每日AI快讯 - 01月02日

OpenAI年化收入据称已超16亿美元

来源：36氪

据媒体The Information周六（12月30日）援引知情人士的话报道称，由于人工智能（AI）“明星产品”ChatGPT的强劲增长，OpenAI的年化收入最近已超过了16亿美元，高于10月中旬预估的13亿美元。与去年对比，该公司2022年全年收入仅为2800万美元，也就是说，当前最新估计的年化收入相比去年增长高达56倍。

AI 算法揭开拉斐尔名画的秘密，并非完全出自大师之手

来源：AI 新智界

据 IT 之家 12 月 31 日报道，最近，一个人工智能神经网络在拉斐尔的一幅名画中发现了一个不同寻常之处，其中一幅面孔竟然不是出自拉斐尔本人之手。这幅画名为《玫瑰圣母（Madonna della Rosa）》，长期以来，学者们一直对这幅画是否是拉斐尔原作争论不休。虽然判断一件艺术品来源需要综合各种证据，但一种基于人工智能算法的新分析方法支持了那些认为至少画作的一部分出自另一位艺术家之手的观点。研究人员来自英国和美国，他们专门针对拉斐尔已知作品的笔触、色彩、阴影等细节训练了一个定制的 AI 算法。这种方法之前已被证明在识别拉斐尔绘画方面具有 98% 的准确率，这次他们不仅让 AI 分析整幅画作，还单独研究了其中的各个面部。结果显示，圣母、圣婴和圣约翰的面部都出自拉斐尔本人之手，唯独左上角的圣约瑟面部风格与其他部分明显不同。研究人员推测，圣约瑟面部可能是由拉斐尔的一位学生，朱利奥・罗曼诺（Giulio Romano）所绘制，虽然这一猜测仍需进一步研究，但毫无疑问，AI 技术为揭秘经典画作提供了新的利器。

ChatGPT 变笨新解释：现实世界被 AI 改变，AI 无法适应变得低效

来源：AI 新智界

据量子位 1 月 1 日报道，对于 ChatGPT 变笨原因，学术界又有了一种新解释。加州大学圣克鲁兹分校一项研究指出：在训练数据截止之前的任务上，大模型表现明显更好。文章总结称，用现有数据训练 AI 以及人们过多使用 AI，以至于改变了现实世界，AI 无法适应改变后的世界，因此变得低效。论文重点研究了“任务污染”问题，即在大模型在训练时期就见识过很多任务示例，给人一种 AI 拥有零样本或少样本能力的错误印象。有学者从另一个角度指出，大模型训练后参数冻结，人们不断提出新的任务也就是输入分布不断变化。如果模型不能不断适应这种变化，就表现成能力慢慢退化。此前报道，GPT-4 变笨？OpenAI 回应：稳定性不足，但外部数据没有污染模型。

开源工具平台 LlamaIndex 创始人 Jerry Liu预测：多模态模型在文档处理中得到更多使用

来源：AI 新智界

AI 新智界讯，1 月 1 日，开源工具平台LlamaIndex的创始人Jerry Liu表示，在2024 年， - RAG将继续成为一个大焦点 - 每个AI工程师仍然需要强大的软件工程基础。 - 向量数据库开始开发类SQL接口并支持多模态 - 多模态模型在文档处理中得到更多使用（但首先，计算成本/延迟需要降低） - 类似GPT-4的全部能力成为开源，并且更快/更便宜。 - 如果是这种情况，智能体的开发会重新蓬勃发展。 - 提示和以前一样重要，但提示工程的重要性会下降

LG 发布新款 Gram 系列笔记本，提供多种人工智能功能

来源：AI 新智界

据站长之家 12 月 29 日报道，LG 在 CES2024 上发布了新款 Gram 系列笔记本，其中 Gram Pro 搭载 Intel Core Ultra 芯片和 GeForce RTX3050 GPU，并具备强大的人工智能功能。据悉，LG 的人工智能技术不仅体现在硬件规格上，还融入到其独有的 Link 应用中，实现设备间文件和照片的自动分享。

周鸿祎预测 2024 年大模型走势：文生图、文生视频将获得突破性增长

来源：AI 新智界

据《科创板日报》12 月 29 日报道，360 集团创始人周鸿祎在清华大学活动上表示，小规模的大模型将很快搭载在手机和各种物联网设备上，而不仅工作在云端。尤其是智能汽车，明年可能部署更多大模型。此外，明年大模型的文生图、文生视频等 AIGC 能力会得到突破性的增长。至于明年是否会产生新的 C 端杀手级应用，还有待观望。

字节跳动发布推理大模型 PixelLM，可实现高效像素级推理

来源：AI 新智界

据品玩报道，字节跳动智能创作团队近日宣布，他们联合北京交通大学、北京科技大学的研究人员提出了首个无需依赖 SAM 的高效像素级推理大模型 PixelLM。研究团队表示，PixelLM 能够熟练处理任意数量的开放域目标和多样化的复杂推理分割任务，同时避免了额外的、成本高昂的分割模型，提升了效率和对不同应用的迁移能力。在三个 benchmark 的绝大多数指标上，PixelLM 的性能均优于其他方法，且由于 PixelLM 不依赖于 SAM，其 TFLOPs 远远低于同尺寸的模型。