英伟达市值一周蒸发4060亿美元,AI时代「卖铲人」怎么就不香了?

「卖铲人」英伟达股价又又又跌了。

江湖上流传着一张梗图,说美国经济有两大支柱:

一个是创下巡演纪录的泰勒・斯威夫特,一个是人工智能时代的「卖铲人」英伟达。


图片

英伟达也确实不负众望,8 月底出炉的 2024 年第二季度财报,成绩相当亮眼。

财报显示,英伟达在该季度收入 300.4 亿美元,高于去年同期的 135.1 亿美元,超出了普遍预期的 207.5 亿美元。净利润达到了 166 亿美元,比去年同期增长了 152%。

然而,逆天的业绩并未带来股价的狂飙,而是再三暴跌。

英伟达股价跌跌跌

8 月 29 日,英伟达交出「炸裂」财报后,盘后交易下跌 8%,市值一夜之间蒸发 1476 亿美元。

9 月 3 日,英伟达股价再次暴跌 9.53%,蒸发了 2790 亿美元,相当于近 3 个 OpenAI 的估值。

图片

本周,英伟达公司市值蒸发了约 4060 亿美元,让关键股指承压,同时也让人工智能「泡沫」的论调再一次甚嚣尘上。

作为全球最大的人工智能芯片制造商,英伟达在过去两周内市值缩水了五分之一。

对于这家价值 2.5 万亿美元的巨头来说,这些跌幅也向投资者展示了一个更为紧迫的问题:它的波动性现在远远超过了谷歌、苹果、微软、Meta 等美股六巨头,甚至让上蹿下跳的比特币,都显得平静了许多。

过去 30 个交易日,英伟达的股价在 90.69 美元和 131.26 美元之间波动,周二更是创下了市值蒸发的纪录。

这种剧烈波动使其 30 天实际波动率上升到了大约 80。

这是什么概念?

大约是微软公司的四倍,是比特币的两倍,甚至高于像唐纳德・特朗普的媒体公司和埃隆・马斯克的特斯拉公司这样的热门股票。

股价下跌为哪般?

据彭博社数据显示,这次下跌使得英伟达经历了两年来最糟糕的两周。

第三季度业绩预测令人不满

英伟达发布了对第三季度的业绩预测,营收约为 325 亿美元,同比增长仅有 79%。这虽然高于分析师平均预计的 317 亿美元,但远低于市场对英伟达三季度营收的最高预期达到了 379 亿美元。

这样疲软的业绩预测无疑打击了投资者的热情。投资者们也不禁怀疑,AI 的爆炸式增长是否正在削弱,芯片需求是否难以维持在一稳定值。

博通公司还发布了令人失望的销售预测,这更增加了悲观情绪。

「你现在正处于一个极其复杂的市场环境中,」Wayve Capital Management LLC 的首席策略师 Rhys Williams 表示。他进一步指出,尽管人工智能领域的交易尚处于初期阶段,但「市场的底儿在哪里,真没人能说得准。」

Blackwell 芯片量产难

Blackwell 芯片的产量一时跟不上需求,延迟的消息也让投资者们更加担心。

黄仁勋在财报发布后的访谈中说到预计第四季度开始发货,也会大幅提升产量,预计 Blackwell 在第四季度将创收数十亿美元。但如此乐观的说辞,投资者们似乎并不买账。

图片
视频链接:https://www.youtube.com/watch?v=pcuwZ8zk2ng

反垄断调查

英伟达在人工智能芯片市场中稳居王座 —— 数据显示,它在 AI 训练芯片市场的份额高达 70% 到 95%,这足以证明其产品在这个飞速发展的领域中的不可替代性。

多年来,英伟达在 GPU 和 CUDA 上的投入让它构建了一个难以撼动的生态系统,宛如一道深不可测的护城河,竞争对手想追赶几乎是不可能的事。

英伟达不仅仅是销售硬件,还通过提供定制的软件生态系统,确保客户在使用其硬件时获得最大化的性能和功能。

然而,正是这种「软硬一体」的销售策略,让英伟达引来了反垄断调查的关注。

图片

与此同时,英伟达的股价也因此遭受了重创。

投资者们喜忧参半

尽管近期股价下跌,但英伟达今年依然给投资者带来了丰厚的回报。

今年英伟达股价仍然上涨超过 100%,市值增加了 1.3 万亿美元。

华尔街普遍认为,随着公司加快构建与人工智能相关的基础设施,英伟达仍然处于有利位置,这一过程预计将至少持续几个季度。微软、Meta、Alphabet 和亚马逊这些大客户,占了英伟达四成以上的营收。

英伟达上周的「成绩单」,证实了市场的乐观预期。收入翻了一番多,超出了预期,调整后的收益也是如此。该公司还给出了超出分析师共识的收入预测,尽管它没达到最高预期。

图片

这份成绩单,让习惯了惊喜的市场参与者感到失望。同时,这也加深了对人工智能长期投资前景的疑虑。

这些情况表明,随着投资者逐渐理解人工智能的发展,英伟达和其他芯片制造商的股价波动可能会持续。对于想要长期投资的基金经理来说,这可能是个不错的买入机会。

「对长期投资者来说,现在是逐步建仓的好时机,」Wayve Capital 的 Williams 说,「如果今天有人给我新资金,我会毫不犹豫地买进一些人工智能相关股票。」

参考链接:https://www.bloomberg.com/news/articles/2024-09-06/nvidia-s-400-billion-tumble-this-week-makes-bitcoin-look-calm?srnd=phx-technology



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

这家公司官宣融资10亿美元,却只有10名员工!

据路透社报道,由 OpenAI 联合创始人、前首席科学家 Ilya Sutskever 在 2 个多月前共同创立的安全超级智能(SSI)公司,完成融资 10 亿美元

这笔融资将用于帮助开发远超人类能力的安全人工智能(AI)系统。


SSI 拒绝透露公司最新估值,但接近此事的消息人士称 SSI 的估值已经高达 50 亿美元

参与此次融资的投资机构包括顶级风险投资公司 a16z、红杉资本、DST Global 和 SV Angel,由 Nat Friedman 和 SSI 首席执行官 Daniel Gross 的投资合伙公司 NFDG 也参与了此次投资。

由于当前的大模型公司被认为可能在一段时间内无法盈利,人们的投资热情已经减弱。但这笔资金凸显了一些投资者仍然愿意为专注于基础人工智能(AI)研究的人才下大赌注。

Gross 在接受采访时表示:“对我们来说,身边有理解、尊重和支持我们使命的投资者非常重要,我们的使命是直接实现安全的超级智能,特别是在将产品推向市场之前,我们会花几年时间进行研发。”

SSI 计划与云提供商和芯片公司合作,为其算力需求提供资金,但尚未决定将与哪些公司合作。

据介绍,SSI 目前只有 10 名员工,计划将这笔资金用于购买算力和聘请顶尖人才,建立一支由研究人员和工程师组成的高度可信赖的小型团队。

Ilya 则表示,他的新事业之所以有意义,是因为他“发现了一座与我之前的工作有些不同的山峰”。

Ilya 是 scaling law 的早期倡导者,他提出了一个假设:在大量算力的支持下,AI 模型的性能将得到提升。这一想法及其实施掀起了 AI 在芯片、数据中心和能源方面的投资浪潮,为 ChatGPT 等生成式 AI 的发展奠定了基础。

Ilya 表示,他将采用与 OpenAI 不同的方式继续践行 scaling law,但尚未透露任何细节。

他说:“每个人都只说 scaling 假设。但每个人都忽略了一个问题:我们在 scaling 什么?”

“有些人可以工作很长时间,但他们只会在同一条路上走得更快。这不是我们需要的。但如果你做一些与众不同的事情,那么你就有可能做一些特别的事情。”

如今,AI 安全是一个热门话题,很多人担心被不法分子不正当使用的 AI 可能会损害人类利益,甚至导致人类灭绝。

去年,还是 OpenAI 非营利性母公司董事会成员的 Ilya,因“沟通不畅”而主导罢免了首席执行官 Sam Altman。在 Altman 后来回到公司后,Ilya 在 OpenAI 的作用逐渐减弱,今年 5 月,他被董事会除名,离开了公司。

Ilya 离职后,OpenAI 解散了 Superalignment 团队,该团队致力于确保 AI 与人类价值观保持一致,为 AI 超越人类智能的那一刻做好准备。

据 SSI 此前的官方公告介绍,他们将安全和能力作为一个技术问题,通过革命性的工程和科学突破加以解决,并计划尽快提高能力,同时确保安全始终处于领先地位。



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

大模型边推理边纠错,有可能做到吗?这是ICML爆火的演讲

即便是最强大的语言模型(LLM),仍会偶尔出现推理错误。除了通过提示词让模型进行不太可靠的多轮自我纠错外,有没有更系统的方法解决这一问题呢?

来自 Meta FAIR、CMU 和 MBZUAI 的叶添、徐子诚、李远志、朱泽园团队在最新的 arXiv 论文《语言模型物理学 Part 2.2:如何从错误中学习》中,通过可控实验,探索了让模型 「边推理边纠错」 的可能性。


他们在预训练中加入大量「错误的推理」和「错误的纠正」,展示了这类数据可以提高语言模型的推理准确性(无需提示词,无需多轮对话)。文章还深入探讨了许多细节,例如(1)这种方法与 beam search 的区别,(2)如何准备此类数据,(3)是否需要对错误进行掩码,(4)所需的错误数量,(5)此类数据是否可用于微调等。

作者首先展示了一个 GPT-4o 通过提示词和多轮对话进行纠错的示例(图 2),可以看到成功率不高,而且需要很长的对话才能完成纠错。那么,如果模型最终能纠错,为什么不在第一次犯错时「立即收回并改正」呢?

为此,作者使用探针(probing)方法研究模型的内部工作机制。通过 Part 2.1 建立的 iGSM 数据集,作者发现当模型犯错后,内部参数常常表现出「很后悔」的状态,也就是说,模型可能已经知道自己犯了错,但「覆水难收」。

那么, 能否简单地让模型「后悔即重试(retry upon regret)」 ?即,通过额外训练(如微调)得到一个检测错误的模型,只要该模型判定当前步骤有错,就立即退格回到上一步骤的末尾,再重新生成呢?

如图 3 所示,作者进行了横向对比。即便错误识别率超过 99%,这种重试方法在 iGSM 数据集上也只能将推理正确率提高 2%(虽然比 beam search 好)。作者总结了此方法的三个不足。

首先,对正确率提高有限,毕竟退格后,模型依然是随机生成,并没有用高级的方法改错。其次,对错误识别率的要求很高(同等条件下,需要 100% 错误识别率才能将推理正确率提高 8%,但这太不现实)。最重要的是,这并不能降低模型生成文本的时间复杂度,因为依然需要一次次地重新生成。

作者更换方法,在预训练数据中 加入大量的错误和纠正,例如「A=>B,哦我说错了,应该是 A=>C」。那么,这能否提升模型的推理正确率呢?乍一看,这似乎不合理,因为增加错误的同时,模型岂不是被迫学习说错误的话(即 A=>B)?是否需要将错误部分(譬如「A=>B,哦我说错了,应该是」这几个字)通过掩码(label masking)从训练标签中删除?

答案是不需要。依然通过 iGSM 数据集,作者用控制变量法,横向对比了诸多参数后得出若干结论…


Image links kept for reference:


Reference: Original Article

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

外滩大会上,我们看到了人工智能五年后的样子

在一些悲观者看来,人工智能的发展似乎变慢了。

2022 年底,ChatGPT 发布,五天用户注册超过百万,两个月后月活用户超过 1 亿,以此为起点,几乎每家科技大公司都卷入这场生成式 AI 的风暴当中,几乎每个科技创业者也都试图寻找起飞的机会,半年融资两轮、一年估值破 10 亿美元的 “黄金时代” 似乎又回来了,a16z 创始人 Marc Andreessen 2011 年提出「软件在蚕食世界」(Software is eating the world),在 2023 年,大家谈论的话题变成了「人工智能蚕食世界」(AI is eating the world)。


然而,等到 2024 年,世界似乎依然是那个世界,我们的日常生活几乎没有因为人工智能发生任何变化,应用层面的 “iPhone 时刻” 始终只出现在各类演讲里,而非我们的手头上。

在技术端,大模型本身的能力也出现了诸多问题,GPT 5.0 迟迟未能发布,这让大家疑惑 Scaling Law 曲线是否正在放缓,进而质疑 Transformer 架构本身的潜力;大模型的「幻觉问题」也始终影响应用层面的落地,甚至有论文认为经过校准的语言模型必然会出现幻觉,与数据质量或者算法架构本身无关 —— 换言之,这几乎是个不可能解决的问题。

乐观者则认为,这些只是当技术爆炸真正进入日常世界时候,必然出现的缓冲期。

技术爆发时候,我们往往过于兴奋,以为未来正加速到来,不过,世界本身有自己的运作规律,需要基础设施来承接,需要应用层面来落地,甚至需要法律、道德和伦理层面做好更多准备。在外滩大会上,他们为自己的乐观能够找到充足的理由。

九月初,外滩大会在上海举办,上海黄浦世博园区也成了看见 AI 未来趋势的最重要窗口。有人在讨论它是否能够疏解孤独,也有人在讨论能否帮助缓解全球变暖,在展区里,依然有着众多带着创造力的人,来展示他们用 AI 设想的未来。我们对 AI 的悲观或者乐观,背后都隐含着我们对它的期待。

每个问题都是 AI 继续进化的契机。在外滩大会上,我们能够看到人工智能依然在发展,在论坛的讨论里,在每个展厅里,我们能够看到五年后 AI 的样貌。

「算力军备竞赛」可能不会结束, 但平衡成本和提升效率越发重要

2020 年,OpenAI 在一篇论文里提出 Scaling law,大意是大模型的性能与模型的具体结构 —— 深度、宽度和层数 —— 基本无关,主要由计算量、模型参数量和训练数据量三者的大小有关。

这一论断被称为 AI 领域的「摩尔定律」,也因为 OpenAI 的成功而成了很多从业者信奉的圭臬。在这一信念指引下,大模型的发展向着大算力、大参数和大数据的方向发展。先前的 AI 发展主要基于对各类模型的优化,而 Scaling Law 代表着一种新的范式:倘若有足够大的算力和数据,我们便能够解决人工智能发展的问题。

算力军备竞赛也由此开始。李飞飞团队新近发布的《人工智能指数报告》显示,最新人工智能模型的训练成本已经达到历史新高。GPT-4 的训练过程耗费了约 7800 万美元的计算资源,谷歌的 Gemini Ultra 模型的训练成本更是高达 1.91 亿美元。微软也启动「星际之门」超级计算机计划,预计投资将达到 1150 亿美元,而谷歌也迅速表示将在算力方面有更慷慨的投资。

烽火燃不息,倘若我们想要发展更好的大模型,在技术上继续有所突破,那么这场军备竞赛便不可能结束。不过,倘若目标是应用落地和商业闭环,那么落地部署的效率和成本与技术本身一样重要。于是,优化算力效率,提高数据质量,成了各个企业关注的焦点。

企业需要关注如何通过技术创新来实现算力的经济实用,以在不牺牲性能的情况下,控制投入成本,而异构计算是实现这一目标的关键技术之一。

异构计算是一种将不同类型和架构的计算单元,如 CPU、GPU、DSP、ASIC、FPGA 等,整合到一个系统中以提高计算性能和能效的技术,能够同时处理多种类型的计算任务,如图形处理、科学计算和 AI 推理,这使得它们非常适合现代数据中心和 AI 应用的需求。

异构计算优势明显。它可以协同多种计算单元,显著提高处理速度和系统吞吐量,尤其适用于大规模并行计算任务,并能将任务分配给最适合的计算单元执行,可以优化能源利用效率,降低数据中心的能耗。同时,异构计算支持灵活的硬件配置和软件编程,能够根据需求轻松扩展系统能力,开发者也能够根据算法需求选择最合适的硬件平台。

未来五年,异构计算需要逐步解决现有的问题,才能走向普及。异构计算需要开发者具备跨平台的编程和优化技能,缺乏统一的编程框架和标准,增加了开发难度,导致开发效率受限。此外,虽然长期来看成本更低,但初期硬件投资和研发成本相比现有成熟方案依然很高,需要大公司率先投入,促进应用。

比起大模型,小模型更可能诞生「大应用」

大约十五年前,移动互联网开始繁荣,也迎来了创业的黄金时代。与之相比,AI 时代创业更加艰难,首先因为成本更高,需要算力、数据、电力等外界条件,训练大模型所需要的资金,几乎没有草根创业者能够负担。在大模型领域,很可能会出现「赢家通吃」,最终只剩下几个主要的模型厂商。

不过,AI 是个庞大的生态,在算法、算力、数据和系统等领域都有着大量机会。

在外滩大会上,一个被讨论很多的机会是数据服务商。AI 大模型的性能在很大程度上取决于训练数据的规模和质量。数据数量的增加可以提供更多的样本,使模型能够学习到更多的特征和模式。如今 AI 发展的重要瓶颈,是现实世界的数据接近枯竭,而合成数据依然存在着很多问题,比如无法反映物理世界的复杂情况等。

于是,一批新型的数据服务商便可能成为 AI 时代的「卖水人」。它需要以更高的效率完成包括数据清洗、数据标注、数据整合和数据安全措施等方面的工作,确保数据的来源可靠、处理过程透明和结果可验证。高质量的数据为 AI 模型提供学习的基础,从而形成数据飞轮,推动其不断进化和改进。

更大的创业机会在应用端,尤其是在行业领域。不过,通往行业落地的大门可能并非大模型,而是小模型 / 端侧模型。

严格来说,「小模型」与「端侧模型」并不等同。小模型通常指的是参数规模远少于 GPT-3 或 Llama-13B 的大语言模型,如 1.5B、3B、7B 等;「端智能」则指的是部署在手机、电脑等用户设备上的模型,通常计算资源受限,无法直接运行大模型,于是也要特别设计新的模型。二者目标不同,不过终端设备能够流畅运行的,往往都是小模型,因此存在很多重合,我们也不做细致的区分。

小模型虽然参数规模小,不过往往专注于某一领域和任务的设计和优化,在这些方面可以达到甚至超过大模型的性能,如 Mistral-7B 模型在某些基准测试中超越了参数量更大的模型,显示出小模型在特定任务上的优势。

因为算力和能源消耗低,小模型更适合落地应用。在端侧,苹果在 iPhone 上使用的 DCLM 模型参数量为 70 亿。傅盛也曾提到,企业专用模型大概只需要百亿参数 —— 作为对比,GPT 4 的参数量高达 1.7 万亿。

小模型的发展将带来端智能的普及,未来五年率先落地的可能是一批「博士」水平的专业 AI。外滩大会上已经能看到不少很有潜质的产品雏形,涉及医疗、能源、教育等领域。借助这些专门化的 AI 工具,企业可以更容易地将 AI 技术集合到业务流程中,在行业中落地应用。

行业侧的落地应用也将有助于 AI 本身的进化。各个领域存在大量数据,在利用 AI 优化决策、提高效率的同时,AI 也能获得更高质量的数据,模型和算法也会不断演进与改变,从而推动整个人工智能领域的发展与成熟。

端智能可能是大模型的终局,但手机智能未必是

如今提到端侧模型,往往指的是手机,因为这是我们随手可触及的算力最强的设备,不过,手机可能只是端智能的过渡阶段。

手机智能的瓶颈很明显,首先是算力不足,但更重要的可能是内存不足。相比云端服务器,手机等设备的内存容量和存储空间都要小很多,但即便是小模型依然需要占用大量空间。

内存之外,能源和功耗问题也是一个问题。AI 计算过程功耗巨大,很容易导致电池电量不足,设备发热,甚至影响系统总体稳定性。

现在的解决方案一方面是提升手机性能,一方面则是设计更小的模型,以确保在有限的内存、算力、功耗限制下高效运行,如苹果便从 0 构建了专门的小模型,而非对现有的大模型来裁剪。

不过,长期来看,或许我们会有新的 AI Agent,成为人工智能时代下的新型终端形态。

我们期待的 AI Agent 并非简单地执行指令,而更像是具身智能理念在人工智能领域的具体体现,具有更高级别的自主性和智能,是能够在环境中自主行动、感知并做出决策的智能实体。

这意味着,AI Agent 不仅能够处理虚拟任务,还能够在物理世界中执行动作,提供更加丰富和直观的用户体验。这种结合也推动了人工智能在多个领域的创新应用,如自动驾驶汽车、智能家居、工业自动化等。

我们与 AI Agent 的交互方式也将发生新的变化。从早期的机器语言到图形用户界面(GUI)、手势控制,再到现在的全模态自然语言交互,人机交互的方式不断演进。全模态交互意味着机器可以通过多种方式(如语音、视觉、触觉等)理解和响应人类的指令,使得交互更加自然和直观。

随着交互方式的演进,机器不再仅仅是工具,而是能够提供陪伴、协助和情感支持的伙伴;应用入口也不再局限于传统的操作系统或应用程序界面,而是可以通过多种设备和场景进行交互。

这或许不会在 5 年的时间里发生,不过三到五年之后,更多人会拥有可以支持端

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

TPAMI 2024 | 计算机视觉中基于图神经网络和图Transformers的方法和最新进展

AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年,机器之心AIxiv专栏接收报道了2000多篇内容,覆盖全球各大高校与企业的顶级实验室,有效促进了学术交流与传播。


如果您有优秀的工作想要分享,欢迎投稿或者联系报道。投稿邮箱:liyazhou@jiqizhixin.comzhaoyunfeng@jiqizhixin.com

本篇综述工作已被《IEEE 模式分析与机器智能汇刊》(IEEE TPAMI)接收,作者来自三个团队:香港大学俞益洲教授与博士生陈超奇、周洪宇,香港中文大学(深圳)韩晓光教授与博士生吴毓双、许牧天,上海科技大学杨思蓓教授与硕士生戴启元。

近年来,由于在图表示学习(graph representation learning)和非网格数据(non-grid data)上的性能优势,基于图神经网络(Graph Neural Networks,GNN)的方法被广泛应用于不同问题并且显著推动了相关领域的进步,包括但不限于数据挖掘(例如,社交网络分析、推荐系统开发)、计算机视觉(例如,目标检测、点云处理)和自然语言处理(例如,关系提取、序列学习)。考虑到图神经网络已经取得了丰硕的成果,一篇全面且详细的综述可以帮助相关研究人员掌握近年来计算机视觉中基于图神经网络的方法的进展,以及从现有论文中总结经验和产生新的想法。可惜的是,我们发现由于图神经网络在计算机视觉中应用非常广泛,现有的综述文章往往在全面性或者时效性上存在不足,因此无法很好的帮助科研人员入门和熟悉相关领域的经典方法和最新进展。同时,如何合理地组织和呈现相关的方法和应用是一个不小的挑战。

论文标题:A Survey on Graph Neural Networks and Graph Transformers in Computer Vision: A Task-Oriented Perspective
论文地址:
https://arxiv.org/abs/2209.13232(预印版)
https://ieeexplore.ieee.org/document/10638815(IEEE 版)

尽管基于卷积神经网络(CNN)的方法在处理图像等规则网格上定义的输入数据方面表现出色,研究人员逐渐意识到,具有不规则拓扑的视觉信息对于表示学习至关重要,但尚未得到彻底研究。与具有内在连接和节点概念的自然图数据(如社交网络)相比,从规则网格数据构建图缺乏统一的原则且严重依赖于特定的领域知识。另一方面,某些视觉数据格式(例如点云和网格)并非在笛卡尔网格上定义的,并且涉及复杂的关系信息。因此,规则和不规则的视觉数据格式都将受益于拓扑结构和关系的探索,特别是对于具有挑战性的任务,例如理解复杂场景、从有限的经验中学习以及跨领域进行知识传递。

在计算机视觉领域,目前许多与 GNN 相关的研究都有以下两个目标之一:(1) GNN 和 CNN 主干的混合,以及 (2) 用于表示学习的纯 GNN 架构。前者通常旨在提高基于 CNN 的特征的远程建模能力,并适用于以前使用纯 CNN 架构解决的视觉任务,例如图像分类和语义分割。后者用作某些视觉数据格式(例如点云)的特征提取器。尽管取得了丰…

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

Anthropic安全负责人:在超级AI「毁灭」人类之前,我们可以做这些准备

2023 年,Anthropic 发布了负责任扩展策略(Responsible Scaling Policy,RSP),这是一系列技术和组织协议,Anthropic 将采用这些协议来帮助他们管理开发功能日益强大的 AI 系统。
图片
Anthropic 认为,AI 模型一方面变得越来越强大,创造巨大的经济和社会价值,另一方面也带来了严重的风险。


RSP 将专注于灾难性风险 —— 即人工智能模型直接造成大规模破坏的风险。此类风险可能来自故意滥用模型(例如恐怖分子用它来制造生物武器),也可能来自模型以违背其设计者意图的方式自主行动而造成破坏。

RSP 还定义了一个称为 AI 安全等级 (ASL,AI Safety Levels) 的框架,ASL 等级越高,其安全性证明就越严格。
图片

  • ASL-1 指的是不构成重大灾难风险的系统,例如 2018 年的 LLM 或只会下棋的 AI 系统。
  • ASL-2 指的是显示出危险能力早期迹象的系统(例如能够给出如何制造生物武器的指令),但这些信息由于可靠性不足或无法超越搜索引擎能提供的信息而没有太多用处。包括 Claude 在内的当前 LLM 似乎是 ASL-2。
  • ASL-3 指的是与非 AI 基线(例如搜索引擎或教科书)相比,大大增加了灾难性滥用风险的系统或显示出低级自主能力的系统。
  • ASL-4 及更高版本(ASL-5+)尚未定义,因为它与现有系统相差太远,但可能会涉及灾难性滥用潜力和自主性的质的升级。

一直以来,Anthropic 在为 AI 安全做着各种努力,「要做哪些技术工作才能使非常强大的人工智能的开发顺利进行?」近日,Anthropic 安全研究部门的负责人 Sam Bowman 在一篇博客中分享了他的观点。
图片

在开始讨论超级人工智能的风险之前,我有一些前提需要声明:
人工智能有望达到与人类相当的水平。这个阶段,我称之为变革性人工智能(TAI)。TAI 将有能力在所有适合远程工作的职业中替代人类,包括 AI 研发。
TAI 并不是人工智能能力的上限,未来可能会出现远超人类能力的系统,它们将对世界产生深远影响。在未来十年内,我们很有可能见证 TAI 的诞生,而那时的商业、政策和文化背景预计与当前相比不会有太大变化。
TAI 一旦实现,它将极大地加速人工智能的研发进程,可能在 TAI 出现后的几个月或几年内,我们就能看到…

阅读原文



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

「三人行」交友应用 Feeld 几乎将营业额翻倍至 3.95 亿英镑

一个针对非传统关系的交友应用在去年将其收入几乎翻了一番,因为非一夫一妻制、酷儿以及性取向特殊用户帮助这家总部设在英国的企业在全球范围内扩张。


Feeld 是由一对开放关系的企业家夫妇创立的,他们表示该应用的使命是从位于卡莱尔坎布里亚郡的注册办公室开始“提升人类性与关系体验”。近年来,应用在流行度上的增长,加上对多元化关系结构(如多夫多妻制)日益增长的兴趣,意味着去年是Feeld首次规模足够大,可以在英国公司注册局提交完整的财务报表。

这些报表显示,该公司的利润从240万英镑增至2023年底时的550万英镑,收入从2070万英镑增至3950万英镑。其中大部分收入现在来自英国以外,海外营业额达到3300万英镑。Feeld 全球范围内都可以免费下载,包括美国和澳大利亚,用户可以通过付费使用其全部服务。

该公司由出生于保加利亚的迪莫·特里福诺夫于2014年创立,之后与他的合伙人安娜·基罗娃,两人当时都居住在伦敦,讨论了开放他们的关系的事情。基罗娃从应用的初期阶段就参与其中,成为其首席执行官,并领导了一次改版工作,以及最初曾遭遇问题的技术升级 —— 公司表示这些问题现已得到解决。该应用还逐渐扩大到社交活动领域。

公司注册局的文件揭示了在2023年12月基罗娃接任首席执行官后 Feeld 的所有权结构发生变化。在2024年初,特里福诺夫转让了部分股权给基罗娃,使其持股比例降至50%以下。这位创始人仍持有公司中最大的股份,但他几乎一半的股份在2024年初被转让给了基罗娃,根据文件显示,基罗娃现在拥有近24%的股份。

在转让之前,报表显示,股东们在2023年分别获得40万英镑的股息,前一年为29万2923英镑。特里福诺夫在当时拥有略多于一半的股份。

基罗娃表示:“我不认同不惜一切代价增长的观念,我们不作为企业追求这一目标。我们通过不同渠道听取我们的会员意见,并尽最大努力以支持他们的个人旅程促进 Feeld 的增长。”

公司的增长代表了自2016年以来的一次反击,当时特里福诺夫警告称,来自 Match Group 旗下 Tinder 的诉讼可能迫使他裁员。当时,特里福诺夫指责 Tinder 对其创业公司“掏空核武器”,并指出 Tinder 本身之前是同性恋交友应用 Grindr,并且两者的名字只有几个字母的不同。

特里福诺夫最终被迫更改了应用的名称。自2016年以来,该公司的员工人数已从当时的8人增加到近50人。

探索更多相关主题
科技初创公司
交友应用
关系
坎布里亚
应用
卡莱尔
技术领域新闻
分享

可重用本内容。

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

SingleStore现在回到追逐中心

SingleStore的年度人工智能会议将包括新产品发布和实践课程,内容涉及构建下一代智能人工智能应用,特邀来自LlamaIndex、LiveRamp和AWS的演讲嘉宾。图片{ width=60% }


SingleStore,这款世界上唯一能让用户实时处理、分析和搜索数据的数据库,宣布将于2024年10月3日在旧金山的追逐中心举办其年度SingleStore Now会议。这一天的活动将聚焦企业数据和人工智能,提供实际演示、真实客户案例和网络环节,帮助与会者提升开发企业规模智能应用的能力。SingleStore还计划在活动上发布几项新产品。

SingleStore首席执行官Raj Verma表示:“在企业范围内扩展人工智能时,复杂性会束缚你。简单才是终极 sophistication,通过卓越设计征服复杂性才能实现。在SingleStore Now上,开发人员、工程师、架构师、首席技术官等将探索如何培育这种简单性并构建针对人工智能的数据库应用,对这个迅速发展的行业产生真正影响。”

现代数据应用提供可操作的洞察力,并推动令人难忘的用户体验 — 这一点由人工智能的迅速崛起更加明显。SingleStore Now将解决围绕成功开发智能应用的最紧迫问题,并邀请SingleStore的客户和合作伙伴、行业领袖和从业者参与,如LlamaIndex的联合创始人兼首席执行官Jerry Liu。

会议还将指导开发人员如何构建和扩展有影响力的企业级生成式人工智能应用,主题包括:满足低延迟要求的企业LLMs的运行与Groq;使用LlamaIndex构建多代理RAG;以及在没有图数据库的情况下构建世界上最大的身份图 — 与LiveRamp合作。

SingleStore很高兴在本次活动中邀请来自LangChain、LlamaIndex、LiveRamp、SAS和6Sense的演讲人。会议将重点介绍用户如何利用SingleStore推动创新,将人工智能能力整合到其系统和产品中。

SingleStore始终走在生成式人工智能创新的前沿,最近宣布与Apache Iceberg的本地集成,提供与Iceberg的双向集成、更快的向量搜索、增强的全文搜索、自动缩放和“自带云”部署。该公司还推出了dot_product Accelerator AI Program,面向亚太地区的人工智能初创企业,进一步推动其帮助企业开发世界一流人工智能应用的使命。

完整日程将于下周公布。要了解更多信息或注册会议,请访问 https://events.singlestore.com/singlestore-now-2024

额外资源:
注册SingleStore Now,请点击此处
免费试用SingleStore
关注SingleStore的X、LinkedIn和Instagram

探索AITechPark,了解人工智能、物联网、网络安全、AITech新闻的最新进展,以及来自行业专家的深度更新!

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

Kipu Health宣布收购Hatch Compliance

New acquisition enhances Kipu’s comprehensive platform with advanced compliance management solutions for behavioral health organizations
Kipu Health,作为行为健康技术解决方案的领先提供商,今天宣布收购领先的合规和风险管理软件提供商Hatch Compliance。图片{ width=60% }


这一战略性收购通过添加强大的治理、风险和合规(GRC)功能,增强了Kipu的全面服务套件,使行为健康组织能够自信地应对复杂的监管环境。
作为行为健康技术领域的值得信赖的顾问,Kipu一直提供支持整个患者旅程的解决方案,从利用CRM工具接触患者到通过EMR优化护理交付,并通过RCM解决方案确保财务可持续性。Hatch Compliance的加入进一步巩固了Kipu致力于提供一个满足行为健康组织多种需求的全方位平台的承诺。
Hatch Compliance以其尖端合规管理系统(CMS)和学习管理系统(LMS)而闻名,这些系统经过预配置,以符合The Joint Commission、CARF和各州法规设定的严格标准。通过自动收集可操作数据,Hatch显著降低了员工合规方面的行政负担,节省时间,减轻压力,同时提高运营效率和结果。此外,Hatch还提供合规咨询服务(CCS),指导治疗设施应对不断变化的监管环境。凭借这些全面的服务,Hatch已被确立为那些旨在保持最高护理和合规标准的行为健康组织的可信赖合作伙伴。
Kipu的首席执行官Carina Edwards兴奋地表示了对收购的期待:“在Kipu,我们始终在寻求支持我们的客户提供卓越护理的新途径。收购Hatch Compliance是我们赋能行为健康组织使命中的重大一步。通过将Hatch的合规专业知识与我们现有的技术平台相结合,我们为客户提供了目前最全面的解决方案,确保他们能够满足最高的监管合规标准,同时专注于真正重要的事项——患者护理。”
Hatch Compliance的首席执行官Mike Lifshotz也分享了他的热情:“加入Kipu大家庭标志着Hatch Compliance的新篇章。我们一直致力于帮助行为健康提供者应对合规复杂性。凭借Kipu的资源和共同愿景,我们现在能够为我们的客户提供更大价值。我们将继续创新,提供行为健康组织在日益受监管的环境中蓬勃发展所需的工具和支持。”
这一收购建立在Kipu和Hatch过去两年共同栽培的强大合作关系基础上,有助于市场持续提供增强的运营效率、患者安全和临床成果。随着行为健康行业的不断发展,Kipu承诺站在这一变革的最前沿。通过在其平台上提供Hatch Compliance的先进GRC解决方案,Kipu现在比以往任何时候都更有能力帮助客户应对监管合规的复杂性,降低风险,最终提高患者结果。

更多关于Kipu Health和Hatch Compliance的信息,请访问:info.kipuhealth.com/compliance。



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

Belden宣布与AWS IoT SiteWise Edge新集成

Combined offering makes it faster and easier to collect equipment telemetry data at the edge, contextualize it and send it to the Amazon Web Services (AWS) cloud for asset monitoring and predictive maintenance.图片{ width=60% }


Belden Inc. (NYSE: BDC), a leading global supplier of network infrastructure and digitization solutions, is pleased to announce an integration of its CloudRail software functionality with AWS IoT SiteWise. CloudRail, which Belden acquired in 2023, enables cloud-based device management that allows users to roll out, manage and update edge devices globally. Its fully managed solution pre-processes data locally before sending it to any cloud. This integration brings together AWS’ data services and CloudRail’s protocol management software for brownfield and greenfield data acquisition, providing customers with a complete data solution. The combined solution enables customers to effortlessly connect their industrial assets and sensors to the AWS cloud using CloudRail’s proven software capabilities. CloudRail is designed to streamline and standardize the discovery, acquisition and normalization of data from any industrial environments, delivering it in a ready-to-use format. The collected data is then seamlessly ingested into AWS IoT SiteWise Edge for local processing, monitoring and storage, while also being synchronized with AWS IoT SiteWise in the AWS cloud for enterprise-wide visibility and advanced analytics. Key benefits of the CloudRail and AWS IoT SiteWise Edge integration include: Accelerated Time-to-Value: CloudRail’s plug-and-play access to over 12,000 sensor definitions, combined with data normalization capabilities, significantly reduces the time and effort required to connect industrial assets to AWS IoT SiteWise, enabling customers to start leveraging their data within hours instead of weeks. Simplified Edge-to-Cloud Data Flow: With a single, unified solution, customers can seamlessly acquire, process and transfer data from the edge to the cloud, eliminating the need for complex integrations and ensuring data consistency throughout the journey. Scalable and Secure Device Management: CloudRail’s cloud-based device management capabilities enable customers to securely roll out, manage and update thousands of globally distributed edge devices from a centralized platform. Broad Asset and Protocol Support: CloudRail’s extensive library ensures compatibility with both modern and legacy industrial equipment. Modern machines can seamlessly connect via standard protocols like OPC-UA, while brownfield scenarios benefit from retrofitting old assets with secondary sensors. Additionally, Modbus enables efficient connectivity for devices such as energy meters. “The integration of CloudRail with AWS IoT SiteWise Edge provides our customers with a powerful and streamlined solution for industrial data acquisition and analysis,” said Matthew Wopata, Global Product Line Management Leader for Data Software Applications at Belden. “This marks the latest way Belden and its brands are helping companies around the world gather data at the edge so they can leverage it to improve processes and increase efficiency.” Setup of the CloudRail integration is streamlined for users: In a drop-down selection in the AWS Console, users can simply add CloudRail’s software as a data source for their IoT SiteWise Edge gateway. To set up the sensors, smart meters and OPC UA servers as field devices, users are directed to the CloudRail Device Management Cloud (DMC). Everything else is automatically done within AWS. This allows end users to benefit from the simplicity of the CloudRail solution without the need to deploy physical edge gateways. CloudRail’s new integration with AWS IoT SiteWise Edge, the latest collaboration between Belden and AWS, is now available to customers. To learn more, visit the AWS booth during the International Manufacturing Technology Show (IMTS), set for Sept. 9-14 in Chicago.



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