5月1日

Rabbit R1:爆款生成式AI硬件，销量突破10万台，拆完一看只是安卓app？

本周二，美国记者 Mishaal Rahman 曝光了知名生成式 AI 硬件 Rabbit R1 的细节，立即引来了科技圈的关注。几个月前，Humane、Rabbit 两家初创公司陆续推出他们的人工智能设备 ——Ai Pin 和 Rabbit R1。最初，一些人认为这些设备将开创可穿戴人工智能的新时代。然而，几个月过去了，对于这两款设备的争议逐渐增多。Rabbit R1 首次亮相是在 CES 2024 上，它是一款手掌大小的 AI 智能设备，售价 199 美元。其背后的研发公司 Rabbit 致力于基于大型行为模型（Large Action Model, LAM）研发下一代操作系统。R1 是一个完全独立的设备，主要通过自然语言进行驱动。小小设备五脏俱全，触摸屏、按钮、滚轮、麦克风、扬声器、360 度全景摄像头，支持蓝牙和 Wi-Fi，还支持 USB-C+SIM 卡槽。从参数上看，R1 的大小大约是 iPhone 的一半，重 115 克，它配备了 2.88 英寸的触摸屏，内置 2.3GHz 的联发科处理器，4GB 内存和 128GB 存储空间。然后是由硬件承载的软件和操作系统，它搭载的操作系统名叫 Rabbit OS，连接的云端 AI 不叫大语言模型，而被称为「大动作模型」，这种模型被描述为一种应用程序的通用控制器。来源：微信公众号【机器之心】

Meta和纽约大学等机构的研究者提出了一项「自我奖励方法」：「用 AI 训 AI」这事靠谱吗？

2024年初，Meta和纽约大学等机构的研究者提出了一项「自我奖励方法」，可以让大模型自己生成自己的微调数据。研究者对 Llama 2 70B 进行了三个迭代的微调，其生成的模型在 AlpacaEval 2.0 排行榜上优于 Claude 2、Gemini Pro 和 GPT-4 等现有大模型。Meta 提出的「自我奖励语言模型」（Self-Rewarding Language Models， SRLMs）是一种新型的语言模型，在训练过程中利用自身生成的反馈来自我提升。自我奖励语言模型不是被冻结，而是在 LLM 调整期间不断更新，避免了冻结奖励模型质量的瓶颈。自我奖励语言模型（SRLMs）的核心思想在于创建一个智能体，该智能体在训练期间集成了所需的全部能力，而非将任务分离为奖励模型和语言模型。这种方法允许通过多任务训练实现任务迁移，从而在预训练和后续训练中跟随指令并生成响应。来源：微信公众号【机器之心】

人大团队解决复杂时空场景的物体分割难题，能用于自动驾驶和影像分析

人民大学孙浩教授团队开展了一项研究，通过模仿人类的物体感知和直觉物理能力，本次研究旨在深入理解人类如何通过观察和交互来学习物理世界的规律。这不仅有助于解释人类的认知过程，对于开发能够模仿这些过程的更智能的人工智能系统也具有重要意义。该团队开始设计具体改进方向和初步的模型架构。基于初步设计的模型架构，他们进行了模型构建和初步测试。这需要在简单或公开的数据集上进行，以便快速验证改进方向的可行性。接着，他们在更广泛的数据集上进行深入实验，目的是全面验证研究假设的正确性，并精确地确定最优的模型结构。预计本次成果将能实现以下应用：其一，可用于自动驾驶。其二，可用于视觉监控。其三，可用于机器人技术。其四，可用于互动娱乐和游戏。其五，可用于影像分析。来源：微信公众号【DeepTech深科技】

大语言模型的深度比较：Mixtral 8x22B、Llama 3与Phi-3 (2024.4)

本文将深入比较三种领先的大语言模型——Mixtral 8x22B、Llama 3和Phi-3。这些模型不仅展示了人工智能技术的最新发展，也反映了在设计和部署这些高级系统时需要平衡的众多因素，如成本效率、多语言支持及其对环境的影响。训练数据利用的创新： Phi-3模型利用了数据选择的新方法，显著偏离传统的规模定律，这些规模定律表明更大的模型无变表现更好。通过精炼数据质量，这些模型能够与像GPT-3.5这样的更大模型相匹敌，但参数数量少得多。部署灵活性： Phi-3-mini为ONNX运行时优化，支持跨GPU、CPU和移动设备的多平台部署。其小型足迹允许在设备上本地部署，如智能手机，便于实现隐私、速度和资源效率至关重要的实时应用。安全性和可靠性： 每种模型都经过严格的安全评估和红队评审，确保抵御有害输出，并符合Microsoft的负责任AI原则。包括敏感性审查和根据部署反馈循环的持续改进。来源：微信公众号【VirtuOasis】

【每日 AI 学习】
唐僧师徒学 AI （让 AI 角色扮演）
点击链接查看 Kimi 智能助手的对话