


Tafsiran kuasa penyelidikan di sebalik ChatGPT: Generasi pasca-90-an telah menjadi kuasa utama, dan pengeluar besar bukan lagi pilihan pertama untuk bakat AI terkemuka
Kepopularan ChatGPT bukan sahaja membawa perhatian modal dan keutamaan pengguna kepada OpenAI Dalam perbincangan tentang "Mengapa OpenAI boleh membuat ChatGPT", kelebihan kakitangannya juga menjadi tumpuan dunia luar.
Baru-baru ini, Wisdom Research dan AMiner mengeluarkan laporan statistik daripada pasukan penyelidik di belakang OpenAI. Menurut laporan itu, terdapat 87 orang yang menyumbang kepada projek ChatGPT kali ini, termasuk mereka yang "sangat muda", "mempunyai latar belakang mewah", "fokus kepada teknologi", "mempunyai pengumpulan mendalam", "menyokong keusahawanan" dan "Cina" Menarik" dan ciri tersendiri yang lain.
Pautan laporan: https://mp.weixin.qq.com/s/Y_LjjsuoEEmhIg5WO_iQhA
Dalam pasukan kurang daripada seratus orang, model bahasa berskala besar peringkat fenomena ChatGPT dilahirkan, yang bukan kejayaan kecil untuk syarikat besar seperti Google, Microsoft , Baidu dan Alibaba Pressure telah mengikuti dengan teliti untuk mengeluarkan atau pra-keluaran produk seperti ChatGPT.
Sebagai institusi penyelidikan kecerdasan buatan bukan untung, OpenAI sentiasa dianggap sebagai syurga teknologi oleh ramai bakat muda yang berminat untuk membangunkan kerjaya AI. Di sini, mereka boleh mengambil bahagian secara langsung dalam projek AI yang paling canggih dan kreatif, menggerakkan sumber penyelidikan saintifik teras, dan menumpukan diri mereka kepada inovasi teknologi tanpa gangguan.
Dalam beberapa tahun kebelakangan ini, peminggiran dan keragu-raguan telah menyebabkan institut penyelidikan AI dan bakat penyelidikan saintifik dalam pengeluar domestik besar menghadapi kesukaran untuk bertahan walau bagaimanapun, saya percaya bahawa di bawah kesan ChatGPT kali ini, Bakat AI akan muncul semula untuk menjadi perhatian umum juga akan membawa kepada pusingan baharu pertandingan dan rombakan.
1
Kakitangan teknikal menyumbang hampir 90%
Lepas 90an ialah kuasa utama
Daripada pembahagian kerja pasukan ChatGPT (Rajah 1), antara 87 orang yang menyertai projek ini, bilangan kakitangan R&D mencecah 77, mencakupi 88%, termasuk pengasas bersama syarikat Wojciech Zaremba, yang sebelum ini Dipilih sebagai sarjana 2023 AI 2000 paling berpengaruh dalam bidang robotik.
Terdapat 4 personel produk, merangkumi 5%.
Rajah 1: Pembahagian kedudukan pasukan ChatGPT
Dari segi taburan umur ahli (Rajah 2), generasi pasca 90-an merupakan tenaga utama pasukan tersebut. ; bilangan ahli yang paling ramai adalah dalam lingkungan umur 30-39 tahun, iaitu seramai 28 orang iaitu 61% tambahan pula, terdapat tiga orang dalam lingkungan umur 40-49 tahun , dan hanya seorang yang berumur lebih dari 60 tahun.
Menurut statistik, purata umur pasukan penyelidik ini ialah 32 tahun.
Rajah 2: Taburan umur pasukan ChatGPT
"Umur yang kuat" dan "fokus pada teknologi" adalah dua ciri penting ahli pasukan ChatGPT.
Walaupun purata umurnya hanya 32 tahun, ahli pasukan sangat menumpukan pada penyelidikan dan pembangunan teknologi berdasarkan minat dan dedikasi penuh mereka dalam inovasi dan penyelidikan dan pembangunan AI. mereka telah mencipta teknologi baru ini yang telah meletupkan dunia Model fenomenal teknologi bulat. Dapat dilihat bahawa adalah mustahil untuk golongan muda yang dianggap tidak mempunyai pengalaman penyelidikan dan pembangunan yang mencukupi untuk membuat penemuan besar dalam bidang sains dan teknologi yang canggih.
Pada masa ini, tiada kekurangan bakat muda seperti OpenAI di China.
Selepas kemunculan ChatGPT, Zhang Jiaxing, seorang saintis pengerusi di Institut Penyelidikan IDEA, dengan pantas menukar pembangunan model besar pasukan kepada laluan tugas perbualan ChatGPT pada penghujung tahun lepas.
Menurutnya, penyelidik utama dalam pasukannya adalah semua bakat muda cemerlang yang dilahirkan pada tahun 1990-an. Pada masa ini, model seperti ChatGPT yang mereka bangunkan adalah berkesan seperti ChatGPT, hanya mempunyai 5 bilion parameter, dan kelajuan penjanaan teks juga sangat pantas Ia sedang dalam ujian dalaman dan akan dalam ujian awam dalam masa terdekat.
2
Berpendidikan dari sekolah berprestij, 9 orang Cina adalah Cina
Kilang besar bukan lagi pilihan pertama untuk bakat terbaik
Ahli pasukan ChatGPT mempunyai bilangan ijazah sarjana muda, sarjana dan kedoktoran yang agak seimbang. 30% masing-masing ,37%.
Antaranya, Universiti Stanford mempunyai bilangan alumni terbesar dengan 14, diikuti oleh UC Berkeley dengan 10, dan MIT menduduki tempat ketiga dengan 7.
Rajah 3: 10 nombor teratas ahli pasukan ChatGPT yang menamatkan pengajian dari kolej dan universiti
Ulama Cina adalah kuasa penting dalam inovasi saintifik dan teknologi dalam pasukan, dengan jumlah 9 orang, mencakupi hampir 10%.
Antaranya, 5 orang telah lulus dari universiti China, dan 3 orang mempunyai ijazah sarjana muda dari Universiti Tsinghua, iaitu Weng Jiayi, Zhao Shengjia, dan Yuan Qiming Mereka kini berkhidmat sebagai jurutera R&D dalam jawatan pasukan; masing-masing mempunyai seorang dengan ijazah sarjana muda dari Universiti Sains dan Teknologi Huazhong dan Universiti/Universiti Peking Hong Kong, iaitu Jiang Xu dan Weng Lilian.
Mereka semua pergi ke Amerika Syarikat untuk melanjutkan pelajaran selepas menamatkan pengajian dari universiti tempatan terkemuka dan menerima ijazah sarjana atau doktor falsafah.
Rajah 4: Pasukan ChatGPT Ahli Cina dalam
Dapat dilihat dari aliran kakitangan bahawa syarikat besar bukan lagi pilihan pertama untuk institusi penyelidikan tulen seperti OpenAI lebih digemari mereka.
Seramai 5 ahli pasukan telah dinamakan 2023 AI 2000 Global Artificial Intelligence Scholars. Mereka ialah:
1 Pengasas bersama OpenAI Wojciech Zaremba (bidang dan ranking terpilih: Robotik, tempat ke-10)
2 Lukasz Kaiser (bidang dan kedudukan terpilih: pembelajaran mesin, ke-10)
3. Pengasas bersama OpenAI dan saintis penyelidikan ChatGPT John Schulman (bidang dan kedudukan terpilih: pembelajaran mesin, No. 41)
4.ChatGPT R&D Engineer Tomer Kaftan (bidang dan ranking terpilih: pangkalan data, No. 52)
5.ChatGPT Penyelidik saintis Barret Zoph (bidang dan ranking terpilih: pembelajaran mesin, No. 95)
Kadaran kakitangan daripada syarikat luar, graduan baru dari universiti, institusi penyelidikan saintifik dan fakulti universiti masing-masing adalah 81%, 13 %, 4% dan 3%, kebanyakannya adalah daripada syarikat teknologi terkemuka atau terkenal seperti Google, Microsoft, Meta, Intel, NVIDIA, Apple, dll. Seramai 10 orang menyertai Google dan 1 orang bekerja di Baidu Berkhidmat.
Rajah 5: Aliran ahli pasukan ChatGPT
Statistik juga mendapati bahawa dalam penyelidikan dan pembangunan tujuh projek teknologi pertama yang berkaitan dengan ChatGPT, lebih ramai orang daripada pasukan ChatGPT telah mengambil bahagian dalam penyelidikan dan pembangunan mereka.
Projek CodeX mempunyai bilangan peserta terbesar, dengan jumlah 22 orang yang mengambil bahagian, menyumbang 25% daripada pasukan diikuti oleh webGPT dan instructGPT, dengan jumlah 9 orang yang mengambil bahagian; daripada 6 orang yang mengambil bahagian, menduduki tempat ketiga; Yang keempat ialah RLHF, dengan 3 orang mengambil bahagian.
Rajah 6: Bilangan orang yang terlibat dalam tujuh penyelidikan dan pembangunan teknologi utama pasukan ChatGPT sebelum ini
Boleh dikatakan bahawa ChatGPT adalah hasil pengumpulan teknologi OpenAI selama bertahun-tahun dalam bidang model bahasa berskala besar, perhimpunan pemimpin bakat terkemuka dan juruteknik AI yang cemerlang, meletakkan asas yang kukuh untuk kejayaan pembangunan ChatGPT.
3
Persaingan untuk bakat AI akan datang
Malah, dalam beberapa tahun kebelakangan ini, institut penyelidikan AI dan AI Talents telah lama menghadapi dilema peminggiran dan perubahan strategik dalam syarikat besar Sama seperti Google yang dinyatakan di atas, ramai bakat telah mengalir ke tempat suci penyelidikan saintifik tulen seperti OpenAI.
Dalam model struktur organisasi syarikat, kakitangan AI dalam kilang besar sering mendapati sukar untuk membangunkan keupayaan dan pencapaian mereka.
Tetapi tidak seperti gergasi teknologi tradisional, jika OpenAI dan syarikat lain yang mengambil "membangunkan kecerdasan buatan" sebagai misi mereka sendiri, R&D dan inovasi AI adalah misi mereka, iaitu, Mengambil bahagian dalam kebanyakan projek AI yang canggih dengan teliti dan menggunakan sumber paling teras untuk penyelidikan dan pembangunan Di sebalik tabir, anda mesti dapat menahan tanggungjawab untuk tidak menghasilkan keputusan untuk masa yang lama. Antaranya, model GPT hanya mengambil masa sehingga tiga tahun dari pelancaran pertama hingga tamat latihan, yang memerlukan satu set lengkap jaminan sistematik dana, teknologi dan bakat daripada pasukan.
Kemunculan ChatGPT telah membawa bakat AI kembali ke mata umum, mengulangi kepentingan penyelidikan saintifik tulen, dan pasti akan mencetuskan pusingan baharu persaingan bakat. Pada masa yang sama, ia juga akan meningkatkan penekanan pengeluar besar terhadap infrastruktur seperti model besar dan sumber pengkomputeran, dan mempercepatkan mengejar dan melengkapkan keupayaan teknikal asas.
Seperti kata bekas Ketua Pegawai Eksekutif Sogou, Wang Xiaochuan di Weibo, "Kejayaan OpenAI adalah pertama sekali kemenangan idealisme teknikal Kejayaan ChatGPT tidak dapat dielakkan daripada industri, akademia." kerjasama penyelidikan, di belakangnya adalah minat ahli pasukan dalam teknologi kecerdasan buatan dan kepercayaan mereka terhadapnya. Tidak ada kekurangan tenaga penyelidikan saintifik terkemuka di negara ini. Memfokuskan pada inovasi teknologi termaju dan meneruskan secara berterusan adalah sangat penting untuk mempromosikan pembangunan inovasi AI di China.
Atas ialah kandungan terperinci Tafsiran kuasa penyelidikan di sebalik ChatGPT: Generasi pasca-90-an telah menjadi kuasa utama, dan pengeluar besar bukan lagi pilihan pertama untuk bakat AI terkemuka. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Model bahasa berskala besar (LLM) telah menunjukkan keupayaan yang menarik dalam banyak tugas penting, termasuk pemahaman bahasa semula jadi, penjanaan bahasa dan penaakulan yang kompleks, dan telah memberi kesan yang mendalam kepada masyarakat. Walau bagaimanapun, keupayaan cemerlang ini memerlukan sumber latihan yang ketara (ditunjukkan di sebelah kiri) dan masa inferens yang panjang (ditunjukkan di sebelah kanan). Oleh itu, penyelidik perlu membangunkan cara teknikal yang berkesan untuk menyelesaikan masalah kecekapan mereka. Di samping itu, seperti yang dapat dilihat dari sebelah kanan rajah, beberapa LLM (Model Bahasa) yang cekap seperti Mistral-7B telah berjaya digunakan dalam reka bentuk dan penggunaan LLM. LLM yang cekap ini boleh mengurangkan memori inferens dengan ketara sambil mengekalkan ketepatan yang serupa dengan LLaMA1-33B

Ramalan trajektori memainkan peranan penting dalam pemanduan autonomi Ramalan trajektori pemanduan autonomi merujuk kepada meramalkan trajektori pemanduan masa hadapan kenderaan dengan menganalisis pelbagai data semasa proses pemanduan kenderaan. Sebagai modul teras pemanduan autonomi, kualiti ramalan trajektori adalah penting untuk kawalan perancangan hiliran. Tugas ramalan trajektori mempunyai timbunan teknologi yang kaya dan memerlukan kebiasaan dengan persepsi dinamik/statik pemanduan autonomi, peta ketepatan tinggi, garisan lorong, kemahiran seni bina rangkaian saraf (CNN&GNN&Transformer), dll. Sangat sukar untuk bermula! Ramai peminat berharap untuk memulakan ramalan trajektori secepat mungkin dan mengelakkan perangkap Hari ini saya akan mengambil kira beberapa masalah biasa dan kaedah pembelajaran pengenalan untuk ramalan trajektori! Pengetahuan berkaitan pengenalan 1. Adakah kertas pratonton teratur? A: Tengok survey dulu, hlm

Kertas StableDiffusion3 akhirnya di sini! Model ini dikeluarkan dua minggu lalu dan menggunakan seni bina DiT (DiffusionTransformer) yang sama seperti Sora. Ia menimbulkan kekecohan apabila ia dikeluarkan. Berbanding dengan versi sebelumnya, kualiti imej yang dijana oleh StableDiffusion3 telah dipertingkatkan dengan ketara Ia kini menyokong gesaan berbilang tema, dan kesan penulisan teks juga telah dipertingkatkan, dan aksara bercelaru tidak lagi muncul. StabilityAI menegaskan bahawa StableDiffusion3 ialah satu siri model dengan saiz parameter antara 800M hingga 8B. Julat parameter ini bermakna model boleh dijalankan terus pada banyak peranti mudah alih, dengan ketara mengurangkan penggunaan AI

Kertas kerja ini meneroka masalah mengesan objek dengan tepat dari sudut pandangan yang berbeza (seperti perspektif dan pandangan mata burung) dalam pemanduan autonomi, terutamanya cara mengubah ciri dari perspektif (PV) kepada ruang pandangan mata burung (BEV) dengan berkesan dilaksanakan melalui modul Transformasi Visual (VT). Kaedah sedia ada secara amnya dibahagikan kepada dua strategi: penukaran 2D kepada 3D dan 3D kepada 2D. Kaedah 2D-ke-3D meningkatkan ciri 2D yang padat dengan meramalkan kebarangkalian kedalaman, tetapi ketidakpastian yang wujud dalam ramalan kedalaman, terutamanya di kawasan yang jauh, mungkin menimbulkan ketidaktepatan. Manakala kaedah 3D ke 2D biasanya menggunakan pertanyaan 3D untuk mencuba ciri 2D dan mempelajari berat perhatian bagi kesesuaian antara ciri 3D dan 2D melalui Transformer, yang meningkatkan masa pengiraan dan penggunaan.

Beberapa pemikiran peribadi pengarang Dalam bidang pemanduan autonomi, dengan pembangunan sub-tugas/penyelesaian hujung-ke-hujung berasaskan BEV, data latihan berbilang paparan berkualiti tinggi dan pembinaan adegan simulasi yang sepadan telah menjadi semakin penting. Sebagai tindak balas kepada titik kesakitan tugas semasa, "kualiti tinggi" boleh dipecahkan kepada tiga aspek: senario ekor panjang dalam dimensi berbeza: seperti kenderaan jarak dekat dalam data halangan dan sudut arah tepat semasa pemotongan kereta, dan data garis lorong. . Ini selalunya bergantung pada sejumlah besar pengumpulan data dan strategi perlombongan data yang kompleks, yang memerlukan kos yang tinggi. Nilai sebenar 3D - imej sangat konsisten: Pemerolehan data BEV semasa sering dipengaruhi oleh ralat dalam pemasangan/penentukuran sensor, peta berketepatan tinggi dan algoritma pembinaan semula itu sendiri. ini membawa saya kepada

Sila ambil perhatian bahawa lelaki persegi ini berkerut dahi, memikirkan identiti "tetamu tidak diundang" di hadapannya. Ternyata dia berada dalam situasi berbahaya, dan apabila dia menyedari perkara ini, dia segera memulakan pencarian mental untuk mencari strategi untuk menyelesaikan masalah itu. Akhirnya, dia memutuskan untuk melarikan diri dari tempat kejadian dan kemudian mendapatkan bantuan secepat mungkin dan mengambil tindakan segera. Pada masa yang sama, orang di seberang sana memikirkan perkara yang sama seperti dia... Terdapat adegan sedemikian dalam "Minecraft" di mana semua watak dikawal oleh kecerdasan buatan. Setiap daripada mereka mempunyai latar identiti yang unik Contohnya, gadis yang disebutkan sebelum ini adalah seorang kurier berusia 17 tahun tetapi bijak dan berani. Mereka mempunyai daya ingatan dan pemikiran serta hidup seperti manusia di bandar kecil yang terletak di Minecraft ini. Apa yang mendorong mereka adalah sesuatu yang baru,

Tugas penjanaan imej-ke-video (I2V) merupakan satu cabaran dalam bidang penglihatan komputer yang bertujuan untuk menukar imej statik kepada video dinamik. Kesukaran tugas ini adalah untuk mengekstrak dan menjana maklumat dinamik dalam dimensi temporal daripada imej tunggal sambil mengekalkan keaslian dan keselarasan visual kandungan imej. Kaedah I2V sedia ada selalunya memerlukan seni bina model yang kompleks dan sejumlah besar data latihan untuk mencapai matlamat ini. Baru-baru ini, hasil penyelidikan baharu "I2V-Adapter: AGeneralImage-to-VideoAdapter for VideoDiffusionModels" yang diketuai oleh Kuaishou telah dikeluarkan. Kajian ini memperkenalkan kaedah penukaran imej-ke-video yang inovatif dan mencadangkan modul penyesuai ringan, i.e.

Kerja EfficientSAM ini telah dimasukkan ke dalam CVPR2024 dengan skor sempurna 5/5/5! Penulis berkongsi hasilnya di media sosial, seperti yang ditunjukkan dalam gambar di bawah: Pemenang Anugerah LeCun Turing juga sangat mengesyorkan karya ini! Dalam penyelidikan baru-baru ini, penyelidik Meta telah mencadangkan kaedah baharu yang dipertingkatkan, iaitu pra-latihan imej topeng (SAMI) menggunakan SAM. Kaedah ini menggabungkan teknologi pra-latihan MAE dan model SAM untuk mencapai pengekod ViT pra-latihan berkualiti tinggi. Melalui SAMI, penyelidik cuba meningkatkan prestasi dan kecekapan model dan menyediakan penyelesaian yang lebih baik untuk tugas penglihatan. Cadangan kaedah ini membawa idea dan peluang baharu untuk meneroka dan mengembangkan lagi bidang visi komputer dan pembelajaran mendalam. dengan menggabungkan berbeza
