AI TrendTrackers

纽约的小伙伴们有福啦，Hugging Face 这个给开发者提供超受欢迎的开源 AI 代码和框架的创业公司（还记得去年的“AI 伍德斯托克”吗？）今天就放大招啦，推出了第三方可定制的 Hugging Chat 助手。 这个免费的新产品让 Hugging Chat 的用户，也就是这个创业公司的开源 ChatGPT 替代品的粉丝们，能轻松创建自己的定制 AI 聊天机器人，功能和目的都和 OpenAI 的定制 GPT 构建器差不多。不过呢，OpenAI 那边要收费，ChatGPT Plus 要价月付20美元，团队版每个用户每年付25美元，企业版就更贵了，价格得看需求。 不过 Hugging Face 这边玩的是开源，和 OpenAI 的 GPT 构建器及 GPT 商店相比，Hugging Chat 助手的一大亮点就是免费啦。而且用户还能选他们想用哪个开源的大型语言模型（LLM）来给他们的 AI 助手加点智慧，从 Mistral 的 Mixtral 到 Meta 的 Llama 2 都有。 这也是 Hugging Face 一贯的做法，给用户提供各种模型和框架让他们自由选择。就像 Hugging Chat 本身，用户可以在几个不同的开源模型中挑一个来用。就像 OpenAI…

在自然语言处理（NLP）这个飞速发展的领域里，大型语言模型（LLM）的出现无疑是一场革命。这些模型在各种任务上展现出了惊人的能力，不需要特定的训练就能理解和生成接近人类的文本。然而，这些模型要在现实世界中部署，往往会因为对计算资源的巨大需求而受阻。这一挑战促使研究人员开始探索更小、更紧凑的LLM在任务上的效能，比如在会议总结这种对性能和资源利用平衡尤为重要的任务上。 传统上，文本总结，尤其是会议记录的总结，依赖于需要大量标注数据集和巨大计算力进行训练的模型。虽然这些模型取得了令人印象深刻的成果，但由于操作成本高昂，它们的实际应用受到了限制。有鉴于此，最近的一项研究探讨了更小的LLM是否能成为大型模型的可行替代品。这项研究聚焦于会议总结的工业应用，比较了经过微调的紧凑型LLM（如FLAN-T5、TinyLLaMA和LiteLLaMA）与零次训练的大型LLM的性能。 研究方法严谨，使用了一系列紧凑型和大型LLM进行了广泛评估。紧凑型模型在特定数据集上进行了微调，而大型模型则以零次训练的方式进行了测试，意味着它们没有针对手头的任务进行特定训练。这种方法允许直接比较模型准确和高效总结会议内容的能力。 令人注目的是，研究结果表明，特定的紧凑型LLM（尤其是FLAN-T5）在会议总结方面的性能可以匹配甚至超过大型LLM。FLAN-T5拥有780M的参数，展现出的结果与参数范围从7B到超过70B的大型LLM相当甚至更优。这一发现表明，紧凑型LLM有潜力提供一个成本效益高的NLP应用解决方案，实现性能与计算需求之间的最佳平衡。 性能评估突出了FLAN-T5在会议总结任务中的卓越能力。例如，FLAN-T5的性能与许多大型零次训练LLM相当，甚至更好，凸显了其效率和有效性。这一结果突显了紧凑型模型在现实世界设置中部署NLP解决方案的潜力，特别是在计算资源有限的情况下。 总之，对于会议总结任务而言，探索紧凑型LLM的可行性揭示了充满希望的前景。像FLAN-T5这样的模型表现出色，表明小型LLM能够发挥出色的性能，提供一个与大型模型相比的可行选择。这一突破对于NLP技术的部署具有重大意义，标志着一个效率与性能并行前进的新方向。随着该领域的持续发展，紧凑型LLM在桥接前沿研究与实际应用之间的差距无疑将成为未来研究的焦点。

过去一年里，谷歌的高层炒掉了成千上万名员工。根据最近的多份报告，这导致员工士气大受打击，而且他们对这种颓势的不满也越来越公开化。 根据Verge的报道，员工在网上发帖和公司上周五的问答环节透露出来的细节，描绘了这家位于山景城的科技巨头当前员工与老板关系的难看画面。谷歌长期以来被视为创新的堡垒和工程师的舒适环境，如今却被批评为过于企业化且普遍缺乏目标。 谷歌员工可以提前提交问题，供同事投票决定是否需要回答。Verge报道称，2月2日会议中得票最多的问题之一指出了“领导层和员工之间日益扩大的裂痕”。 “我们明白高管们对谷歌的未来感到兴奋，”另一个问题说。“但当我们可能被裁员，无法共享那个未来时，我们怎能感到兴奋呢？如果我们失去了工作和股权奖励，谷歌的成功对我们来说是冷酷的安慰，我们没有得到回报，但你们得到了。” Verge报道称，CEO桑达尔·皮查伊为裁员辩护，并声称有时候员工会因为裁减而表达感激。“我只想澄清，通过这些变化，人们在基层能感受到，有时候人们会写信回来说，‘感谢你们的简化操作’。有时我们确实存在复杂、重复的结构。”“我们正在经历一个有些不确定的时刻，”他在会议中后来说。“这在世界上大多数公司都是常态。在谷歌，我们还没有经历过这样的阶段。” 今年，谷歌继续裁减工作岗位，尽管规模远小于2023年的大规模裁员。该公司今年1月透露计划裁掉1000多名员工，包括来自湾区办公室的数百人。 前谷歌软件工程师伊恩·希克森在周二发给SFGATE的电子邮件中表示，公司规范的偏离让长期员工感到被背叛。希克森于2005年加入谷歌，在18年的时间里目睹了公司的规模巨大增长。他在11月宣布辞职的个人博客文章中写道，他在谷歌的任期内，谷歌已经完全转变。他在谷歌的最后九年时间里参与了Flutter项目，该项目旨在开发应用程序开发工具。在帖子中，他称赞了Flutter的“年轻谷歌文化”，以“内部透明度、工作/生活平衡和数据驱动的决策制定”为特点。但在他的项目之外，一场戏剧性的转变正在进行，希克森写道：“谷歌的文化腐蚀了。决策不再是为了用户的利益，而是为了谷歌的利益，甚至是为了决策者自己的利益。透明度消失了。”在帖子中，希克森将去年裁掉12000名员工称为“非强制性错误”，这是由股市压力驱动的，并写道，随之而来的裁员威胁使员工开始囤积知识，减少冒险。“看到谷歌的最佳状态，我觉得这个新现实令人沮丧，”他补充说。希克森写道：“今天，我不认识任何一个能解释谷歌愿景的人。士气处于有史以来的最低点。” 他对SFGATE表示，许多高管并不是谷歌内部裁员或其他变动的最终决策者，除了他们未能抵抗之外。这反过来会进一步打击士气。他说：“反抗并不容易；我最终决定只是辞职，而不是继续这样做。” 随着1月份裁员的减少，另一位谷歌软件工程师，黛安·赫什·特里奥特，公开质疑公司领导层。这位马萨诸塞州的工程师在LinkedIn上的帖子中火力全开：“我的直言不讳：谷歌没有一个有远见的领导者。一个都没有。从C层到高级副总裁到副总裁，他们全都极度乏味且目光呆滞。”赫什·特里奥特抱怨说，高管们“试图指向一个模糊的方向”前进，同时等待基层员工提出具体、可行的想法。办公楼的人越来越早地离开，中层管理人员“拼命保护自己的团队（和自己）”，人们生活在裁员的恐惧中。她称这种情况造成了一种“普遍的虚无感”。“我猜我会继续做我的工作，直到谷歌不再需要我。”她在帖子中结束。

马斯克宣布：要用AI破解古罗马卷轴的秘密了！ 历史研究和人工智能领域传来了令人振奋的消息——科技大佬埃隆·马斯克决定开启钱包，支持一个旨在解读古罗马卷轴的创新项目。这些卷轴，因为那场毁灭性的维苏威火山爆发而被埋没在庞贝城下，几个世纪以来一直无法解读，现在却成了名为“维苏威挑战”的项目的焦点。 该项目由GitHub前CEO纳特·弗里德曼领衔，最近取得了重大突破。一个由参与者组成的团队成功利用AI扫描并读取了在赫库兰尼姆（同样因火山爆发而遭受重创的城镇）发现的卷轴上的整段文字。布隆伯格商业周刊对此进行了详细报道。 通过他的慈善组织——马斯克基金会，埃隆·马斯克承诺提供必要的资金以推动项目进展。尽管马斯克贡献的确切金额尚未公开，但他在自己的社交网络X上表示：“无论需要多少钱，我都支持。我支持文明的启蒙。” “维苏威挑战”的下一阶段，正如弗里德曼所概述，涉及阅读整个卷轴，这一努力的成本估计为200万美元。全面解读从赫库兰尼姆发现的所有卷轴的费用可能高达1000万美元。弗里德曼对马斯克的支持表示兴奋和感激，并指出正与马斯克的团队讨论捐助细节。 这一举措不仅凸显了人工智能在揭开历史谜团方面的潜力，还强调了私人资金在推进研究工作方面的重要性。随着项目的进展，它承诺将为我们揭开古罗马文明的新视角，提供了几千年来一直被隐藏的见解。

YouTube自从首次上传视频以来，便开辟了讲述故事的新途径。任何有故事要讲的人都突然间能够找到他们的听众。人们在厨房、卧室甚至后院拍摄视频，在这一过程中，他们建立了横跨全球的社区。 YouTube合作伙伴计划在2020年至2023年间，向创作者、艺术家和媒体公司支付了超过七百亿美元。YouTube通过与创作者分享收入进一步激发了创意。自那时起，创作者经济的增长惊人。去年，创作YouTube内容的人数比以往任何时候都多，公司也达到了新的里程碑。如今，有超过三百万个频道加入了YouTube合作伙伴计划（YPP），这一计划为创作者在YouTube上赚取收入提供了途径。YPP的支付额超过了其他任何创作者变现平台，过去三年中公司向创作者、艺术家和媒体公司支付了超过七百亿美元。 如今，生成式人工智能正推动另一轮演变，这引发了关于如何表达创造力的关键问题。展望未来，YouTube将继续拥抱合作伙伴关系，开发全新的方式以赋能创意表达、管理权利，并为合作伙伴带来收入。 公司正处于历史的关键时刻，对于未来充满期待。YouTube正在分享其对这些变化的看法、对2024年的愿景，以及公司在YouTube上所做的四大豪赌。 首先，人工智能将赋能人类创造力。YouTube多年来一直在解决从变现到权利管理再到保护社区的复杂内容挑战。公司以推动每个人创造为使命，接近人工智能的进步。人工智能应该赋能人类的创造力，而不是取代它。每个人都应该有机会使用人工智能工具来推动创意表达的边界。 其次，创作者应被视为下一代工作室。多年来，创作者为自己赢得了名声，他们正在重新定义娱乐产业的未来，提供的顶级故事讲述不应仅仅被视为“用户生成内容”。 YouTube的下一个前沿是客厅和订阅。观众希望在一个地方获得一切，从现场体育赛事到教育内容和化妆教程。他们以过去一同观看传统电视节目的方式，在家中最大的屏幕上，与家人和朋友一起观看YouTube。全球观众现在每天平均在电视上观看超过十亿小时的YouTube内容。 最后，保护创作者经济是基础。YouTube的业务不仅仅依赖于参与度，还依赖于给观众和广告商信心，他们可以依赖YouTube提供高质量的内容。保护创作者经济是公司所做一切的基础，并且对商业有益。 在这一切中，YouTube将继续在每个工作方面专注于其责任努力，并将继续对保护YouTube社区的团队和技术进行投资，无论是在学习新东西、查看播客，还是观看最喜爱的游戏创作者的直播，公司都在创造YouTube上最好的体验。

一个全新的开源语言模型荣登全球最佳宝座，根据领先的自然语言处理（NLP）研究和应用平台Hugging Face的最新排名显示。 https://huggingface.co/abacusai/Smaug-72B-v0.1 这款名为“Smaug-72B”的模型，今天由帮助企业解决人工智能和机器学习领域难题的初创公司Abacus AI公开发布。技术上，Smaug-72B是“Qwen-72B”的优化版本，Qwen-72B是几个月前由阿里巴巴集团的研究团队Qwen发布的另一款强大的语言模型。 最值得注意的是，Smaug-72B在多个热门基准测试中超越了GPT-3.5和Mistral Medium，这两款是由OpenAI和Mistral分别开发的最先进的开源大型语言模型。Smaug-72B也在许多评估中大幅度超越了其衍生模型Qwen-72B。 根据Hugging Face开放语言模型（LLM）排行榜的数据，Smaug-72B现在是唯一一个在所有主要LLM评估中平均分超过80的开源模型。 Abacus AI的CEO Bindu Reddy在X.com上的一篇帖子中表示：“Abacus AI的Smaug-72B现已在Hugging Face上线，位于LLM排行榜之首，是第一个平均分达到80的模型！换句话说，它是世界上最优秀的开源基础模型。” Smaug-72B尤其擅长于推理和数学任务，这得益于Abacus AI在微调过程中应用的技术。这些技术将在即将发布的研究论文中详细介绍，它们针对大型语言模型的弱点并增强了它们的能力。 Smaug-72B并不是近期唯一引起关注的开源语言模型。Qwen团队背后的Qwen-72B也发布了Qwen 1.5，这是一套从0.5B到72B参数不等的小型但强大的语言模型。 Qwen 1.5超越了如Mistral-Medium和GPT-3.5等流行的开源模型，具有32k的上下文长度，并且能够快速且本地地与各种工具和平台配合使用。Qwen还开源了Qwen-VL-Max，一款新的大型视觉语言模型，与Google和OpenAI分别开发的最先进的专有视觉语言模型Gemini Ultra和GPT-4V相媲美。 Smaug-72B和Qwen 1.5的出现在AI社区及更广泛的领域引发了极大的兴趣和讨论。许多专家和影响者赞扬了Abacus AI和Qwen的成就，并对他们对开源AI的贡献表示钦佩。 Smaug-72B和Qwen 1.5目前可以在Hugging Face上下载、使用和修改。Abacus AI和Qwen还宣布他们计划将他们的模型提交给llmsys人类评估排行榜，这是一个新的基准，用于评估语言模型在人类任务和场景下的表现。Abacus AI和Qwen还暗示了他们未来的项目和目标，包括创建更多的开源模型并将其应用于各种领域和应用。 Smaug-72B和Qwen 1.5代表了今年开源AI快速而显著的进化的最新例证。它们代表了AI创新和民主化的新浪潮，挑战了大型科技公司的主导地位和垄断，为每个人打开了新的可能性和机会。虽然目前还无法预测Smaug-72B将在Hugging Face排行榜上保持顶尖地位多久，但可以肯定的是，开源AI正迎来了年初的大时刻。

OpenAI的DALL-E 3图像生成器要在图片元数据中加水印了，随着更多公司开始支持来自内容出处和真实性联盟（C2PA）的标准，这一动作显得尤为重要。 公司表示，C2PA的水印将出现在通过ChatGPT网站和DALL-E 3模型API生成的图片中。到2月12日，手机用户也将看到这些水印。水印包括不可见的元数据组件和可见的CR符号，后者将出现在每张图片的左上角。 人们可以通过像内容凭证验证这样的网站检查任何由OpenAI平台生成的图片的出处——即使用了哪个AI工具来制作内容。到目前为止，只有静态图片可以携带水印，视频或文本则不行。 截图显示了DALL-E 3元数据中的新水印。OpenAI表示，向图片中添加水印元数据对延迟的影响“微乎其微”，且不会影响图片生成的质量。这还会略微增加某些任务的图片大小。 C2PA是一个由Adobe、Microsoft等公司组成的团体，一直在推动使用内容凭证水印来识别内容的出处，并显示其是由人类还是AI制作。Adobe创造了一个内容凭证符号，OpenAI正在将其加入到DALL-E 3创作的图片中。Meta最近宣布，它将在其社交媒体平台上为AI生成的内容添加标签。 识别AI生成的内容是拜登政府关于AI的行政命令中的一项旗舰指令。但是，水印并不是阻止错误信息传播的万全之策。OpenAI指出，C2PA的元数据“很容易被意外或故意移除”，特别是因为大多数社交媒体平台通常会从上传的内容中删除元数据。截屏会遗漏元数据。 OpenAI在其网站上表示：“我们相信，采用这些方法来建立出处并鼓励用户识别这些信号，是提高数字信息可信度的关键。”

一项新研究发现，通过英格兰国家卫生服务体系（NHS）推荐的患者数量增加了，特别是在那些不太可能寻求帮助的边缘化群体中，一个人工智能聊天机器人在此过程中发挥了重要作用。 英格兰对心理健康服务的需求正在上升，尤其是自从新冠疫情以来。2022年，心理健康服务接收到了460万个患者转介——这是有记录以来的最高数字——并且接触这些服务的人数正在稳步增长。但是，根据英国医学协会的说法，资金和心理健康专业人员的数量都不足以满足这种上升的需求。Limbic公司的聊天机器人创造者们旨在调查人工智能是否能通过帮助患者更快、更高效地获得帮助，从而降低接受治疗的门槛。 今天发表在《自然医学》杂志上的一项新研究评估了这款名为Limbic Access的聊天机器人对NHS谈话疗法焦虑和抑郁项目转介的影响，这是一系列针对经历焦虑障碍、抑郁症或两者均有的成人的基于证据的心理疗法。研究检查了129,400名访问网站自我转介到英格兰28个不同NHS谈话疗法服务的人的数据，其中一半使用了他们网站上的聊天机器人，另一半使用了其他数据收集方法，如网络表单。在为期三个月的研究期间，使用Limbic聊天机器人的服务的转介数量增加了15%，而没有使用它的服务的转介数量增加了6%。 当聊天机器人可用时，包括种族和性少数群体在内的少数群体的转介显著增加——在认同为非二元性别的人中增加了179%，亚裔患者增加了39%，黑人患者增加了40%。关键的是，报告的作者表示，从这些服务中获得帮助的患者数量增加并没有增加等待时间或导致进行的临床评估数量减少。这是因为聊天机器人收集的详细信息减少了人类临床医生需要花费在评估患者上的时间，同时提高了评估的质量并释放了其他资源。值得注意的是，互动式聊天机器人和静态网络表单是收集信息的非常不同的方法，马萨诸塞州贝斯以色列女执事医疗中心数字精神病学部门的负责人约翰·托鲁斯（John Torous）指出，他没有参与这项研究。 “在某些方面，这向我们展示了这个领域可能的发展方向——无论使用什么技术，都会更容易接触人们进行筛查，”他说。“但这确实引发了一个问题：我们将向人们提供什么类型的服务，以及我们如何分配这些服务？”总的来说，使用聊天机器人并向Limbic提供正面反馈的患者提到了其使用的便利和方便。他们还说，转介让他们对康复感到更有希望，或者帮助他们知道自己并不孤单。非二元性别的受访者比认同为男性或女性的患者更频繁地提到聊天机器人的非人性质，这可能表明与机器人的互动有助于避免因与人交谈而触发的评判感、污名感或焦虑感。 “看到在性别、性取向和种族等少数群体中取得的比例更大的改进，这些通常是难以接触的个体，是一个非常令人兴奋的发现，”Limbic的创始人兼首席执行官罗斯·哈珀（Ross Harper）说，他是这项研究的共同作者。“这表明，在正确的手中，人工智能可以成为公平和包容的强大工具。”访问启用聊天机器人的网站的访客会遇到一个弹出窗口，解释说Limbic是一个旨在帮助他们获得心理支持的机器人助手。作为初始基于证据的筛选过程的一部分，聊天机器人会问一系列问题，包括患者是否有任何长期医疗条件或之前的心理健康专业人员诊断。它随后会提出多个问题，旨在测量常见心理健康问题和焦虑的症状，根据患者的问题调整其提问。 聊天机器人使用它收集的数据创建详细的转介，并将其与服务使用的电子记录系统共享。然后，人类护理专业人员可以访问该转介，并在几天内联系患者进行评估并开始治疗。Limbic的聊天机器人是不同类型的AI模型的结合。第一个使用自然语言处理分析患者的键入回应并提供适当的、富有同情心的答案。概率模型取患者输入的数据并使用它来根据患者最有可能的心理健康问题调整聊天机器人的回应。这些模型能够以93%的准确率分类八种常见的心理健康问题，报告的作者说。“由于心理健康专业人员不足，所以我们想使用AI来放大我们所拥有的，”哈珀补充说。“人类专家和AI专家之间的合作——这就是我们将真正解决心理健康供需不平衡的地方。”

在今天这个喜欢拍照比喜欢呼吸还勤快的时代，大家都想在手机上玩出点新花样。别急，有个新鲜玩意儿叫“MobileDiffusion”，可能会让你的朋友圈瞬间高大上起来。 首先，不得不说，那些能把文字变成图片的大脑洞模型，真是太神奇了。不过，它们像是那种需要喝特制能量饮料才能启动的怪兽电脑或者服务器才能跑起来。比如“稳定扩散”（Stable Diffusion）、DALL·E和Imagen这些大佬，它们的模型参数多到可以装满好几个图书馆，想要轻松运行？门都没有。 然而，随着科技的进步，Android的MediaPipe和iOS的Core ML这对好基友在过去一年里已经在手机上做了不少魔法。但想要实现那种秒生成图片的梦想？还差得远呢。 于是乎，有人站了出来，提出了一个让手机也能快速从文本生成图片的方案，名字叫做“MobileDiffusion”。这不是你平常用的那种APP，它是一个专为手机设计的轻量级扩散模型。用了一种叫DiffusionGAN的黑科技，在推理过程中实现一步采样，相当于给预训练的模型加了个GAN来模拟去噪步骤。测试结果如何？在iOS和Android的高端设备上跑起来，半秒钟就能生成一个512×512的高质量图片，而且模型只有520M参数，小巧得很。 好，接下来让我们深入一点。原来那些文字到图片的模型之所以慢，主要是因为两个原因：一是它们需要多次迭代去噪来生成图片，二是复杂的网络架构让模型参数爆炸。尽管在手机上部署这种模型能极大提升用户体验，解决隐私问题，但现实是残酷的，这方面的研究还很少。 为了解决这个问题，人们研究如何优化模型的推理效率，尤其是减少函数评估次数（NFE）。通过使用先进的数值求解器或蒸馏技术，已经能把采样步骤大大减少，甚至减到只需要一步。 但在手机上，由于模型架构的复杂性，即使评估步骤减少了，运行速度仍然很慢。目前，针对文字到图片扩散模型的架构效率的研究还不够。只有少数研究涉及到这个问题，比如移除神经网络中冗余的模块，但这些努力还不足以提供一个全面的设计高效架构的指南。 “MobileDiffusion”的设计基于潜在扩散模型，包括文本编码器、扩散UNet和图像解码器三个部分。其中文本编码器使用了体积小巧的CLIP-ViT/L14模型，适合手机使用。而在扩散UNet和图像解码器方面也做了优化。 总之，“MobileDiffusion”通过精简模型结构和采用DiffusionGAN一步采样技术，实现了在手机上快速从文本生成图片的目标，开启了一扇新的大门，让手机用户也能享受到即时生成高质量图片的乐趣。而且，这技术还是遵循谷歌的负责任AI实践的，所以用起来也挺放心。 具体请去看 https://blog.research.google/2024/01/mobilediffusion-rapid-text-to-image.html

近年来，人工智能行业的招聘标准发生了显著变化，哈佛大学的文凭、博士学位乃至在谷歌的工作经验已不再是衡量人工智能领域顶尖人才的唯一标准。现在，雇主们更倾向于寻找拥有实践人工智能应用经验的工程师和研究员。据SignalFire的Beacon AI数据平台显示，有九家初创公司被认为是拥有最高AI人才浓度的集群，这些公司被称为AI常春藤联盟，包括OpenAI、Anthropic、MosaicML（已并入DataBricks）、Cohere、AI21 Labs、Hugging Face、Stability AI、Midjourney以及Inflection。 过去七年里，随着对AI领域工程人才的需求激增，从顶尖学校或拥有博士学位的AI人才比例有了显著下降。越来越多的顶尖AI公司开始重视实际AI应用经验，而不仅仅是学术界的理论经验。这意味着雇主们需要将招聘目光从哈佛、普林斯顿、耶鲁等常春藤联盟学校，甚至包括斯坦福和加州理工这样的“西岸常春藤”学校转移开，寻找那些真正的AI应用能手。 SignalFire通过其Beacon AI平台的数据分析，发现这种转变不仅仅是一个趋势。该平台通过结合专有的人才排名系统和顶尖AI出版场合的研究发表记录，评估了超过8000万家公司和6亿个人的能力。结果显示，从AI常春藤联盟公司招聘人才已成为获取顶尖AI/ML人才的有效策略。 此外，从这些AI常春藤联盟公司而非传统精英大学招聘，有助于减少招聘过程中的历史偏见。过去，进入常春藤联盟学校的学生可能因为家庭背景和经济条件而获得优势，而现在，技术界对AI人才的渴求使得来自各种背景的人才都有机会脱颖而出。 SignalFire强调，AI的未来属于那些能够建立和贡献实际解决方案的人，而不仅仅是那些拥有名牌大学文凭的人。互联网教育资源的普及，包括常春藤联盟学校的在线课程，以及在GitHub和开源社区建立声誉的机会，为所有背景的工程师和研究员提供了在AI领域内脱颖而出的平台。