AI探索指南

关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件

AI探索指南

  1. AI探索指南

    Google Bard 不再需要 waitlist，向180个国家开放

    Google Bard 不再需要 waitlist，向180个国家开放。
    前段时间的 Bard 已经用上了 PALM2 的部分能力。
    （前几天感慨速度变快大概率就是因为这个，PALM2的参数量很小）

    Google: Today we’re removing the waitlist process and making Bard available in over 180 countries and territories, with more coming soon. 🎉#GoogleIO

    GoogleIO

  2. AI探索指南

    Sam Altman 说：“我有这样的信念，让智能和能源变得廉价和丰富，是创造未来和提高生活质量最重要的两件事

    Sam Altman 说：“我有这样的信念，让智能和能源变得廉价和丰富，是创造未来和提高生活质量最重要的两件事。如果我们能做到这一点，它将真正地改善世界。”

    一家OpenAI，一家核聚变，名留青史了。

    雷尼尔: 这个很有可能做的到的，Helion和微软之间还有对赌。一个有意思的现象是，美国几个核聚变初创公司集中在华州。Helion就在Evereet。Avalanche, Helion Energy, Zap Energy and CTFusion。哎…. 西雅图房价降不下来了。
    https://twitter.com/jefflijun/status/1656353822485409793

  4. AI探索指南

    最近比较火的一个图灵测试游戏human or not，跟随机匹配到的对象聊2分钟，然后判断对方是真人还是AI

    最近比较火的一个图灵测试游戏human or not，跟随机匹配到的对象聊2分钟，然后判断对方是真人还是AI。
    链接：https://app.humanornot.ai/

    按照这个思路，我又想了三个图灵测试游戏：

    1. 蒙面社交游戏：随机匹配人类或机器人进行聊天，双方同意后揭晓身份，用户可以选择加对方（人类或机器人）为好友。

    2. 反向图灵测试：人类需要向对面证明自己是人类而不是机器人，累计得分高者胜出。

    3. 模仿游戏大赛：人类可以通过制定规则（写prompts）制作机器人来进行图灵测试，机器人得分高者胜出。

  5. AI探索指南

    用GPT给孩子取名

    用GPT给孩子取名

    为孩子取一个富有美好含义的名字，从古代经典中获取灵感。

    指令：请为我们的孩子取一个名字，孩子将于 2023 年 6 月底出生，父亲姓李，母亲姓侯。我们希望名字寓意美好前程、品性良善、富有智慧。请从诗经和楚辞中选取灵感，为孩子起 10 个合适的名字。

    指令模板：请为我们的孩子取一个名字，孩子将于xx年xx月xx日出生，父亲姓xx，母亲姓xx,我们希望名字寓意美好前程、品性良善、富有智慧。请从诗经和楚辞中选取灵感，为孩子起 10 个合适的名字。

  7. AI探索指南

    关于LLM自生成数据集，Sam Altman也说他们几乎不需要人工标注了

    关于LLM自生成数据集，Sam Altman也说他们几乎不需要人工标注了。在开源拥有更多可能性的图景中，直接生成更高质量的数据集也成为趋势。

    目前看到最新颖的相关研究是上个月微软和北大的WizardLM（基于开源的LLaMa 7B）【https://arxiv.org/abs/2304.12244】，模型能力上，复杂表现能够超越GPT3.5；研究方面也是少有的系统性地呈现自训练数据集的探索。

    WizardLM把扩展数据集完全交给LLM。利用一个「精心设计」的prompt，模型自主将一个简单的问题/指令扩展、深化、复杂化。比如，可以从简单指令“1+1=？”扩展出更复杂、更具有难度的指令（图1）。简单翻了一下他们的prompt（虽然原本就是中国人写的XD）。

    开玩笑地说，自生成数据集的路上，我们向着被LLM替代又近了一步。下一步很可能就是让LLM更有参照性地自生成prompt来自监督指令扩展，从而让训练更具效率。

    * 这两天和老前辈工程师“友好交流”了LLM的表现，上一辈的技术人员相信精细的工艺和细末的细节，这是工业化的传统沉浸在程序和端口中的习性。但LLM明显更像一种认知体系、一种逻辑和行为的重塑框架，遵循着LLM，我们会走到更宏观的、边界模糊的世界中去吗？虽然有些过分乐观，但我常常“不得不”这样想。