盖茨认为 AI 带来的风险是可管理的

盖茨认为AI带来的风险是可管理的微软联合创始人认为AI的风险是真实的但同时也是可管理的。比尔盖茨在其个人博客上称：AI引起的很多问题在历史上是有先例的，比如手持计算器和计算机；AI引起的很多问题能在AI帮助下处理；我们需要改变旧法律采用新法律。盖茨认为政府需要迅速行动起来。他认为AI能被训练去识别自己的幻觉，AI工具能被用于堵上AI识别的安全漏洞和其它漏洞，不会出现全球性的AI军备竞赛，但需要一个类似监管核武器的国际原子能机构的全球AI机构。盖茨鼓励每一个人都关注AI的发展，认为它是我们一生中能目睹的最具有变革意义的创新。健康的公共辩论取决于每个人对AI及其利弊和风险的理解。来源，来自：雷锋频道：@kejiqu群组：@kejiquchat投稿：@kejiqubot

Weixin-Dyh-AI：将微信订阅号接入AI的后台管理系统

Weixin-Dyh-AI：将微信订阅号接入AI的后台管理系统Weixin-Dyh-AI是一个开源的后台管理系统，专为微信订阅号设计，使其能够接入多种AI服务。该系统支持与阿里AI、Moonshot和腾讯混元等多个AI平台的集成，允许用户通过配置实现与AI的多模态交流，如文本生成、图像识别、语音转换等。标签：#微信#AI#开源#公众号链接：https://www.appmiu.com/22503.html

阿里巴巴开源能理解图像的 AI 模型 Qwen-VL

阿里巴巴开源能理解图像的AI模型Qwen-VL阿里巴巴周五开源了能理解图像和完成更复杂对话的AI模型和Qwen-VL-Chat。阿里巴巴称，Qwen-VL基于Qwen-7B，可以以图像、文本、检测框作为输入，并以文本和检测框作为输出，它使用了约1.5B的图文数据训练。在四大类多模态任务的标准英文测评中上，Qwen-VL均取得同等通用模型大小下最好效果；支持英文、中文等多语言对话，端到端支持图片里中英双语的长文本识别；支持多图输入和比较，指定图片问答，多图文学创作等；相比于目前其它开源LVLM使用的224分辨率，Qwen-VL是首个开源的448分辨率的LVLM模型。更高分辨率可以提升细粒度的文字识别、文档问答和检测框标注。Qwen-VL和Qwen-VL-Chat使用名为TongyiQianwenLICENSEAGREEMENT的许可证，有限制条件，如果商业使用，则需要从阿里巴巴获得授权。来源，https://github.com/QwenLM/Qwen-VL频道：@kejiqu群组：@kejiquchat投稿：@kejiqubot

美国会新法案将管制AI大模型出口 开源的也不让用

美国会新法案将管制AI大模型出口开源的也不让用访问：Saily-使用eSIM实现手机全球数据漫游安全可靠源自NordVPN这项立法旨在使未来的AI出口法规免受法律挑战。美国越来越担心，国家对手可能会利用这些AI模型发动具有侵略性的网络攻击，甚至制造强大的生物武器。AI模型通过挖掘大量文本和图像来总结信息并生成内容。美国商务部负责监管美国出口政策。但是根据美国现行法律，美国商务部要监管开源AI模型的出口要困难得多，因为开源AI模型可以免费下载。如果上述新法案获得批准，它将消除《国际紧急经济权力法》中包含的开源AI出口的监管障碍，并赋予商务部明示授权来监管AI系统。目前，西方开发的许多开源模型被其他国家使用，例如脸书母公司Meta的Llama大模型。2023年11月，李开复旗下AI创业公司零一万物就曾引发重大争议，原因是一些AI工程师发现，零一万物的AI模型Yi-34B是基于Meta的Llama大模型开发的。在这项新法案宣布前，微软公司还宣布向阿联酋AI公司G42投资15亿美元，允许G42使用微软的云服务来运行其AI应用程序，这在美国也引发了一些担忧。...PC版：https://www.cnbeta.com.tw/articles/soft/1430346.htm手机版：https://m.cnbeta.com.tw/view/1430346.htm

阿里技术带你挑战Ai大赛级技能

名称：阿里技术带你挑战Ai大赛级技能描述：MPV是一个很好的资源，可以帮助你训练和准备参加比赛。同学们需要掌握一些基础的AI概念，例如神经网络、机器学习和自然语言处理。这些概念都可以通过在线教程和视频学习。一旦你掌握了这些基础知识，你可以开始着手处理实际问题，例如图像分类、语音识别和自然语言处理。人工智能MPV提供了许多开源的工具和算法，可以帮助你快速地开发原型，并测试你的模型。参加AI比赛需要持续不断的努力和学习，因为这个领域的技术在不断发展。但是，有了人工智能MPV这样的资源，你可以更轻松地进行训练和准备，提高自己的技能和竞争力。建议先收藏保存，不定时失效。链接：https://pan.quark.cn/s/7a254d564458大小：NG标签：#quark#学习#资源#课程#ai频道：@yunpanshare群组：@yunpangroup

AI系统红队测试方法：提升AI系统安全性与可靠性的关键工具，通过对抗性测试技术识别潜在漏洞，为AI开发者、政策制定者和组织提供了

：提升AI系统安全性与可靠性的关键工具，通过对抗性测试技术识别潜在漏洞，为AI开发者、政策制定者和组织提供了多样化的红队测试方法和实践案例，以促进AI测试生态系统的健康发展-红队测试是评估AI系统安全性和可靠性的重要工具，通过对技术系统进行对抗性测试来识别潜在漏洞。-AI领域目前红队测试方法不统一，使得很难客观比较不同AI系统的相对安全性。需要建立系统性红队测试的共识和标准。-文章介绍了多种红队测试方法，每种都有自己的优势和挑战，可以整合到从定性到定量的迭代测试流程中。-域专家红队可以利用专业知识识别复杂的上下文相关风险。可扩展到不同语言和文化背景的测试。-使用语言模型自动生成对抗样本可以提高测试效率。可以建立红队蓝队框架，迭代提升系统鲁棒性。-多模态红队测试可以识别新模态带来的风险。公开的社区红队测试可以汇集更广泛的观点。-红队结果可以转化为定量评估指标，并围绕其不断改进系统。需要政策支持红队测试的标准化和采纳。-红队测试是确保AI系统安全的重要手段之一。需要多个利益相关方参与，建立行业共识，推动AI的负责任发展。