Author: aitrendtrackers@rengongzhineng.io

​ 下载： GitHub – ibm-granite/granite-code-models: Granite Code Models: A Family of Open Foundation Models for Code Intelligence 开源大型语言模型（LLMs）并非易事。就拿开源倡议组织（OSI）来说，他们已经花了近两年时间致力于开发一个与AI兼容的开源定义。一些公司——例如Meta——声称已经开源了他们的LLMs（实际上并没有）。但现在，IBM已经实际行动起来。 IBM通过使用来自公开可用数据集的预训练数据来管理Granite代码的开源，例如GitHub Code Clean、Starcoder数据、公开代码库和GitHub问题。简而言之，IBM为避免版权或法律问题付出了极大的努力。Granite Code Base模型训练在3至4TB的代码数据和自然语言代码相关数据集上。 所有这些模型都在Apache 2.0许可下获得授权，用于研究和商业用途。正是最后一个词——商业——阻止了其他主要LLMs的开源。没有其他人想要分享他们的LLM宝藏。 但正如IBM研究部首席科学家Ruchir Puri所说：“我们正在通过发布性能最高、成本最有效的代码LLMs，改变软件的生成式AI格局，使开放社区能够无限制地创新。” 或许没有限制，但这并不意味着没有特定的应用目标。 正如IBM生态系统总经理Kate Woolley去年所言，这些模型并不是“试图成为面向所有人的所有事物。这不是关于为你的狗写诗。这是关于可以调整的、非常针对我们希望企业使用的商业用例的精选模型。具体来说，它们用于编程。” 这些仅限解码器的模型，训练覆盖了116种编程语言的代码，从30亿到340亿参数不等。它们支持许多开发者用途，从复杂的应用现代化到内存受限的设备上的任务。 IBM已经在其IBM Watsonx代码助手（WCA）产品中内部使用了这些LLMs，例如用于IT自动化的WCA for Ansible Lightspeed和用于现代化COBOL应用程序的WCA for IBM Z。虽然并非每个人都负担得起Watsonx，但现在任何人都可以使用IBM和Red Hat的InstructLab来操作Granite LLMs。 正如Red Hat的高级副总裁兼首席产品官Ashesh Badani所说，InstructLab将“降低面向混合云的GenAI的许多障碍，从有限的数据科学技能到所需的庞大资源。”其目的是降低希望使用LLMs的开发者的入门级别。 有多低？正如Matt Hicks在Red Hat峰会上所说：“就在一年前，还需要配备高端、相当奇特的硬件的功能，现在可以在笔记本电脑上运行。曾花费数亿美元的训练技术，现在只需几千美元就能复制。” 例如，除了InstructLab，你还可以使用Ollma在本地运行LLMs。正如Bala Priya C在KDnuggets中解释的那样，“使用Ollma，运行LLM所需的一切——模型权重和所有配置——都打包在一个Modelfile中。想象一下LLMs的Docker。”这些模型可在Hugging Face、GitHub、Watsonx.ai和Red Hat企业Linux (RHEL) AI等平台上获得。 IBM预计，程序员在使用Granite LLMs编写代码的同时，将通过使用这些LLMs来创建测试、发现和修复bug，节省时间和精力。“开发…

近日，由亚马逊大力支持的人工智能初创公司Anthropic宣布，将于周二在欧洲推出其生成式AI助手Claude。这款AI助手将通过网络和iPhone应用程序面向个人及企业用户开放。 Anthropic还推出了一款面向商业用户的订阅服务，名为Claude Team，月费定价为28欧元（约合30美元），尚未包括增值税（VAT）。 Anthropic的首席执行官兼联合创始人Dario Amodei在周二的声明中表示：“我们在设计Claude时，非常重视准确性、安全性和隐私保护。”近年来，AI技术的迅猛发展引起了官方对就业和隐私影响的担忧。 此外，欧盟议会今年早些时候通过了全球首个旨在管理新兴技术的重大监管法规——AI法案。该法案旨在根据AI带来的风险等级，将风险类别划分为低、中、高和不可接受四种，以便应用相应的规则。 据Anthropic公司介绍，其Claude助手能够流利使用法语、德语、意大利语、西班牙语等多种欧洲语言。 虽然Claude.ai在英国的网络和移动端已经免费提供，但这是该产品首次面向欧盟以及挪威、瑞士和冰岛等非欧盟国家的用户推出。 Anthropic公司迅速成为市场上最受关注、最被炒作的生成式AI公司之一，其估值在最近的三月份高达184亿美元。同月，亚马逊宣布对该初创公司进行了27.5亿美元的投资，使其迄今对Anthropic的总投资额达到了40亿美元。 亚马逊对Anthropic的投资引起了一些监管机构的关注，他们担心这可能会削弱公司的独立性。 在英国，监管机构正在评估亚马逊对Anthropic的投资和合作关系，以及微软与生成式AI公司OpenAI和Mistral的交易，是否构成实质性合并，可能会减少竞争。 亚马逊表示，其与Anthropic的合作仅是有限的公司投资，并非合并。微软则否认其与AI初创公司OpenAI、Mistral的交易以及从Inflection的招聘等同于合并。

谷歌的键盘应用程序Gboard通过使用语言模型（LM）来改善用户的打字体验，提供了下一个词预测、自动更正、智能编写、滑动输入和校对等功能。我们的研究人员优先考虑开发负责任的方法，既能提高Gboard的LM性能，又能维护最高的隐私标准。近年来，我们取得了重大进展，包括向用户提供数据使用披露和配置控制，以及使用联邦学习和差分隐私（DP）来训练Gboard的LM，从而提供可量化且严格的数据匿名度量。 Gboard的LM设计为使用预定义的常用词列表，称为词汇表。LM的性能取决于这个词汇表的质量，而词汇表随时间可能会变化。不属于词汇表的词被称为词外词（OOV）。OOV词出现的原因有几个，例如，某些语言的词汇表在Gboard中仍在开发中，所以OOV词的比例可能较高。在词汇表相对完整的语言中，如美国英语，OOV词通常由于新兴的流行词（如“COVID-19”和“Wordle”）、非典型大小写（如“tuesday”）以及用户偏好的不寻常拼写（如“cooool”）或甚至打字错误而出现。由于用户在键盘上输入的信息性质敏感，OOV发现是一项具有挑战性的任务。 今天，我们很高兴分享几种通过发现新的常用词来提高LM性能的方法，同时保持强大的数据最小化和DP保证。这些研究工作包括与语言学家合作揭示新的OOV词，使用隐私保护的联邦分析和其他DP算法，以及使用受信任执行环境（TEE）。 与语言学家的合作 发现OOV词的一种方法是通过与外部方负责任的合作获取经过审查的词汇表。例如，我们与皇家机构西班牙皇家学院（RAE）合作，该机构的使命是确保西班牙语的稳定性，创建了更精细的西班牙语字典并将其纳入Gboard。这使得对在西班牙打字的用户来说，自动更正更快、词汇推荐更好，从而改善了Gboard体验。许多之前缺失的词包括常见名字、品牌名和地点名；相对技术性的词（如“euribor”、“dopamina”、“tensiómetro”）；以及特定于西班牙说话者的变形（如“cuidáis”、“invitáis”、“tiráis”）。 我们使用之前的训练数据重新训练我们的西班牙语LM，并通过联邦重新训练下游模型，取得了显著的质量改进。OOV词的总比例下降了7.3%。打字词在初始提交后被修改的频率降低，由于使用了更大的词汇表，打字速度也因此得到提升。 隐私保护的联邦分析另一种改进词汇表的方法是从用户设备中发现频繁的OOV词。这本身是一项具有挑战性的任务，因为用户在其设备上键入的内容性 质敏感。因此，我们需要精心设计机制，在数据收集和处理阶段保护用户的敏感信息。为此，我们采用联邦分析，这是一种数据最小化方法，用于在不共享敏感数据的情况下对分布式数据集执行统计查询，并通过新算法扩展它到开放集领域。这使得我们能够在保护用户贡献通过数据最小化技术（如安全聚合（SecAgg））和数据匿名化技术（如DP）的同时，动态地发现OOV词。 我们开发的一项技术是SecAggIBLT，它结合了可逆的布隆查找表（IBLT）和SecAgg。IBLT是一种线性数据结构，允许高效地插入、删除和查找键值对。在这里，用户将其OOV词插入到初始化为零的IBLT中，然后通过SecAgg进行聚合。这保证了即使是诚实但好奇的服务器，也只能看到聚合的IBLT（所有设备上的所有OOV词及其频率），而不是单个用户的贡献。这种方法为用户贡献提供了匿名性，并阻止服务器将特定词与单个用户联系起来。在数据处理阶段，中心DP应用于发现的OOV词及其计数，以确保对少数个体来说独特的OOV词永远不会被发布。DP使用参数（ε，δ）来量化隐私保护（数值越小，保护越强）。它提供了一个正式保证，即发布的数据模式在设备之间足够普遍，从而防止个体识别。 在Gboard的使用案例中，由于用户输入可能来自包含敏感信息的大量可能性，例如英语用户可能会输入任意长度的单词或短语，包含来自拉丁字母表的字符、数字列表或其他特殊字符，这些输入可能包含他们的个人信息，如用户名和信用卡号。因为SecAggIBLT能够发现这样独特的词，它依赖于服务器在SecAgg之后正确应用中心DP来确保用户隐私。本身它并不阻止好奇的服务器检查发现的OOV词，可能访问敏感信息。这要求我们开发算法，用更强的数据最小化和DP保证来发现频繁的OOV词。 为此，我们在现有的研究基础上开发了LDP-TrieHH，通过迭代构建字典树（前缀树）数据结构来学习频繁的单词。LDP-TrieHH在数据收集过程中提供了强大的数据最小化和严格的本地DP（LDP）保证。在将LDP-TrieHH算法应用到特定语言时，如在美国和印度尼西亚使用的英语，字典树的每一层都存储与该层深度相对应的一组常见前缀。字典树从根部开始迭代构建，最大长度为15。在每一层，我们收集来自一组用户的反馈，他们只通过在上一层学到的常见前缀后指示一个字符来贡献他们的数据。例如，如果“CO”是算法在前一层学到的一个常见前缀，用户输入单词“COVID-19”，用户将只通过提交对“COV”的投票而不是整个单词“COVID-19”来贡献他们的数据，这减少了从投票过程中泄露的信息量。 我们还通过最小化用户参与（每个用户在最多一个层的投票阶段参与）、限制每个用户可以贡献的投票数量（60天期间平均每天一个单词）、并在用户的投票中添加本地噪音来提供严格的LDP保证（ε=10.0每个单词），从而进一步保护用户投票的隐私。为此，我们使用子集选择机制，它在LDP下提供最优的效用-隐私权衡。在每一层，我们从大量用户（每层50万）中收集投票，这些投票经过聚合和阈值处理，以过滤掉不常见的前缀。通过这一额外的数据处理步骤，通过聚合分析隐私放大，LDP-TrieHH提供了每个词的中心DP保证（ε=0.315，δ=1e-10），每个用户在60天内最多贡献60个单词（即平均每天一个单词）。为了提高发现词的覆盖率，我们连续运行LDP-TrieHH多次，构建几个具有不同用户集的字典树。在后续运行中，我们要求用户只贡献尚未从前几次运行中学到的OOV词，以更有效地利用每个用户的贡献预算。通过LDP-TrieHH，我们能够发现占英语和印尼语OOV词的16.8%和17.5%。此报告提供了更多细节。 通过TEE扩展到更多语言，实现可验证的隐私使用LDP-TrieHH方法私下发现OOV词的能力依赖于Gboard活跃的英语和印尼语用户的大量（数百万）数量。然而，对于使用量较小的语言，LDP-TrieHH的准确性将不可避免地较低。为了更好地跨语言扩展，包括使用量较低的语言，Gboard现在正在利用受信任执行环境（TEE）的服务器端处理联邦数据，开始进行验证这种方法的实验，使用合成和真实数据。 TEE是常见处理器的安全扩展，通过嵌入的秘密加密密钥（由硬件制造商签名）来促进工作负载的保密性、完整性和可验证性。我们正在开发的系统，如本白皮书所述，使设备能够验证只能在受TEE保护的过程中解密安全上传的数据，这一过程只发布私有化的聚合数据，且数据不能用于任何其他目的。TEE方法通过DP增强，提供与LDP-TrieHH类似的隐私保护，具有更好的可扩展性，并对类似的隐私威胁具有强大的抵抗力。未来几个月将有更多更新。

据知情人士透露，苹果公司即将与初创企业OpenAI达成协议，将后者的技术应用于iPhone，这是其将人工智能功能引入设备的广泛举措的一部分。 双方一直在敲定使用ChatGPT功能于苹果iOS 18系统的协议条款，这是下一代iPhone操作系统，上述人士要求匿名，因为此事尚未公开。此外，苹果还与Alphabet Inc.的Google就许可其Gemini聊天机器人进行了谈判。这些讨论尚未达成协议，但仍在进行中。 OpenAI的协议将使苹果能够在计划下月宣布的一系列新AI功能中提供一个受欢迎的聊天机器人。据彭博社4月报道，与OpenAI的讨论已加强。尽管如此，目前还不能保证协议会立即宣布。 苹果、OpenAI和Google的代表均拒绝对此发表评论。 苹果计划在6月举行的年度全球开发者大会上，在人工智能领域大放异彩。据彭博社报道，作为推动力的一部分，该公司将通过配备自家处理器的数据中心运行即将推出的人工智能功能。 去年，苹果首席执行官蒂姆·库克表示，他个人使用了OpenAI的ChatGPT，但他补充说，“还有一些问题需要解决。”他承诺，新的AI功能将在“非常周到的基础上”引入苹果的产品。 在上周的苹果财报电话会议上，他辩称苹果在AI领域将具备优势。 库克在财报电话会议中表示：“我们相信人工智能的变革力量和前景，并且我们相信我们拥有的优势将使我们在这个新时代中脱颖而出，包括苹果独特的无缝硬件、软件和服务整合。”

​  一支由哈佛大学和谷歌的科学家领导的团队创建了一张单个立方毫米人脑的三维纳米级分辨率地图。尽管这张地图只涵盖了整个大脑的极小一部分——整个大脑的体积是它的一百万倍——这一小块包含了大约57,000个细胞、约230毫米的血管和近1.5亿个突触。这是迄今为止创建的人类大脑的最高分辨率图片。 为了制作这样详细的地图，团队必须将组织样本切成5000片，并使用高速电子显微镜进行扫描。然后，他们使用了一个机器学习模型帮助电子地将切片重新拼接在一起并标记特征。仅原始数据集就占用了1.4 petabytes的空间。艾伦脑科学研究所的计算神经科学家Michael Hawrylycz表示：“这可能是神经科学中所有工作中最依赖计算机的。”他指出，其中涉及了大量的工作量。 与现有的许多其他脑图谱相比，大部分提供的是更低分辨率的数据。在纳米级别上，研究者可以一次追踪一个神经元到突触的大脑布线，即它们相连的地方。“要真正理解人类大脑是如何工作的，如何处理信息，如何存储记忆，我们最终需要一张具有那种分辨率的地图，”谷歌的高级研究科学家兼论文的合著者Viren Jain表示。这份数据集及其论文的预印本版本已于2021年发布。 脑图谱有许多种形式。有些揭示了细胞是如何组织的，其他的则涵盖了基因表达。这份专注于细胞之间连接的领域称为“连接组学”。大脑的最外层大约包含160亿个神经元，它们彼此连接形成数万亿的连接。一个单一的神经元可能从数百甚至数千个其他神经元那里接收信息，并发送信息给类似数量的神经元。这使得追踪这些连接成为一个极其复杂的任务，即使只是在大脑的一小块区域中。 为了创建这张地图，团队面临了许多挑战。第一个问题是找到大脑组织样本。大脑在死后很快就会开始恶化，所以尸体组织行不通。团队使用的是在进行旨在帮助控制她癫痫的脑手术中切除的一块组织。 研究者们获得样本后，必须小心地将其保存在树脂中，以便将其切成每片厚度大约为人类头发千分之一的薄片。然后他们使用专为此项目设计的高速电子显微镜对这些切片进行成像。 接下来是计算挑战。“你有所有这些在三维空间中四处穿行、形成各种不同连接的线路，”Jain说。谷歌团队使用了机器学习模型来将切片重新拼接在一起，将每一片与下一片对齐，对线路进行颜色编码，并找到连接。这比听起来要困难。“如果你犯了一个错误，那么与该线路相连的所有连接现在都是错误的，”Jain说。 “能够对任何人类大脑样本进行这样深入的重建是一个重要的进步，”马里兰大学的神经科学家Seth Ament说。这张地图是“我们现在能获得的最接近基础真理的东西。”但他也警告说，这是从一个单一个体取得的单一大脑样本。 这张地图可以在一个名为Neuroglancer的网络平台上免费获取，旨在成为其他研究者用来进行自己发现的资源。“现在任何对以这种详细级别研究人类皮层感兴趣的人都可以亲自深入数据。他们可以校对某些结构以确保一切正确，然后发布他们自己的发现，”Jain说。（预印本已至少被引用了136次。） 团队已经发现了一些意外。例如，一些从一个神经元到另一个神经元传递信号的长触须形成了“漩涡”，在那里它们缠绕在一起。轴突通常形成一个突触来传递信息给下一个细胞。团队识别出单个轴突形成了重复连接——在某些情况下，是50个单独的突触。为什么会这样还不清楚，但强大的联系可能有助于促进对某些刺激的非常快速或强烈的反应，Jain说。“这是关于人类皮层组织的一个非常简单的发现，”他说。但“我们之前不知道这一点，因为我们没有这种分辨率的地图。” 数据集充满了惊喜，哈佛大学的神经科学家Jeff Lichtman，他帮助领导了这项研究。他说：“里面有太多与你在教科书上读到的内容不相符的东西。”研究人员可能没有解释他们所看到的，但他们有很多新的问题：“这就是科学前进的方式。” 看看： Gallery | H01 Release ​

谷歌DeepMind的首席执行官Demis Hassabis预计，未来的AI系统不仅能够回答问题，还能独立进行规划和行动。 在接受彭博社采访时，Hassabis表示他的公司正在研发类似“智能代理”的系统，有望在一到两年内投入使用。他说：“我对这些大型通用模型的下一个阶段感到非常兴奋。也许今年或明年，我们将看到更多智能代理般的行为。” 他补充道，这些系统不仅可以回答问题，还能够在现实世界中进行规划和行动。Hassabis认为，设定并实现目标的能力将使这些系统成为更有用的日常工具。 DeepMind在强化学习方面有丰富的经验，曾用在其著名的围棋程序AlphaGo中。他表示：“我们正努力研发，其他公司也在努力。我们将过去在游戏中积累的智能代理系统经验，与现代的大型多模态模型结合起来。” 在2023年6月推出Gemini语言模型之前，Hassabis曾暗示《连线》杂志，强化学习技术或将赋予Gemini特殊的功能。通过借鉴AlphaGo的强化学习和树搜索等技术，未来的Gemini将具有更强的解决问题和规划能力。 他的言论表明，DeepMind正逐步开发更加自主的AI系统。如果成功研发出能够在现实世界中自主解决复杂任务的智能代理，其影响将十分深远。从智能个人助手、自动化机器人到科学与研究中的自学习系统，应用前景广泛。 除了Gemini，DeepMind还在研究RT模型，该模型利用大型AI模型处理图像和语言，使机器人在现实世界中更加灵活。DeepMind将语言模型与代理技术结合的方式类似于OpenAI和Anthropic。OpenAI最近也重新涉足机器人领域，将其视觉语言模型与Figure的机器人相结合。 面对AI模型的巨大能源需求，Hassabis认为投入AI的资源最终将对人类有所回报。“我认为我们在生成式AI模型上的投入将最终为药物开发等领域带来极大益处，远远超过其成本。”他相信在能源和气候等领域，AI也能发挥潜力，例如通过更高效的电网、新材料和技术。它可以极具生产力与效益，最终为可持续发展做出贡献。

埃隆·马斯克的初创公司Neuralink在首位参与者、29岁的四肢瘫痪患者诺兰·阿巴夫（Noland Arbaugh）接受大脑植入装置后，经历了一个棘手的问题。 1月28日的手术后，马斯克迅速在X（前身是推特）上宣布阿巴夫“恢复良好”，且“初步结果显示神经元尖峰检测很有希望”。然而，几周后，Neuralink在周三表示，设备开始出现故障。 由马斯克联合创办的Neuralink致力于开发脑机接口，将大脑与外部设备直接连接。它的技术通过读取大脑的运动信号，使瘫痪者仅凭意念就能操控光标或用键盘打字。 不过，Neuralink独特的设计似乎成了设备出现机械问题的原因。公司的植入装置由一个硬币大小的外壳组成，位于头骨中，内含电池、处理芯片和其他电子元件。连接在这个外壳上的64根比人类头发还细的“线”，每根包含16个电极。这些线会延伸到大脑组织中，从神经元群中收集信号。然而，据Neuralink所述，一些线未能保持稳定。 “在手术后的几周内，一些线从大脑中缩回，导致有效电极数量减少。”Neuralink在博客中指出。这使得数据传输速率下降，速率越高，光标的控制效果就越好。 Neuralink没有说明有多少线已脱出，也没有解释为何或如何脱出。但由于大脑在头骨中会自然移动，可能是这种移动导致部分线脱落。 Neuralink与马斯克强调其装置相比更传统的Utah阵列具有优势。后者自上世纪80年代末就用于脑机接口研究。它是一个刚性方块，有96个尖刺，每个尖刺顶端带有电极，用于记录信号。然而，它需要电缆连接外部设备，并非无线。 相较而言，Neuralink的装置是无线的，拥有1024个电极。如果全部保持完好，能从大脑中收集更多数据。 Synchron的技术总监瑞基·班纳吉（Riki Banerjee）表示：“Neuralink设计了一种非常新颖的神经接口。他们还在学习，这是过程的一部分。” 其他公司也从现有设备中汲取灵感，例如Synchron与Paradromics。Paradromics的设计基于Utah阵列，但进行了关键改进：它也是无线的，拥有421个电极位于细线末端。Synchron的装置则类似心脏支架，以中空网状管插入颈静脉，再与皮层接触。 尽管遇到挫折，Neuralink仍于3月20日直播演示了阿巴夫通过意念下棋。他还通过植入装置玩了马里奥赛车。阿巴夫在视频中激动地表示：“这简直太酷了。” Neuralink表示通过调整算法提高信号灵敏度，改进光标移动，弥补了电极的损失。 尽管如此，开发脑机接口的道路注定充满挑战。Neuralink的设备设计独特，在商业化进程中势必会遇到更多坎坷。

在每个植物、动物和人类细胞内部，都有数十亿个分子机器。它们由蛋白质、DNA 等分子构成，但没有任何单一成分是独立运作的。只有了解这些分子如何在数百万种组合中相互作用，才能真正理解生命的运作过程。 近期发布在《Nature》杂志上的一篇论文中，我们介绍了 AlphaFold 3，这是一种革命性的模型，能够以前所未有的精确度预测所有生命分子的结构和相互作用。在预测蛋白质与其他分子类型的相互作用时，与现有预测方法相比，我们至少提高了 50% 的准确度，而在一些关键的交互类型上，预测准确性翻了一倍。 我们希望 AlphaFold 3 能够帮助我们更深入地了解生物世界并推动药物发现。科学家可以通过我们新推出的 AlphaFold 服务器免费使用其大部分功能，这是一个易于使用的研究工具。为了进一步开发 AlphaFold 3 在药物设计方面的潜力，Isomorphic Labs 正与制药公司合作，将其应用于现实世界的药物设计挑战，最终为患者开发出改变生命的新疗法。 我们新的模型基于 2020 年取得蛋白质结构预测突破的 AlphaFold 2。目前，全球数百万研究人员已利用 AlphaFold 2 在疟疾疫苗、癌症治疗和酶设计等领域取得了新发现。AlphaFold 已被引用超过 2 万次，其科学影响力也通过多项奖项得到了认可，最近还获得了生命科学突破奖。AlphaFold 3 进一步拓展了预测范围，不再局限于蛋白质，而是包含广泛的生物分子类型。这样的进步可能会带来更多科学变革，例如开发可再生材料、更具抗逆性的作物，以及加速药物设计和基因组学研究。 AlphaFold 3 如何揭示生命分子结构 通过一组输入的分子列表，AlphaFold 3 可以生成这些分子的三维结构，展示它们如何组合在一起。它可以对大型生物分子（如蛋白质、DNA 和 RNA）以及被称为配体的小型分子进行建模，配体包含许多药物常用的分子。此外，AlphaFold 3 还能够模拟这些分子的化学修饰，它们调控细胞的健康功能，一旦被扰乱就可能导致疾病。 AlphaFold 3 的强大能力来源于其下一代架构和涵盖所有生命分子的训练。模型的核心是改进版的 Evoformer 模块——这是 AlphaFold 2 能取得非凡成就的深度学习架构。在处理输入数据后，AlphaFold 3 使用扩散网络来组装预测结构，类似于 AI 图像生成器中的扩散过程。该过程从原子云开始，经过多步收敛到最终的、最准确的分子结构。 AlphaFold 3…

微软与领英于周三发布了《2024 年工作趋势指数》报告，标题为“AI 工作已到来，现在迎接真正的挑战。”这份联合报告基于对 31 个国家的 31,000 人的调查、领英的劳动力和招聘趋势、微软 365 的生产力数据，以及对财富 500 强客户的研究，详细展示了 AI 在过去一年里如何影响全球工作、领导力和招聘方式。微软还宣布了 Microsoft 365 Copilot 的新功能，而领英也为 Premium 用户提供了超过 50 门免费的 AI 学习课程，旨在帮助各级专业人士提升他们的 AI 技能。 2024 年，AI 将真正影响工作： AI 提升标准并打破职业瓶颈： AI 重度用户的崛起： 领英首席执行官 Ryan Roslansky 表示：“AI 正在重新定义工作，显然我们需要新的行动计划。构建灵活性而非稳定性，并在内部投资技能建设的领导者，将为组织带来竞争优势，打造更高效、积极和公平的团队。” 有关更多信息，可以访问微软官方博客、《2024 年工作趋势指数》报告，以及领英首席经济学家 Karin Kimbrough 的进一步见解。 https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part

苹果公司推出了配备“M4”芯片的新款 iPad，标志着这家硅谷巨头愈加专注于人工智能服务。最新的 iPad Pro 设备于周二发布，距离 10 月推出搭载 M3 芯片的 Mac 设备仅数月之遥。 为了满足 AI 开发者对计算能力的旺盛需求，苹果、英伟达等大型科技公司正加快研发强大的处理器，旨在处理海量数据。在过去的几个月中，微软、亚马逊和谷歌都推出了面向 AI 的新处理器，凸显了芯片设计对全球顶级科技公司的重要性。 苹果平台架构副总裁 Tim Millet 在周二的发布会上赞扬了 M4 芯片的中央处理器、图形处理器和专用 AI 功能（称为“神经引擎”）的结合，相较于之前的芯片取得了重大进步。他表示，这些组件使 M4 成为“AI 领域极其强大的芯片”。 随着 iPhone 销量下滑，投资者敦促苹果推出新的 AI 功能，与微软支持的 OpenAI 和谷歌竞争。自 OpenAI 18 个月前推出革命性 ChatGPT 聊天机器人以来，新 AI 应用程序的激增引发了一场争夺强大处理器的竞赛，以构建所谓的大型语言模型——即能够生成类似人类文本和图像的 AI 系统。 苹果自 2010 年起就为 iPhone 设计基于 Arm 的处理器，并在 2020 年推出了首款用于 Mac 计算机的 M1…