，产品经理的人工智能学习库

，产品经理的人工智能学习库 里面有AI相关的几个核心领域：机器学习、深度学习、NLP等相关技术和术语的基本介绍，尽量让不懂技术的产品经理也可以懂得那种。 网站里还有人工智能基础、机器学习专题、深度学习专题、自然语言专题、AI赋能专题5本pdf电子书下载

MIT研究人员利用人工智能将仓库改造成高效枢纽

MIT研究人员利用人工智能将仓库改造成高效枢纽 在一个巨大的机器人仓库里，数百个机器人在地面上来回穿梭，抓取物品并交付给人类工人进行包装和运输。这种仓库正日益成为从电子商务到汽车生产等许多行业供应链的一部分。然而，要让 800 个机器人高效地往返于目的地，同时又要防止它们相互碰撞，并非易事。这个问题非常复杂，即使是最好的路径搜索算法，也很难跟上电子商务或制造业的飞速发展。人工智能驱动的高效解决方案从某种意义上说，这些机器人就像试图在拥挤的市中心穿梭的汽车。因此，一群利用人工智能缓解交通拥堵的麻省理工学院研究人员运用了这一领域的理念来解决这一问题。他们建立了一个深度学习模型，对仓库的重要信息（包括机器人、计划路径、任务和障碍物）进行编码，并利用这些信息预测仓库的最佳疏导区域，以提高整体效率。他们的技术将仓库中的机器人分成若干组，因此这些较小的机器人组可以用协调机器人的传统算法更快地消除拥堵。最终，与强随机搜索法相比，他们的方法疏导机器人的速度快了近四倍。除了简化仓库作业，这种深度学习方法还可用于其他复杂的规划任务，如计算机芯片设计或大型建筑的管道布线。尖端的神经网络架构"我们设计了一种新的神经网络架构，它实际上适用于这些仓库这种规模和复杂程度的实时操作。它可以对数百个机器人的轨迹、出发地、目的地以及与其他机器人的关系进行编码，而且能以一种高效的方式在各组机器人之间重复使用计算，"土木与环境工程（CEE）专业吉尔伯特-W-温斯洛职业发展助理教授、信息与决策系统实验室（LIDS）和数据、系统与社会研究所（IDSS）成员凯茜-吴（Cathy Wu）说。该技术论文的资深作者 Wu 和第一作者、电子工程和计算机科学专业研究生 Zhongxia Yan 共同完成了这项研究。这项研究成果将在学习表征国际会议（International Conference on Learning Representations）上发表。机器人俄罗斯方块从鸟瞰图上看，机器人电子商务仓库的地面有点像快节奏的"俄罗斯方块"游戏。当客户下订单时，机器人会前往仓库的某一区域，抓起放置所需物品的货架，然后将其交给人类操作员，由其拣选和包装物品。数百个机器人同时进行这项工作，如果两个机器人在穿过巨大的仓库时发生路径冲突，就可能会撞车。传统的搜索算法可以避免潜在的碰撞，方法是保持一个机器人的运行轨迹，并为另一个机器人重新规划轨迹。但由于机器人数量众多，可能发生碰撞，问题很快就会呈指数级增长。"由于仓库是在线运行的，机器人大约每 100 毫秒重新扫描一次。也就是说，每秒钟，机器人要重新扫描 10 次。因此，这些操作必须非常快速，"Wu 说。由于在重新规划过程中时间非常关键，麻省理工学院的研究人员利用机器学习将重新规划的重点放在最有可能减少机器人总行驶时间的拥堵区域。Wu 和 Yan 建立的神经网络架构可同时考虑较小的机器人群组。例如，在一个拥有 800 个机器人的仓库中，网络可能会将仓库地面切割成更小的组，每组包含 40 个机器人。然后，如果使用基于搜索的求解器来协调该组机器人的轨迹，它就会预测出哪一组最有可能改进整体解决方案。整个算法是一个迭代过程，先用神经网络选出最有希望的机器人组，再用基于搜索的求解器解散机器人组，然后用神经网络选出下一个最有希望的机器人组，依此类推。简化复杂系统神经网络能有效地推理机器人群，因为它能捕捉到单个机器人之间存在的复杂关系。例如，即使一个机器人一开始离另一个机器人很远，它们在行进过程中的路径仍有可能交叉。该技术还能简化计算，只需对约束条件进行一次编码，而无需对每个子问题重复编码。例如，在一个拥有 800 个机器人的仓库中，要消除一组 40 个机器人的拥堵，需要将其他 760 个机器人作为约束条件。其他方法则需要在每次迭代中对每组所有 800 个机器人推理一次。相反，研究人员的方法只需要在每次迭代中对所有小组的 800 个机器人进行一次推理。她补充说："仓库是一个大的环境，因此这些机器人群组中的很多都会在更大的问题上有一些共同点。我们设计的架构就是为了利用这些共同的信息。"研究人员在几个模拟环境中测试了他们的技术，包括一些像仓库一样的环境，一些带有随机障碍物的环境，甚至还有模拟建筑物内部的迷宫设置。通过识别出更有效的疏导群组，他们基于学习的方法疏导仓库的速度比强大的、非基于学习的方法快四倍。即使考虑到运行神经网络的额外计算开销，他们的方法解决问题的速度仍然快 3.5 倍。未来方向与同行认可未来，研究人员希望从他们的神经模型中获得简单、基于规则的见解，因为神经网络的决策可能不透明，难以解读。更简单、基于规则的方法也更容易在实际机器人仓库环境中实施和维护。"这种方法基于一种新颖的架构，在这种架构中，卷积和注意力机制能够有效地相互作用。令人印象深刻的是，它能够考虑到所构建路径的时空成分，而无需针对具体问题进行特征工程。结果非常出色。"康奈尔理工学院安德鲁-H.和安-R.-蒂施教授 Andrea Lodi 说："我们不仅能在求解质量和速度方面改进最先进的大型邻域搜索方法，而且该模型还能很好地推广到未见过的案例中。"编译来源：ScitechDaily ... PC版： 手机版：

Google新型人工智能可将图像转化为可玩的小游戏

Google新型人工智能可将图像转化为可玩的小游戏 Google DeepMind 最近发布了一款人工智能模型 Genie，它可以利用静态图像制作小型互动游戏。Google表示，这项技术背后的基础可以促进其他应用，比如训练人工智能机器人。Genie是在大约 20 万小时的公开游戏画面（可能来自Google子公司 YouTube）基础上训练出来的。目前还不清楚使用它的人是否会与这些游戏的创作者发生版权纠纷。值得注意的是，人工智能不需要文本或动作标签来解释它所看到的内容，它只需通过视频帧来解读哪些元素应作为地形，哪些元素应作为可控制的头像。Genie还能解读图像中的三维深度，从而在游戏中模拟视差滚动。该工具可以根据绘画、草图、渲染图、照片和其他类型的图像构建小型视频游戏关卡。由于Genie可以处理它以前从未见过的图片，因此它还可以根据人工智能生成的内容构建环境，从而为使用一个人工智能的内容在另一个人工智能中创造新事物开辟了前景。不过，还有改进的余地。与其他人工智能模型一样，Genie也会产生幻觉。此外，最初的迭代版本只能记忆多达 16 个帧，这严重限制了它在保持一致的情况下构建关卡的大小。该模型 1fps 的运行速度也有很大的改进空间。为确保准确性，Genie 的初步演示侧重于复制 2D 平台游戏。不过，Google表示，可以训练它创建其他类型的游戏和虚拟内容。例如，Google表示，Genie 可以帮助更有效地训练某些机器人。使用人工模拟进行的训练只能提供有限的场景，而 Genie 可以构建更广泛的虚拟环境和对象，供机器人学习。通过进一步开发，Genie 可以将交互式布景变成生成式人工智能的下一个主要领域。目前，视频正成为人们关注的焦点，尤其是 OpenAI 在上个月推出了 Sora，它可以制作逼真的 60 秒 1080p 短片。不出所料，人工智能生成的视频并不完美，但它代表了该技术的重大飞跃。 ... PC版： 手机版：

Cloudflare推出新的人工智能工具，帮助客户部署和运行模型

Cloudflare推出新的人工智能工具，帮助客户部署和运行模型 为了从人工智能热潮中获利，云服务提供商 Cloudflare 正在推出一系列新的产品和应用程序，旨在帮助客户在网络边缘构建、部署和运行人工智能模型。 Workers AI 是新产品之一，它允许客户访问由 Cloudflare 合作伙伴托管的 距离用户最近的GPU，以按使用量付费的方式运行 AI 模型。另一个是 Vectorize，它提供了一个矢量数据库来存储由 Workers AI 模型生成的矢量嵌入（数据的数学表示）。第三个是人工智能网关，旨在提供指标，使客户能够更好地管理运行人工智能应用程序的成本。 Cloudflare 首席执行官 Matthew Prince 表示，推出新的以 AI 为中心的产品套件的动机是 Cloudflare 客户对更简单、更易于使用的 AI 管理解决方案的强烈渴望，该解决方案注重节省成本。 Workers AI 试图确保人工智能推理始终发生在靠近用户（从地理角度来看）的 GPU 上，以提供低延迟、人工智能驱动的最终用户体验。利用 ONNX（微软支持的中间机器学习工具包，用于在不同人工智能框架之间进行转换），Workers AI 允许人工智能模型在带宽、延迟、连接、处理和本地化限制方面最有意义的处理过程中运行。

苹果WWDC 2024邀请函已发出 iOS 18与人工智能成为焦点

苹果WWDC 2024邀请函已发出 iOS 18与人工智能成为焦点 预计大会将介绍 iOS 18，并展示苹果计划如何将人工智能整合到其产品中。我们还将了解即将推出的 MacOS、iPadOS、watchOS 和 Vision OS 版本。苹果公司已经确认，搭载 M4 处理器的 iPad Air 和 iPad Pro 平板电脑将具备增强的机器学习功能，可用于执行基于人工智能的任务。iOS 18 被誉为"iOS 历史上最大的革新之一"，它的到来令人期待。预计 Safari、照片和便签将采用人工智能技术，同时增强 Siri 和智能复述通知功能。有传言称，苹果将与 OpenAI 合作，在 iOS 18 中实现 ChatGPT，但苹果更有可能在内部开展工作。 ... PC版： 手机版：

研究发现：用人工智能生成的图像训练出的人工智能产生了糟糕的结果。

研究发现：用人工智能生成的图像训练出的人工智能产生了糟糕的结果。 斯坦福大学和莱斯大学的研究人员发现，生成式人工智能模型需要“新鲜的真实数据”，否则输出的质量就会下降。 这对摄影师和其他创作者来说是个好消息，因为研究人员发现，训练数据集中的合成图像会放大人工痕迹，使人工智能画出的人类看起来越来越不像真人。 研究小组将这种状况命名为“模型自噬障碍”。如果自噬循环的每一代都没有足够的新鲜真实数据，未来的生成模型注定会逐渐降低其质量或多样性。 如果该研究论文是正确的，那么这意味着人工智能将无法开发出无穷无尽的数据源。人工智能仍然需要真实、高质量的图像来不断进步，而不是依赖自己的输出。这意味着生成式人工智能将需要摄影师。