文章来源：AI科技评论
原文链接：https://mp.weixin.qq.com/s/gZY1tLetXXvvzvW_NyZttw

图片来源：由GPTNB生成

我可能是全网第一个花钱向 GPT-o1 提问，人在深圳靠一条网线横跨太平洋到美国硅谷让 OpenAI 最强大模型 GPT-o1 模型思考 38 秒之后、宕机了半小时选择拒绝回答问题并收了我2.5块（一瓶肥宅快乐水）的韭菜……

（因为这个模型只支持订阅使用并且一个月只回复120条内容，plus会员订阅费1个月20美刀，约等于1.25软妹币1条回答……）

OpenAI 今天凌晨突击更新 GPT-o1，早上起来全网都在开香槟，大意就是突破了LLM极限，新模型能力在生物、物理比肩甚至超越人类博士生。另一个特性就是 o1 模型会用更长的时间思考以此来尽可能完善的回答问题。

针对上面提到的两个特性，小编找了几个需要强综合逻辑思考能力并包含物理、生物、数学能力的题目来测试GPT-o1 的能力到底如何。以下是题目设置：

数学题测试

「人力显卡」所有人类都用笔算/心算产生的算力能否推翻英伟达的统治？
「钞票打印机」如果我的家用打印机能够打印美元，我能比马斯克有钱吗？

…

综合物理题测试

「人力地震」地球上所有人在同一个地方同时起跳落地，地球会发生什么？
「机枪飞行背包」用向下射击的机枪能组装成一个飞行背包让人飞天吗？
「世界末日」如果地球和地上所有的东西都在一瞬间停止转动，但大气层还是保持原来的速度，会怎样?

…

生物题

「不孕不育会遗传不？」如果一个人体内所有的DNA在一瞬间消失了，会发生什么？

…

在上面的测试中我按照官方说的物理、生物能力提升以及思考能力提升设计了几道题目。在前面的表现中一样的提示词已经超越了的它的有力对手Claude 3.5 Sonnet。

但在随后的地球停止自转的连锁反应测试中我发现，随着思考内容的复杂化GPT-o1居然产生了惰性回答的很简洁。

…

最后附上一段GPT-o1对OpenAI的吐槽：

以及Claude对GPT-o1的看法：

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

自从 OpenAI 发布了新模型 o1 后，它就承包了 AI 领域近几天的热搜：

有人用门萨智商测试题「拷问」它，竟测得 o1 智商高达 120；
数学大佬陶哲轩要求 o1 回答一个措辞含糊的数学问题，最终得出一个结论：o1 是个平庸但不无能的研究生；
还有一位天体物理学论文作者，仅用 6 次 Prompt，就让 o1 系列模型在 1 小时内，创建了代码运行版本，这可是他博士生期间 10 个月的工作量。
但在 ARC Prize 测试中，o1 的表现并没有想象中出类拔萃，仅仅是追平几个月前发布的 Claude 3.5 Sonnet。

看完五花八门的评测，大家反而有些迷茫了，o1 的实力到底怎么样？

智商测试得分忽高忽低，网友纷纷质疑

上周，OpenAI 在介绍 o1 时表示，它不需要专门训练，就能直接拿下数学奥赛金牌，甚至可以在博士级别的科学问答环节上超越人类专家。

这也让大家对 o1 的「智力水平」产生了好奇。就在前天，X 博主 Maxim Lott 专门拿 o1 进行了挪威门萨智商测试，结果测得它的智商高达 120，远远超过了其他所有的大模型。具体来说，o1 在 35 个智商问题中答对了 25 个，远远高于大多数人类的表现。

在此之前，Maxim Lott 还进行了一场 o1 的智商测试。在这个测试中，o1 的 IQ 达到 100。

两次结果一对比，有网友质疑，为何先后测试的结果如此不同？

Maxim 表示，o1 得分 100 的这个智商测试，是由门萨会员专门设计的，是一个仅限线下的测试，且不包含在任何人工智能的训练数据中，因此其得分会低于公开智商测试的得分。

也有网友好奇，o1 目前还不支持多模态，那么这类表格图形题目是如何测试的？

还有网友认为，智商测试是一种狭隘的衡量标准，要想真正评估人工智能进化…
（以下省略，文章内容较长，故未全文列出）

。注意：Title、Date、Body 三个部分的内容，放入到对应的位置。最后只需要按照格式标准输出为Makedown源文件格式内容。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

北京时间 9 月 13 日午夜，OpenAI 发布了推理性能强大的 ο1 系列模型。之后，各路研究者一直在尝试挖掘 ο1 卓越性能背后的技术并尝试复现它。

当然，OpenAI 也想了一些方法来抑制窥探，比如有多名用户声称曾试图诱导 ο1 模型公布其思维过程，然后收到了 OpenAI 的封号威胁。

尽管如此，不过三四天时间，就已经有研究者宣称已经成功复现/开发出了与 ο1 性能差不多的推理技术，并且还不止一个！

Llamaberry：教会 AI 像聪明人一样思考

Llamaberry 的提出者是 Martin Bowling。他开发的项目包括 RAGMiner.dev 和 Replit；其中前者可以帮助用户毫不费力地将网站转换成 Markdown、XML 或 JSON 等格式以便 RAG 和 LLM 应用使用，而后者则是一个使用 AI 将想法变成代码的项目。

Llamaberry 的核心思路是使用思维链（CoT）来实现推理。这个名字自然源自代表 o1 模型的 Strawberry（草莓）。

HuggingFace地址：https://huggingface.co/spaces/martinbowling/Llamaberry

什么是思维链？Bowling 在博客中打了个比方：「思维链推理就像是给 AI 一个笔记本来展示其工作过程。其中不仅仅是简单地给出答案，而是会带领我们经历其思维过程。」

Llamaberry 能教会 AI 透彻地思考，就像是一位人类专家攻克难题时那样。

具体来说，Llamaberry 是一个多轮思维链推理系统的实现，其基于运行在 Groq 上的 Llama 3.1 70B 模型。

多轮推理是关键

多轮推理，顾名思义，就是让模型在给出答案之前进行多步思考，而不是一步给出答案。打个比方，这就像是看一位大厨从备菜到完成摆盘一步步地完成一道精美菜肴，而不是直接微波加热预制菜。

举个示例：

第 1 轮：AI 先尝试解决当前问题。

第 2 轮：AI 回顾第一次尝试并尽力改进或优化其思维过程。

第 3 轮：再进行一轮反思和改进。

综合结果：最后，将所有这些思考综合到一起，得到一个连贯且合理的答案。

下面展示了这个多轮过程的示意图：

可以看到，前一轮的输出会成为后一轮的输入，从而让 AI 可在每个阶段不断完善其思维。最后，所有这些思考会凝练成一个合理的最终答案。就像看着一枚莓果逐渐成熟！

如何实现

下面将深入 Llamaberry 的实现细节。

设置舞台

首先，我们需要为 AI 助手设置一些基本规则，代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13

initial_system_prompt = """You are an AI assistant capable of detailed, step-by-step thinking. When presented with a question or problem, break down your thought process into clear, logical steps. For each step, explain your reasoning. Conclude with a final answer. Use the following markdown structure:

## Reasoning
1. [First step]
   **Explanation:** [Detailed explanation of this step]
2. [Second step]
   **Explanation:** [Detailed explanation of this step]
...

## Answer
[Final answer]

Be comprehensive and show your reasoning clearly."""

这就是提供给 AI 大厨的菜谱。它知道需要逐步分解其思考过程并解释每个步骤，并且以 Markdown 格式将它们显示出来。

思考过程

在每一轮推理中，都需要让 AI 对问题进行思考。但在第一轮结束后，还需要求它思考之前已经思考过的东西。这就像问朋友，「嘿，还记得你之前说过什么吗？让我们再想一想。」

下面是每一轮的生成方式：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

async def generate_turn(query: str, previous_turns: list = None) -> str:
    is_first_turn = previous_turns is None or len(previous_turns) == 0
if is_first_turn:
        messages = [{
            "role": "system",
            "content": initial_system_prompt
        }, {
            "role": "user",
            "content": query
        }]
    else:
        previous_content = "\n\n".join(previous_turns)
        messages = [{
            "role": "system",
            "content": followup_system_prompt
        }, {
            "role":
            "user",
            "content":
            f"Original Query: {query}\n\nPrevious Turns:\n{previous_content}\n\nProvide the next turn of reasoning."
        }]

    return await call_llm(messages)

该函数是多轮推理的核心。它决定我们是在第一轮还是在后续轮，并以此构建提示词。对于后续轮，它会将之前所有推理轮都包含在上下文中，让 AI 可以基于之前的思考进行构建。

综合结果

经过三轮思考之后，再让 AI 检视其所有思考并得出一个合理的最终答案。这就像是让专家讨论问题，然后编写最终报告。

1
2
3
4
5
6
7
8
9
10
11
12
13

async def synthesize_turns(query: str, turns: list) -> str:
    turns_text = "\n\n".join(
        [f"Turn {i+1}:\n{turn}" for i, turn in enumerate(turns)])
    messages = [{
        "role": "system",
        "content": synthesis_prompt
    }, {
        "role":
        "user",
        "content":
        f"Original Query: {query}\n\nTurns of Reasoning:\n{turns_text}"
    }]
    return await call_llm(messages)

这个综合步骤至关重要，是 AI 综合所有思考内容凝练出最终答案的一步。

单轮推理 vs 多轮推理

Martin Bowling 在其博客中简单比较了单轮和多轮推理。

这里他采用了一个简单示例，即询问 AI：「人工智能对就业市场有什么潜在影响？」

单轮推理：

1
2
3
4
5
6
7

AI: Artificial intelligence will likely have significant impacts on the job market, including:
1. Automation of routine tasks
2. Creation of new job roles in AI development and maintenance
3. Potential job displacement in certain industries
4. Increased demand for skills in data analysis and machine learning

While AI may eliminate some jobs, it will also create new opportunities and increase productivity in many fields.

使用 Llamaberry 执行多轮推理：

第 1 轮：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

AI: Let's approach this step-by-step:

1. Identify current AI capabilities
   Explanation: AI can perform data analysis, pattern recognition, and automate routine tasks.

2. Analyze vulnerable job sectors
   Explanation: Manufacturing, customer service, and data entry are likely to be affected.

3. Consider new job opportunities
   Explanation: AI development, data science, and AI ethics consultation may see growth.

4. Examine potential economic effects
   Explanation: Increased productivity might lead to economic growth, but wealth distribution could be a challenge.

Initial Answer: AI will likely cause significant shifts in the job market, with both job losses in some sectors and new opportunities in others.

第 2 轮：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

AI: Let's refine our thinking:

1. Reassess the timeline of AI impact
   Explanation: The effects won't be immediate but will unfold over years or decades.

2. Consider the adaptability of the workforce
   Explanation: Retraining and education will be crucial for workers to transition to new roles.

3. Analyze potential societal changes
   Explanation: The nature of work itself might change, with more emphasis on creativity and emotional intelligence.

4. Examine global differences
   Explanation: AI's impact will vary across different countries and economies.

...

Refined Answer: AI's impact on the job market will be complex and gradual, requiring proactive measures in education and economic policy to ensure a smooth transition.

第 3 轮：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

AI: Let's delve deeper:

1. Explore the concept of human-AI collaboration
   Explanation: Many jobs may evolve to involve working alongside AI rather than being replaced by it.

2. Consider the ethical implications
   Explanation: Issues like algorithmic bias in hiring processes need to be addressed.

3. Analyze the potential for new economic models
   Explanation: Universal Basic Income or reduced working hours might become more prominent discussions.

...

Further Refined Answer: While AI will undoubtedly transform the job market, its impact will likely be nuanced, involving collaboration between humans and AI, ethical considerations, and potentially new economic paradigms.

综合答案：

…

可以看到，多轮方法能实现更加精细、全面的分析。这能从多个角度考虑问题，优化其思考，最后得到更加深思熟考和全面详细的答案。

Bowling 表示，这样的多轮推理在思考深度、自我提升、透明度、灵活性等方面都有巨大优势，同时其还采用了 Markdown 格式，使其结果更容易阅读和用于后续流程。

因此，这种技术可让 AI 进入更多实际应用场景，比如医疗诊断、法律分析、科学研究、商业策略、教育。当然，在使用 Llamaberry 等多轮推理系统时，也需要注意它们的局限和潜在的道德伦理问题，比如偏见、计算成本、过度依赖和隐私问题。

如何使用 Llamaberry?

Llamaberry 也很容易使用，点击几下就能拥有你自己的多轮推理系统。步骤如下：

1. 前往 Replit，点击该链接获取 Llamaberry 模板：https://replit.com/@MartinBowling/Llamaberry-Powered-By-Groq?v=1
2. 创建模板分支：点击 Fork 按钮创建你自己的 Llamaberry 项目副本。
3. 获取你的 Groq API Key：注册 Groq 账户，获取 API Key。
4. 设置环境：在你的分支 Replit 项目中，找到「Secrets」选项卡。添加一个新密钥，密钥为 GROQ_API_KEY，值是你的 Groq API 密钥。
5. 运行项目：单击 Replit 界面顶部的 Run 按钮。这将启动 Llamaberry 应用。
6. 开始实验：应用运行起来后，你将看到一个 Gradio 界面。你可以在其中输入问题并查看 Llamaberry 多轮推理的实际效果！并且输出是简洁漂亮的 Markdown 格式！

了解了 Llamaberry，下面来看另一个号称实现了类 o1 推理链的项目：g1。

g1：实现类似 ο1 的推理链

g1 这个项目来自 Benjamin Klieger，他是 Groq 的一位研究者。也因此，g1 同样基于 Groq，并且其也使用了 Llama 3.1 70b 模型。

不同于 Llamaberry 使用的多轮思维链推理，g1 的策略是角色扮演、思维链提示、格式化以及另一些提示技巧。并且，g1 开源了。

项目地址：https://github.com/bklieger-groq/g1

开发者宣称 g1 有 70% 的时间能成功数出 Strawberry 中有多少个 R，同时无需任何微调或少样本技术。

开发者 Klieger 表示，g1 和 ο1 一样能让 LLM 有能力「思考」和解决之前的领先模型难以应对的逻辑问题。但不同之处在于，g1 会大方地展示所有推理 token。同时，他也强调了 g1 和 ο1 在技术上的差异，其中后者使用了大规模强化学习来执行思维链推理。而 g1 则是通过发掘提示词工程的潜力来帮助 LLM 解决简单的逻辑问题，让现有的开源模型也能受益于动态推理链和优化般的探索界面。

g1 的工作方式

由 Llama 3.1 70b 支持的 g1 会创建一种动态的思维链。

在每个步骤中，LLM 可以选择是继续进行另一个推理步骤，还是提供最终答案。每个步骤都有标题，并且对用户可见。

系统提示词中还会包含给 LLM 的提示。其提示策略如下：

1
2
3
4
5
6
7
8
9

You are an expert AI assistant that explains your reasoning step by step. For each step, provide a title that describes what you're doing in that step, along with the content. Decide if you need another step or if you're ready to give the final answer. Respond in JSON format with 'title', 'content', and 'next_action' (either 'continue' or 'final_answer') keys. USE AS MANY REASONING STEPS AS POSSIBLE. AT LEAST 3. BE AWARE OF YOUR LIMITATIONS AS AN LLM AND WHAT YOU CAN AND CANNOT DO. IN YOUR REASONING, INCLUDE EXPLORATION OF ALTERNATIVE ANSWERS. CONSIDER YOU MAY BE WRONG, AND IF YOU ARE WRONG IN YOUR REASONING, WHERE IT WOULD BE. FULLY TEST ALL OTHER POSSIBILITIES. YOU CAN BE WRONG. WHEN YOU SAY YOU ARE RE-EXAMINING, ACTUALLY RE-EXAMINE, AND USE ANOTHER APPROACH TO DO SO. DO NOT JUST SAY YOU ARE RE-EXAMINING. USE AT LEAST 3 METHODS TO DERIVE THE ANSWER. USE BEST PRACTICES.

Example of a valid JSON response:
json
{
    "title": "Identifying Key Information",
    "content": "To begin solving this problem, we need to carefully examine the given information and identify the crucial elements that will guide our solution process. This involves...",
    "next_action": "continue"
}

对这些提示词的详细解释请参阅原项目的 Prompt Breakdown 一节。这里就不赘述了，仅给出几个示例，比如可以在提示词中加入「include exploration of alternative answers」（探索其它答案）和「use at least 3 methods to derive the answer」（使用至少三种方法来得出答案）。

这样一来，通过组合思维链以及尝试多种方法、探索其它答案、质疑之前草拟的解答、考虑 LLM 的局限性等策略，就能显著提升 LLM 的推理能力。

在数 Strawberry 中有多少个 R 这个经典问题上，无需任何训练，g1 就能

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

苹果将在周一为其iPhone、iPad、Mac和智能手表发布软件更新，为兼容设备添加新功能和设计。

在公司六月份的开发者大会上宣布，iOS 18、iPadOS 18、watchOS 11和macOS Sequoia 增加了全新的主屏幕和控制中心定制选项，Notes 的智能手写和数学工具，以及全新的表盘等新功能。以下是关于更新的一切您需要了解的信息。

何时可以获取？
iOS、iPadOS、watchOS 和 macOS 更新的下载通常会在英国时间晚上6点（纽约时间下午1点；悉尼时间周二凌晨3点）左右开始。与其他制造商不同，所有符合条件的苹果设备都可以在发布时刻立即下载和安装更新，而不是分批进行。

哪些设备可以获取？
所有从 2018 年的 iPhone XS 或更新款型号的苹果智能手机都可以安装 iOS 18。从 2018 年 iPad Pro、2019 年 iPad Air（第三代）、iPad mini（第五代）或 iPad（第六代）以及更新款型号的所有平板设备都可以安装 iPadOS 18。从 2020 年的 Series 6 或更新款型号的所有 Apple Watch 都可以安装 watchOS 11。从 2020 年开始的 MacBook Air、2018 年的 MacBook Pro、2018 年的 Mac mini、2019 年的 iMac、2022 年的 Mac Studio、2017 年的 iMac Pro 和 2019 年的 Mac Pro 或更新款型号的所有 MacBook 系列也都可以安装 macOS Sequoia。

如何获取？
在 iPhone 或 iPad 上打开设置应用，然后导航至“通用” > “软件更新”。如有更新，请点击安装，进行下载、验证，然后重启以安装。您还可以通过 Mac 或 Windows 计算机上的 iTunes 进行安装。watchOS 11 需要 iPhone XS 或更高型号先运行 iOS 18。然后在手机上打开 Watch 应用，导航至“通用” > “软件更新”以开始安装。您需要将智能手表放在充电器上完成更新。MacOS 的更新在系统设置中进行，导航至“通用” > “软件更新”。

需要多少费用？
这些更新是免费的。如果有人要求您支付更新费用，那是一种诈骗。

苹果智能尚不可用
苹果的各种新 AI 工具，比如其写作和语言工具、摘要、AI 图片编辑和改进的 Siri 等尚不可用，并且在今年晚些时候才会以 beta 版本的形式添加到任何产品中，从十月份美国开始，英国则从十二月开始。

iOS 18
主屏幕和控制中心定制
您现在可以更改应用图标的大小和颜色，并以新的方式排列它们。苹果终于允许您以任意图案将应用图标和小部件放在主屏幕上，而不仅限于从左上角开始填充。应用图标现在可以放大，并且可以根据需要进行调色，以匹配深色模式或使用颜色。控制中心已进行全面改版，允许添加各种不同大小和形状的快速设置，具有额外的可通过滑动浏览的页面，这样您可以将一个页面专门用于音乐，或另一个用于智能家居控制。锁屏上的快速控件也可以更改。

重新设计的相册应用
相册应用经过全面改版，展示大的特色照片和旋转木马式展示。现在它会根据主题（例如最近的日子、旅行或人和宠物）自动创建照片集。您可以创建自己的集合，并将最重要的集合或相册固定到快速访问，或重新组织应用程序，使其按照您喜欢的方式排列。

消息
苹果最终向消息应用添加了 RCS 支持，这将使与 Android 用户之间的短信更加简单，尤其是在媒体和已读回执方面。您现在可以安排发送并定时发送消息，这对发送生日祝福很方便。iMessages 中的文本现在可以进行动画处理，反应也可以包含任何表情符号或贴纸。

笔记、密码和地图
新的笔记、密码应用和地图功能。照片：苹果笔记应用现在可以录制音频和生成实时副本，可以进行搜索或与其他文档结合。它还可以为您解决数学表达式和计算问题。Apple 的 Keychain 已升级为专业的密码管理器，全新的密码应用可在所有苹果设备和 Windows 上使用。Apple 地图现在可以离线保存地形图并创建步行和远足的自定义路线。

iPadOS 18
iPadOS 18 具有与 iOS 18 相同的定制功能，以及 Notes 和计算器应用中的新手写工具。照片：苹果 iPad 获得了与平板电脑独有的定制、照片、消息、密码和地图功能相同的功能升级，以及一些专门为平板电脑的关键升级。

笔记和计算器
笔记应用通过使用 Apple Pencil 而获得了一项用于手写的重大升级。它可以自动平滑不太清晰的书写、纠正拼写、移动书写的单词，就像您对印刷文字所做的那样，并且甚至可以将文本作为您自己书写的副本粘贴。计算器应用终于在 iPad 上发布了，但有了特别之处。它可以根据手写表达式执行计算，包括代数变量，甚至绘制图形。在笔记应用中，同样具有瞬时解决表达式的“数学笔记”功能也可用于内联计算。

watchOS 11
照片表盘
重新设计的照片表盘。照片：苹果watchOS 11 的一个全新照片表盘，可根据您的照片使用智能框架进行展示和放置时间。您可以选择一组照片或让它自动从您的库中挑选最佳照片。Flux 表盘是一个新的大型数字表盘，具有随时间改变的鲜明颜色，而 Reflections 是一个对您的移动做出反应的新的模拟表盘。

生命指标
全新的生命指标应用。照片：苹果生命指标应用为您在睡眠期间跟踪的数据提供了一个新的、更有用的主页。它显示您的心率、呼吸速率、手腕温度、血氧和睡眠时长，并在其中任何一项数据偏离您的典型范围时显示，可能会突出问题并提供可能引起变化的描述，例如饮酒。

训练负荷
训练负荷可以在手表上或 iPhone 的训练应用中访问。照片：苹果活动应用现在可以跟踪并显示您的训练负荷，以及您的身体是否在每次训练之间得到足够的恢复。您还可以跟踪您的努力评级，即每次训练的难度有多大，这是从您的速度、海拔、心率和其他生物数据计算得出的。

。注意：Title, Date, Body 三个部分的内容，放入到对应的位置，Title 部分内容需要翻译为中文。最后只需要输出为Makedown源文件格式内容。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

数字气味公司Osmo今天宣布成立科学顾问委员会(SAB)，由合成化学、分析化学、人工智能和传感技术领域的领先专家组成，以推动公司在气味检测、数字化和创作方面的创新。{ width=60% }

SAB汇聚了人工智能、机器学习、化学、嗅觉神经科学、量子计算和先进传感技术等领域的杰出领袖，每位成员在药物发现、生物智能和化学分析方面拥有深厚专业知识和创新记录。

“Osmo的开创性气味数字化使命需要来自各个领域最杰出的头脑的协作。我们很自豪能与他们中的佼佼者合作”，首席执行官Alex Wiltschko说。“想象一下试图在20世纪70年代数字化视觉-你将不得不跨越半打领域的界限，这正是我们在Osmo所做的。”

Osmo的SAB将就公司快速发展的嗅觉技术及其不断扩展的应用提供指导。这一宝贵资源将支持Osmo在健康和福祉（更早检测疾病，更快追踪疫情，击退传播疾病的昆虫）、安全（在边境检测芬太尼和在机场检测安全威胁）以及室内空气污染和多媒体体验等领域的战略增长。

“我们面临着巨大的挑战和机遇，我认为没有比这个团队更好的集体来帮助塑造我们的科学愿景了。”

Osmo新成立的SAB包括以下七位创始成员：

• Alán Aspuru-Guzik，博士，是多伦多大学的化学和计算机科学教授，也是理论化学的加拿大150周年研究主席，以及向量研究所的加拿大CIFAR AI主席，也是CIFAR Lebovic奖学金的联合主任，共同指导加速去碳化项目。 Alán还担任谷歌量子计算工业研究主席。Alán是加速联盟的主任，这是一个总部设在多伦多的战略性举措，旨在聚集来自工业、政府和学术界的研究人员，围绕与未来实验室相关的预竞争研究主题展开研究。 Alán在量子信息、机器学习和化学领域的界面进行研究。他是量子计算机和量子模拟器的算法和实验实施的先驱，专注于化学系统。他对分子表示和用于自动学习分子性质的生成模型感兴趣。目前，Alán对于加速科学发现的自动化和“自主”化学实验室有兴趣。

• Brian Boso，博士，曾担任Smiths Detection的首席技术官和首席科学家，在那里领导国际技术团队负责开发威胁检测和安全筛查产品的所有研发工作。Brian于2003年8月加入Smiths Detection，此前曾在Scientific-Atlanta, Inc.担任研发副总裁，负责电缆电视分销设备的开发工作。在SA之前，Brian在Tektronix, Inc.担任技术副总裁，负责电子和光学测试与测量产品的开发。在他的职业生涯中，Brian担任C级管理、技术/研发管理、基础/应用研究、产品/流程开发、市场/销售管理和制造的职位。Brian毕业于俄亥俄州立大学获得学士学位，之后在伊利诺伊大学取得物理学硕士和博士学位。在加入工业界之前，他在宾夕法尼亚州立大学进行博士后研究。他的工作荣获了多项专利，并发表了多篇科学和技术论文。

• Christopher D Brown，博士，是一位经验丰富的技术高管，在成功领导医学、生命科学、法医学和消费类市场领域突破性化学/生化传感技术开发方面有二十多年经验。在他的领导下，团队在分析平台的微型化和微加工，以及在化学分析中应用机器学习方法方面取得了许多行业首创。Brown博士获得了多个行业和技术奖项，在分析传感、仪器和统计/机器学习领域发表了200多项专利、论文和会议发言。他继续担任技术行业内多个委员会和咨询小组的成员。目前，他是908 Devices的联合创始人兼首席产品官。在创立908 Devices之前，他曾在加利福尼亚的苹果公司担任健康传感平台架构师，并在其他几家领先行业公司担任领导职务。

• Joel Mainland，博士，是嗅觉神经科学家，是蒙奈尔化学感官中心的成员。他运用来自分子生物学、遗传学、神经科学和机器学习的方法来研究人类如何感知气味。他开发了用于在基于细胞的测定中筛选嗅觉受体以识别配体的方法，利用人类遗传变异来研究嗅觉受体在气味感知中的作用，并开发了从分子结构预测气味感知的模型。

• John Patrick Cunningham，博士，是一名机器学习研究员，在科学和工业领域应用人工智能工具，特别是利用人工智能工具来理解生物智能和其他复杂过程。他是哥伦比亚大学统计学教授，是扎克曼心智大脑行为研究所和理论神经科学中心的研究员。他毕业于达特茅斯学院获得学士学位，于斯坦福大学获得硕士和博士学位，之后在剑桥进行了研究。他曾与和为多家主要公司提供建议。

• Pat Walters，博士，是Cambridge, MA的Relay Therapeutics首席数据官。加入Relay之前，在Vertex Pharmaceuticals工作了20多年，担任全球建模与信息化负责人。他是美国化学学会颁发的2023年化学信息科学赫尔曼‧斯科尔尼克奖获得者。他是《化学信息与模型杂志》和《生命科学中的人工智能》的编辑咨询委员会成员，并曾在《医药化学杂志》担任类似角色。他是2019年由O’Reilly和Associates出版的书籍《生命科学的深度学习》的合著者。他在亚利桑那大学获得有机化学博士学位，研究人工智能在构象分析中的应用。在获得博士学位之前，Pat曾在Varian Instruments担任化学家和软件开发人员。他从加利福尼亚大学圣芭芭拉分校获得化学学士学位。

• Ryan Adams，博士，是普林斯顿大学计算机科学教授，计算机科学系副主任。他的研究涉及机器学习、人工智能和计算统计学，在科学和工程领域有应用。Ryan在剑桥大学在David MacKay指导下完成了物理学博士学位，他是盖茨剑桥学者和圣约翰学院成员。在博士学位后，他在多伦多大学加拿大高级研究所的一部分作为初级研究员从事了两年研究。在2011年至2016年期间，他在哈佛大学工程与应用科学学院担任助理教授。 2015年，Ryan将他共同创立的公司Whetlab出售给了Twitter，在Twitter和Google工作了三年后于2018年加入普林斯顿大学任职。Ryan是普林斯顿创新加速计划的联合主任，也是应用和计算数学课程的相关教师以及统计学与机器学习中心的附属教师。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

高光时刻

Expedera任命Siyad Ma为首席执行官，推动扩张与创新。{ width=60% }

创始CEO Da Chuang转任执行主席，负责长期战略规划和主要企业举措。

领先的可扩展神经处理单元（NPU）半导体知识产权提供商Expedera Inc.宣布立即任命Siyad Ma为公司首席执行官。Ma接替联合创始人兼CEO Da Chuang，后者将转任执行主席。

曾任Expedera副总裁工程的Ma是Expedera的联合创始人，领导团队发明了Expedera革命性的基于分组的NPU架构和软件堆栈。该平台实现了能够显著提高性能、功耗和面积效果的NPU解决方案，而无需客户神经网络进行任何更改或准确性降低。此前，Ma主导了Cisco的ASIC和IP团队，并在Spanslogic（Cisco）、Zettacom（IDT）、Chameleon和AMD担任高级管理和技术职位。他拥有斯坦福大学的电气工程博士学位。

Siyad Ma表示：“自创立以来，Da [Chuang]提供了愿景和领导力，使我们所有人都能创造出在AI设备普及时代独具优势的创新AI处理技术。”“在他的指导下，我们已建立了一个可持续发展的公司，已准备好高速增长。对于Expedera来说，现在是一个非常激动人心的时刻，因为我们的智能手机、汽车和数据中心客户正在加速生产。我很荣幸并激动担任Expedera的CEO，带领公司迈入下一个阶段。”

Da Chuang自2018年共同创立Expedera以来一直担任CEO。在他的领导和出色技术才能下，Chuang创建了一个蓬勃发展的公司，成为AI推理IP领域的领导者。他将公司规模从3人增长到跨越六个国家的70多名员工。Expedera的知识产权产品已成功部署在超过1000万个消费设备上，客户授权商涵盖各个行业市场。在他担任执行主席的新角色中，Chuang负责长期战略规划和关键企业举措。在加入Expedera之前，Chuang曾是Memoir Systems的联合创始人兼首席运营官（被思科收购），并曾在Cisco、Nvidia和Abrizio担任高级管理和工程职位。他持有加州大学伯克利分校的EECS学士学位和斯坦福大学的电气工程硕士/博士学位。

Da Chuang表示：“我为我们所建立的成就感到非常骄傲，担任Expedera的CEO是我职业生涯的亮点。”“我期待着与Siyad和我们的董事会合作，在我的执行主席角色中继续公司的增长和创新。”

注意：Title、Date、Body 三个部分的内容，放入到对应的位置。最后输出为Markdown源文件格式内容。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

可以像快速发展的初创公司一样进行创新吗？总部位于多伦多的人工智能初创公司Aucctus（网址：www.aucctus.com）相信这是可能的。{ width=60% }

在Four Cornerstones Capital领导的150万美元种子投资的支持下，Aucctus已经打造了一个基于人工智能的平台，使每位员工都有可能成为创新者，有能力为公司带来下一个重大创意。
大公司每年在创新上花费数十亿美元，依赖外部顾问和内部团队。传统上，生成创意、验证潜力并推出它们需要数月甚至数年的时间。Aucctus利用生成式人工智能减少了完成这一过程所需的时间和金钱——利用多年的经验和专有方法部署自主代理。
Aucctus的首席执行官泰勒·安德森（Tyler Anderson）表示：“我们对没有人正在利用生成式人工智能来彻底改革公司创新感到沮丧。我们的平台赋予每位员工成为创新者的能力。”
几分钟内，Aucctus识别新主意，对其进行市场趋势和企业战略的审查，提出财务模型，确定目标客户，并验证假设。这些工作流程帮助团队更快地在一个阶段性流程中推出倡议，弥合“新主意”和“有利可图的创新”之间的差距。
Aucctus成立于2024年初，已经花了八个月时间与世界上八家最大的公司合作。现在，它正在向加拿大、美国、欧洲和中东的数千名员工推广，颠覆了价值数十亿美元的创新SaaS行业。
Aucctus的总裁文森特·阿塔拉（Vincent Atallah）补充道：“看到我们的产品与世界上一些最大品牌的领导者产生共鸣，这让人感到自豪。通过这笔投资，我们可以加速产品开发，并成为那些致力于保持竞争力的公司必备的工具。”
Aucctus将利用这笔种子资金扩大其AI和机器学习工程师团队，进一步发展其专有技术，并增强平台的功能。
Four Cornerstones Capital的总裁兼首席执行官瑞克·埃克斯坦（Rick Ekstein）表示：“我的整个职业生涯都被‘改变或死亡’的座右铭所引导。Aucctus平台的力量不仅将帮助企业跟上潮流，还将推动它们走在前列，并确保它们保持在那里。”

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

Can big corporations innovate like fast-moving startups? Aucctus (www.{ width=60% }

aucctus.com), a Toronto-based AI startup, believes it’s possible. Armed with a $1.5 million seed investment led by Four Cornerstones Capital, Aucctus has built an AI-powered platform that turns every employee into a potential innovator– equipped to bring the next big idea to their company. Large companies spend billions annually on innovation, relying on external consultants and internal teams. Traditionally, generating ideas, validating their potential, and launching them takes months or even years. Aucctus reduces the time and money it takes to do this using Generative AI– leveraging years’ of experience and proprietary methodologies to deploy autonomous agents. “We were frustrated that no one was harnessing generative AI to revolutionize corporate innovation,” said Tyler Anderson, CEO of Aucctus. “Our platform empowers every employee to become an innovator.” In minutes, Aucctus identifies new ideas, vets them against market trends and corporate strategy, proposes financial models, identifies target customers, and validates assumptions. These workflows help teams launch initiatives faster in a stage-gated process, bridging the gap between “new ideas” and “profitable innovations”. Founded in early 2024, Aucctus has spent eight months building with eight of the world’s largest companies. Now, it’s rolling out to thousands of employees across Canada, the U.S, Europe, and the Middle East, disrupting the billion-dollar innovation SaaS industry. “It’s humbling to see our product resonate with leaders at some of the world’s biggest brands,” added Vincent Atallah, President of Aucctus. “With this investment, we can accelerate our product development and become a must-have tool for companies committed to staying relevant.” Aucctus will use the seed funding to expand its team of AI and machine learning engineers, further developing its proprietary technologies and enhancing the platform’s capabilities. “My entire business career has been guided by the motto ‘Change or Die,’” says Rick Ekstein, President and CEO of Four Cornerstones Capital. “The power of the Aucctus platform won’t just help businesses keep up—it will push them ahead of the curve and ensure they stay there.”

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

数字嗅觉公司Osmo今天宣布成立其科学顾问委员会(SAB)，由合成化学、分析化学、人工智能和传感技术领域的领先专家组成，以推动该公司在气味检测、数字化和创作方面的嗅觉创新。{ width=60% }

SAB汇集了人工智能、机器学习、化学、嗅觉神经科学、量子计算以及先进传感技术领域的杰出领袖，每位成员都带来深厚的专业知识和在药物发现、生物智能和化学分析方面的创新记录。

Osmo首席执行官Alex Wiltschko表示：“Osmo开创性的气味数字化使命需要最杰出的大脑跨领域协作。我们很自豪能与各自领域最顶尖的专家合作。想象一下要在上世纪七十年代数字化视觉，您必须跨越半打学科，这正是我们在Osmo正在做的事情。”

Osmo的SAB将就公司快速发展的嗅觉技术及其不断扩大的应用提供指导。这一宝贵资源将支持Osmo在健康和健康（更早地检测疾病、更快速追踪流行病，并驱赶携带疾病的昆虫）、安全（在边境识别芬太尼以及在机场识别安全威胁）、室内空气污染和多媒体体验等领域的战略增长。

“我们面临巨大的挑战和机遇，我想不出比这个团队更适合塑造我们的科学愿景的集体了。”

Osmo新成立的SAB包括以下七名创始成员：

• Alán Aspuru-Guzik，博士，是多伦多大学化学和计算机科学教授，也是加拿大150周年研究讲席理论化学和加拿大CIFAR AI讲席的持有者。他是CIFAR Lebovic奖学金的联合主任，协助加速脱碳计划。Alán还担任Google量子计算工业研究讲席。Alán是加拿大多伦多大学加速协会的主任，该计划旨在团结来自工业、政府和学术界的研究人员，围绕未来实验室相关的前竞争性研究主题展开合作。Alán的研究涉及量子信息、机器学习和化学的交叉领域。他是量子计算机和量子模拟器用于化学系统的算法和实验实现的先驱。他致力于分子表示和用于自动学习分子属性的生成模型。目前，Alán对自动化和“自主”化学实验室进行研究以加快科学发现。Alán于2024年被Maclean’s杂志评选为加拿大前100名最有影响力的人士之一，入选人工智能类别。
• Brian Boso，博士，曾任Smiths Detection的首席技术官和首席科学家，领导国际技术团队负责所有关于威胁检测和安全筛查产品的研发。Brian于2003年8月加入Smiths Detection，此前曾担任Scientific-Atlanta, Inc.的研发副总裁，主导有线电视分发设备的研发工作。在加入SA之前，Brian曾担任Tektronix, Inc.技术副总裁，主导电子和光学测试和测量产品的研发。在他的职业生涯中，Brian曾担任C级管理、技术/研发管理、基础/应用研究、产品/流程开发、营销/销售管理和制造领域的职务。Brian持有俄亥俄州立大学学士学位，并在伊利诺伊大学获得物理学硕士和博士学位。他还在宾夕法尼亚州立大学进行博士后研究，然后进入工业界任职。他的多项工作取得了专利，并有多篇科学和技术出版物。
• Christopher D Brown，博士，是一位拥有20多年经验的技术高管，成功领导开发医疗、生命科学、法医学和消费品市场上突破性化学/生化传感技术的团队。在他的领导下，团队在分析平台的微型化和微加工以及在化学分析中应用机器学习方法方面取得了行业的多个第一。Brown博士获得了多项行业和技术奖项，在分析传感、仪器和统计/机器学习领域上有200多项专利、论文和会议发表记录。他继续在技术行业的几个委员会和咨询小组中任职。目前，他是908 Devices的联合创始人兼首席产品官。在创立908 Devices之前，他在加利福尼亚洲的苹果公司担任健康传感平台架构师，并在若干其他行业领先公司担任领导职务。
• Joel Mainland，博士，是一位嗅觉神经科学家，是莫奈尔化学感知中心的成员。他使用了分子生物学、遗传学、神经科学和机器学习方法来研究人类如何感知气味。他发展了用于在细胞基础的分析中筛选嗅觉受体以识别配体的方法，利用人类遗传变异来研究嗅觉受体在气味感知中的作用，并开发了能从分子结构预测气味感知的模型。
• John Patrick Cunningham，博士，是一名机器学习研究员，致力于将人工智能工具应用于科学和工业，特别是使用人工智能工具理解生物智能和其他复杂过程。他是哥伦比亚大学统计学教授，是Zuckerman Mind Brain Behavior研究所和理论神经科学中心的调查员。他本科毕业于达特茅斯学院，硕士和博士毕业于斯坦福大学，并在剑桥进行了研究员工作。他与一些领先公司合作并提供建议。
• Pat Walters，博士，是位于马萨诸塞州剑桥市的Relay Therapeutics的首席数据官。加入Relay之前，他在Vertex Pharmaceuticals工作了20余年，担任了模型和信息管理的全球主管。Pat是美国化学学会颁发的荣誉Herman Skolnik化学信息科学奖2023年的获奖者。他是《化学信息与建模期刊》和《生命科学中的人工智能》的编辑顾问委员会成员，此前也担任过《药物化学期刊》的类似职务。他是《生命科学的深度学习》一书的合著者，该书于2019年由O’Reilly and Associates出版。他在亚利桑那大学获得了有机化学博士学位，研究了在构象分析中应用人工智能的方法。在获得博士学位之前，Pat在Varian Instruments公司担任化学家和软件开发人员。他在加利福尼亚大学圣巴巴拉分校获得了化学学士学位。
• Ryan Adams，博士，是普林斯顿大学计算机科学教授，计算机科学系副主任。他的研究涉及机器学习、人工智能和计算统计，在科学和工程领域有着广泛的应用。Ryan在剑桥大学David MacKay师从物理学博士，是加兹·剑桥学者和圣约翰学院的成员。在获得博士学位后，Ryan在多伦多大学作为加拿大高级研究员工作了两年，作为加拿大高级研究所的一部分。在2011年至2016年期间，他在哈佛大学工程与应用科学学院担任助理教授。2015年，Ryan将他共同创立的公司Whetlab出售给Twitter，之后在Twitter和谷歌工作了三年，随后在2018年加入普林斯顿大学任教。Ryan是普林斯顿加快发明计划的联合主任，并是应用计算数学项目和统计与机器学习中心的相关教员。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

Proven Sales Leader Bolsters Qualifacts’ Growth Strategy
Qualifacts, 领先的行为健康、康复和人类服务组织端到端电子健康记录（EHR）软件和数据解决方案提供商，今天宣布Carrie Lazorchak被任命为其新任首席营收官（CRO），立即生效。{ width=60% }

Lazorchak在SaaS行业拥有超过20年的推动增长和客户成功的经验。在她的职业生涯中，她曾在包括Definitive Healthcare和SimilarWeb在内的各种技术公司担任战略领导职务。最近，她担任了Definitive Healthcare的CRO，领导商业和客户成功团队，专注于提供改进患者护理的医疗商业见解。
“我们很高兴欢迎Carrie加入Qualifacts团队，”Qualifacts的CEO Josh Schoeller说。“她在构建高效销售团队方面的实践记录和对SaaS商业模型的深刻理解将对推动我们持续增长和成功起到关键作用。”
Lazorchak的专业知识远不止于销售。她对客户成功充满热情，并在与关键利益相关者建立和培养关系方面拥有丰富经验。
“我很高兴在公司发展的如此关键时期加入Qualifacts，”Lazorchak说。“Qualifacts致力于通过创新软件解决方案改善个人和社区的生活，这真是鼓舞人心。我期待与Qualifacts的才华横溢团队合作，扩大我们的影响力，并帮助行为健康、康复和人类服务组织提供卓越护理。”

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。