AI新闻动态（2024-02-25到2024-03-02）

[ikaijua]

AI新闻动态（2024-02-25到2024-03-02）

目录

AI产品

1. 苹果公司取消了长达十年的电动汽车项目，并将资源转向生成式人工智能领域
2. 谷歌Gemini生图功能紧急下线，口碑一夜塌房
3. Mistral AI发布了旗舰级大模型Mistral Large，对标GPT-4
4. 零一万物发布了Yi大模型API并启动公测
5. OpenAI即将关闭ChatGPT插件功能
6. Ideogram发布1.0版本
7. Cursor发布Copilot++
8. 在iMessage里可以直接跟Pi聊天了

机器人

1. 机器人公司Figure AI 新一轮融资约6.75亿美元，贝索斯、微软、英伟达和亚马逊参投
2. 被称为最像人类的机器人Ameca又进化了

AI研究

1. 阿里巴巴推出基于音频驱动的肖像视频生成框架EMO（Emote Portrait Alive）
2. 谷歌发布基础世界模型Genie（Generative Interactive Environments）
3. 字节跳动MegaScale生产系统搭建万卡集群技术细节公开
4. ControlNet作者最新的研究成果LayerDiffusion可以生成透明图像并分离图层
5. AI生成贴纸开源项目stickerbar和cog-face-to-sticker
6. Adobe推出实验性AI文本生成音乐工具"Project Music GenAI Control”

AI洞察

1. OpenAI声称《纽约时报》雇佣黑客攻击ChatGPT以制造侵权结果

[ikaijua]

2023-02-25 谷歌Gemini生图功能紧急下线，口碑一夜塌房

• 众多用户在使用人像生成服务时发现，Gemini 似乎拒绝在图像中描绘白人，以至于生成了不少违背基本事实（性别、种族、宗教等）的图片。 引发了用户的批评和讽刺。
• Yann LeCun等AI专家指出，图像生成模型存在训练数据集的偏差，会影响生成图像的性能和种族成分。
• 谷歌承认Gemini图像生成的问题，并暂停了人物图像生成功能，承诺改进。

媒体文章：

• 机器之心：谷歌Gemini生图功能紧急关闭，口碑一夜塌房，Yann LeCun：我早就知道
• 腾讯科技：谷歌AI模型屡次“翻车”，CEO内部反思：冒犯了用户，完全不可接受

[ikaijua]

2024-02-28 苹果公司取消了长达十年的电动汽车项目，并将资源转向生成式人工智能领域

• 苹果公司取消了长达十年的电动汽车项目，这是公司历史上最雄心勃勃的项目之一。
• 苹果内部在周二宣布了这一决定，令近2000名参与该项目的员工感到惊讶。
• 决定由首席运营官杰夫·威廉姆斯和负责该项目的副总裁凯文·林奇共同宣布。
• 苹果将团队转移到生成式人工智能（AI）领域，这显示了公司对AI技术的重视。

苹果公司决定放弃电动汽车项目，并将资源转向生成式人工智能领域。这一决定对于苹果公司和其员工来说都是一个重大转变。

媒体文章：

• 彭博社：https://www.bloomberg.com/news/articles/2024-02-27/apple-cancels-work-on-electric-car-shifts-team-to-generative-ai?continueFlag=7ea2ba28372fde767ae518e69e5ee449
• 腾讯科技：重磅！苹果决定取消电动车项目，2000名员工部分转投AI部门
• 机器之心：苹果10年造车梦「夭折」，数十亿美元打水漂，特斯拉或成最大赢家
• 机器之能：苹果汽车，虽死犹生

[ikaijua]

2024-02-26 谷歌发布基础世界模型Genie（Generative Interactive Environments）

1. 谷歌发布了一个基础世界模型，名为Genie，该模型具有110亿参数，可以生成可交互的虚拟世界。
2. Genie是生成式交互环境的新范式，可以通过单张图像提示生成可玩的交互式环境。
3. Genie由三个部分组成：潜在动作模型、视频分词器和动态模型。潜在动作模型用于推断每对帧之间的潜在动作，视频分词器将原始视频帧转换为离散的token，动态模型用于预测视频的下一帧。
4. Genie可以在没有动作标签的情况下学习控制，并且能够从互联网视频中学习细粒度的控制。
5. Genie被认为是实现通用智能体的基石，可以在新生成世界的无休止的训练中培养下一代的创作者。
6. 谷歌表示，Genie是一种通用方法，适用于多个领域，并且可以扩展到更大的互联网数据集。
7. Genie的架构基于Vision Transformer（ViT）构建，使用了内存高效的ST-transformer架构来平衡模型容量和计算约束。
8. 实验结果显示，增加模型大小可以减少最终训练损失，表明Genie方法受益于扩展。

项目地址：https://sites.google.com/view/genie-2024/
论文：https://arxiv.org/abs/2402.15391

媒体文章：

• 机器之心：刚刚，谷歌发布基础世界模型：11B参数，能生成可交互虚拟世界

[ikaijua]

2024-02-27 Mistral AI发布了旗舰级大模型Mistral Large，对标GPT-4

1. Mistral AI发布了旗舰级大模型Mistral Large，该模型性能更强、体量更大，直接对标OpenAI的GPT-4。
2. Mistral Large在关键性能方面与GPT-4媲美，包括推理准确性、支持32k token的上下文窗口、支持精确指令和自带函数调用能力。
3. Mistral AI还发布了名为Le Chat的聊天助手，任何人都可以试用。
4. 与以往的模型不同，Mistral Large并不是开源的，这引发了一些AI社区的担忧。
5. Mistral AI与微软合作，在微软Azure上提供自己的模型，成为第二家在Azure云计算平台上提供商业语言模型的公司。
6. 这项合作使Mistral AI能够推向市场并利用Azure的AI基础设施加速下一代大型语言模型的开发和部署。
7. 并且公司与微软宣布建立新的合作伙伴关系，微软在一份声明中表示将投资 20 亿欧元帮助 Mistral AI 开启 “新的商业机会”，并向全球市场扩张

在线体验：https://chat.mistral.ai/chat
官方新闻：https://mistral.ai/news/mistral-large/

Mistral现在的模型列表：

• Mistral-Tiny（即Mistral 7B，开源，最强开源7B）
• Mistral-Small（即Mixtral 8x7B，开源）
• new Mistral-Small（未开源，通过API使用）
• Mistral-Medium（未开源，通过API使用，超过GPT-3.5）
• Mistral-Large（未开源，通过API使用，接近GPT-4）
• Mistral-Next（未开源，未正式发布，可以在LLM竞技场体验）

媒体文章：

• 机器之心：Mistral AI新模型对标GPT-4，不开源且与微软合作，网友：忘了初心
• 量子位：微软钦点OpenAI备胎：GPT-4级大模型上线即挤爆，成本仅2200万美元
• oschina：微软投资 “欧洲版 OpenAI” Mistral
• 机器之能：拿下微软合作、旗舰模型对标GPT-4，认识一下「欧洲版 OpenAI」

[ikaijua]

2024-02-29 阿里巴巴推出基于音频驱动的肖像视频生成框架EMO（Emote Portrait Alive）

1. 阿里推出了基于音频驱动的肖像视频生成框架EMO，可以通过输入单张参考图像和一段音频来生成表情生动的AI视频。
2. EMO可以让肖像唱歌、开口说话，支持不同语种和不同的艺术风格。
3. 一段由AI生成的Sora女士演唱的《Don't Start Now》的视频，并称赞其表现力和细节。
4. EMO类似的另一个公司Pika推出的为视频人物配音和唇形同步功能的技术，但与EMO相比，Pika的效果较差。
5. EMO的论文已经公布并宣布开源，但GitHub上仍然是空仓，但已经获得了超过2.1k的标星数。
6. EMO的技术路线不同于之前的Sora模型，使用了基于音频的肖像视频生成框架，其骨干网络魔改自Stable Diffusion 1.5。
7. EMO能够根据输入音频生成任意持续时间的视频，保持角色身份一致性，并在口型同步质量方面取得了SOTA（State-of-the-Art）水平。
8. EMO在定量比较上相比之前的方法有较大提升，但耗时较长，并可能无意中生成其他身体部位。

song_cxk.mp4

GitHub: https://github.com/HumanAIGC/EMO 目前只有论文，没有代码
项目主页：https://humanaigc.github.io/emote-portrait-alive/
论文地址：https://arxiv.org/pdf/2402.17485.pdf

媒体文章：

• 量子位：AI视频又炸了！照片+声音变视频，阿里让Sora女主唱歌小李子说rap
• 机器之心：让Sora东京女郎唱歌、高启强变声罗翔，阿里人物口型视频生成绝了

[ikaijua]

2024-02-24 机器人公司Figure AI 新一轮融资约6.75亿美元，贝索斯、微软、英伟达和亚马逊参投

1. 机器人公司Figure AI 新一轮融资约6.75亿美元，公司获得了来自亚马逊创始人贝索斯、英伟达和其他大型科技公司的投资，估值已达到20亿美元。其中贝索斯投资1亿美元，微软投资9500万美元，英伟达和亚马逊附属基金各提供了5000万美元。OpenAI 和微软也对 Figure AI 表示支持，OpenAI 曾考虑直接收购该公司，最终选择投资了500万美元。
2. Figure AI 的产品 Figure 01 是世界上第一个具有商业可行性的自主人形机器人，具有接近人类的行走能力和动作准确性。
3. Figure AI 目前的支持者还包括英特尔的风投部门、LG Innotek、三星以及风险投资公司 Parkway Venture Capital 和 Align Ventures。
4. Figure 公司开发的通用人形机器人可以在不同的环境中工作并处理各种任务，他们与宝马达成合作，计划将人形机器人引入汽车制造领域。
5. 投资者预计在下周一将把资金汇给 Figure AI 并正式签署协议。

youtube视频：Figure Status Update - Real World Task

媒体文章：

• 机器之心：下个爆点人形机器人？OpenAI、英伟达、贝索斯向同一家公司投了6.7亿刀

[ikaijua]

2024-02-28 OpenAI声称《纽约时报》雇佣黑客攻击ChatGPT以制造侵权结果

1. OpenAI指控《纽约时报》故意误导法庭，并使用省略号来掩盖ChatGPT生成文章的连续和不间断片段的错误印象。
2. 《纽约时报》起诉OpenAI和微软，声称ChatGPT和Copilot未经许可利用其内容进行训练。
3. OpenAI辩称这是一个漏洞，并承诺已经在修复。他们认为《纽约时报》利用特殊的提示词要求ChatGPT生成特定文章的开头和下一句话。
4. 如果OpenAI败诉，可能面临数十亿美元的罚款，并可能被迫擦除ChatGPT并重新开始训练。
5. OpenAI主张这种提示词攻击违反了他们的产品使用条款，并主张互联网上公开内容可以被合理使用。
6. 类似OpenAI的其他AI图像生成公司，如Stability AI，也面临类似的版权诉讼风险。
7. 一些互联网公司正在出售自己的数据给AI公司，以用于训练模型，类似于谷歌在过去几年与出版商和作家协会的官司。
8. AI生成的内容在互联网上越来越普遍，后续训练大型模型需要使用AI生成的数据。

媒体文章：

• 量子位：OpenAI：纽约时报雇黑客攻击我
• 机器之心：反转？OpenAI：纽约时报「黑客攻击」了ChatGPT，要求驳回版权诉讼

[ikaijua]

2024-02-27 被称为最像人类的机器人Ameca又进化了

1. Ameca是由英国的类人机器人设计和制造公司Engineered Arts开发的一个逼真的机器人。
2. Ameca具有多模态功能，包括视觉和语音方面的能力。
3. 在视觉方面，Ameca可以观察房间的情况，并用语言描述出来，带有一些幽默和戏剧性的元素。
4. 在语音方面，Ameca可以模仿名人的音色、语气和口头禅，包括马斯克、摩根·弗里曼等，使其语音更加生动和有趣。
5. Ameca不断进化和改进，从使用GPT-3到GPT-4，学会了多种语言，并能够进行实时问答和翻译。
6. Ameca还学会了画画，通过模型教导和矢量化图像的轨迹，在画布上表演绘画过程。
7. 尽管Ameca仍存在一些延迟和理解指令的困难，但其微表情和思考的神情使人们感觉它更像是一个生物而不是一个机器人。
8. Ameca的进化涉及多模态大模型和语言克隆技术等技术的应用。

youtube视频：https://www.youtube.com/watch?v=VXlpF3DrVP0

媒体文章：

• APPSO：炸裂更新！这个最像人类的机器人又进化了，还能模仿马斯克

[ikaijua]

2024-03-01 字节跳动MegaScale生产系统搭建万卡集群技术细节公开

1. 字节跳动搭建了一个名为MegaScale的生产系统，能在1.75天内完成1750亿参数的GPT-3训练，实现了55.2%的算力利用率（MFU），是英伟达Megatron-LM的1.34倍。
2. 字节已建立起超过1万张卡的Ampere架构GPU集群，并正在建设大规模Hopper架构集群。
3. 训练大语言模型面临的挑战包括效率和稳定性。MegaScale通过算法优化、通信重叠、高效操作符、数据流水线优化、集体通信群初始化和网络性能调优等手段应对这些挑战。
4. MegaScale具备故障容忍能力，能自动检测和修复超过90%的软硬件故障。

论文地址：https://arxiv.org/abs/2402.15627

媒体文章：

• 量子位：字节万卡集群技术细节公开：2天搞定GPT-3训练，算力利用率超英伟达Megatron-LM

[ikaijua]

2024-02-27 零一万物发布了Yi大模型API并启动公测

1. 零一万物发布了Yi大模型API，并正式启动邀测。
2. API提供了多个模型，包括Yi-34B-Chat和Yi-34B-Chat-200K。
3. Yi-34B-Chat-200K是一个支持处理上下文200K的大模型，适用于多篇文档内容理解和跨领域知识融合等应用场景。
4. Yi-34B-Chat-200K具有出色的复杂内容理解和分析能力，可以处理庞大的文本篇幅和复杂的角色关系。
5. Yi-34B-Chat-0205是一个经过优化的模型，具备出色的指令遵循和创意内容生成能力。
6. API具有快速的推理速度，提高了处理时间和模型回复的延迟。
7. API与OpenAI API完全兼容，可以平滑迁移使用。
8. 目前Yi大模型API正在进行限量邀测，申请成功即可获得1000万tokens。

官方报道：零一万物发布 Yi 大模型 API 并启动公测，支持上下文 200K，送 1000 万 tokens

[ikaijua]

2024-03-01 ControlNet作者最新的研究成果LayerDiffusion可以生成透明图像并分离图层

1. ControlNet作者推出了一项名为LayerDiffusion的研究成果，可以使用Stable Diffusion方法生成单个或多个透明图层（PNG）。
2. LayerDiffusion不仅能生成符合提示的完整图像，还可以将背景和人物等元素分开，生成细节清晰的图像。
3. LayerDiffusion的核心是潜在透明度（latent transparency）方法，通过在潜在图像中添加一个精心设计的小扰动来编码透明度信息。
4. 作者训练了潜在透明度编码器和解码器来实现透明度的编码和解码过程。
5. 为了确保添加的潜在透明度不会破坏预训练模型的潜在分布，作者提出了一种“无害性”度量，并使用联合损失函数进行训练。
6. LayerDiffusion具有一些优势，与传统的抠图方法相比：
   • LayerDiffusion是一种原生的透明图像生成方法，可以直接在生成过程中考虑并编码透明度信息。
   • LayerDiffusion在潜在空间中进行操作，可以生成更复杂的图像特征，而不需要在像素级别上进行复杂的计算。
   • LayerDiffusion使用大规模数据集进行训练，可以处理多样化的场景。
   • LayerDiffusion提供更高的灵活性和控制能力，可以通过文本提示指导图像的生成，并生成多个图层以创建复杂的场景。
   • 用户研究显示，LayerDiffusion生成的透明图像在质量上被用户偏好。
7. LayerDiffusion是一种先进且灵活的方法，可以直接编码透明度并生成高质量的透明图像。

Github：https://github.com/layerdiffusion/LayerDiffusion 目前只有论文，还没有代码
论文：https://arxiv.org/abs/2402.17113

模型地址：https://huggingface.co/LayerDiffusion/layerdiffusion-v1
SD-WebUI-Forge Github：https://github.com/lllyasviel/stable-diffusion-webui-forge
SD-WebUI-Forge LayerDiffusion插件：https://github.com/layerdiffusion/sd-forge-layerdiffusion

媒体文章：

• 量子位：ControlNet作者新作：AI绘画能分图层了！项目未开源就斩获660 Star
• 机器之心：ControlNet作者又出新作：百万数据训练，AI图像生成迎来图层设计

[ikaijua]

2024-02-25 OpenAI即将关闭ChatGPT插件功能

1. ChatGPT插件测试版即将关闭，根据用户和开发者对GPT的采用情况，决定停止插件测试版。
2. 从2024年3月19日开始，将禁止使用插件创建新对话。现有插件对话将在2024年4月9日之前继续进行。
3. 在插件测试版期间，插件商店提供了1000多个插件。现在的GPT商店已经有数十万个GPT，涵盖了写作、生产力、编程、教育等多个类别。
4. 从2024年3月19日开始，将无法安装新插件或使用现有插件创建新对话。已有的插件对话将在2024年4月9日之前继续进行。
5. 用户可以使用GPT商店的搜索功能来查找之前使用的插件是否有相应的GPT。
6. 插件测试版的关闭是因为推出了GPTs和GPT商店，以满足插件用户提出的改进要求。GPTs现在具备了与插件相同的功能，并新增了许多新功能。

官方报道：Winding down the ChatGPT plugins beta

[ikaijua]

2024-02-27 AI生成贴纸开源项目stickerbar和cog-face-to-sticker

stickerbar项目

在线使用地址：https://stickerbaker.com/
模型地址：https://replicate.com/fofr/sticker-maker
Github地址：https://github.com/cbh123/stickerbaker

cog-face-to-sticker 根据人物图片生成头像贴纸

Github地址：https://github.com/fofr/cog-face-to-sticker
在线使用：https://replicate.com/fofr/face-to-sticker 需租GPU

[ikaijua]

2024-02-28 Ideogram发布1.0版本

1. Ideogram 1.0是一个高级的文本到图像模型，具有先进的文本渲染、逼真度和创意性。
2. 它可以轻松地创建个性化的信息、表情包、海报、T恤设计、生日卡片、徽标等。
3. Ideogram 1.0通过准确的文本渲染能力解决了以往AI生成图像中不准确的问题，并降低了错误率。它生成的图像清晰、详细，并能理解复杂的提示。
4. Ideogram 1.0还可以生成具有不同宽高比和风格的图像，并提供视觉上引人注目的艺术输出。
5. Ideogram 1.0还包括Magic Prompt功能，可以自动增强、扩展和翻译提示，生成美丽而有创意的图像。
6. Ideogram已经筹集了8000万美元的A轮融资，旨在加速发展和建立更有能力的生成式媒体模型。

官方报道：https://about.ideogram.ai/1.0

[ikaijua]

2024-02-29 Cursor发布Copilot++

Copilot++除了按文本要求写代码外，提供自动补全和已有代码的修改建议。

cursor.copilot++.mp4

官网：https://cursor.sh/cpp

[ikaijua]

2024-03-02 在iMessage里可以直接跟Pi聊天了

苹果手机打开这个网址即可聊天：https://pi.ai/imessage

[ikaijua]

2024-02-28 Adobe推出实验性AI文本生成音乐工具"Project Music GenAI Control”

1. Project Music GenAI Control可以根据文本提示生成音乐，并对音频进行精细编辑，用户可以输入像“powerful rock”、“happy dance”或“sad jazz”这样的文本提示来生成音乐。
2. 不仅仅是生成音频，还为创作者提供了类似于Photoshop的深度控制，可以塑造、调整和编辑音频，为音乐提供像素级别的控制。
3. 该项目是与加州大学圣地亚哥分校和卡内基梅隆大学的合作伙伴共同开发的。

官方博客：Adobe previews new cutting-edge generative AI tools for crafting and editing custom audio
youtube视频：Project Music GenAI Control | Adobe Research