搜索
自我纠错（Self Correction）能力，传统上被视为人类特有的特征，正越来越多地在人工智能领域，尤其是大型语言模型（LLMs）中得到广泛应用，最近爆火的OpenAI o1模型[1]和Reflection 70B模型[2]都采取了自我纠正的方法。
此时此刻，英伟达是全世界市值最大的公司（约3.48万亿美元），而生成式AI是驱动美国上涨的核心力量。
想象一下，使用人工智能比较两个看似毫无关联的创造——生物组织和贝多芬的《第九交响曲》。
大模型发展了这么久，AI 智能体们早就开始整顿职场了。
36氪获悉，近日， 深圳个元科技有限公司（以下简称“个元科技”）完成4600万美元B轮融资，本轮融资由 UP Partners 领投，融得资金将主要用于扩张市场、加大技术研发。
如今，机器人学习最大的瓶颈是缺乏数据。与图片和文字相比，机器人的学习数据非常稀少。目前机器人学科的主流方向是通过扩大真实世界中的数据收集来尝试实现通用具身智能，但是和其他的基础模型，比如初版的 StableDiffusion 相比，即使是 pi 的数据都会少七八个数量级。
在现代 AI 模型的快速迭代中，如何在保持模型精度的同时提升计算效率成为关键课题。尤其在大规模 AI 推理中，非结构化稀疏矩阵的计算效率低下成为难以突破的瓶颈。面对这一挑战，我们自主研发了 CROSS—— 一种创新的端到端稀疏编译优化方案，为 AI 推理带来细粒度稀疏计算的加速效果。
对大多数国家来说，出生率应该被视为他们需要解决的首要问题。如果你不创造新的生命，人类就不存在了，世界上所有的政策都没有意义。
一位AI从业者分享的14天学习路线图，涵盖大模型从基础到高级的主要关键概念！
哈佛斯坦福MIT等机构首次提出「精度感知」scaling law，揭示了精度、参数规模、数据量之间的统一关系。数据量增加，模型对量化精度要求随之提高，这预示着AI领域低精度加速的时代即将结束！