AI新闻动态（2024-03-17到2024-03-23）

[ikaijua]

AI新闻动态（2024-03-17到2024-03-23）

目录

AI产品

• Suno AI音乐生成平台发布V3版本
• 英伟达在其一年一度的GTC大会上发布了全新架构的超级GPU Blackwell
• 马斯克今天兑现了开源"Grok"大语言模型的承诺
• Gemini 1.5 Pro模型通过谷歌的AI Studio正式对所有用户开放，支持100万长度上下文
• 月之暗面科技的Kimi AI助手的200万字的超长上下文功能已开启内测
• 随着Kimi Chat的爆火，阿里、百度和360等国内巨头纷纷宣布增强其大模型的长文本处理能力，开启长文本大战
• 微软发布首款集成 AI 功能的 Surface PC
• Magnific发布风格转换功能
• StabilityAI发布Stable Video 3D，一张图片即可生成3D模型
• Viggle 根据人物图片和动作描述或参考视频生成动作视频

机器人/脑机接口

• 埃隆·马斯克的Neuralink公司直播首位接受脑机植入的患者诺兰·阿尔博的情况
• 英伟达推出了多模态人工智能Project GR00T

AI研究

• Open-Sora 1.0模型开源，一个类似于OpenAI Sora的视频生成模型
• Mega-TTS 2：可能是火山语音克隆背后的技术

AI洞察

• 黄仁勋对话Transformer七位论文作者
• Inflection AI公司CEO被微软挖走
• 开发Stable Diffusion的AI研究团队的几位关键成员离开Stability AI公司，Stability AI的CEO没几天后也宣布辞职
• 消息称苹果公司正在与百度进行谈判，商讨在即将推出的iOS 18中集成生成式AI功能的合作

[ikaijua]

2024-03-18 马斯克今天兑现了开源"Grok"大语言模型的承诺

1. 马斯克在社交媒体平台上宣布开源了名为"Grok"的大语言模型Grok-1，具有3140亿参数，参数量是Llama-65B的4倍多，被认为是史上最大的开源大模型之一。
2. 项目开源了权重和网络架构，权重和架构遵循Apache 2.0许可证进行开源，可商用。
3. Grok是一个由xAI从头训练的混合专家模型，MoE模型的激活权重为25%。
4. Grok-1是预训练阶段的基本模型检查点，并未针对特定应用进行微调。
5. 使用Grok-1模型需要具备足够的GPU内存，推测可能需要一台拥有628GB GPU内存的机器。
6. 马斯克之前对OpenAI采取了法律行动，指责其违反合同并忘记了最初的使命。

官方介绍：https://x.ai/blog/grok-os
Github地址：https://github.com/xai-org/grok-1

媒体文章：

• 机器之心：马斯克开源Grok-1：3140亿参数迄今最大，权重架构全开放，磁力下载

[ikaijua]

2024-03-18 Open-Sora 1.0模型开源，一个类似于OpenAI Sora的视频生成模型

1. Colossal-AI团队开源了全球首个类Sora架构的视频生成模型Open-Sora 1.0，包括整个训练流程、数据处理、所有训练细节和模型权重。
2. Open-Sora采用了Diffusion Transformer (DiT)架构，引入时间注意力层，扩展到了视频数据上。模型包括预训练的VAE、文本编码器和STDiT (Spatial Temporal Diffusion Transformer)模型。
3. Open-Sora的训练复现方案参考了Stable Video Diffusion (SVD)工作，分为三个阶段：大规模图像预训练、大规模视频预训练和高质量视频数据微调。
4. Colossal-AI团队提供了视频数据预处理脚本，简化了Sora复现预训练的启动过程，包括视频数据集下载、视频分割和使用LLaVA模型生成提示词。
5. Open-Sora项目展示了生成视频的效果，如悬崖海岸、山川瀑布、水中世界的海龟和银河等。
6. Colossal-AI加速系统提供了算子优化和混合并行等策略，实现了训练加速效果，并在单台服务器上处理高分辨率视频训练任务。
7. 作者团队计划继续优化Open-Sora项目，使用更多视频训练数据，提升生成质量，并支持多分辨率特性。

Github地址：https://github.com/hpcaitech/Open-Sora

官方博客：Open-Sora: Revealing Complete Model Parameters, Training Details, and Everything for Sora-like Video Generation Models

媒体文章：

• 机器之心：没等来OpenAI，等来了Open-Sora全面开源

[ikaijua]

2024-03-19 月之暗面科技的Kimi AI助手的200万字的超长上下文功能已开启内测

1. Kimi能够一次性处理和理解长达200万字的文本，这意味着它可以快速阅读并理解大型文档，如《甄嬛传》剧本或医学书籍，并在此基础上进行讨论或提供建议。
2. 月之暗面公司在短短半年内将AI模型支持的上下文长度提升了10倍，从20万字提升到200万字，这在技术上是一个显著的进步。
3. Kimi的无损压缩技术使得在增加上下文长度的同时，保持信息的完整性，这对于理解和分析大量文本至关重要。
4. Kimi可以应用于多种场景，包括专业学术论文翻译、法律问题分析、财务报告研究、代码库结构梳理等。
5. Kimi能够处理和分析多达500个文档，支持通过自然语言查询和筛选信息，极大提高了信息处理效率。
6. Kimi智能助手在2月份的访问量已突破300万，月之暗面公司也获得了10亿美元的融资，成为估值25亿美元的AI独角兽。
7. 200万字的超长上下文的功能目前在内测阶段，需申请加入。

申请地址：https://kimi.moonshot.cn/

媒体文章：

• 机器之心：一口气读完甄嬛传剧本、大部头医书：月之暗面200万字上下文Kimi开启内测

[ikaijua]

2024-03-19 英伟达在其一年一度的GTC大会上发布了全新架构的超级GPU Blackwell

1. Blackwell是英伟达首个采用多芯片封装（MCM）设计的GPU，集成了两个GPU在同一芯片上。
2. Blackwell架构的GPU拥有2080亿个晶体管，采用台积电的4NP制程工艺，具备高达20 petaflops的AI算力。
3. Blackwell的推出意味着构建和运行实时生成式AI大型语言模型的成本和能耗降低到之前的25分之一。
4. Blackwell架构的GPU配备了192GB速度为8Gbps的HBM3E内存，性能相比上一代的H100提升了5倍。
5. Blackwell GPU的性能提升可以为大语言模型（LLM）推理负载提供30倍的性能提升，并将成本和能耗降低25倍。
6. 英伟达还推出了基于Blackwell架构的完整服务器形态，名为DGX GB200，结合了NVIDIA Grace CPU和Blackwell GPU。
7. DGX GB200系统可以通过NVLink连接扩展到数万个GB200超级芯片，提供海量共享显存空间，用于训练下一代AI模型。

• NVIDIA:GTC March 2024 Keynote with NVIDIA CEO Jensen Huang
• youtube视频：2024 Nvidia GTC大會 八分鐘帶你看精華

媒体文章：

• 机器之心：英伟达吞噬世界！新架构超级GPU问世，AI算力一步提升30倍
• 量子位：英伟达新核弹B200发布，一台服务器顶一个超算，AI推理30倍加速

[ikaijua]

2024-03-20 Inflection AI公司CEO被微软挖走

1. 微软宣布成立新的人工智能部门，并聘请DeepMind联合创始人穆斯塔法·苏莱曼（Mustafa Suleyman）担任执行副总裁兼CEO
2. 苏莱曼曾是DeepMind的联合创始人，并在该公司2014年被谷歌收购后，继续在领先的AI研究机构工作。他也是AI初创公司Inflection AI的联合创始人兼CEO。
3. 苏莱曼将负责包括将AI助手Copilot集成到Windows系统，以及在必应搜索引擎中引入对话元素等关键项目。
4. 苏莱曼加入微软时，带来了他旗下AI初创公司Inflection AI的大部分员工，Inflection将停止Pi消费者聊天机器人项目，转而专注于向企业销售AI软件。
5. 另外据知情人士透露，微软已经同意支付约6.5亿美元现金，与Inflection AI达成了一项不同寻常的协议。根据该协议，微软将获得Inflection大模型的使用权，并将其大部分员工纳入麾下，包括其联合创始人。微软宣布了Inflection联合创始人Mustafa Suleyman和Karen Simonyan加入微软的消息，以及招入该人工智能公司70人团队的大部分成员。Inflection将利用这笔授权费向Greylock、Dragoneer等投资者支付回报，预计这些投资者将获得高达1.5倍的收益。

媒体文章：

• 机器之心：融资15亿美元的明星AI公司，被微软挖走了创始人
• techcrunch：Here’s how Microsoft is providing a ‘good outcome’ for Inflection AI VCs, as Reid Hoffman promised

[ikaijua]

2024-03-20 英伟达推出了多模态人工智能Project GR00T

1. 英伟达在GTC大会上推出了多模态人工智能Project GR00T，旨在为人形机器人提供动力，通过先进的基础模型理解自然语言文本、语音、视频和现场演示。
2. 英伟达展示了使用Project GR00T的人形机器人，这些机器人能够将多种输入转换为特定的操作任务，展示了其在协调性、灵活性等方面的能力。
3. 为了支持人形机器人运行复杂的多模态模型如GR00T，英伟达发布了专为此类机器人设计的Jetson Thor计算平台，具备高性能CPU集群和基于Blackwell架构的GPU。
4. 英伟达开发了Isaac机器人平台，提供了一个端到端的平台，用于开发、模拟和部署人工智能机器人，包括Isaac实验室和OSMO计算协调服务。
5. Isaac机器人平台新增了两个用例定向产品，Isaac Manipulator专注于机械臂制造商，提供GPU加速的库和基础模型；Isaac Perceptor则通过多摄像头视觉功能引导机器人在非结构化环境中完成任务。
6. 英伟达与ArcBest、比亚迪和KION Group等多个合作伙伴合作，推进自主移动机器人功能在制造等行业的应用。
7. 尽管Project GR00T目前仍处于早期访问阶段，英伟达已经开始接受申请，计划将该技术扩展到更多的人形机器人开发者中，但具体的公开发布时间表尚未公布。

项目网址：https://developer.nvidia.com/project-gr00t

媒体文章：

• 36氪的朋友们：英伟达进军人形机器人产业，发布多模态人工智能Project GR00T

[ikaijua]

2024-03-21 黄仁勋对话Transformer七位论文作者

1. 七位Transformer论文作者在GTC大会上圆桌会议上讨论了Transformer模型的未来，他们认为需要比Transformer更好的模型，并提出了对当前模型资源浪费的担忧。
2. 2017年，论文《Attention is All You Need》提出了基于自注意力机制的Transformer模型，这一架构通过并行处理的注意力机制有效解决了长距离依赖问题，并显著提升了序列数据处理速度。极大地提升了计算机处理语言的能力，使得机器翻译、语音识别和文本摘要等任务变得更加高效和精确。
3. 英伟达CEO黄仁勋认为AI带来了全新的工业革命，强调了计算成本的显著降低以及加速计算的重要性，他预见了AI在多个领域的广泛应用。
4. 多位Transformer作者在离开谷歌后创办了自己的公司，致力于将AI技术应用于不同领域，如生命科学、区块链和人工智能初创企业。
5. 作者们认为当前的Transformer模型在资源利用上存在浪费，他们期待未来的模型能够更加高效，如强化推理能力、更好地融合数据、增加交互性等，实现自适应计算，以适应不同问题的复杂性。
6. 作者们对未来AI的发展方向进行了讨论，包括推理能力的提升、数据模型的重要性以及如何更好地利用计算资源来推动AI技术的进步。

媒体文章：

• AI未来指北：黄仁勋对话Transformer七位论文作者：大模型资源浪费巨大

[ikaijua]

2024-03-21 埃隆·马斯克的Neuralink公司直播首位接受脑机植入的患者诺兰·阿尔博的情况

1. 诺兰·阿尔博在一次潜水事故中颈部以下瘫痪，通过Neuralink的脑机接口技术，他能够使用脑部植入的芯片控制电脑光标，并玩视频游戏。
2. 在直播中，阿尔博展示了如何通过思考移动游戏中的棋子，并将这种操作比作使用《星球大战》中的“原力”。
3. 马斯克之前宣布，首位植入Neuralink大脑芯片的人类患者已能利用意念控制电脑鼠标，并且进展良好。
4. Neuralink的技术涉及使用机器人手术将脑机接口植入大脑，系统由计算机芯片组成，通过柔韧的丝线与大脑连接。
5. 手术过程快速，不需全身麻醉，患者术后当天即可回家。阿尔博表示手术简单，术后生活得到改善，尤其是能够玩视频游戏，他将扮演《X战警》中的X教授作为万圣节装扮。
6. 尽管Neuralink的技术被视为医学工程的壮举，但也存在争议，如动物实验的伦理问题。
7. 阿尔博认为Neuralink植入物将改变世界，虽然承认技术还不完美，但他期待未来的进步，并希望能成为改变世界的一部分。

直播回放：https://twitter.com/neuralink/status/1770563939413496146

媒体文章：

• 机器之心：瘫痪8年后，马斯克的首个脑机接口人类植入者，正在用念力玩文明6
• 爱范儿：马斯克脑机接口重大突破，首位人类受试者现身

[ikaijua]

2023-03-21 开发Stable Diffusion的AI研究团队的几位关键成员离开Stability AI公司，Stability AI的CEO没几天后也宣布辞职

1. Stable Diffusion是一个由Stability AI在2022年发布的深度学习模型，主要用于根据文本描述生成图像。Stable Diffusion最初版本由慕尼黑路德维希-马克西米利安大学的五人研究团队开发，其中包括Robin Rombach、Andreas Blattmann和Dominik Lorenz，他们后来加入了Stability AI。
2. Stability AI已向媒体证实Robin Rombach的离职， Andreas Blattmann 和 Dominik Lorenz 也即将离职，他们都是 Stable Diffusion 核心研究的关键成员。
3. Stability AI面临现金储备减少和资金筹集困难的挑战，导致高管大批离职。自去年3月以来，Stability AI 至少有19名高管或关键人物离职，包括新上任的 CTO。
4. 23号Stability AI 的 CEO Emad Mostaque 宣布辞职，并且退出公司董事会。
5. Stability AI 和其他 AI 初创公司如 Inflection AI 都面临商业化的挑战，整个行业正在经历一场大逃杀。

官方博客：https://stability.ai/news/stabilityai-announcement

媒体文章：

• 量子位：稳定AI”乱成一锅粥：Stability AI的CEO辞职了
• 机器之心：发完最后一篇论文，Stable Diffusion核心团队全要离职了

[ikaijua]

2024-03-22 微软发布首款集成 AI 功能的 Surface PC

1. 微软发布首款集成 AI 功能的 Surface PC Surface Pro 10 和 Surface Laptop 6，这两款产品配备了专用的 Copilot AI 按钮。
2. 微软将 Copilot 功能整合进 Windows 系统，用户可以通过任务栏按钮或实体键盘上的专用按钮快速访问 GPT-4 大模型。
3. Copilot 能够帮助用户处理电子邮件、整理会议要点、生成文档等，据微软统计，每月可节省超过 10 小时的时间。
4. 在 Microsoft 365 中，用户可以启用 Copilot 来处理电子邮件、会议、聊天等，提高工作效率。用户可以在 Microsoft 365 中创建 AI 助手，无需编程技能，让 AI 助手帮助处理信息和文件。
5. Copilot 可以在代码编辑器中提供帮助，加快编码速度，检测和修复安全漏洞。
6. Windows 中添加了 AI 图像编辑选项，用户可以删除图片中的元素，AI 将填充空白部分。
7. 微软提供 Copilot Pro 服务，用户可以优先访问 GPT-4 和 GPT-4 Turbo，并提供一个月免费试用。

媒体文章：

• 机器之心：今天起，Windows可以一键召唤GPT-4了

[ikaijua]

2024-03-23 消息称苹果公司正在与百度进行谈判，商讨在即将推出的iOS 18中集成生成式AI功能的合作

1. iOS 18 预计将包含多项人工智能驱动的功能，旨在提升用户体验，部分AI任务将在设备上直接处理，而其他任务则由云端的后端模型处理。

2. 由于中国法律规定，AI模型在使用前必须获得监管机构的批准，苹果可能需要与获得中国监管机构批准的模型提供商合作，以满足中国市场的需求。

3. 中国监管机构已批准了40多个AI模型，包括百度的Ernie Bot。

4. 目前，苹果尚未与任何生成式AI提供商达成最终协议，谈判仍在进行中，预计将在6月份的苹果全球开发者大会（WWDC）前有结果。

5. iOS 18 发布预期：按照苹果的传统发布周期，iOS 18 可能会在6月份发布开发者测试版，并在9月份向所有iPhone用户免费提供更新，同时预装在即将发布的iPhone 16系列上。

[ikaijua]

2024-03-22 随着Kimi Chat的爆火，阿里、百度和360等国内巨头纷纷宣布增强其大模型的长文本处理能力，开启长文本大战。

1. Kimi Chat因其长文本处理能力而迅速走红，但随着用户激增，系统流量异常增高导致宕机，尽管进行了五次扩容。
2. Kimi Chat的日活跃用户数已达100万人，App下载量也显著提升，甚至出现了所谓的“Kimi概念股”。
3. 大模型商业化已成为厂商们的焦点，月之暗面（Kimi Chat的开发者）计划年内推出商业化初步方案。
4. 月之暗面最新估值达到25亿美元，并已完成新一轮10亿美元融资。同时，公司进行大规模市场投放，提高品牌知名度。
5. 不仅是初创企业，百度等大厂也聚焦于大模型的行业落地，关注性价比和领域契合度，并探索与国际品牌如苹果的合作。
6. 阿里通义千问宣布进行了重大升级，现向所有用户免费开放1000万字的长文档处理功能。用户可以通过通义千问网站和App快速进行读研报、分析财报、阅读科研论文、研判案情、解读医疗报告、解读法律条文、分析考试成绩和总结深度文章等任务。

媒体文章：

• 量子位：Kimi宕机打醒巨头！阿里百度360连夜出手，大模型商业化厮杀开始

[ikaijua]

2024-03-18 Magnific发布风格转换功能

可以在放大图像的同时，支持多种风格转换。可以把原图转换为动漫、真实人像或者卡通风格的内容。效果看起来很好，需要订阅使用，39美元/月

Magnific.mp4

官网：https://magnific.ai/

[ikaijua]

2024-03-20 StabilityAI发布Stable Video 3D，一张图片即可生成3D模型。

1. Stability AI推出了新的3D视频生成大模型Stable Video 3D（SV3D），这是其大模型家族的新成员。
2. SV3D在3D生成领域实现了重大进步，特别是在新颖视图合成（NVS）方面，提供了更好的多视角一致性和姿势可控性。
3. SV3D支持商用使用，需要加入Stability AI会员；同时也支持非商用，用户可以在Hugging Face上下载模型权重。
4. SV3D提供了两个变体，SV3D_u基于单个图像输入生成轨道视频，而SV3D_p允许沿着指定的相机路径创建3D视频。
5. SV3D的研究论文和相关博客已经公开，提供了详细的技术概览和实验结果。
6. SV3D基于Stability Video Diffusion架构，包含UNet和多个层，每层都有Conv3D层和注意力层。在GSO和OmniObject3D数据集上的评估显示，SV3D在新颖多视图合成方面实现了SOTA（State of the Art）效果。

• 官方介绍：https://stability.ai/news/introducing-stable-video-3d
• 模型地址：https://huggingface.co/stabilityai/sv3d

媒体文章：

• 机器之心：Stable Video 3D震撼登场：单图生成无死角3D视频、模型权重开放

[ikaijua]

2024-03-20 Mega-TTS 2：可能是火山语音克隆背后的技术

浙江大学和字节跳动发布的声音克隆的技术研究论文，目前只有论文和样例。

项目地址：https://boostprompt.github.io/boostprompt/
论文：https://arxiv.org/abs/2307.07218

[ikaijua]

2024-03-22 Viggle 根据人物图片和动作描述或参考视频生成动作视频

上传人物图片，输入动作描述或参考视频，即可生成人物的动作视频；也可以完全通过文字生成人物和视频。生成的人物视频有3D感，效果比阿里的Animate Anyone好。

viddle.mp4

Viggle官网：https://viggle.ai/

[ikaijua]

2024-03-22 Suno AI音乐生成平台发布V3版本

1. Suno V3版本的音乐生成质量有了显著提升，尤其是在音质、咬字和节奏编排方面。
2. Suno V3允许用户生成最长2分钟的音乐，提供了Custom Mode（自定义模式）和Instrumental（纯音乐模式）两种生成方式。
3. Suno为免费用户提供每天50积分，可生成10首歌曲；付费用户可以通过月订阅获得更多积分。
4. 用户首先需要编写prompt（提示），然后输入歌词（如果选择Custom Mode）。Suno AI提供了一个教程，帮助用户如何编写有效的prompt。

歌曲：我會好好守護妳(I will protect you well)：https://app.suno.ai/song/0117561b-82b4-4b29-abc5-ac1f160c32fa/

官方博客：Introducing v3: Create full, two-minute songs in seconds with v3

媒体文章：

• 数字生命卡兹克：Suno正式上线V3版本 - 这是AI音乐的"ChatGPT"时刻
• rollingstone: A ChatGPT for Music Is Here. Inside Suno, the Startup Changing Everything

[ikaijua]

2024-03-23 Gemini 1.5 Pro模型通过谷歌的AI Studio正式对所有用户开放，支持100万长度上下文

一个月前，谷歌发布了旗下最强大语言模型Gemini 1.5，结果被Sora抢走了风头。
Sora现在依然还是一个概念型的产品，每隔几天发个视频出来吸引一波关注度，实际上线时间可能比想象地要更久。

今天Gemini 1.5 Pro模型通过谷歌的AI Studio正式对所有用户开放了，支持100万长度上下文，它的图像和视频理解能力让人印象非常深刻的。

访问地址：https://aistudio.google.com