AI特期

 

编者按

“我们身处一个必将载入科技史册的十年,你是选择成为亲历者,还是选择成为旁观者呢?”

9月25日,OpenAI 发表了 ChatGPT 的新功能,“听“、”说“与”看“。从演示上来看,在这三项上,OpenAI 又展现了他们无与伦比的研发能力。笔者也是第一时间充值 ChatGPT Plus ,体验到了大幅领先与其他TTS服务的说话能力。那么,我们面对第四次工业革命即将引爆的时刻,应该如何看清方向,应该有着怎样的思考与能力呢?

读一读

缸中之脑——数字生命计划

https://www.enderr.tech/post/6fb15ae8.html

  • Tag: #数字生命 #生成式AI #杂谈

  • 作者: Ender

  • 引言: 你是否想与 AI 为友?你无法察觉他与普通网友的区别…小编在参加 Hackathon 时,一位学长向小编介绍了 AI Agent 这个概念,即将 AI 的智能解放出来,让 AI 去影响现实世界。由此,小编对“AI 的智能”有了进一步认识,仿佛看到了数字生命的影子,于是写下了这篇文章描述下所思所想。不知各位对数字生命有什么看法。

LLM Powered Autonomous Agents

https://lilianweng.github.io/posts/2023-06-23-agent/

翻译: https://mp.weixin.qq.com/s/Jb8HBbaKYXXxTSQOBsP5Wg

  • Tag: #AI Agent #生成式AI #LLM

  • 作者: Lilian Weng

  • 引言: AI Agent 可以将大模型的智慧释放出来,让其去影响现实世界。传统的许多软件操作需要人类熟知软件的使用方式,这就像人去调用 API 一样,当人们开始通过 Agent 操作一个软硬件系统时,这个系统的使用逻辑就开始了由“把人当机器”到“把机器当人”的转变,于是借由此,很多现有的 App 都应当被重构为不“反人类”的交互模式。并且,从 ChatGPT 的插件功能也可以看出,AI Agent 是 OpenAI 的下一个发力点。本文作者是 OpenAI 的 AI Safety 团队 Leader,本文中,作者给出了 Agent 系统的关键组成部分,并对每部分以及所涉及知识进行了详细专业的讲解,希望可以对读者有所帮助。

大模型LangChain框架基础与使用示例

https://mp.weixin.qq.com/s/KrWM3cMywMvYUiawRZ94Gg

  • Tag: #LangChain #生成式AI #经验 #LLM

  • 作者: 腾讯程序员 腾讯技术工程

  • 引言: LangChain 是一个火热的功能丰富强大的 LLM 应用开发框架,在 LLM 应用开发中被广泛应用,它通过集成外部数据与提供 LLM 同外界交互的能力规范和简化了使用 LLM 的方式,并且有着诸多优势。本篇文章详细介绍了 LangChain 的使用基础,希望能对想要进行 LLM 应用开发的读者带来帮助。

一文读懂NLP模型Transformer

https://mp.weixin.qq.com/s/PtOQlqDfv4i4Lzu_9G7EVA

  • Tag: #LLM #生成式AI

  • 作者: 麦克船长 阿里技术

  • 引言: 在之前的几期期刊中,小编逐步深入地为大家带来从 LLM 应用到原理介绍的若干篇文章。那么本期这篇文章则是深入数学原理详细向大家介绍 NLP 领域在 GPT 之前的若干模型与 Transformer模型,希望能对大家有所帮助。

人工智能中的意识

https://arxiv.org/abs/2308.08708

  • Tag: #论文 #生成式AI

  • 作者: -

  • 引言: 在这篇论文中,作者深入探讨了当前和近期AI系统的意识问题,并提出了一种基于神经科学的评估方法,并且提供了一系列指示属性,以评估AI系统是否可能具有意识。作者得出结论,虽然当前的AI系统似乎并不具备强烈的意识候选性,但在技术上并没有明显的障碍来构建满足这些指示属性的AI系统。这篇论文不仅为我们提供了对AI意识的深入理解,还为未来的研究和开发提供了宝贵的指导。

AI 对知识工作者的影响

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321

  • Tag: #论文 #生成式AI

  • 作者: -

  • 引言: 现在,AI 的进步正在深刻地改变我们的工作方式和生活方式。特别是 LLM 为知识工作者带来了前所未有的机会和挑战。在这篇论文中,作者深入探讨了 AI 对知识工作者生产力和质量的影响。研究结果揭示了一个“锯齿状的技术前沿”,其中AI在某些任务上表现出色,而在其他任务上则表现不佳。这为知识工作者和组织提供了宝贵的见解,帮助他们更好地利用AI的潜力,同时避免可能的陷阱。