全部新闻
Google被Chegg对AI概述造成了损害的流量和收入
2025-02-24 23:10:00
一家教育技术公司Chegg已针对Google提起诉讼，以推出AI概述（AIO），Chegg声称这损害了其交通，收入和劳动力。该投诉是在美国哥伦比亚特区地方法院提起的，他认为Google的AIO将其从搜索引擎转变为答案引擎，显示了AI生成的内容来自Chegg等第三方网站，而没有为这些来源提供经济利益。Chegg声称，这导致非补贴者流量大幅下降，并对互联网搜索和数字出版行业产生了更广泛的影响。
一家教育技术公司Chegg已针对Google提起诉讼，以推出AI概述（AIO），Chegg声称这损害了其交通，收入和劳动力。该投诉是在美国哥伦比亚特区地方法院提起的，他认为Google的AIO将其从搜索引擎转变为答案引擎，显示了AI生成的内容来自Chegg等第三方网站，而没有为这些来源提供经济利益。Chegg声称，这导致非补贴者流量大幅下降，并对互联网搜索和数字出版行业产生了更广泛的影响。
NTT数据CDAO：C-Suite领导者对Genai有“焦虑”，仍然可以全力以赴|pymnts.com
2025-02-24 23:08:27
企业正在迅速采用生成AI（Genai）来获得竞争优势，这是由生产力和效率收益驱动的。但是，C-Suite领导者面临着负责任地进行创新的挑战，同时确保隐私和合规性。NTT数据的安德鲁·威尔斯（Andrew Wells）指出，高管认为Genai对业务转型至关重要，但必须在创新与安全问题之间取得平衡。尽管数据泄漏和监管审查等潜在问题，但对Genai的需求很高，公司的用例“积压”等待解决。NTT数据预测到2027年，仅靠其智能AI代理工具将获得20亿美元的收入。随着Genai的商品化，重点转向在现有模型上构建应用程序，而不是从头开始创建新的模型。GraphRag和治理层之类的技术被用于减轻诸如幻觉之类的问题，但主要重点仍然是竞争优势的创新。
企业正在迅速采用生成AI（Genai）来获得竞争优势，这是由生产力和效率收益驱动的。但是，C-Suite领导者面临着负责任地进行创新的挑战，同时确保隐私和合规性。NTT数据的安德鲁·威尔斯（Andrew Wells）指出，高管认为Genai对业务转型至关重要，但必须在创新与安全问题之间取得平衡。尽管数据泄漏和监管审查等潜在问题，但对Genai的需求很高，公司的用例“积压”等待解决。NTT数据预测到2027年，仅靠其智能AI代理工具将获得20亿美元的收入。随着Genai的商品化，重点转向在现有模型上构建应用程序，而不是从头开始创建新的模型。GraphRag和治理层之类的技术被用于减轻诸如幻觉之类的问题，但主要重点仍然是竞争优势的创新。
2025-02-24 23:05:00
AI模型预测脑衰老速度可以检测认知能力下降 - 神经科学新闻
2025-02-24 23:00:00
本文强调了使用深度学习技术，特别是三维卷积神经网络（3D-CNN）的进步，以非侵入性地量化了纵向MRI数据的大脑衰老的速度。这项研究之所以重要，是因为它解决了依赖横断面措施或基于血液的DNA甲基化分析的传统方法的局限性，这些分析并不能准确反映神经解剖学变化的最新趋势。###关键点：1。**量化脑老化速度（P）：** - 与传统的横截面方法（如脑年龄估计）相比，纵向MRI数据更好地捕获了脑老化的速度，被纵向MRI数据更好地捕获。2。**深度学习模型：** - 在认知正常（CN）成年人的大型MRI扫描数据集上开发并培训了3D-CNN模型。该模型的目的是通过分析随着时间的时间分析变化来估计\（p \），即大脑老化的速度。3。**性能指标：** - 纵向模型（LM）在预测\（p \）方面达到了0.16年的平均绝对误差（MAE），表明高精度。 - 相反，现有的横截面模型的MAE为1。85年，表明精度明显降低。4。**可解释的显着图：** - 该模型与显着图方法结合使用，以确定大脑衰老速度根据性，生命十年和神经认知状况等因素而变化的区域。5。**神经认知相关：** - \（p \）之间存在显着关联，并且在各个领域之间的认知功能变化，这表明该措施可以预测随着个体年龄的增长而不利的认知变化。###含义：1。**早期发现神经退行性疾病：** - 在出现症状之前检测到比正常脑衰老的速度更快的能力可以帮助识别高风险的个体，例如阿尔茨海默氏病等疾病。2。**个性化医学和预防：** - 识别较早的人可能会及时开始预防性治疗，并有可能改善结果。3。**了解生物途径：** - 研究基于遗传，环境和生活方式因素的大脑衰老速度的区域变化可以提供有关不同病理发展方式的见解。4。**增强风险评估工具：** - 将\（P \）与其他风险评估工具相结合，可以为预测阿尔茨海默氏病进展提供更全面的方法。###未来方向：1。**风险预测模型：** - 开发模型，这些模型可以根据大脑衰老的速度估算个人患神经退行性疾病的风险，这可能为个性化的预防策略铺平道路。2。**较大的队列研究：** - 将研究扩展到更大，更多样化的人群可以帮助验证不同人口统计学的发现并提高预测精度。3。**与其他生物标志物集成：** - 将来自其他生物标志物（例如脑脊液，血液检查）的数据与MRI数据一起融合在一起，可以更全面地了解脑健康和衰老过程。＃＃＃ 结论：这项研究代表了使用先进的机器学习技术更好地理解和量化大脑衰老速度的重要一步。通过利用纵向MRI数据，研究人员可以为认知能力下降和神经退行性疾病提供更准确的预测，为早期干预和个性化的护理策略铺平了道路。
本文强调了使用深度学习技术，特别是三维卷积神经网络（3D-CNN）的进步，以非侵入性地量化了纵向MRI数据的大脑衰老的速度。这项研究之所以重要，是因为它解决了依赖横断面措施或基于血液的DNA甲基化分析的传统方法的局限性，这些分析并不能准确反映神经解剖学变化的最新趋势。###关键点：1。**量化脑老化速度（P）：** - 与传统的横截面方法（如脑年龄估计）相比，纵向MRI数据更好地捕获了脑老化的速度，被纵向MRI数据更好地捕获。2。**深度学习模型：** - 在认知正常（CN）成年人的大型MRI扫描数据集上开发并培训了3D-CNN模型。该模型的目的是通过分析随着时间的时间分析变化来估计\（p \），即大脑老化的速度。3。**性能指标：** - 纵向模型（LM）在预测\（p \）方面达到了0.16年的平均绝对误差（MAE），表明高精度。 - 相反，现有的横截面模型的MAE为1。85年，表明精度明显降低。4。**可解释的显着图：** - 该模型与显着图方法结合使用，以确定大脑衰老速度根据性，生命十年和神经认知状况等因素而变化的区域。5。**神经认知相关：** - \（p \）之间存在显着关联，并且在各个领域之间的认知功能变化，这表明该措施可以预测随着个体年龄的增长而不利的认知变化。###含义：1。**早期发现神经退行性疾病：** - 在出现症状之前检测到比正常脑衰老的速度更快的能力可以帮助识别高风险的个体，例如阿尔茨海默氏病等疾病。2。**个性化医学和预防：** - 识别较早的人可能会及时开始预防性治疗，并有可能改善结果。3。**了解生物途径：** - 研究基于遗传，环境和生活方式因素的大脑衰老速度的区域变化可以提供有关不同病理发展方式的见解。4。**增强风险评估工具：** - 将\（P \）与其他风险评估工具相结合，可以为预测阿尔茨海默氏病进展提供更全面的方法。###未来方向：1。**风险预测模型：** - 开发模型，这些模型可以根据大脑衰老的速度估算个人患神经退行性疾病的风险，这可能为个性化的预防策略铺平道路。2。**较大的队列研究：** - 将研究扩展到更大，更多样化的人群可以帮助验证不同人口统计学的发现并提高预测精度。3。**与其他生物标志物集成：** - 将来自其他生物标志物（例如脑脊液，血液检查）的数据与MRI数据一起融合在一起，可以更全面地了解脑健康和衰老过程。＃＃＃ 结论：这项研究代表了使用先进的机器学习技术更好地理解和量化大脑衰老速度的重要一步。通过利用纵向MRI数据，研究人员可以为认知能力下降和神经退行性疾病提供更准确的预测，为早期干预和个性化的护理策略铺平了道路。
2025-02-24 22:01:50
2025-02-24 20:50:18
2025-02-24 20:07:00
这个男人说神经网络可能已经有意识的男人，这家300亿美元的AI创业公司很奇怪
2025-02-24 19:54:05
Ilya Sutskever的新企业安全超级智能已筹集了10亿美元，并在没有提供任何产品的情况下达到了300亿美元的估值。该公司计划创建安全的超智能AI，但尚未详细介绍如何与该领域的其他人区分开。评论家认为，人工通用情报（AGI）仍然遥不可及，引发了有关公司雄心勃勃的目标和估值的疑问。
Ilya Sutskever的新企业安全超级智能已筹集了10亿美元，并在没有提供任何产品的情况下达到了300亿美元的估值。该公司计划创建安全的超智能AI，但尚未详细介绍如何与该领域的其他人区分开。评论家认为，人工通用情报（AGI）仍然遥不可及，引发了有关公司雄心勃勃的目标和估值的疑问。
6常见的LLM自定义策略简要解释|迈向数据科学
2025-02-24 19:27:50
###摘要：自定义大型语言模型（LLMS）本文概述了定制大型语言模型（LLM）的六种基本策略，以更好地适合特定用例和要求：1。**提示工程**：制作提示，使用令牌化，前缀调整，软提示令牌和人类在循环的反馈中，从LLM中引起LLM的所需响应。2。**解码策略**：修改推理期间的解码过程（例如，光束搜索，顶部K采样）来控制输出长度，多样性和相关性。3。**检索提升的生成（RAG）**：通过集成外部知识源（文档或数据库）来增强模型性能，使用诸如跨编码器评分的技术来进行文档检索和动态的上下文感知提示。4。**基于代理的自定义**：利用代理来管理与LLMS的交互，处理任务，诸如任务分解，及时优化和基于特定于代理的要求进行微调。5。**微调**：使用培训数据集，超参数和评估指标将预训练的模型调整为特定领域或任务。讨论了教学微调和域适应性等技术。6。**从人类反馈（RLHF）学习的强化学习**：通过使用偏好数据集和奖励模型，通过增强学习基于人类偏好的微调LLM。RLHF有助于将模型响应与人类价值保持一致，但需要大量注释的数据和计算资源。###关键要点 - 每个策略都有独特的优势和缺点。 - 实施这些策略涉及选择正确的工具和库（例如，拥抱Face的微调变压器，用于rlhf的TRL库）。 - 提供了实际示例来说明如何有效地应用每种自定义方法。###实施示例1。**提示工程**： - 令牌化：将提示分解为令牌序列。 - 前缀调整：仅对模型的及时层进行微调。 - 软提示令牌：推理过程中动态修改提示令牌。2。**解码策略**： - 光束搜索：生成多个候选输出，并根据评分函数选择最佳的输出。 - TOP-K采样：根据其概率从顶部K中选择接下来的单词。3。**检索演说一代（抹布）** - 跨编码器评分：使用跨编码器模型在查询和文档之间获得相关性。 - 动态提示生成：使用检索的文档创建上下文感知提示。4。**基于代理的自定义**： - 任务分解：将复杂的任务分解为更简单的子任务，以通过LLMS有效处理。 - 及时优化：针对特定于特定域或应用程序的性能的微调特定提示。5。**微调**： - 使用拥抱Face的“ Trainer”课程通过培训数据集，超参数（例如学习率）和评估指标来实施微调。6。**从人类反馈（RLHF）学习的强化**： - 利用TRL库的RLHF的PPO培训师，包括设置基本模型和令牌，配置PPO超级参数以及迭代用奖励更新模型。###实用应用 - 了解这些策略有助于根据特定项目需求选择最合适的方法。 - 组合多种自定义技术可以导致针对各种用例量身定制的更强大，有效的LLM应用程序。通过探索和实施这些自定义，开发人员可以增强LLMS与预期目的的性能和一致性，从而使其更有效地用于广泛的应用程序。
###摘要：自定义大型语言模型（LLMS）本文概述了定制大型语言模型（LLM）的六种基本策略，以更好地适合特定用例和要求：1。**提示工程**：制作提示，使用令牌化，前缀调整，软提示令牌和人类在循环的反馈中，从LLM中引起LLM的所需响应。2。**解码策略**：修改推理期间的解码过程（例如，光束搜索，顶部K采样）来控制输出长度，多样性和相关性。3。**检索提升的生成（RAG）**：通过集成外部知识源（文档或数据库）来增强模型性能，使用诸如跨编码器评分的技术来进行文档检索和动态的上下文感知提示。4。**基于代理的自定义**：利用代理来管理与LLMS的交互，处理任务，诸如任务分解，及时优化和基于特定于代理的要求进行微调。5。**微调**：使用培训数据集，超参数和评估指标将预训练的模型调整为特定领域或任务。讨论了教学微调和域适应性等技术。6。**从人类反馈（RLHF）学习的强化学习**：通过使用偏好数据集和奖励模型，通过增强学习基于人类偏好的微调LLM。RLHF有助于将模型响应与人类价值保持一致，但需要大量注释的数据和计算资源。###关键要点 - 每个策略都有独特的优势和缺点。 - 实施这些策略涉及选择正确的工具和库（例如，拥抱Face的微调变压器，用于rlhf的TRL库）。 - 提供了实际示例来说明如何有效地应用每种自定义方法。###实施示例1。**提示工程**： - 令牌化：将提示分解为令牌序列。 - 前缀调整：仅对模型的及时层进行微调。 - 软提示令牌：推理过程中动态修改提示令牌。2。**解码策略**： - 光束搜索：生成多个候选输出，并根据评分函数选择最佳的输出。 - TOP-K采样：根据其概率从顶部K中选择接下来的单词。3。**检索演说一代（抹布）** - 跨编码器评分：使用跨编码器模型在查询和文档之间获得相关性。 - 动态提示生成：使用检索的文档创建上下文感知提示。4。**基于代理的自定义**： - 任务分解：将复杂的任务分解为更简单的子任务，以通过LLMS有效处理。 - 及时优化：针对特定于特定域或应用程序的性能的微调特定提示。5。**微调**： - 使用拥抱Face的“ Trainer”课程通过培训数据集，超参数（例如学习率）和评估指标来实施微调。6。**从人类反馈（RLHF）学习的强化**： - 利用TRL库的RLHF的PPO培训师，包括设置基本模型和令牌，配置PPO超级参数以及迭代用奖励更新模型。###实用应用 - 了解这些策略有助于根据特定项目需求选择最合适的方法。 - 组合多种自定义技术可以导致针对各种用例量身定制的更强大，有效的LLM应用程序。通过探索和实施这些自定义，开发人员可以增强LLMS与预期目的的性能和一致性，从而使其更有效地用于广泛的应用程序。
2025-02-24 18:43:31