


Meta: Zuckerberg telah komited kepada penyelidikan AI dan merancang untuk mengkomersialkan teknologi AIGC tahun ini
Berita pada 6 April, pada hari Rabu, Ketua Pegawai Teknologi Meta Andrew Bosworth mendedahkan bahawa Ketua Pegawai Eksekutif syarikat itu Mark Zuckerberg kini menghabiskan sebahagian besar masanya bekerja AI. Dia juga berkata bahawa cadangan oleh Musk dan lain-lain untuk menggantung penyelidikan dan pembangunan AI adalah "tidak realistik."
Meta merancang untuk mengkomersialkan teknologi kecerdasan buatan (AIGC) yang dibangunkan sendiri mereka sebelum Disember tahun ini dan meneroka aplikasi praktikal teknologi ini dengan Google. Meta telah komited untuk menyelidik dalam bidang kecerdasan buatan sejak 2013, dan telah menerbitkan sebanyak mungkin hasil penyelidikan seperti Google.
"Kami telah melabur dalam kecerdasan buatan selama lebih daripada sepuluh tahun dan mempunyai organisasi penyelidikan terkemuka dunia yang didedahkan oleh Bosworth dalam temu bual di Tokyo pada hari Rabu: "Kami sememangnya mempunyai organisasi penyelidikan yang besar, Ada ratusan pekerja.”
Pada Februari tahun ini, Meta mengumumkan penubuhan pasukan baharu untuk membangunkan teknologi AIGC. Kini, mereka telah mendedahkan buat kali pertama jadual waktu untuk mengkomersialkan teknologi. OpenAI, pencipta ChatGPT, telah mengkomersialkan teknologi untuk mencipta ayat dan grafik dengan cepat, tetapi Bosworth, ketua pegawai teknologi Meta, yakin syarikatnya masih berada di barisan hadapan dalam bidang itu.
Bosworth berkata: “Kami amat percaya bahawa kami sentiasa berada di barisan hadapan dalam teknologi Pasukan kami telah mempelopori banyak teknologi dalam pembangunan model bahasa berskala besar . Kami menubuhkan pasukan AIGC beberapa bulan yang lalu, dan mereka mempunyai banyak kerja untuk dilakukan Ini adalah kawasan di mana Zuckerberg dan saya dan Chris Cox (Ketua Pegawai Produk) menghabiskan paling banyak masa.”
Bosworth. percaya bahawa, pada tahap tertentu, teknologi AI Meta boleh meningkatkan keberkesanan pengiklanan dengan memberitahu pengiklan alat yang hendak digunakan untuk membuat iklan. Pengiklan boleh memerintahkan AI untuk "membuat imej untuk syarikat saya yang sesuai dengan khalayak yang berbeza," katanya, dan bukannya sentiasa menggunakan imej yang sama dalam kempen iklan. Ini boleh membantu menjimatkan banyak masa dan wang.
Pengiklanan ialah sumber pendapatan utama Meta. Syarikat itu berharap akhirnya menggunakan teknologi itu kepada semua produk dan perkhidmatannya, termasuk Facebook dan Instagram.
Selain itu, teknologi ini juga akan digunakan pada Metaverse, dunia maya realistik yang sedang giat dibangunkan oleh Meta. Bosworth berkata: “Pada masa lalu, untuk mencipta dunia 3D, anda perlu mempelajari banyak grafik komputer dan pengetahuan pengaturcaraan Tetapi pada masa hadapan, anda mungkin hanya perlu menerangkan dunia yang ingin anda cipta, dan biarkan bahasa yang besar model menghasilkannya untuk anda . Ini menjadikan penciptaan kandungan dan bidang lain lebih mudah diakses oleh lebih ramai orang.” Pada tahun 2013, Meta menjemput Yann LeCun, seorang saintis Perancis dan pakar dalam bidang AI, untuk menyertai dan menubuhkan makmal penyelidikan AI. Menurut data daripada platform penyelidikan dan analisis AI Belanda Zeta Alpha, antara hasil penyelidikan AI utama yang diterbitkan pada tahun 2022, penyelidikan Meta disebut kedua selepas Google.
Walaupun jangkaan tinggi untuk AIGC untuk mengendalikan sejumlah besar tugas dengan cekap, masih terdapat kebimbangan, terutamanya kebimbangan mengenai kehilangan kawalannya ke atas tamadun manusia. Pada bulan Mac tahun ini, organisasi bukan untung yang berpangkalan di AS Future of Life Institute melancarkan petisyen yang menyeru agar moratorium pembangunan teknologi AI selama sekurang-kurangnya 6 bulan. Petisyen itu disokong oleh usahawan Amerika Musk dan lain-lain.
Bosworth berkata dia tidak bersetuju. Beliau berkata: "Saya fikir adalah penting untuk melabur dalam projek yang membangunkan teknologi AI secara bertanggungjawab, dan kami sentiasa melakukannya. Walau bagaimanapun, adalah sangat sukar untuk menghentikan evolusi AI dan membuat keputusan yang betul tentang perubahan yang anda perlukan. Selalunya, Anda perlu memahami perkembangan teknologi sebelum anda boleh mendapatkannya, jadi saya fikir idea ini bukan sahaja tidak realistik, malah ia tidak akan berkesan.”
Atas ialah kandungan terperinci Meta: Zuckerberg telah komited kepada penyelidikan AI dan merancang untuk mengkomersialkan teknologi AIGC tahun ini. 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

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

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



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Selepas lebih setahun pembangunan, AIGC telah beransur-ansur beralih daripada dialog teks dan penjanaan gambar kepada penjanaan video. Mengimbas kembali empat bulan lalu, kelahiran Sora menyebabkan rombakan dalam trek penjanaan video dan menggalakkan skop dan kedalaman aplikasi AIGC dalam bidang penciptaan video. Dalam era apabila semua orang bercakap tentang model besar, di satu pihak kita terkejut dengan kejutan visual yang dibawa oleh penjanaan video, sebaliknya kita berhadapan dengan kesukaran pelaksanaan. Memang benar bahawa model besar masih dalam tempoh berjalan dari penyelidikan dan pembangunan teknologi kepada amalan aplikasi, dan mereka masih perlu ditala berdasarkan senario perniagaan sebenar, tetapi jarak antara ideal dan realiti semakin disempitkan secara beransur-ansur. Pemasaran, sebagai senario pelaksanaan penting untuk teknologi kecerdasan buatan, telah menjadi hala tuju yang banyak syarikat dan pengamal ingin membuat penemuan. Sebaik sahaja anda menguasai kaedah yang sesuai, proses kreatif video pemasaran akan menjadi

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
