AI

700 座的大教室，相比去年增加一倍容量，仍然座无虚席：这就是麻省理工学院（MIT）计算机视觉课《Advances in Computer Vision》6.8300 在 2024 新学期的盛况。今年是四位教授，每人负责一部分课程：课程信息：https://advances-in-vision.github.io/index.html有网友评论说，能选上这课的学生太幸运了，每节都是计算机视觉顶会 CVPR Oral 的体验。对于很多人来说，其中最为期待的自然是新晋教授何恺明的课。MIT 电气工程与计算机科学系副教授

机器之能报道编纂：Sia效果确实没法和Sora比，但和其他敌手水平差不多。对于需要快速、低成本地建造商业推广视频的主体来说，又多了一个不错的选择。情绪的所有颜色，基于 Genmo 最新模型天生的作品视频链接：https://mp.weixin.qq.com/s/73spESo7dk-0Yy5AGL05pA"a dramatic black and white photo of a lighthouse at night, crashing waves on shore"https://mp.we

这是一篇关于 LPU 的简单科普。在如今的人工智能领域，「GPU is All You Need」已经逐渐成为共识。没有充足的 GPU，连 OpenAI 都不能轻易升级 ChatGPT。不过最近，GPU 的地位也在经受挑衅：一家名为 Groq 的初创公司开发出了一种新的 AI 处置器 ——LPU（Language Processing Unit），其推理速率相较于英伟达 GPU 提高了 10 倍，老本却降低到十分之一。在一项展示中，LPU 以每秒超过 100 个词组的惊人速率执行了开源的大型

2024年2月28日，Stability AI在其官方社交账号上宣布与领先的text-to-video公司Morph AI告竣分工，双方基于各自的模型优势，共同推出了一款all-in-one（一体式AI视频创作）的创造对象——MorphStudio。该对象将颠覆保守视频创造过程，具备了让创作者可以在一个界面中完成天生、剪辑和后期等的便利功能，支持创作者调用AI模型选择每一个镜头并达到最佳效果。较保守视频创造过程而言，该对象可以极小的帮助创作者缩短创作时间，降低创作成本。与此同时，在双方的创作者社区中，每一个创作者都

近日，IEEE 尺度协会（IEEE-SA）正式宣布并推行了由我国企业主导的环球首个隐衷较量争论一体机国际尺度《隐衷较量争论一体机技巧要求》（IEEE 3156-2023）。IEEE-SA是权威国际尺度订定机构，该尺度的成功宣布意味着中国的隐衷较量争论技巧与应用摸索受到国际高度认可，可为环球提供参照方案。（图：IEEE尺度协会官网宣布“隐衷较量争论一体机技巧要求”国际尺度）隐衷较量争论一体机作为隐衷较量争论产业落地的重要技巧摸索，通过软硬件结合方式构建从硬件、固件、操作系统到应用软件的一站式隐衷爱护较量争论解决方案，提供

「欧洲版 OpenAI」的「最强开源大模型」，被微软收编了。生成式 AI 领域，又有重量级产品出现。周一晚间，Mistral AI 正式颁布了「旗舰级」大模型 Mistral Large。与此前的一系列模型不同，这次 Mistral AI 颁布的版本功能更强，体量更大，直接对标 OpenAI 的 GPT-4。而新模型的出现，也伴随着公司大方向的一次转型。随着 Mistral Large 上线，Mistral AI 推出了名为 Le Chat 的聊天助手（对标 ChatGPT），任何人都可以试试效果。试用链接：htt

图象天生、视频天生、整合语音合成的人脸动画、天生三维的人物活动以及 LLM 驱动的东西…… 一切都在这篇文章中。天生式 AI 已经成为互联网的一个重要内容来源，现在你能看到 AI 天生的文本、代码、音频、图象以及视频和动画。今天我们要介绍的文章来自立陶宛博主和动画师 aulerius，其中按层级介绍和分类了动画领域应用的天生式 AI 手艺，包括简要介绍、示例、优缺点以及相关东西。他写道：「作为一位动画建造者，我希望一年前就有这样一份资源，那时候我只能在混乱的互联网上自行寻找可能性和不断出

自注意力是 LLM 的一大核心组件。对大模型及相关应用开发者来说，理解自注意力非常重要。近日，Ahead of AI 杂志运营者、机器学习和 AI 研究者 Sebastian Raschka 发布了一篇文章，介绍并用代码从头实现了 LLM 中的自注意力、多头注意力、交叉注意力和因果注意力。太长不看版这篇文章将介绍 Transformer 架构以及 GPT-4 和 Llama 等大型语言模型（LLM）中利用的自注意力体制。自注意力等相关体制是 LLM 的核心组件，因此如果想要理解 LLM，就需要理解它们。不仅如此，这

本文介绍了实现一个稀少混合大师语言模型（MoE）的方法，详细解释了模型的实施过程，包括采用稀少混合大师取代传统的前馈神经网络，实现 top-k 门控和带噪声的 top-k 门控，以及采用 Kaiming He 初始化技术。作者还说明了从 makemore 架构保持不变的元素，比如数据集处理、分词预处理和语言建模任务。最后还提供了一个 GitHub 仓库链接，用于实现模型的整个过程，是一本不可多得的实战教科书。内容简介在混合大师模型 Mixtral 发布后，混合大师模型（MoE）越来越受到人们的关注。在稀少化的混合专

深度强化进修（Deep Reinforcement Learning，DRL）是一种公认的解决连续决策问题的有效技术。为了应对 DRL 的数据低效（data inefficiency）问题，受到分布式机器进修技术的启发，分布式深度强化进修 (distributed deep reinforcement learning，DDRL) 已提出并成功应用于盘算机视觉和自然语言处理领域。有观点认为，分布式强化进修是深度强化进修走向大规模应用、解决复杂决策空间和长期规划问题的必经之路。分布式强化进修是一个综合的研究子领域，需