AI 资讯简报 2023-03-01 12时

💬 DeepMind致力于负责任地开创人工智能未来，确保其受益于所有人。

📰 微软发布了Windows 11更新，将新的AI-powered Bing搜索添加到任务栏中，并加入了Phone Link for iOS、屏幕录制、记事本选项卡等功能。

💬 iOS 快捷方式调用 OpenAI API，帮助用户整理思路和发送电子邮件。

💬 作者开始设置一些新的AI自动化，并分享了一款新工具。感兴趣的读者可以联系作者获取创始人信息。

💬 LLM代币是语言智能的单位，Web3代币是去中心化所有权的单位，将这两种代币结合起来可以成为社区驱动的LLM培训的未来，拥有强大的激励机制。我们需要一种基础设施，使LLM能够随着社区的扩大而扩展。GPT-JT是分布式培训的一个很好的例子。

💬 这篇文章介绍了一款能够从简单的英语描述中自动生成用户界面设计的人工智能产品。

📰 谷歌研究部门在2022年及以后的发展方向是加强与研究社区的合作，包括解决社会问题、培养新一代研究人员、推动科学创新、促进产品工程创新、开放数据集和工具等方面。该文主要介绍了谷歌研究部门与印度ARMMAN机构合作研发预防保健信息系统的例子，以及谷歌研究部门与其他机构合作培养新一代研究人员的举措。此外，该文还提到谷歌研究部门积极参与推动公平、可解释性、隐私和安全等议题的研究，以及支持建立全球范围内的负责任的人工智能中心的计划。

📰 Typeface是一家提供生成式AI营销工具的初创公司，从匿名状态中现身，并获得了来自Lightspeed Venture Partners、GV、M12和Menlo Ventures的6500万美元融资。

📰 本文介绍了学习和掌握提示工程的重要性，以及提示工程与生成AI工具之间的关系。

📰 本文探讨了使用生成AI工具时掌握提示工程的重要性，介绍了提示工程与生成AI的关系，是一篇关于提示工程艺术与科学的文章。

📰 Google现在让搜索数据集更容易。当用户在Google搜索中搜索数据集时，他们可以找到一个专门突出数据集描述页面的部分，也可以通过点击“更多数据集”进入Dataset Search来探索更多数据集。 Dataset Search是一个专门针对数据集的搜索引擎，它支持搜索来自超过13,000个网站的超过4500万个数据集。用户可以查看数据集的元数据，并在可用时预览数据。然后，用户可以通过链接转到托管数据集的数据存储库。为了确保自己的数据集能够被搜索到，作者或提供者应该发布可发现的数据集，并指定其他人如何重复使用数据。

💬 OpenAI成功上市会吸引热钱涌入并加速AI发展

💬 ChatGPT的工程进展受到瓶颈限制，但有很酷的计划。如果你擅长做不可能的事情，可以通过发送能力证明到[email protected]加入他们。

💬 在推特上的讨论中，@0xAlbert_S3提到了他想要微调嵌入到文本模型，但由于OpenAI生成的向量具有1536维，超过了微调的2k限制，他询问了解决方法。另一位用户建议将英语词典嵌入，提取前100个结果作为输入进行微调。

💬 ChatGPT让我对Windows更新感到兴奋，Windows有可能成为第一个以人工智能为先的操作系统，未来版本中我们可以通过对话栏与文件夹对话并完成工作，不用打开任何文件。本次更新包括了新的AI powered Bing等功能和触摸、可访问性等方面的改进。

💬 部分企业核心竞争力不在AI领域，但仍可利用AI提高效率，增收节支，加强垄断地位，成为赢家之一。类似90年代后期的消费类企业，如Proctor & Gamble, Walmart, Coca Cola等，也有机会成为这波AI浪潮的赢家之一。

💬 互联网、移动互联网和人工智能的效率提升

📰 Meta将于2025年发布带有显示屏的智能眼镜和神经接口智能手表，以及于2027年发布AR眼镜。此前还将发布三款新的Quest头戴式显示器。

💬 基于ChatGPT的摘要能力，今日头条推出用户刷摘要、围绕摘要做UGC的新一代产品，140字摘要比标题更适合消费，提升用户基数和活跃度，激励用户修正摘要，提升内容质量和模型能力。

💬 GPT有很大的潜力可挖掘，摘要技术可以用来提高个人生产力和大众消费产品的效率，具体还要看产品定位。

📰 CodaMetrix利用人工智能自动将患者记录翻译成医疗保健提供者的代码，筹集了5500万美元的A轮融资，由SignalFire领导。

💬 研究语言模型如何变得聪明，分析缺点并提醒自己避免。

💬 祝贺 @SurajNair_1 成功博士毕业并介绍了他的工作，包括使用 R3M 模型、生成模型规划长时序任务的子目标以及离线 RL 数据收集。

💬 ECON是一款类似ICON的软件，可以从单张图像中提取出更好、更详细的3D人形，并具有各种不同姿势的特点。它可以进行详细的穿衣恢复，无需使用隐式MLP或数据驱动学习，并且可以保持姿态的稳健性而不牺牲拓扑灵活性。

💬 SMPL-X模型能够很好地捕捉身体表面并可以轻松地进行动画处理，但不能模拟服装；NeRF模型可以模拟服装的复杂表面和外观，但难以扩展到关节的身体部位；SCARF结合了这些表示方法。

💬 新的神经化身论文正在涌现，它们将身体、衣服和头发视为单个隐式体积，但是#SMPL等现有参数化网格可以很好地表示身体。#SNARF结合了神经网络和网格表示，兼具两者优点。

💬 SCARF通过使用SMPL-X对身体进行建模并添加学习到的位移来从衣物中分离出3D身体。同时，该技术还使用神经网络模拟身体和衣物的外观。

💬 SCARF构建了NeRF服装和SMPL-X网格身体模型的混合模型，可以用于虚拟试穿和改变身体形状、动画姿势。

💬 使用混合渲染技术从图像序列训练模型，修改 NeRF 渲染，同时处理光辐射场和 3D 网格，并使用混合网格/NeRF 表示，沿着光线积分直到撞到物体表面停止。