AI新闻动态（2024-02-04到2024-02-10）

[ikaijua]

AI新闻动态（2024-02-04到2024-02-10）

目录

AI产品

• 谷歌Bard 更名为 Gemini，推出Gemini Advanced付费服务和Gemini Ultra模型
• 通义千问发布大模型（Qwen）1.5版本
• 通义千问上线一张照片生成拜年视频
• HeyGen 推出实时AI视频聊天
• Stable Audio 发布 AudioSparx 1.0 模型
• openai Whisper API升级，支持词级时间戳

机器人/脑机接口

• 谷歌DeepMind与斯坦福推出ALOHA的增强版本ALOHA 2
• 1X AI发布新的演示视频

AI研究

• 苹果开源了MGIE：通过文字描述即可P图

AI洞察

• 香港最大AI诈骗案 "变脸"冒充CFO，骗走两个亿！
• 抖音CEO离任，专注负责剪映业务

[ikaijua]

2024-02-05 通义千问上线一张照片生成拜年视频

1. 阿里云通义千问APP上线多项免费新应用，其中包括图像生成的新玩法，用户可以上传照片生成全家福、团圆照、拜年照、千里江山主题照等。
2. 通义千问APP通过研发了一种multi-id人像生成方法，实现了一次多人人像推理的能力，使得生成效率提升1倍以上。该应用结合了表情生成、灯光融合等技术，提升了全家福照片的质量和真实感。
3. 通义千问APP的全民舞王功能，用户可以通过一张照片生成拜年视频，包括拜年作揖、要红包、贴春联等经典春节舞蹈动作。该功能采用了阿里通义实验室自研的Animate Anyone算法，通过引入ReferenceNet和Pose Guider等技术，实现了精准的动作生成和连贯流畅的视频。
4. 大模型技术的发展使得科技能够更好地服务于传统节日，通义千问APP通过提供多项免费功能，让大模型与普通人之间的距离更近，为传统节日增添温暖和喜庆。

媒体文章：

• 机器之心：AI拜年火了，通义千问上线一张照片生成拜年视频
• 阿里云：通义千问春节上新，除夕夜AI和你一起过大年！

[ikaijua]

2024-02-08 谷歌DeepMind与斯坦福推出ALOHA的增强版本ALOHA 2

1. ALOHA 2具有更强的性能、人体工程学设计和稳健性，并且成本不到20万元人民币。
2. ALOHA 2的所有硬件设计都是开源的，并提供了详细的教程和系统识别功能的ALOHA 2 MuJoCo模型。
3. ALOHA 2可以进行复杂任务，如组装链条、托举乒乓球，甚至可以开瓶倒饮料、戴美瞳等。
4. ALOHA 2的改进包括夹持器设计、重力补偿机制、框架设计、摄像头选择和模拟学习等方面，旨在提高性能、任务范围、用户友好性和稳健性。
5. ALOHA 2的设计简化了机械复杂性，提高了遥控操作的人体工程学和响应速度。
6. ALOHA 2的框架设计提供了更多的空间，使数据收集方式更加多样化，并可以与人类协作者和道具互动。
7. ALOHA 2的模拟学习模型（MuJoCo Menagerie）提供了更高的物理精度和视觉保真度，用于远程操作和模拟数据收集。
8. ALOHA 2的推出将促进大规模双手操作的研究，并为机器人领域的发展提供了重要的开源资源。

项目地址：https://aloha-2.github.io/

媒体文章：

• 机器之心：斯坦福最强家务机器人ALOHA 2来了，成本不到20万，联手谷歌DeepMind，完全开源

[ikaijua]

2024-02-04 谷歌Bard 更名为 Gemini，推出Gemini Advanced付费服务和Gemini Ultra模型

1. 谷歌Bard将正式更名为Gemini，并推出Gemini Ultra 1.0模型。
2. Gemini Ultra 1.0是Gemini系列中最强大的版本，具有高级的推理、规划和理解等能力。
3. Gemini Ultra 1.0的发布将提供更好的AI聊天体验，并引入新的特性和功能，如AI图像生成器。
4. Gemini将成为访问Google AI的最佳方式，并提供改进的用户界面和导航。
5. Gemini Ultra的能力被称为Gemini Advanced，可以通过谷歌订阅式服务Google One的AI Premium计划使用。
6. Gemini Ultra的价格为每月19.99美元，覆盖150多个国家和地区。
7. 谷歌还发布了Gemini的安卓版App，并计划在未来几周内推出iOS版本。
8. Gemini与安卓系统高度整合，可以提供更便捷的体验，包括图像识别、文字生成和语音功能。
9. 谷歌将Gemini技术落地到更多产品中，包括Workspace和Google Cloud等常用产品。

官方更新日志：https://gemini.google.com/updates

媒体文章：

• 机器之心：大的要来了：谷歌Bard被曝将更名为Gemini，Ultra 1.0更强但收费、安卓App也会来
• 机器之心：谷歌Gemini Ultra 大会员：每月19.99美元
• 极客公园：谷歌最牛大模型正式开放：免费试用两个月
• 量子位：刚刚，谷歌弃Bard发布超大杯Gemini，全面对标GPT-4，前2个月免费！

[ikaijua]

2024-02-05 香港最大AI诈骗案 "变脸"冒充CFO，骗走两个亿！

1. 香港发生了一起规模庞大的AI诈骗案，涉及金额高达2亿港元。
2. 诈骗分子利用人工智能深度伪造技术，通过仿造英国公司高层管理人员的形象和声音，在网上会议中冒充多名人士，成功骗取了一家公司财务职员的2亿港元。
3. 诈骗者使用Deepfake（深度伪造）技术制作伪冒视频，通过公司的YouTube视频和其他公开渠道获取的媒体资料进行伪造。
4. Deepfake技术是利用深度学习生成合成图像、音频或视频的技术，通过训练大量的面部图像数据，模型能够生成与真实面部特征高度相似的虚假面部特征。
5. 这起案件揭示了人工智能伪造技术对网络安全的挑战，随着技术的发展，辨别真伪的难度也越来越大。

媒体文章：

• 深圳市反电信网络诈骗中心：震惊！"变脸"冒充CFO，骗走两个亿！香港最大AI诈骗案细节曝光
• 量子位：Deepfake假CFO骗走公司1.8个亿，员工：视频会议里每个人看起来都很真实啊

[ikaijua]

2024-02-08 抖音CEO离任，专注负责剪映业务

1. 抖音集团CEO张楠宣布卸任，她是抖音和火山等UGC视频产品的重要推动者。
2. 张楠将专注于抖音的"剪映"项目，并以创业的状态继续发展。
3. .剪映是一个具有AIGC场景优势的移动视频编辑产品，已经吸引了超过1亿的月活用户。
4. AI视频生成是当前的新战场，许多初创团队和大厂都发布了各种视频生成工具。

媒体文章

• 量子位：抖音CEO离任，奔赴AIGC视频新风口

[ikaijua]

2024-02-05 HeyGen 推出实时AI视频聊天

heygenlab 发布了 streaming avatar 功能，可以和数字人实时交互。streaming avatar 接入了 chatGPT，从列表中选择一个数字人，就可以开始聊天。输入文字后，他会用视频回复，基本感受不到延迟。

在线体验：https://labs.heygen.com/guest/streaming-avatar

[ikaijua]

2024-02-04 苹果开源了MGIE：通过文字描述即可P图

1. MGIE是苹果开源的图片编辑神器，能够通过指令引导图像编辑。
2. MGIE基于多模态大语言模型（MLLM）和扩散模型构建，通过学习简明的表达指令和视觉相关引导来实现编辑目标。
3. MGIE的应用包括移除背景中的人物、添加物体到图像中等，具有类似Photoshop风格的修改功能。
4. MGIE的指令引导使得编辑过程更符合人类直觉，能够理解模糊的人类指令并进行合理的编辑。
5. 实验评估表明，MGIE在不同编辑任务上具有良好的性能，能够提供详细解释并改进编辑结果。
6. 使用表达指令进行学习可以有效增强图像编辑，视觉感知在提供明确引导方面起着重要作用。

Github地址：https://github.com/apple/ml-mgie

媒体文章：

• 机器之心：罕见！苹果开源图片编辑神器MGIE，要上iPhone?

[ikaijua]

2024-02-06 通义千问发布大模型（Qwen）1.5版本

1. Qwen1.5是通义千问大模型的新版本，在春节前上线。它包括六个不同尺寸的模型：0.5B、1.8B、4B、7B、14B和72B。最强版本的性能超越了GPT 3.5和Mistral-Medium，并具备多语言支持。
2. Qwen 1.5版本的更新重点包括：支持32K上下文长度、开放Base+Chat模型的checkpoint、本地运行与Transformers的兼容性、发布GPTQ Int-4 / Int8、AWQ和GGUF权重等。
3. Qwen1.5在MT-Bench和Alpaca-Eval等基准测试中展现出可观的效果。最大版本的Qwen1.5模型在这些测试中超过了其他模型，如Claude-2.1、GPT-3.5-Turbo-0613、Mixtral-8x7b-instruct和TULU 2 DPO 70B。
4. 尽管Qwen1.5会产生较长的回答，但人类观察结果表明它并不会因此影响评分。在AlpacaEval 2.0上，Qwen1.5-Chat的平均长度为1618，与GPT-4的长度相当，比GPT-4-Turbo短。
5. Qwen1.5在MMLU（5-shot）、C-Eval、Humaneval、GS8K、BBH等基准数据集上展现出强大的性能，尤其是72B版本在语言理解、推理和数学方面的能力超越了Llama2-70B。
6. 通义千问团队评估了Qwen1.5 Base模型在12种不同语言上的多语言能力，涵盖了考试、理解、翻译和数学等方面。结果显示，Qwen1.5在各个维度的评估中表现出色。
7. 长序列处理能力：Qwen1.5支持32K tokens的上下文长度，这使得它能够处理长序列的需求。在L-Eval基准测试中，Qwen1.5模型展现了生成响应的能力，并与GPT-3.5具有可比较的性能。
8. 作为通用语言模型，Qwen1.5展示了与外部系统对接的潜力，可以应对大语言模型面临的挑战。它在RAG任务和代码解释器方面展现了强大的能力。

• 官方介绍：Qwen1.5 介绍
• 72B 在线体验：https://huggingface.co/spaces/Qwen/Qwen1.5-72B-Chat
• 使用 LM Studio可以在本地运行，4B 以下没有显卡也能跑。
• 模型：https://huggingface.co/Qwen
• Github：https://github.com/QwenLM/Qwen1.5

媒体文章：

• 机器之心：通义千问再开源，Qwen1.5带来六种体量模型，性能超越GPT3.5

[ikaijua]

2024-02-09 Stable Audio 发布 AudioSparx 1.0 模型

可以生成最长95秒的音乐，支持立体声，音乐效果比AudioLDM2 和 MusicGen好。

ssstwitter.com_1707431887829.mp4

• 项目地址：https://stability-ai.github.io/stable-audio-demo/
• Github：https://github.com/Stability-AI/stable-audio-tools
• 论文：https://arxiv.org/abs/2402.04825

[ikaijua]

2024-02-09 1X AI发布新的演示视频

1x_robot.mp4

完全基于AI实现的机器人操作，特意强调了视频无加速。

[ikaijua]

2024-02-10 openai Whisper API升级，支持词级时间戳

开源的Whisper模型目前还没有这个功能，之前的时间戳只支持到句子级别。

官方文档：https://platform.openai.com/docs/guides/speech-to-text/timestamps