特斯联完成20亿元D轮融资国际国有资本双领投

Ooops, Data read error for 2962032, Try new one ( 读取异常, 请尝试搜索关键词 ) ....

-loading-

听音频 🔊 . 看视频 🎦

... 2024-04-16 03:40 .. 构建技术壁垒，进一步在人工智能物联网领域的国际竞争格局中形成产业化、集群化效应。
    大模型浪潮下，LLMs（LargeLanguageModel）对世界的理解局限于单一语言模态。
    要实现对世界更完善的理解，本质上需要融合语言、图像、视频等多模态数据和知识，这是大模型发展的必然趋势。
    为此，特斯联提出“大模型+系统”的产业落地路径。
    由与具体场景深度结合的领域模型切入，通过场景定义的系统,克服跨模态数据的建模难题，并由此使领域模型逐步具备跨模态能力，这是短期内大模型得以在场景中规模化落地的更快路径。
    ALCapitalCIOJeremyChan指出，ALCapital长期关注全球数字经济产业发展趋势。
    近年来，特斯联在国内取得了耀眼的市场业绩，并在国际实现广泛布局，呈现出在人工智能领域鲜明的应用落地能力，这是ALCapital选择特斯联的核心要素之一。
    特斯联“大模型+系统” .. UfqiNews ↓ 0

...

03-15 04:49 , 8009 , 179 ..
[编按：转载于新浪网/财经头条/新智元， 2023-03-15. GPT-4王者加冕！读图做题性能炸天，凭自己就能考上斯坦福.
    ]

美国OpenAI的ChatGPT-4发布：多模态图文混合交互

【新智元导读】Open AI的GPT-4在万众瞩目中闪亮登场，多模态功能太炸裂，简直要闪瞎人类的双眼.
    李飞飞高徒、斯坦福博士Jim Fan表示，GPT4凭借如此强大的推理能力，已经可以自己考上斯坦福了！
果然，能打败昨天的Open AI的，只有今天的Open AI.
     （2023年03月）刚刚，Open AI震撼发布了大型多模态模型GPT-4，支持图像和文本的输入，并生成文本结果.
    号称史上最先进的AI系统！
GPT-4不仅有了眼睛可以看懂图片，而且在各大考试包括GRE几乎取得了满分成绩，横扫各种benchmark，性能指标爆棚.

Open AI 花了 6 个月的时间使用对抗性测试程序和 ChatGPT 的经验教训对 GPT-4 进行迭代调整，从而在真实性、可控性等方面取得了有史以来最好的结果.

大家都还记得，2月初时微软和谷歌鏖战三天，2月8日微软发布ChatGPT版必应时，说法是必应「基于类ChatGPT技术」.

今天，谜底终于解开了——它背后的大模型，就是GPT-4！
图灵奖三巨头之一Geoffrey Hinton对此赞叹不已，「毛虫吸取了营养之后，就会化茧为蝶.
    而人类提取了数十亿个理解的金块，GPT-4，就是人类的蝴蝶.
    」

顺便提一句，ChatGPT Pl ... 美国OpenAI的ChatGPT-4发布：多模态图文混合交互 ⟶

...

02-08 06:09 , 7430 , 160 ..
迈向通用人工智能AGI之路：大型语言模型LLM技术精要-4 影响一：让LLM适配人的新型交互接口
在理想LLM的背景下，我们再来看（美国OpenAI公司的）ChatGPT，能更好理解它的技术贡献.
    ChatGPT应该是目前所有的现有技术里，最接近理想LLM的技术方法.
    如果归纳下ChatGPT最突出特点的话，我会用下面八个字： “能力强大，善解人意”.

“能力强大”这一点，我相信应该主要归功于ChatGPT所依托的基础LLM GPT3.5.
    因为ChatGPT 尽管加入了人工标注数据，但是量级只有数万，这个规模的数据量，和训练GPT 3.5模型使用的几千亿token级别的数据量相比，包含的世界知识（数据中包含的事实与常识）可谓沧海一粟，几可忽略，基本不会对增强GPT 3.5的基础能力发挥什么作用.
    所以它的强大功能，应该主要来自于隐藏在背后的GPT 3.5.

GPT 3.5对标理想LLM模型中的那个巨无霸模型.

那么，ChatGPT向GPT 3.5模型注入新知识了吗？应该是注入了，这些知识就包含在几万人工标注数据里，不过注入的不是世界知识，而是人类偏好知识.
    所谓 “人类偏好”，包含几方面的含义：首先，是人类表达一个任务的习惯说法.

比如，人习惯说：“把下面句子从中文翻译成英文”，以此表达一个“机器翻译”的需求，但是LLM又不是人，它怎么会理解这句话到底是什么意思呢？你得想办法让LLM理解这句命令的含义，并正确执行.
    所以，ChatGPT通过人工标注数据，向GPT 3.5注入了这类知识，方便LLM理解人的命令，这是它“善解人意”的关键.

其次，对于什么是好的回答，什么是不好的回答，人类有自己的标准，例如比较详细的回答是好的，带有歧视内容的回答是不好的，诸如此类.
    这是人类自身对回答质量好坏的偏好.
    人通过Reward Model反馈给LLM的数据里，包含这类 ... 迈向通用人工智能AGI之路：大型语言模型LLM技术精要-4 ⟶