Google DeepMind 和谷歌研究院首席科学家 Jeff Dean 在 X 上表示，由 Gemini Pro 模型提供支

Google DeepMind 和谷歌研究院首席科学家 Jeff Dean 在 X 上表示，由 Gemini Pro 模型提供支持的 Bard 首次亮相就在 Imsys 排行榜排名第二，超越了 GPT-4，Bard + Gemini Ultra 即将发布。 LMSYS Org 是一个开放的研究组织，由加州大学伯克利分校的学生和教师与加州大学圣地亚哥分校和卡耐基梅隆大学合作创立。 via 匿名 标签: #Bard #AI 频道: @GodlyNews1 投稿: @GodlyNewsBot

Bard现已在全球范围内采用Gemini Pro模型

Bard现已在全球范围内采用Gemini Pro模型 12 月，Google推出了新的生成式人工智能模型，包括旗舰版 Gemini Ultra、"精简版"Gemini Pro和专为在 Pixel 8 等设备上运行而设计的 Gemini Nano。与此同时，该公司还更新了 Bard 与 Gemini Pro 的英语对话。Google没有量化这些改进，但表示聊天机器人在理解和总结内容、推理、头脑风暴、写作和计划方面会有更好的表现。Bard 在后台经历了几次迭代。最初在 2023 年 2 月亮相时，它采用的是 LaMDA（对话应用语言模型）；今年晚些时候，它又更新了一个新模型，称为 PaLM 2；现在，由 Gemini Pro 支持的 Bard 将在 230 多个国家推出，这些名称和版本令人困惑。今年 9 月，Google推出了"双重检查"功能，利用Google搜索来评估其返回的结果是否与 Bard 生成的结果相似。当时，该功能只有英文版。现在，Google正在扩展对 40 多种语言的支持。此外，这家搜索巨头还通过 12 月份发布的 Imagen 2 模型引入了图像生成支持。目前，该功能仅支持英语。用户可以在聊天机器人界面上输入类似"创建一辆未来派汽车的图像"这样的查询。通过 Bard 图像生成的图像示例Google公司表示，Bard生成的图片将在像素中嵌入由DeepMind开发的SynthID数字水印。不过，你必须使用Google的工具来识别这些图像。今年 10 月，Google为Google Assistant注入了 Bard 的人工智能功能，这样用户就可以做一些事情，比如计划旅行或制定杂货清单。11 月，Google向青少年开放了英文版的 Bard，并对其进行了限制，防止 Bard 生成不安全的内容，如非法或有年龄限制的物质。 ... PC版： 手机版：

大型 AI 模型已可自动生成小型 AI 工具

大型 AI 模型已可自动生成小型 AI 工具 来自麻省理工学院、加州大学多个校区和 AI 科技公司 Aizip 的科学家团队表示，他们已经能够让大型人工智能模型（如 ChatGPT 运行的模型）基本上实现自我复制。 “目前，我们正在使用大型模型来构建小型模型，就像哥哥帮助弟弟进步一样。这是朝着 AI 自主进化迈出的第一步，”Aizip 首席执行官 Yan Sun 称，“也是首次证明 AI 模型能够自主创造其他 AI 模型。” 研究人员之一 Yubei Chen 补充说：“我们的技术是一个突破，因为我们首次设计了完全自动化的流程，可以在没有人工干预的情况下设计一个 AI 模型。”来源 ， 频道：@kejiqu 群组：@kejiquchat

狡猾的人工智能模型故意破坏训练图像以规避版权问题

狡猾的人工智能模型故意破坏训练图像以规避版权问题 Ambient Diffusion 是一种文本到图像的人工智能模型，它通过使用严重破坏的图像来保护艺术家的版权。文本到图像生成器的一个大问题是，它们能够复制用来训练它们的原创作品，从而侵犯艺术家的版权。根据美国法律，如果你创作了原创作品并将其"固定"为有形的形式，你就拥有了它的版权字面意思是复制它的权利。在大多数情况下，未经创作者授权，不得使用受版权保护的图片。今年5 月，Google母公司 Alphabet 遭到一群艺术家的集体版权诉讼，声称Google未经许可使用了他们的作品来训练其人工智能图像生成器 Imagen。Stability AI、Midjourney 和 DeviantArt（它们都使用了 Stability 的 Stable Diffusion 工具）也面临着类似的诉讼。为了避免这个问题，德克萨斯大学奥斯汀分校和加州大学伯克利分校的研究人员开发了一种基于扩散的生成式人工智能框架，该框架只对已损坏到无法识别的图像进行训练，从而消除了人工智能记忆和复制原创作品的可能性。扩散模型是一种先进的机器学习算法，它通过向数据集逐步添加噪声来生成高质量的数据，然后学习逆转这一过程。最近的研究表明，这些模型可以记忆训练集中的示例。这显然会对隐私、安全和版权产生影响。这里有一个与艺术品无关的例子：人工智能需要接受 X 光扫描训练，但不能记住特定病人的图像，否则就会侵犯病人的隐私。为了避免这种情况，模型制作者可以引入图像损坏。研究人员利用他们的环境扩散框架证明，只需使用高度损坏的样本，就能训练扩散模型生成高质量的图像。根据"干净"（左）和损坏（右）的训练图像生成的环境扩散输出结果上图显示了在使用损坏时图像输出的差异。研究人员首先用 CelebA-HQ 高质量名人图片数据库中的 3000 张"干净"图片对模型进行了训练。根据提示，该模型生成的图像与原图几乎完全相同（左图）。然后，他们使用 3000 张高度损坏的图像对模型进行了重新训练，其中多达 90% 的单个像素被随机屏蔽。虽然模型生成的人脸栩栩如生，但结果却大相径庭（右图）。UT奥斯汀分校计算机科学教授亚当-克里万斯（Adam Klivans）是这项研究的共同作者，他表示："从黑洞成像到某些类型的核磁共振成像扫描，基本上任何昂贵或不可能拥有全套未损坏数据的研究都会如此。"与现有的文本到图像生成器一样，其结果并非每次都完美无缺。关键是，艺术家们知道像 Ambient Diffusion 这样的模型不会记住并复制他们的原创作品，就可以稍稍放心了。它能阻止其他人工智能模型记住并复制他们的原始图像吗？不会，但这就是法院的职责所在。研究人员已将他们的代码和环境扩散模型开源，以鼓励进一步的研究。可在GitHub 上查阅。该研究发表在预印本网站arXiv 上。 ... PC版： 手机版：

实测发现Gemini的数据分析能力并不像Google声称的那么好

实测发现Gemini的数据分析能力并不像Google声称的那么好 但新的研究表明，这些模型实际上并不擅长这些事情。两项不同的研究调查了Google的Gemini模型和其他模型如何从海量数据中获得意义想想"战争与和平"长度的作品。这两项研究都发现，Gemini 1.5 Pro 和 1.5 Flash 很难正确回答有关大型数据集的问题；在一系列基于文档的测试中，这些模型只有 40% 50% 的时间给出了正确答案。"虽然像 Gemini 1.5 Pro 这样的模型在技术上可以处理较长的上下文，但我们看到很多案例表明，这些模型实际上并不能'理解'内容，"马萨诸塞大学阿默斯特分校博士后、其中一项研究的合著者 Marzena Karpinska 说。Gemini缺少上下文窗口模型的上下文或上下文窗口指的是模型在生成输出（如附加文本）之前考虑的输入数据（如文本）。一个简单的问题"谁赢得了 2020 年美国总统大选？- 可以作为上下文，电影剧本、节目或音频片段也是如此。随着上下文窗口的增加，可容纳文件的大小也会随之增加。Gemini 的最新版本可以接收多达 200 万个标记作为上下文。(标记"是原始数据的细分位，如"梦幻"一词中的音节"fan"、"tas"和"tic"）。这相当于大约 140 万个单词、2 个小时的视频或 22 个小时的音频这是所有商用模型中最大的语境。在今年早些时候的一次简报会上，Google展示了几个预先录制的演示，旨在说明Gemini长语境功能的潜力。其中一个演示让Gemini 1.5 Pro 搜索阿波罗 11 号登月电视直播的记录（约 402 页），查找包含笑话的引语，然后在电视直播中找到与铅笔素描相似的场景。Google DeepMind 研究副总裁 Oriol Vinyals 主持了这次简报会，他用"神奇"来形容这个模型。他说："[1.5 Pro]可以在每一页、每一个单词上执行此类推理任务。"但这可能有点夸张。在上述对这些能力进行基准测试的一项研究中，卡平斯卡与来自艾伦人工智能研究所和普林斯顿大学的研究人员一起，要求模型评估有关英文小说的真/假语句。研究人员选择了近期的作品，这样模型就无法依靠预知来"作弊"，而且他们还在语句中加入了具体细节和情节点，如果不阅读整本书，是无法理解这些细节和情节点的。Gemini 1.5 Pro 和 1.5 Flash 在阅读了相关书籍后，必须说出这句话的真假并说明理由。图片来源：UMass Amherst马萨诸塞大学阿默斯特分校研究人员对一本长度约为 26 万字（约 520 页）的书进行了测试，发现 1.5 Pro 在 46.7% 的时间内正确回答了真/假语句，而 Flash 仅在 20% 的时间内正确回答了真/假语句。这意味着硬币在回答有关这本书的问题时明显优于Google最新的机器学习模型。综合所有基准测试结果，两个模型的答题准确率都没有超过随机概率。卡平斯卡说："我们注意到，与那些通过检索句子层面的证据就能解决的问题相比，模型在验证那些需要考虑书中较大部分甚至整本书内容的主张时会遇到更多困难。从质量上讲，我们还观察到，模型在验证有关隐含信息的主张时也很吃力，这些隐含信息对人类读者来说是明确的，但在文本中并没有明确说明。"两项研究中的第二项由加州大学圣巴巴拉分校的研究人员共同完成，测试了 Gemini 1.5 Flash（而非 1.5 Pro）"推理"视频的能力，即搜索并回答有关视频内容的问题。合著者创建了一个图像数据集（例如，一张生日蛋糕的照片），并配以问题让模型回答图像中描述的对象（例如，"这个蛋糕上有什么卡通人物？）为了对模型进行评估，他们随机挑选了其中一张图片，并在其前后插入"干扰"图片，以创建类似幻灯片的片段。Flash 的表现并不尽如人意。在一项让模型从 25 张图片的"幻灯片"中转录 6 位手写数字的测试中，Flash 的转录正确率约为 50%。八位数字的准确率下降到 30%。"在实际的图像问题解答任务中，我们测试的所有模型似乎都特别困难，"加州大学圣塔芭芭拉分校的博士生、该研究的共同作者之一迈克尔-萨克森（Michael Saxon）表示，"少量的推理识别出一个数字在一个框架中并读取它可能就是让模型失效的原因"。这两项研究都没有经过同行评议，也没有对 Gemini 1.5 Pro 和 1.5 Flash 的 200 万标记上下文版本进行测试（这两项研究都对 100 万标记上下文版本进行了测试）。(这两个版本都测试了 100 万标记上下文的版本）而且，Flash 在性能方面并不像 Pro 那样强大；Google 将其宣传为低成本的替代品。尽管如此，这两件事还是让人们更加确信，Google从一开始就对Gemini的承诺过高，而实际效果却不尽如人意。研究人员测试的所有模型，包括 OpenAI 的GPT-4o和 Anthropic 的Claude 3.5 Sonnet，都表现不佳。但Google是唯一一家在广告中将语境窗口放在首位的模型提供商。萨克森说："根据客观的技术细节，简单地宣称'我们的模型可以接受 X 个词元'并没有错。但问题是，你能用它做什么有用的事情？"随着企业（和投资者）对生成式人工智能技术的局限性感到失望，这种技术正受到越来越多的关注。在波士顿咨询公司（Boston Consulting Group）最近进行的两项调查中，约有一半的受访者（均为 C-suite 高管）表示，他们并不指望人工智能生成技术能带来实质性的生产力提升，而且他们担心人工智能生成工具可能会导致错误和数据泄露。PitchBook 最近报告称，连续两个季度，生成式人工智能最早阶段的交易量出现下滑，从 2023 年第三季度的峰值骤降 76%。面对可以总结会议内容、虚构人物细节的聊天机器人，以及基本上等同于剽窃生成器的人工智能搜索平台，客户们正在寻找有前途的差异化产品。Google一直在追赶其人工智能生成器竞争对手，有时甚至是笨拙地追赶，它急切地想让Gemini的语境成为这些差异化因素之一。但现在看来，这个赌注还为时过早。卡平斯卡说："我们还没有找到一种方法来真正证明对长文档的'推理'或'理解'正在发生，而且基本上每个发布这些模型的小组都在拼凑他们自己的临时验证来做出这些宣称。在不了解长上下文处理是如何实现的情况下而公司并不分享这些细节很难说这些说法有多现实。"Google没有回应置评请求。萨克森和卡平斯卡都认为，要消除生成式人工智能的夸大宣传，就必须制定更好的基准，同时更加重视第三方的批评意见。萨克森指出，Google在其营销材料中大量引用的"大海捞针"（need in the haystack）是一种更常见的长语境测试方法，它只能衡量模型从数据集中检索特定信息（如姓名和数字）的能力，而不能回答有关这些信息的复杂问题。"所有科学家和大多数使用这些模型的工程师基本上都认为，我们现有的基准文化已经崩溃，"萨克森说，"因此，重要的是公众要明白，对这些包含'跨基准的通用智能'等数字的巨型报告，要慎重对待。" ... PC版： 手机版：

全球变暖背景下 干旱和半干旱地区的大气湿度并没有像预测的那样上升

全球变暖背景下 干旱和半干旱地区的大气湿度并没有像预测的那样上升 这项由美国国家科学基金会国家大气研究中心（NSF NCAR）领导的新研究的作者们还不清楚造成这种差异的原因。这项研究的第一作者、美国国家科学基金会 NCAR 科学家 Isla Simpson 说："影响可能会很严重。这是一个全球性问题，从我们的气候模型结果来看，这是完全出乎意料的"。辛普森和她的合著者说，需要进行后续研究，以确定水汽没有增加的原因。原因可能是水汽没有像预计的那样从地球表面进入大气层，或者以意想不到的方式在大气层中循环。也有可能是一种完全不同的机制造成的。新的研究表明，虽然世界上潮湿地区的水蒸气正在增加，但在一年中最干旱的月份，水蒸气的增加却没有预期的多。这项研究发表在本周的《美国国家科学院院刊》上。 这项研究得到了美国国家科学基金会、国家海洋和大气管理局以及美国能源部的资助。研究报告由来自加州大学洛杉矶分校、加州大学圣巴巴拉分校、康奈尔大学、北极熊国际组织和哥伦比亚大学的科学家共同撰写。令人惊讶的发现气候科学的一个基本规律是，大气层变暖时可以容纳更多的水汽。这就是所谓的克劳修斯-克拉皮隆关系，也是气候模型一直预测大气中的水汽会随着地球变暖而增加的原因。但是，当辛普森在 2020 年为美国国家海洋和大气管理局撰写一份关于美国西南部气候变化的报告时，她意识到那里的大气干燥程度远远超出了根据气候模型模拟的预期。出于好奇，辛普森和她的合著者对全球大气层进行了研究，以确定水蒸气的增加是否与气候预测相符。研究小组利用了从 1980 年到 2020 年的多种观测资料。其中包括气象站网络，以及根据气象气球和卫星等观测数据估算湿度的数据集。科学家们惊讶地发现，干旱和半干旱地区的水汽总体上保持不变，而不是像根据克劳修斯-克拉皮隆关系预计的那样，每升温 1摄氏度（1.8华氏度），水汽就会增加近 7%。美国西南部地区的水汽实际上有所减少，该地区的降水量长期减少。作者在新论文中写道："这与所有气候模型模拟相反，在气候模型模拟中，水汽上升的速度接近理论预期，甚至在干旱地区也是如此。鉴于水蒸气与野火、生态系统功能和极端温度之间的密切联系，必须解决这个问题，才能为世界干旱和半干旱地区提供可信的气候预测。"研究指出，这种情况正在导致水汽压力不足的增加，水汽压力不足是指大气中可容纳的水汽量与空气中实际存在的水汽量之间的差值。当水汽压力不足上升时，就会成为野火和生态系统压力的重要驱动因素。辛普森说："我们可能会面临比西南等干旱和半干旱地区预测的更高的风险，西南地区已经受到前所未有的水资源短缺和极端野火季节的影响。"她和她的同事发现，潮湿地区的情况更为复杂，在潮湿季节，大气中的水蒸气会像气候模型预测的那样增加。在最干旱的月份，这种增加在某种程度上趋于平稳，但并不像干旱和半干旱地区那样趋于平稳。寻找罪魁祸首至于为什么大气中的水汽没有像预期的那样在干旱地区增加，作者大致提出了两种可能性：从陆地表面转移到空气中的水汽量可能低于模型，或者大气将水汽输送到干旱地区的方式可能与模型不同。他们得出结论说，大气传输出现问题的可能性较小，因为这不一定能解释全球所有干旱和半干旱地区的共同现象，这些地区从不同的地方获得水分。因此，陆地表面最有可能是罪魁祸首。作者推测了几种可能的原因：与模型相比，现实中陆地向大气提供的水分可能更少；随着气候变暖，陆地的干燥程度可能超过预期；植物可能更有效地保持水分，向大气释放的水分更少。作者还考虑了观测数据存在误差的可能性。但他们认为这种可能性不大，因为这种差异与世界各地区的干燥程度密切相关，而且即使为了避免仪器变化造成的误差而将记录分成较短的时间段，也能持续发现这种差异。辛普森强调，需要进行更多的研究来确定原因。她说："要解决这个问题确实很棘手，因为我们没有对所有重要过程进行全球观测，无法了解水是如何从陆地表面转移到大气层的。但我们绝对需要弄清楚出了什么问题，因为情况并不像我们预想的那样，可能会对未来产生非常严重的影响。"编译来源：ScitechDaily ... PC版： 手机版：