消费品以旧换新明确三大领域重点任务

Ooops, Data read error for 2951609, 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 03:50 .. 促进二手车放心便利交易，培育壮大二手车经营主体，推动汽车流通消费创新发展。
    二是推动家电以旧换新。
    发挥财税政策引导作用，鼓励出台惠民举措，完善废旧家电回收网络，加大多元化主体培育力度，强化家电标准引领与支撑，推动全面提升售后服务水平，发展二手商品流通。
    三是推动家装厨卫“焕新”。
    加大惠民支持力度，提升便民服务水平，培育家居新增长点，优化家居市场环境。
    《行动方案》提出，通过加大政策引导支持力度，力争到2025年，实现国三及以下排放标准乘用车加快淘汰，高效节能家电市场占有率进一步提升；报废汽车回收量较2023年增长50%，废旧家电回收量较2023年增长15%；到2027年，报废汽车回收量较2023年增加一倍，二手车交易量较2023年增长45%，废旧家电回收量较2023年增长30%。
    为了达到上述目标，《行动方案》作出一系列部署。
    比如，在强化资金管理和要素保障方面，《行 .. UfqiNews ↓ 0

...

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 ⟶

... 02-08 05:28 , 7428 , 136 ..
迈向通用人工智能AGI之路：大型语言模型LLM技术精要-2
潮流之巅：NLP研究范式的转换
如果我们把时间线往前拉得更长一些，回到NLP领域的深度学习时代，在更长时间窗口内观察技术变迁及其影响，可能会更容易看清其中的一些关键节点.
    我个人认为，在最近10年来NLP领域的技术发展过程中，可能存在两次大的研究范型转换.

范式转换1.0:从深度学习到两阶段预训练模型
这个范式转换所涵盖的时间范围，大致在深度学习引入NLP领域（2013年左右），到GPT 3.0出现之前（2020年5月左右）.

在Bert和GPT模型出现之前，NLP领域流行的技术是深度学习模型，而NLP领域的深度学习，主要依托于以下几项关键技术：以大量的改进LSTM模型及少量的改进CNN模型作为典型的特征抽取器；以Sequence to Sequence（或叫encoder-decoder亦可）+Attention作为各种具体任务典型的总体技术框架.

在这些核心技术加持下，NLP领域深度学习的主要研究目标，如果归纳一下，是如何有效增加模型层深或模型参数容量.
    就是说，怎么才能往encoder和decoder里不断叠加更深的LSTM或CNN层，来达成增加层深和模型容量的目标.
    这种努力，尽管确实不断增加了模型层深，但是从解决具体任务的效果角度看，总体而言，不算很成功，或者说和非深度学习方法相对，带来的优势不算大.


深度学习之所以不够成功，我认为主要原因来自于两个方面：一方面是某个具体任务有限的训练数据总量.
    随着模型容量的增加，需要靠更大量的训练数据来支撑，否则即使你能把深度做起来，任务效果也做不上去.
    而在预训练模型出现之前，很明显这是NLP研究领域一个严重问题；
另外一个方面是LSTM／CNN特征 ... 迈向通用人工智能AGI之路：大型语言模型LLM技术精要-2 ⟶