Jadual Kandungan
1
Masa depan AI generatif
ChatGPT
Rumah Peranti teknologi AI Pengenalan kepada AI generatif dan aplikasinya CHATGPT

Pengenalan kepada AI generatif dan aplikasinya CHATGPT

Apr 22, 2023 pm 09:19 PM
AI chatgpt

Pengenalan kepada AI generatif dan aplikasinya CHATGPT

Kecerdasan buatan (AI) merujuk kepada pembangunan sistem komputer yang boleh melaksanakan tugas yang biasanya memerlukan kecerdasan manusia, seperti pembelajaran , penaakulan, penyelesaian masalah, persepsi dan pemahaman bahasa semula jadi.

Kecerdasan buatan adalah berdasarkan idea untuk mencipta mesin pintar yang boleh bekerja dan belajar seperti manusia. Mesin ini boleh dilatih untuk mengenali corak, memahami pertuturan, mentafsir data dan membuat keputusan berdasarkan data tersebut.

Pengenalan kepada AI generatif dan aplikasinya CHATGPT

Kecerdasan buatan boleh dibahagikan kepada kategori yang berbeza, seperti:

1 Mesin ini hanya boleh bertindak balas terhadap situasi tertentu pada peraturan yang telah diprogramkan. 2. 

Memori Terhad

: Mesin ini boleh belajar daripada data sebelumnya dan membuat keputusan berdasarkan data ini. 3. 

Teori Minda

: Mesin ini boleh memahami emosi manusia dan bertindak balas dengan sewajarnya. 4. 

Kesedaran diri

: Mesin ini boleh memahami kewujudan mereka sendiri dan mengubah suai tingkah laku mereka dengan sewajarnya. Kecerdasan buatan mempunyai banyak aplikasi praktikal, termasuk pengecaman pertuturan, pengecaman imej, pemprosesan bahasa semula jadi, kereta pandu sendiri, robotik dan banyak lagi.

Satu lagi klasifikasi AI

Kecerdasan buatan sempit

, juga dikenali sebagai: Kepintaran buatan yang lemah, ialah sejenis kecerdasan buatan yang direka untuk melaksanakan fungsi tertentu. tugasan atau sistem kecerdasan buatan untuk satu set tugas. Tugasan ini selalunya ditakrifkan dengan baik dan skop yang sempit, seperti pengecaman imej, pengecaman pertuturan atau terjemahan bahasa. Sistem AI sempit bergantung pada algoritma dan teknik khusus untuk menyelesaikan masalah dan membuat keputusan dalam bidang kepakaran mereka. Sistem ini tidak mempunyai kecerdasan sebenar, sebaliknya meniru tingkah laku pintar dalam domain tertentu.

Kecerdasan Buatan Umum

, juga dikenali sebagai: Kecerdasan Buatan Kuat atau kecerdasan buatan peringkat manusia, ialah sistem kecerdasan buatan yang boleh melaksanakan apa-apa tugas intelek yang dilakukan oleh manusia. boleh mencapai Tugas. Kecerdasan buatan am akan mempunyai keupayaan untuk menaakul, belajar, dan memahami apa-apa tugas intelektual yang boleh dilakukan oleh manusia. Ia akan dapat menyelesaikan masalah dalam pelbagai bidang dan menggunakan pengetahuannya kepada situasi baru dan tidak biasa. Kecerdasan buatan am sering dianggap sebagai matlamat utama penyelidikan kecerdasan buatan, tetapi pada masa ini ia hanya konsep teori.

Kecerdasan buatan super,

juga dikenali sebagai: Kecerdasan super buatan, ialah sistem kecerdasan buatan yang mengatasi kecerdasan manusia dalam semua bidang. Kepintaran buatan super akan dapat menyelesaikan sebarang tugas intelektual dengan mudah, dan tahap kecerdasannya akan jauh melebihi mana-mana manusia. Kecerdasan buatan super sering digambarkan dalam fiksyen sains sebagai ancaman kepada manusia kerana ia mungkin mempunyai matlamat dan motivasi tersendiri yang mungkin bercanggah dengan matlamat manusia. Kecerdasan buatan super pada masa ini hanyalah konsep teori, dan membangunkan sistem sedemikian dianggap sebagai matlamat jangka panjang penyelidikan kecerdasan buatan.

Pengenalan kepada AI generatif dan aplikasinya CHATGPT

Jenis kecerdasan buatan teknikal

1

Kecerdasan buatan berasaskan peraturan

: Tiruan berasaskan peraturan kecerdasan Kecerdasan, juga dikenali sebagai sistem pakar, ialah sejenis kecerdasan buatan yang bergantung pada satu set peraturan yang telah ditetapkan untuk membuat keputusan atau cadangan. Peraturan ini biasanya dicipta oleh pakar manusia dalam bidang tertentu dan dikodkan ke dalam program komputer. AI berasaskan peraturan berguna untuk tugasan yang memerlukan sejumlah besar pengetahuan khusus domain, seperti diagnosis perubatan atau analisis undang-undang. 2.

Pembelajaran Terselia:

Pembelajaran diselia ialah sejenis pembelajaran mesin yang melibatkan latihan model pada set data berlabel. Ini bermakna set data termasuk data input dan output yang betul untuk setiap contoh. Model ini belajar untuk memetakan data input kepada data output dan kemudian boleh membuat ramalan pada data baharu yang tidak kelihatan. Pembelajaran diselia berguna untuk tugas seperti pengecaman imej atau pemprosesan bahasa semula jadi.

3. Pembelajaran tanpa pengawasan: Pembelajaran tanpa pengawasan ialah sejenis pembelajaran mesin yang melibatkan latihan model pada set data tidak berlabel. Ini bermakna set data hanya mengandungi data input dan model mesti mencari corak atau struktur dalam data itu sendiri. Pembelajaran tanpa pengawasan berguna untuk tugas seperti pengelompokan atau pengesanan anomali.

4. Pembelajaran Pengukuhan: Pembelajaran pengukuhan ialah sejenis pembelajaran mesin yang melibatkan latihan model untuk membuat keputusan berdasarkan ganjaran dan hukuman. Model belajar dengan menerima maklum balas dalam bentuk ganjaran atau hukuman berdasarkan tingkah lakunya, dan menyesuaikan tingkah lakunya untuk memaksimumkan ganjarannya. Pembelajaran pengukuhan berguna untuk tugasan seperti permainan atau robotik.

5. Pembelajaran Mendalam: Pembelajaran mendalam ialah sejenis pembelajaran mesin yang melibatkan latihan rangkaian saraf dalam pada set data yang besar. Rangkaian saraf dalam ialah rangkaian saraf dengan berbilang lapisan yang membolehkan mereka mempelajari corak dan struktur kompleks dalam data. Pembelajaran mendalam boleh digunakan untuk tugas seperti pengecaman imej, pengecaman pertuturan dan pemprosesan bahasa semula jadi.

6. AI Generatif: AI Generatif ialah sejenis AI yang digunakan untuk menjana kandungan baharu, seperti imej, video atau teks. Ia berfungsi dengan mengambil model yang dilatih pada set data contoh yang besar dan kemudian menggunakan pengetahuan ini untuk menjana kandungan baharu yang serupa dengan contoh terlatih. AI Generatif sesuai untuk tugas seperti grafik komputer, penjanaan bahasa semula jadi dan gubahan muzik.

AI Generatif

AI Generatif ialah sejenis kecerdasan buatan yang digunakan untuk menjana kandungan baharu seperti imej, video dan juga teks. Ia berfungsi dengan mengambil model yang dilatih pada set data contoh yang besar dan kemudian menggunakan pengetahuan ini untuk menjana kandungan baharu yang serupa dengan contoh terlatih.

Salah satu aplikasi kecerdasan buatan generatif yang paling menarik ialah dalam bidang grafik komputer. Dengan menggunakan model generatif, anda boleh mencipta imej dan video fotorealistik yang kelihatan seperti ditangkap di dunia nyata. Ini berguna untuk pelbagai aplikasi, daripada mencipta persekitaran permainan yang realistik kepada menjana imej produk yang realistik untuk tapak web e-dagang.

Satu lagi aplikasi kecerdasan buatan generatif adalah dalam bidang pemprosesan bahasa semula jadi. Dengan menggunakan model generatif, adalah mungkin untuk menjana teks baharu yang serupa dalam gaya dan nada kepada pengarang atau genre tertentu. Ini berguna untuk pelbagai aplikasi, daripada menjana artikel berita kepada mencipta salinan pemasaran.

Salah satu kelebihan utama AI generatif ialah keupayaannya untuk mencipta kandungan baharu yang kreatif dan unik. Tidak seperti program komputer tradisional yang terhad kepada mematuhi set peraturan tetap, AI generatif dapat belajar daripada contoh dan menjana kandungan baharu yang serupa, tetapi tidak serupa, dengan apa yang pernah dilihatnya sebelum ini. Ini berguna untuk aplikasi yang kreativiti dan keaslian adalah penting, seperti seni atau pemasaran.

Walau bagaimanapun, AI generatif juga mempunyai beberapa potensi kelemahan. Salah satu cabaran terbesar ialah memastikan kandungan yang dihasilkan oleh model ini tidak berat sebelah atau menyinggung perasaan. Oleh kerana model ini dilatih pada set data contoh, mereka mungkin secara tidak sengaja mempelajari bias atau stereotaip yang terdapat dalam data. Ini amat bermasalah dalam aplikasi seperti pemprosesan bahasa semula jadi, di mana bahasa berat sebelah boleh membawa akibat dunia sebenar.

Satu lagi cabaran ialah memastikan kandungan yang dihasilkan oleh model ini berkualiti tinggi. Oleh kerana model ini berdasarkan corak statistik dalam data, model ini kadangkala boleh menghasilkan output yang tidak bermakna atau malah tidak menyenangkan. Ini amat bermasalah dalam aplikasi seperti chatbots atau sistem perkhidmatan pelanggan, di mana respons yang salah atau tidak sesuai boleh merosakkan reputasi syarikat atau organisasi.

Walau bagaimanapun, walaupun terdapat cabaran ini, potensi manfaat AI generatif adalah besar. Dengan menggunakan model generatif, kandungan baharu boleh dicipta yang kreatif dan unik di samping lebih cekap dan menjimatkan kos berbanding kaedah tradisional. Dengan penyelidikan dan pembangunan yang berterusan, AI generatif boleh memainkan peranan yang semakin penting dalam pelbagai aplikasi, daripada hiburan dan pemasaran kepada penyelidikan saintifik dan kejuruteraan.

Salah satu cabaran dalam mencipta model AI generatif yang berkesan ialah memilih seni bina dan kaedah latihan yang betul. Terdapat pelbagai jenis model generatif, masing-masing mempunyai kelebihan dan kekurangan masing-masing. Beberapa jenis model generatif yang paling biasa termasuk pengekod auto variasi, rangkaian musuh generatif dan model autoregresif.

Pengekod auto variasi ialah model generatif yang menggunakan seni bina penyahkod pengekod untuk mempelajari perwakilan data input yang dimampatkan, yang kemudiannya boleh digunakan untuk menjana kandungan baharu. Pendekatan ini berguna untuk aplikasi yang data inputnya berdimensi tinggi, seperti imej atau video.

Rangkaian Adversarial Generatif (GAN) ialah satu lagi pendekatan popular untuk kecerdasan buatan generatif. GAN menggunakan sepasang rangkaian saraf untuk menjana kandungan baharu. Satu rangkaian menjana kandungan baharu, manakala satu lagi cuba membezakan kandungan sebenar daripada kandungan palsu. Dengan melatih rangkaian ini bersama-sama, GAN dapat menjana kandungan yang realistik dan unik.

Model autoregresif ialah model generatif yang menggunakan model probabilistik untuk menjana kandungan baharu. Model ini berfungsi dengan meramalkan kebarangkalian setiap keluaran.

Masa depan AI generatif

AI Generatif ialah bidang yang berkembang pesat dengan potensi besar untuk pelbagai aplikasi yang berbeza. Memandangkan teknologi terus berkembang, kami boleh menjangkakan untuk melihat beberapa kemajuan dan trend yang menarik pada masa depan AI generatif.

Berikut ialah beberapa arah yang mungkin untuk medan ini:

  1. Pemprosesan Bahasa Semula Jadi yang Diperbaiki (NLP): Pemprosesan bahasa semula jadi ialah kawasan di mana AI generatif sudah mempunyai kesan besar, dan kami boleh menjangkakan untuk melihat aliran ini berterusan pada masa hadapan. Kemajuan dalam NLP akan membolehkan suara yang lebih semula jadi dan respons yang sesuai mengikut konteks daripada chatbots, pembantu maya dan alat komunikasi dipacu AI yang lain.
  2. Meningkatkan pemperibadian : Apabila sistem AI generatif menjadi lebih canggih, mereka akan dapat menjana kandungan yang lebih relevan kepada pengguna individu. Ini boleh bermakna segala-galanya daripada artikel berita yang diperibadikan kepada tahap permainan video tersuai yang dijana dengan cepat.
  3. Kreativiti Dipertingkat: AI Generatif sudah pun digunakan untuk menjana muzik, seni dan bentuk kandungan kreatif yang lain. Seiring dengan kemajuan teknologi, kita boleh mengharapkan untuk melihat lebih banyak lagi seni jana AI yang tidak dapat dibezakan daripada seni yang dicipta oleh manusia.
  4. Sintesis Data yang Lebih Baik: Apabila set data menjadi lebih kompleks, AI generatif akan menjadi lebih berharga untuk mensintesis dan menjana alatan data baharu. Ini mungkin sangat penting dalam penyelidikan saintifik, di mana data yang dijana AI boleh membantu penyelidik mengenal pasti corak dan sambungan yang mungkin telah diabaikan.
  5. Meningkatkan kerjasama : Salah satu kemungkinan kecerdasan buatan generatif yang paling menarik ialah potensinya untuk meningkatkan kreativiti dan kerjasama manusia. Dengan memberikan cerapan baharu dan tidak dijangka, AI generatif boleh membantu artis, saintis dan kreatif lain bekerjasama dalam cara baharu untuk menjana idea baharu dan menyelesaikan masalah yang kompleks.

Masa depan AI generatif kelihatan cerah, dengan banyak peluang untuk inovasi dan pertumbuhan pada tahun-tahun akan datang.

ChatGPT

ChatGPT ialah pelaksanaan khusus AI generatif yang direka untuk menjana teks sebagai tindak balas kepada input pengguna dalam tetapan perbualan. ChatGPT adalah berdasarkan seni bina GPT (Generative Pre-trained Transformer), yang merupakan rangkaian neural yang telah dilatih pada data teks besar-besaran. Pra-latihan ini membolehkan ChatGPT menjana teks berkualiti tinggi yang lancar dan koheren.

Dengan kata lain, ChatGPT ialah aplikasi khusus Generatif AI yang direka untuk interaksi perbualan. Aplikasi AI generatif lain mungkin termasuk terjemahan bahasa, ringkasan teks atau penjanaan kandungan untuk tujuan pemasaran.

ChatGPT ialah alat pemprosesan bahasa semula jadi yang berkuasa yang digunakan dalam pelbagai aplikasi daripada perkhidmatan pelanggan kepada pendidikan kepada penjagaan kesihatan.

Sebagai model bahasa AI, ChatGPT akan terus berkembang dan berkembang pada masa hadapan. Suhu ialah parameter yang digunakan untuk mengawal kualiti hasil semasa bersembang dengan chatgpt (0.0 adalah konservatif, manakala 1.0 adalah kreatif). Pada suhu 0.9, ChatGPT berpotensi menghasilkan respons yang lebih imaginatif dan tidak dijangka, walaupun dengan kos yang berpotensi memperkenalkan pepijat dan ketidakkonsistenan.

Pada masa hadapan, ChatGPT mungkin terus meningkatkan keupayaan pemprosesan bahasa semula jadinya, membolehkannya memahami dan menjawab pertanyaan yang semakin kompleks dan bernuansa. Ia juga mungkin menjadi lebih diperibadikan, menggunakan data daripada interaksi pengguna untuk menyesuaikan respons kepada pilihan dan keperluan individu.

Walau bagaimanapun, seperti mana-mana teknologi baru muncul, ChatGPT akan menghadapi cabaran, seperti isu etika yang mengelilingi penggunaannya, kemungkinan berat sebelah dalam responsnya dan keperluan untuk memastikan privasi dan keselamatan pengguna.

Masa depan ChatGPT adalah menarik dan penuh potensi. Dengan pembangunan dan penambahbaikan yang berterusan, ChatGPT berpotensi untuk merevolusikan cara kita berinteraksi dengan teknologi dan satu sama lain, menjadikan komunikasi lebih pantas, lebih cekap dan lebih peribadi.

Seperti mana-mana teknologi baru muncul, ChatGPT akan menghadapi cabaran dan batasan. Beberapa isu yang berpotensi termasuk:

  1. Isu Etika: Terdapat isu etika yang mengelilingi penggunaan model bahasa AI seperti ChatGPT, terutamanya mengenai isu privasi, berat sebelah dan potensi penyalahgunaan.
  2. Ketepatan dan Kebolehpercayaan: CtGPT hanya sebaik data yang dilatihnya, yang mungkin tidak selalu memberikan maklumat yang tepat atau boleh dipercayai. Memastikan ChatGPT dilatih mengenai data berkualiti tinggi dan bahawa responsnya disahkan dan disahkan adalah penting untuk kejayaannya.
  3. Pengalaman Pengguna : Memastikan bahawa pengguna mempunyai pengalaman yang positif dan lancar apabila berinteraksi dengan ChatGPT adalah penting untuk penerimaan dan kejayaannya. Ini mungkin memerlukan penambahbaikan dalam pemprosesan bahasa semula jadi dan reka bentuk antara muka pengguna.

Masa depan ChatGPT penuh dengan potensi dan harapan. Dengan pembangunan dan penambahbaikan yang berterusan, ChatGPT berpotensi mengubah cara kita berinteraksi dengan teknologi dan satu sama lain, menjadikan komunikasi lebih pantas, lebih cekap dan lebih peribadi berbanding sebelum ini.

Atas ialah kandungan terperinci Pengenalan kepada AI generatif dan aplikasinya CHATGPT. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Cara Membuka Segala -galanya Di Myrise
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

ChatGPT kini membenarkan pengguna percuma menjana imej dengan menggunakan DALL-E 3 dengan had harian ChatGPT kini membenarkan pengguna percuma menjana imej dengan menggunakan DALL-E 3 dengan had harian Aug 09, 2024 pm 09:37 PM

DALL-E 3 telah diperkenalkan secara rasmi pada September 2023 sebagai model yang jauh lebih baik daripada pendahulunya. Ia dianggap sebagai salah satu penjana imej AI terbaik setakat ini, mampu mencipta imej dengan perincian yang rumit. Walau bagaimanapun, semasa pelancaran, ia adalah tidak termasuk

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

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

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

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

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

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 menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

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

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

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

Meletakkan pasaran seperti AI, GlobalFoundries memperoleh teknologi gallium nitrida Tagore Technology dan pasukan berkaitan Meletakkan pasaran seperti AI, GlobalFoundries memperoleh teknologi gallium nitrida Tagore Technology dan pasukan berkaitan Jul 15, 2024 pm 12:21 PM

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G

SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. Aug 01, 2024 pm 09:40 PM

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

See all articles