谷歌将用 Magi 聊天机器人改造其搜索引擎

谷歌将用Magi聊天机器人改造其搜索引擎谷歌正在开发一个名为Magi的AI聊天机器人，类似微软的必应聊天（BingChat），这个机器人的目的是帮助用户找到他们通过现有的谷歌搜索界面无法获得的结果和答案，谷歌可能会在2023年5月10日的谷歌IO大会上发布这个机器人。除了聊天机器人外，谷歌还打算在标准的链接列表搜索结果中嵌入短视频和社交媒体帖子。这些内容将根据用户的兴趣和偏好进行定制，使搜索更加“个性化”。此外，谷歌还将提高搜索结果的质量和多样性，避免重复或过时的信息。来源，来自：雷锋频道：@kejiqu群组：@kejiquchat投稿：@kejiqubot

谷歌将把类似 ChatGPT 的对话式 AI 整合到搜索引擎中

谷歌将把类似ChatGPT的对话式AI整合到搜索引擎中谷歌首席执行官桑达尔皮查伊在接受《华尔街日报》采访时透露，这家科技巨头计划将对话式人工智能纳入其搜索引擎，因为来自其主要对手微软已经这么干了。根据他的说法，用户将有机会在搜索中向Google提问并与LLM“大型语言模型”进行无缝互动。皮查伊表示，相信AI聊天是扩展公司搜索业务的机会，而不是对其现有业务的威胁。他指出，这一领域的增长潜力更为巨大，表明未来前景乐观。来源：IT之家https://www.ithome.com/0/684/839.htm频道：@TestFlightCN

谷歌将推出带有AI功能的升级版搜索引擎，应对必应等竞争对手

谷歌将推出带有AI功能的升级版搜索引擎，应对必应等竞争对手《纽约时报》4月16日消息，新必应等AI竞争者正成为25年来谷歌搜索业务的“最严重威胁”，作为回应，谷歌据悉正寻求打造一款由AI技术驱动的全新搜索引擎。《纽约时报》查阅的内部文件显示，谷歌还在用AI功能升级现有引擎。据悉，谷歌正测试项目名为“Magi”的新功能，有160多人正全职从事这项工作。内部文件显示，重建搜索引擎是长远工程，在此之前，Magi项目将主要关注为现有搜索引擎新增各类功能。相关功能包括帮助用户编写软件代码以及在搜索结果中显示广告，谷歌还在探索使用户可在AI帮助下使用Google地球的地图技术以及通过与聊天机器人对话搜索音乐。谷歌考虑推出的其他产品正处于不同的开发阶段。一款名为GIFI的工具将使用AI生成可在谷歌图片搜索结果中显示的图像。另一款名为TivoliTutor的工具则将通过开放式AI文本对话教用户一种“新的语言”。谷歌预计将在下个月向公众发布这些工具，并在秋季增加更多功能。谷歌初步计划向最多100万用户发布，到今年年底逐步增加到3000万人。谷歌将在美国市场独家提供这些功能——

【中信证券：ChatGPT在中短期内无法完全取代传统搜索引擎，谷歌等传统引擎巨头AI投入大幅增加】

【中信证券：ChatGPT在中短期内无法完全取代传统搜索引擎，谷歌等传统搜索引擎巨头AI投入大幅增加】中信证券研报指出，伴随ChatGPT在全球市场的流行，其在内容深度搜索中的突出表现引发了市场对其是否能替代传统搜索引擎的广泛讨论。我们认为ChatGPT在中短期内无法完全取代传统搜索引擎，也较难改变当前全球搜索引擎市场竞争格局，但料将会加速搜索引擎演化进程，并在中期形成以传统搜索为主、ChatGPT类模型为辅的新搜索引擎形态，相应带来谷歌等传统搜索引擎巨头AI投入大幅增加。

【全球首颗在轨可视化区块链卫星成功发射】

【全球首颗在轨可视化区块链卫星成功发射】2023年07月23日07点48分老不正经报道，7月22日13时07分，“泰安号”（星时代-16）卫星搭载谷神星一号遥六运载火箭，于中国酒泉卫星发射中心成功发射入轨，这是全球首颗在轨可视化区块链卫星，也标志着国星宇航第12次太空任务顺利完成，星时代AI卫星星座组网进程在2023年稳步推进。本次卫星平台搭载的国星宇航自主研发的创新型可视化区块链在轨存证系统，实现在轨可视化区块链多重签名认证、在轨视频可视化播录、在轨可视化遥感数据存证确权等功能，打造区块链与空间技术的深度融合，将应用于金融与政务服务等行业。

大型语言模型基础知识可视化学习指南 | link | #指南 #可视化

大型语言模型基础知识可视化学习指南#指南#可视化本文收集了一系列工具和文章，通过直观的可视化方式解释大型语言模型(LLM)的基础概念。JayAlammar的《图解Transformer》以生动的可视化说明了Transformer架构的工作原理。由于Transformer是所有语言模型的基石，理解它的基础尤为重要。《图解GPT-2》直观地展示了GPT-2的内部结构，如注意力机制等，有助于理解LLM的组成部分。BrendanBycroft的LLM可视化工具允许直观地探索不同LLM内部状态的变化。FinancialTimes的文章解释了Transformer的重要性，以及它如何促成了生成式AI的发展。OpenAI的Tokenizer工具演示了Tokenizer在文本处理中的作用。SimonWilson的文章深入解释了GPTTokenizer的工作原理。GregKamradt的Chunkviz工具展示了文本是如何被LLM处理成“块”的。PAIR的“机器学习模型记忆还是泛化?”交互式介绍了两种学习方式及其对LLM的影响。这些资源从多个维度直观地说明了LLM的核心概念和机制，有助于科技从业者和爱好者更好地理解LLM技术的本质。