来克服数据稀缺的挑战。然而，目前基于自监督学习的方法存在两个主要问题：缺乏明确的自监督学习策略和GNN的能力有限近日，来自清华大学、西湖大学和之江实验室的研究团队，提出了知识引导的图Transformer预训练（Knowledge-guidedPre-trainingofGraphTransformer，KPGT），这是一种自监督学习框架，通过显著增强的分子表征学习
-
如此强大的AI模仿能力，真的防不住，完全防不住。现在AI的发展已经达到了这种程度吗？你前脚让自己的五官乱飞，后脚，一模一样的表情就被复现出来，瞪眼、挑眉、嘟嘴，不管多么夸张的表情，都模仿的非常到位。加大难度，让眉毛挑的再高些，眼睛睁的再大些，甚至连嘴型都是歪的，虚拟人物头像也能完美复现表情。当你在左侧调整参数时，右侧的虚拟头像也会相应地改变动作给嘴巴、眼睛一个特写，模仿的不能说完全相同，只能说表情一模一样（最右边）。这项研究来自慕尼黑工业大学等机构，他们提出了GaussianAvatars，这种方法可用来
-
随着深度学习模型在自然语言处理等领域的广泛应用，模型推理速度和性能成为重要问题。最近，快手领导的研究成果《SAMP：基于自适应混合精度的训练后量化模型推理库》成功入选顶级会议EMNLP2023，并在新加坡展示和分享该研究提出了一种名为SAMP的推理加速工具，通过自适应混合精度技术，在保持模型性能的同时，显著提高推理速度。其中包含自适应混合精度编码器和一系列先进的融合策略。自适应混合精度编码器可以在大量的通用矩阵乘法（GEMM）运算和Transformer层中找到最佳浮点定点混合精度组合方式，使模型推理的性
-
特斯拉的首席执行官埃隆·马斯克在周三发表了一项重要声明，他表示明年可能会出现完全由人工智能制作的电影。这一言论似乎在暗示未来的AI电影有望取代由好莱坞制作的电影。马斯克的这一说法引起了人们对于人工智能在电影制作领域的潜力和影响的广泛讨论。马斯克对一名名为X的用户的帖子做出了回应。这位用户分享了一个令人印象深刻的AI生成的迷你剧片段，时长仅为16秒。片段描述了一只猴子在一个神秘的洞穴中绘制蓝图并建造了一艘球形宇宙飞船。猴子的表情非常生动，仿佛栩栩如生。马斯克对这个迷你剧片段表示赞赏，并对X用户的努力和创造力
-
大型语言模型（LLMs）是具有大量参数和数据的深度神经网络，能够在自然语言处理（NLP）领域实现多种任务，如文本理解和生成。近年来，随着计算能力和数据规模的提升，LLMs取得了令人瞩目的进展，如GPT-4、BART、T5等，展现了强大的泛化能力和创造力。LLMs也存在严重的问题，在生成文本时容易产生与真实事实或用户输入不一致的内容，即幻觉（hallucination）。这种现象不仅会降低系统的性能，也会影响用户的期望和信任，甚至会造成一些安全和道德上的风险。因此，如何检测和缓解LLMs中的幻觉，已经成为了
-
2024年1月9日，北京成功举办了以“智能涌现价值焕新”为主题的爱分析·AI与大模型高峰论坛。在论坛上，重磅发布了大模型“璀璨星辰”Top榜单。经过爱分析和权威科研机构的层层征集评选，网易伏羲丹青模型最终成功上榜，彰显其独特的价值。大模型“璀璨星辰”Top榜单是大模型领域首个综合评估系列榜单，旨在评选出在大模型领域综合实力突出的科技厂商。该榜单的目的是帮助企业用户全面了解国内大模型领域各大科技厂商的实力水平，并为全行业选择生态伙伴、遴选优秀投资标的提供决策依据和支撑。与传统大模型榜单不同的是，该榜单注重入
-
自注意力机制是一种被广泛应用于自然语言处理和计算机视觉等领域的神经网络模型。它通过对输入序列的不同位置进行加权聚合，从而捕捉序列中的重要信息。这种机制能够在不同位置上自动学习到的权重，使模型能够更好地理解输入序列的上下文关系。相比传统的注意力机制，自注意力机制能够更好地处理长序列和全局依赖关系。而随机采样则是一种从概率分布中随机选择样本的方法。在生成序列数据或进行模型的蒙特卡罗近似推断时，随机采样是一种常用的技术。通过随机采样，我们可以从给定的概率分布中生成样本，从而得到多样化的结果。在模型的蒙特卡罗近似
-
在机器学习中，泛化能力是指模型在未见过的数据上能够准确预测的能力。换句话说，一个具有良好泛化能力的模型不仅在训练集上表现良好，还能够适应新的数据并产生准确的预测结果。相反地，一个过拟合的模型在训练集上可能表现很好，但在测试集或实际应用中可能会出现性能下降的情况。因此，泛化能力是评估模型质量的重要指标之一，有效地衡量了模型的适用性和可靠性。通过合适的模型选择、数据预处理和模型调优等方法，可以增强模型的泛化能力，提高预测的准确性和可靠性。通常，模型的泛化能力与其过拟合程度密切相关。过拟合是指模型过于复杂，以至
-
DiLu（的卢）是一个基于AIAgent范式的自动驾驶框架，结合了常识知识和大语言模型。它通过记忆模块实现闭环自动驾驶决策，并具备持续进化的能力。通过与环境的交互，DiLu不断积累经验，并进行自我反思以纠正错误的决策，实现终身学习。DiLu已在GitHub上开源，欢迎大家来体验。论文信息论文题目：DiLu:AKnowledge-DrivenApproachtoAutonomousDrivingwithLargeLanguageModels（ICLR2024接收）论文发表单位：上海人工智能实验室，华东师范大
-
人工智能驱动的测试自动化可以为企业带来什么?人们需要了解其主要的好处。如何描述企业当前的测试过程?它们是人工实施的或自动实施的，还是两者的结合?在过去的几年里，更多的企业已经将测试自动化添加到混合中，原因很容易看出。行业专家分享了人工智能驱动的测试自动化的七个主要好处。人工测试可能需要数小时，且会增加持续开发的难度，除非可以无限地调配资源。另外，准确性也是一个挑战——测试人员只是人类，很容易忽略微小的变化。在仅依赖人工测试的企业中，软件测试容易出错，而且经常会遇到瓶颈。测试自动化的限制许多企业现在将自动化
-
论文名称：LimSim++:AClosed-LoopPlatformforDeployingMultimodalLLMsinAutonomousDriving项目主页：https://pjlab-adg.github.io/limsim_plus/仿真器简介随着多模态大语言模型（(M)LLM）在人工智能领域掀起研究热潮，其在自动驾驶技术中的应用逐渐成为关注的焦点。这些模型通过强大的广义理解和逻辑推理能力，为构建安全可靠的自动驾驶系统提供了有力支持。虽然已有闭环仿真平台如HighwayEnv、CARLA和N
-
把AlphaGo的核心算法用在大模型上，“高考”成绩直接提升了20多分。在MATH数据集上，甚至让7B模型得分超过了GPT-4。一项来自阿里的新研究引发关注：研究人员利用蒙特卡洛树搜索（MCTS）给大语言模型带来了性能增强，无需人工标注解题步骤，也能生成高质量数据，有效提升大模型的数学成绩。论文发布，让不少网友重新关注到了蒙特卡洛树搜索这个在前大模型时代的明星算法。有人直言：蒙特卡洛树搜索+LLM是通往超级智能之路。因为“树搜索本身更接近人类思维”。用蒙特卡洛树搜索增强大模型具体来说，阿里的研究人员提出了
-
编辑|萝卜皮深度学习方法推动了生物分子结构单态预测的重大进展。然而，生物分子的功能取决于它们可以呈现的构象范围。对于肽来说尤其如此，肽是一类高度灵活的分子，参与多种生物过程，作为治疗手段备受关注。多伦多大学的PhilipM.Kim和OsamaAbdin开发了PepFlow，这是一种可转移生成模型，它能够从输入肽的允许构象空间中直接进行全原子采样。研究人员在扩散框架中训练模型，然后使用等效流进行构象采样。为了克服广义全原子建模的成本过高，他们模块化了生成过程并集成了超网络来预测序列特定的网络参数。PepFl
