BestBlogs.dev 精选文章 第 17 期

AI21 Labs，成立于 2017 年，是一家由人工智能领域的先驱创立的公司。最近，他们发布了 Jamba 1.5 系列模型，这是世界上第一个基于 Mamba 架构的生产级模型。Mamba 架构由卡内基梅隆大学和普林斯顿大学的研究人员提出，旨在解决传统 Transformer 架构在内存占用和推理速度上的限制。Jamba 1.5 系列通过结合 Transformer 和 Mamba 的优势，实现了在长上下文处理、速度和质量上的显著提升，支持多语言，并提供了市场上最长的 256K 有效上下文窗口。此外，Jamba 1.5 系列在各种基准测试中表现优异，尤其是在 Arena Hard 基准测试中超过了同类模型。此举标志着非 Transformer 架构在 AI 模型领域的重大突破，为企业和开发者提供了更高效、更强大的工具。

谷歌宣布了其 Gemini 平台的新功能，包括可定制的 AI 专家“Gems”和升级的图像生成模型“Imagen 3”。Gems 允许用户在任何主题上创建个性化的 AI 助手，从编码到职业建议，适用于 Gemini 高级版、商业版和企业版用户。这些 Gems 可以通过特定指令进行定制，并在超过 150 个国家和大多数语言的桌面和移动设备上访问。此外，谷歌最新的图像生成模型 Imagen 3 正在推出，以增强创造能力。它为图像质量设定了新标准，从简单的文本提示生成高质量图像，并支持各种风格，如逼真的风景和纹理油画。Imagen 3 包括内置的安全措施，并遵守谷歌的产品设计原则，确保用户对创造过程的控制。该模型还使用 SynthID 为 AI 生成的图像添加水印，并将很快支持生成人物图像，首先以英语为 Gemini 高级版、商业版和企业版用户提供早期访问版本。

Meta 近期发布了三篇关于 Llama 模型微调的详细指南，深入探讨了从预训练到微调的各个阶段，包括继续预训练、全参微调和参数高效微调（PEFT）、检索增强生成（RAG）和上下文学习（ICL）等多种方法。文章介绍了这些方法的优缺点、适用场景，并特别强调了数据集管理的重要性和人机协作在数据标注中的作用。这些指南为资源有限的小白提供了具体的微调策略和操作步骤，帮助他们在特定任务上取得更好的性能，适应实际应用需求。

Meta 的工程团队文章概述了 Llama 3 的发布，这是 Meta 最先进的开源大型语言模型 (LLM)，重点介绍了 3.1 版本的改进。这个新版本旨在支持合成数据生成和模型蒸馏等工作流程，其功能与顶级闭源模型相媲美。在 AI Infra @ Scale 2024 大会上，Meta 工程师分享了他们对 Llama 3 开发过程的见解。他们讨论了从数据准备和多样性到模型训练基础设施，以及在 Meta 的云和硬件系统中扩展和优化推理的复杂挑战。

Meta 最新发布的 Transfusion 模型，融合了 Transformer 和 Diffusion 技术，成功实现了文本和图像生成的统一。该模型在多模态序列上训练单个 Transformer，通过创新的方法显著提升了多模态处理的效率和质量。Transfusion 在单模态和多模态基准测试中表现卓越，生成的图像质量与扩散模型相媲美，并且保持了强大的文本生成能力。该模型展示了在多模态 AI 领域的巨大潜力，并预示了未来多模态技术的广泛应用。

在大型模型技术不断进步的背景下，智谱宣布 GLM-4-Flash 模型免费开放给所有人。用户只需注册 bigmodel.cn 平台即可免费使用该模型，用于构建专属模型和应用。GLM-4-Flash 具有高速度和经济性，适用于简单垂直、低成本、快速响应的任务。它具备多轮对话、网页浏览、Function Call 和长文本推理等高级功能，支持 26 种语言，并在科研数据预处理、信息抽取、多语种翻译、多轮对话等领域展现了易用性和便利性。此外，GLM-4-Flash 通过自适应权重量化、多种并行化方式、批处理策略和投机采样等技术优化，实现了模型运行效率的提升和推理成本的降低。在预训练方面，引入了大语言模型进行数据筛选，采用 FP8 技术进行高效预训练，提高了训练效率和计算量。GLM-4-Flash 还展示了强大的逻辑推理能力和快速的生成速度，具备网页检索和函数调用能力，旨在推动普惠 AI 的发展，让更多人能够利用 AI 技术解决实际问题。

本文介绍了 Gemma 2，这是一个突破性的开源模型系列，包含 2B、9B 和 27B 参数大小，旨在为性能和可访问性设定新的基准。Gemma 2 在实际对话任务中表现出色，特别是在 LMSYS 聊天机器人竞技场中，它超越了更大的模型。关键的架构创新包括交替局部和全局注意力、logit 软封顶、用于预归一化和后归一化的 RMSNorm 以及分组查询注意力 (GQA)。这些进步提高了模型的效率、稳定性和整体准确性。此外，Gemma 2 提供了无缝微调和集成功能，适用于各种平台和硬件配置。

本文详细介绍了 Stable Diffusion 的工作原理及其在 AI 绘画技术中的应用。通过对比生成对抗网络（GAN）和扩散模型，文章阐述了 Stable Diffusion 在生成样本质量、多样性和稳定性上的优势。文章还详细解释了扩散模型的正向扩散和反向扩散过程，以及 Stable Diffusion 中的条件生成技术，如文生图、图像到图像转换等。此外，文章讨论了 Stable Diffusion 的开源特性如何促进了相关研究和插件的繁荣发展，并强调了 AIGC 技术在降低设计门槛的同时对设计师的持续学习提出了新的要求。

文章由吴恩达撰写，讨论了 OpenAI 的 GPT-4 token 价格从每百万 token 36 美元降至 4 美元的重大变化，以及这一变化对 AI 行业的影响。价格下降主要由开源模型如 Llama 3.1 的发布和硬件创新推动，包括 Groq、Samba Nova 和 Cerebras 等公司的技术进步。吴恩达建议 AI 公司应关注构建实用应用程序而非过度优化成本，并考虑未来价格下降带来的经济可行性。他还提到，随着新模型的不断推出，定期评估和切换模型以利用价格下降和功能提升是明智的。同时，吴恩达强调了评估技术进步对简化模型切换过程的积极影响，并对未来技术发展趋势的预测，认为 token 价格将继续下降。

本文基于斯坦福大学关于构建大型语言模型（LLM）的最新讲座，全面解析了 LLM 的构建流程，包括模型架构、数据处理、预训练与后训练、评估指标以及系统优化等多个关键步骤。文章强调了数据、评估和系统在 LLM 发展中的重要性，并详细介绍了自回归语言模型的工作原理、标记器的作用、评估方法、数据处理的复杂性、缩放定律的应用以及训练成本和环境影响。通过这些内容，读者可以深入理解 LLM 的技术细节和实际应用挑战。

本文由 AI 前线发布，详细介绍了如何利用 Open-Sora 模型进行微调，以生成高质量的定格动画视频。文章首先介绍了 Text2Video 模型的应用背景，指出通过微调开源模型可以增强其生成符合特定需求的视频能力。接着，文章详细阐述了微调 Open-Sora 1.1 Stage3 模型的过程，包括硬件配置、软件环境、数据准备和模型训练。硬件方面，使用了由 Lambda 提供的 32-GPU 集群，配备 NVIDIA H100 GPU 和高速网络连接。软件方面，通过 Conda 环境管理依赖项，确保环境配置的一致性。数据方面，从 YouTube 频道获取高质量的定格动画视频，并通过 GPT-4o 进行数据注释。模型训练方面，详细介绍了两个微调模型的训练过程和结果，展示了模型在不同阶段的输出效果。最后，文章讨论了模型的未来改进方向，包括提高时间一致性、减少无条件生成中的噪音、提升分辨率和帧数等。

来自 Google Cloud 博客的文章介绍了 Vertex AI 上可用的强大文本到图像模型 Imagen 3。文章概述了早期用户的反馈，并确定了三个关键主题：对各种风格和格式的高质量视觉的需求，对精确图像生成的强烈提示遵循，以及通过 SynthID 数字水印和高级内容安全过滤器来确保信任和安全。文章深入探讨了模型的能力，包括代码示例和最佳实践，以最大化其潜力。它展示了 Imagen 3 生成具有出色构图和高分辨率的逼真图像的能力，其增强的文本渲染能力，以及其提示理解能力。此外，它还介绍了 Imagen 3 Fast，该版本针对速度进行了优化，适用于创建更明亮、对比度更高的图像，同时减少了延迟。文章最后介绍了如何访问 Imagen 3 以及用于集成的其他资源。

本文由阿里云开发者发布，主要探讨了如何将非结构化数据（如 PDF 和 Word 文档）转换为结构化数据，以便于 RAG（Retrieval-Augmented Generation）系统使用。文章首先介绍了背景，指出尽管通用大语言模型（LLM）在知识问答方面取得了进展，但对于专业领域数据仍显不足。RAG 系统通过结合用户原始问题和私域数据，提供更精准的信息，从而提升回答效果。文章详细对比了 Word 和 PDF 文档的解析方法，包括它们的格式结构、解析难度和处理策略。此外，文章还介绍了阿里云搜索文档内容解析的整体架构，展示了如何通过文档解析提升 RAG 系统的性能。最后，文章提供了服务体验和参考链接，帮助读者进一步了解和应用相关技术。

本文为开发者提供了一个全面的指南，介绍如何使用 LlamaIndex 和 Azure OpenAI 创建无服务器检索增强生成 (RAG) 应用程序，并将其部署在微软 Azure 上。文章介绍了 RAG 架构，该架构通过集成外部知识通过检索器-生成器模型来增强 AI 文本生成。详细步骤提供了使用 LlamaIndex 实现 RAG 的方法，包括数据摄取、索引创建、查询引擎设置以及检索和生成过程。TypeScript 和 Python 中的实际示例展示了使用 Azure OpenAI 的完整实现，并通过 Azure 开发者 CLI 简化了部署。文章强调了将专有业务数据集成到 AI 应用程序中以提高响应质量和相关性的好处，同时利用 Azure 的可扩展性和安全性。

Hugging Face 开发了一个统一的工具使用 API，允许在多个模型系列（包括 Mistral、Cohere、NousResearch 和 Llama）中无缝集成工具。该 API 最小化了对模型特定更改的需求，增强了可移植性和易用性。Transformers 库现在包含帮助函数来促进工具调用，以及广泛的文档和示例。该 API 解决了 LLM 的重大局限性，例如计算和事实的不精确以及缺乏最新知识。聊天模板的引入进一步支持工具使用，允许用户使用 JSON 模式或 Python 函数定义工具，这些工具会自动转换。这种方法简化了流程并确保了跨不同编程语言的兼容性。

文章首先介绍了 AI Agent 的八种设计模式，并重点阐述了 ReAct 模式的特点和应用。ReAct 模式通过模拟人类的思考和行动过程，结合语言模型中的推理和行动，为解决多样化的语言推理和决策任务提供了一种有效方法。文章详细描述了 ReAct 模式的 TAO 循环（思考、行动、观察），并通过一个日程管理智能助手的例子，展示了 ReAct 模式与 Reasoning-Only 和 Action-Only 模式的区别。此外，文章还通过源代码示例，详细介绍了 ReAct 模式的实现过程，包括准备 Prompt 模板、构建 Agent、定义 Tools、循环执行以及实际运行示例。最后，文章总结了 ReAct 模式的优势和不足，并指出了其在智能客服、知识助手等场景中的应用潜力。文章也提到了一些实际应用中可能遇到的挑战，如内容产出不稳定、成本高和响应时间不可控。

来自 Google Cloud 博客的文章展示了一个多模态搜索系统的演示，该系统利用自然语言处理 (NLP)、BigQuery 和嵌入来执行跨图像和视频的搜索。传统的搜索引擎主要是基于文本的，难以分析视觉内容。这种新方法使用多模态嵌入，使用户能够使用文本查询搜索图像或视频，或搜索其中的信息。该解决方案涉及将媒体文件存储在 Google Cloud Storage 中，在 BigQuery 中创建对象表以引用这些文件，为图像和视频生成语义嵌入，并将这些嵌入索引到 BigQuery 中以进行高效的相似性搜索。本文提供了有关如何实现此解决方案的详细步骤，包括将媒体文件上传到 Cloud Storage、在 BigQuery 中创建对象表、生成多模态嵌入、为这些嵌入创建向量索引以及根据用户查询执行相似性搜索。该系统不仅通过简化跨不同媒体类型的內容发现来提升用户体验，而且还通过为内容搜索技术设定新标准来展现潜在的市场影响。

本文深入介绍了 freeCodeCamp.org YouTube 频道上新发布的课程，该课程致力于教授开发者如何使用 Google 的 Gemini AI 多模态模型。该课程由 Ania Kubow 主讲，涵盖了诸如 Gemini 简介、设置开发环境、探索不同的 Gemini 模型以及构建能够解释图像并回答问题的应用程序等重要主题。还简要介绍了嵌入生成等高级功能，为开发者提供全面的学习体验。该课程适合 AI 初学者和经验丰富的开发者，提供实用知识和实践经验，帮助将 Gemini 的功能集成到现实世界项目中。

本文详细介绍了如何使用 Prompt 技巧来提高大模型和 AI 应用的效率和准确性。文章首先探讨了 prompt engineering 的最新方案，结合多家大模型公司的资料和开源社区的技巧，提供了一套详尽的实践策略。接着，文章详细介绍了如何通过不同的 prompt 技巧来优化模型生成文本的质量，包括清晰直接、使用示例、角色化、标签化、Chain Prompt 连锁提示等方法，并提到了 Anthropic 和 Google 的具体实践。CO-STAR 框架作为其中的关键部分，进一步提升了大模型的生成效果。此外，文章还介绍了如何通过优化 Prompt 技巧来提升 AI 模型生成代码的质量，特别是在 Img2code 方向的应用。最后，文章强调了 Prompt 技巧在大模型应用中的重要性，尤其是在提升开发效率和创意方面，并提到了在阿里云海外业务中应用这些技术的实践经验。

文章介绍了作者如何利用大语言模型（LLM）和多种 AI 工具，如 Claude 3.5 Sonnet、Vercel v0、Websim 等，构建了一个名为 Townie 的全栈应用生成器。通过与 LLM 对话，代码生成方式得到了革命性的发展，能够生成带有后端和数据库的全栈应用。作者详细描述了构建过程中的模型选择、数据库持久性、差异生成和 UI 集成等关键环节，并探讨了如何优化模型性能和控制成本。文章还讨论了技术实现中的挑战及其应对策略，最终展示了如何将这些技术整合成一个简化全栈开发的高效工具。未来，Townie 有望成为推动终端用户编程的一大步。

本文展示了在魔搭 ModelScope 社区提供的免费 GPU 资源上，如何利用 Unsloth 框架对 Qwen2 模型进行微调，并通过 Ollama 工具在本地进行推理。Unsloth 框架通过 OpenAI 的 Triton 语言编写的内核，实现了训练速度的显著提升和显存使用量的减少，同时保持了模型的准确度。文章从环境安装、模型选择、微调参数设置、数据集准备、模型训练到最终的模型导出和本地运行，每一步都提供了详细的代码示例和解释。此外，还介绍了如何使用 Ollama 工具进行模型的创建和推理，以及如何在 Linux 环境下安装和启动 Ollama 服务。

GitHub 最近对来自四个国家/地区的 2,000 名软件开发专业人士进行的调查显示，几乎所有受访者都使用过人工智能编码工具。虽然个人采用率很高，但组织支持在不同地区差异很大，美国表现出最多的支持，而德国则最少。这种差异突出了一个关键需求，即公司需要制定明确的指南、政策和基础设施，以便有效地将人工智能整合到其工作流程中。该调查还确定了与人工智能编码工具相关的关键优势，包括改进的代码质量、更快的入职培训和增强的测试用例生成。这些优势转化为显著的节省时间，使开发人员能够专注于更具战略性的任务，例如系统设计和协作。尽管个人体验积极，但调查强调需要采用战略性的组织方法来最大限度地发挥人工智能在软件开发中的潜力，培养信任、提供明确的指南并衡量成果。

Ideogram 2.0 是一款专注于文本渲染的 AI 图像生成工具，提供多种图像风格选择和用户友好的界面。其独特的“魔法提示”功能可以自动翻译和优化中文提示词，降低了使用门槛。文章通过与 Midjourney 的比较，展示了 Ideogram 在生成特定图像时的优势，并探讨了其在海报设计等领域的应用潜力。此外，Ideogram 还推出了移动应用，增加了使用的便捷性。

Anysphere 由四位 2022 届麻省理工学院计算机科学和数学专业毕业生创办，专注于开发 AI 代码编辑器 Cursor。Cursor 旨在通过 AI 技术帮助程序员提高编程效率，支持代码快速生成、分析优化、联网查询等功能，已获包括 OpenAI 和 Perplexity 在内的多家科技公司使用。2023 年，Anysphere 获得 OpenAI 领投的 800 万美元种子轮融资，2024 年 7 月获得 a16z 领投的新一轮融资，估值至少达到 4 亿美元。文章详细介绍了 Cursor 的功能，包括其智能代码生成、多模态智能生成、智能重写和智能查询等，以及 Anysphere 团队成员的背景和公司的融资情况。此外，文章还探讨了 Anysphere 与微软等巨头的市场竞争，强调 AI 编程市场的巨大潜力和 Anysphere 的技术发展方向。

文章指出，AI Super App 的发展需要人机协作，仅靠 AI 技术无法满足大众需求。AI 产品的市场渗透率低，因为它们未能真正解决用户的问题。AI 与人类在提供价值和情绪价值方面存在差异，Agent 技术仍处于科幻阶段。构建一个让所有参与者（开发者、用户、平台）都能获利的共赢平台，是实现 AI Super App 发展的务实路径。

本文对四款头部 PPT 生成大模型进行了深入实测，包括 Kimi、讯飞智文、百度文库和 WPS AI。介绍了 PPT 生成大模型的市场背景和主要竞争者，并详细描述了测评设定和方法。实测结果显示，这些 AI 工具在生成速度和部分内容上有所进步，但在配图准确性和数据可视化方面普遍存在问题，未能完全满足用户需求。文章还从响应速度、使用成本、模板样式、用户体验和隐私保护等维度进行了评估，指出了 AI PPT 生成技术面临的挑战，强调了技术进步与用户期待之间的差距。

a16z 发布的最新全球 AI 产品 Top100 榜单显示，ChatGPT 在通用型 AI 助手领域持续领先。字节跳动旗下多个产品上榜，展示了其在 AI 领域的广泛布局。AI 在图像、音乐、视频创作等垂直领域的应用不断扩展，并在美学和约会等新兴类别中崭露头角。文章强调了 AI 产品市场的激烈竞争和创新，以及 AI 技术在满足真实需求方面的潜力。

随着智能问答软件的普及，市场上涌现了多种产品，每款软件都有其独特的功能和优势。本文详细测评了六款主流智能问答软件，从功能介绍到实际测试案例，评估了它们的智能问答能力和特点。文章指出，通义千问和天工在功能丰富度和娱乐属性上表现突出，讯飞星火在智能体功能上表现最强，Kimi 的界面最为简洁直接，文心一言在语境辨析等方面表现较强，豆包在文生图方面表现较强。最后，文章总结了各软件的优势和不足，并提出了对未来智能问答软件发展的期望。

Ideogram 2.0 在文本渲染方面有了显著提升，可以生成更长、更准确的文本图像。此外，它在写实图像生成方面也下足了功夫，现实主义风格图像更加逼真。值得一提的是，Ideogram 2.0 还推出了调色板控制功能，让用户可以精准控制图像色彩。

在实测对比中，Ideogram 2.0 在照片写实、文本渲染和多风格生成方面都表现不俗。但综合来看，Midjourney 凭借其强大的技术实力和广泛的应用，仍然占据着 AI 生图领域的霸主地位。

Ideogram 的创始团队来自谷歌，拥有深厚的 AI 领域背景，这为其发展提供了坚实的技术基础。

本文盘点了全球 6 月访问量最高的 20 个 AI 视频生成产品，涵盖了从文/图生视频到数字人视频编辑的多种类型。文章深入分析了这些产品的商业价值和技术壁垒，指出目前市场上具有实际商业价值的产品主要是数字人视频编辑工具、短视频切片工具和传统视频编辑工具。同时，文章强调了 AI 生成视频技术的潜力尚未被充分释放，多数产品仍依赖传统 AI 技术而非基于最新模型的 Text-to-Video。此外，文章对未来 AI 视频生成技术的发展趋势和潜在挑战进行了展望，提出了在技术进步中寻找垂直需求的重要性。

Substrate Labs 是一家 AI 基础设施创业公司，专注于解决 AI 模型部署效率问题。其推出的 API 平台能高效构建和部署模块化 AI 系统，优化基础设施，确保高性能和易用性。该平台旨在简化复杂 AI 工作流构建，节约资源。文章详细介绍了 Substrate Labs 的愿景、技术优势、市场应用，并提及了其融资情况和创始团队背景。

文章详细介绍了字节跳动旗下海外 AI 视频编辑应用 CapCut 的发展历程和商业化策略。CapCut 自 2020 年推出以来，通过易用的视频编辑功能和丰富的模板，迅速在海外市场获得了超过 3 亿的月活用户，占移动视频编辑总活跃用户的 81%。随着用户基数的增长，CapCut 开始加速商业化步伐，截止 2023 年 7 月底，其移动应用累计收入已达 1.25 亿美元。CapCut 不仅依赖 TikTok 的流量优势进行导流，还通过搜索引擎优化（SEO）策略占据了用户心智。生成式 AI 工具的引入进一步提升了其功能性和商业价值，然而，高算力成本和市场竞争也给 CapCut 带来了挑战。文章还探讨了 CapCut 未来可能的市场走向和潜在影响。

Artem Rodichev，前 Replika AI 负责人，创立了 Ex-Human 公司，并获得了 Andreessen Horowitz (A16Z) 的投资。Ex-Human 专注于开发多模态交互 API 平台，结合 B2C 的 Chatbot 和图像生成产品与 B2B 的 API 业务，旨在重塑人与技术的互动方式。通过高用户参与度的产品如 Botify 和 Photify，Ex-Human 不仅在娱乐和图像生成领域取得了显著成就，还为企业提供定制化服务。公司利用从 B2C 产品中积累的大量用户互动数据，不断增强技术，提升 B2B 服务的质量和效果。此外，Ex-Human 通过开源模型和自有的高质量对话数据，开发出在情感智能方面表现优异的模型，显著提高了用户参与度。Artem 的目标是通过技术创造充满同理心的数字人和 AI 角色，改变人与技术的互动方式，并预计到 2030 年，与数字人类的交互将比与真人更频繁。

Opal Camera 成立于 2020 年，由 Veeraj Chugh、Stefan Sohlstrom 和 Kenneth Sweet 三位经验丰富的创始人领导，专注于开发高质量的网络摄像头。在新冠疫情期间，公司识别到市场对高质量视频和音频设备的迫切需求，推出了 Opal C1 和 Opal Tadpole 两款产品，分别针对专业用户和移动办公市场。Opal Camera 的技术创新包括使用 Intel Myriad 芯片进行实时图像处理和业界首创的相位检测技术，显著提升了图像质量和低光环境下的拍摄效果。2023 年和 2024 年，Opal Camera 分别完成了 1700 万美元的 A 轮融资和 6000 万美元的 B 轮融资，后者由 OpenAI 领投，显示了 OpenAI 对扩展 AI 硬件领域的兴趣。此次投资不仅为 Opal Camera 提供了资金支持，也标志着其从传统网络摄像头制造商向 AI 驱动创意工具提供商的战略转型。

文章通过对 40 个头部 AI 产品的定价模式进行深入分析，探讨了 AI 应用商业化的最新趋势。研究覆盖了定价模式、价值指标、公开宣传、免费版本和定价透明度等方面，指出大多数 AI 应用采用订阅和基于用户数量的收费方式。尽管如此，市场对创新定价模式的需求依然强烈，尤其是在第二波 AI 应用中，有可能出现更具创新性的定价结构。此外，免费版本在促进用户采用方面的重要性不容忽视，而定价透明度在不同类型的应用中差异显著。文章为理解 AI 产品的商业化策略提供了有价值的见解，并对未来发展方向进行了预测。

Motiff，由猿力科技支持的 UI 设计 SaaS 公司，专注于通过 AI 技术革新 UI 设计领域。公司视 Figma 为唯一对手，已推出多项 AI 功能，包括 AI 工具箱、AI 设计系统以及 Motiff 妙多实验室，并自研了 Motiff 妙多大模型，该模型在多个 UI 界面场景的评测中表现优异，甚至超越了谷歌的 ScreenAI 模型。Motiff 创始人张昊然强调 AI 技术在设计工具中的重要性，并阐述了 AI 如何提高设计效率和用户体验。Motiff 的商业策略是面向大客户，并计划全球化市场，避免本地化部署以保持产品迭代速度和 AI 能力。

Viggle AI 是一家专注于视频生成技术的初创公司，由华人创始人 Chu Hang 领导，近期完成了 1900 万美元的早期投资，由 a16z 领投。该公司从 Discord 社区起步，迅速吸引了超过 400 万用户，并在 3 月份推出了独立的 App 产品。Viggle 使用自研的 JST-1 模型，支持用户创建更逼真的人物动作和表情。文章详细介绍了 Viggle 的用户群体、技术特点、市场策略以及面临的挑战，包括版权问题和模型训练数据的合法性。此外，Viggle 在 TikTok 上也取得了广泛的传播，显示出强大的用户参与度和市场潜力。未来，Viggle 计划继续提升技术并扩展其功能，探索娱乐以外的应用场景。

李沐在上海交大的演讲涵盖了语言模型的核心组成部分、技术挑战和个人职业选择。他首先详细分析了算力、数据和算法在语言模型中的作用，并预测了这些领域的未来发展，特别指出了内存瓶颈可能限制模型的尺寸和效率。此外，他深入探讨了多模态技术的发展，尤其是语音、音乐和图像模型的进展和应用。在 AI 应用方面，李沐分析了 AI 在文科白领、工科白领和蓝领工作中的应用现状和未来潜力，强调了技术与社会需求之间的关系。最后，他分享了个人生涯的经验，探讨了在大公司、读博士和创业不同路径中的挑战和动机。

扎克伯格在此次对谈中，详细分享了 Meta 在 AR、AI 等领域的探索历程和未来计划，强调大公司虽有资源优势，但常错过三分之二的机会。他鼓励创业者尝试多样化的方向，并揭示了 Meta 在 AR 和 AI 领域的长期愿景，如开发下一代计算平台和智能眼镜。扎克伯格还讨论了开源项目如 Llama 的重要性，分享了创业初期的经验和建议，强调保持灵活性和避免过早做出最终决策的重要性。

文章由 a16z 合伙人 Alex Rampell 撰写，深入分析了 AI 如何推动软件行业从传统的服务模式转变为更加自动化和智能化的劳动力模式。通过历史类比和具体案例，文章强调 AI 将软件转化为劳动力的巨大潜力，并讨论了 AI 如何改变软件的定价模式，从传统的按席位收费转向更加灵活和高效的计费方式。此外，文章还探讨了 AI 在不同行业中的应用，如人力资源、会计、医疗和销售等，指出 AI 不仅能够替代部分人类工作，还能创造新的工作机会和市场。

2024 年世界机器人大会在北京开幕，展示了多款人形机器人，如宇树科技的 G1 和智元机器人的远征系列，标志着人形机器人技术正逐步走向商业化和量产。 随着 AI 技术的进步，人形机器人的应用场景和技术路线日益多样化，多家创业公司通过软硬件一体化和数据驱动，推动机器人向通用化和智能化发展。 文章还讨论了人形机器人在不同场景下的应用和技术发展，强调了“软硬一体”能力的重要性，并提到了 AI 大模型与机器人结合的挑战，例如数据获取和泛化能力。 此外，宇树科技通过创新降低成本，推出低成本高性能的人形机器人 G1，展示了组合式创新的重要性。 文章最后讨论了仿真数据与遥操作在机器人训练中的应用及其优劣，以及中国机器人公司的全球化战略和硬件优势。

Brett Adcock，Figure Robotics 和 Figure AI 的创始人，通过 Figure 2 机器人的发布，展示了人形机器人技术的显著进步。Figure 2 在硬件和设计方面进行了重大升级，包括 CPU 和 GPU 的三倍提升，电池容量的增加，以及引入六个高效摄像头系统。通过与 OpenAI、微软等科技巨头的合作，Figure 2 集成了先进的 AI 模型，增强了机器人的智能和操作能力。Adcock 预测到 2040 年全球将有 100 亿台机器人，这将彻底改变劳动力市场，让人类从危险、单调的工作中解放出来。他还强调了机器人技术不仅是科技突破，也是推动社会进入富足时代的关键力量，并对中国在机器人领域的崛起表示关注。

本文由机器之心发布，详细介绍了哈萨比斯在谷歌 AI 领域的最新动态。文章首先描述了 DeepMind 和 Google Brain 合并后，Google DeepMind 在推动 AI 前沿技术方面的努力，包括发明新架构和改进多模态理解、长期记忆和推理能力。接着，哈萨比斯讨论了 AI 系统通过大量数据学习并泛化模式的能力，以及 AI 领域的炒作和低估问题。他还重点介绍了 Gemini 项目的多模态处理能力和创新的长上下文记忆，未来将 AlphaGo 与 Gemini 结合的计划标志着 AI 应用的新方向。最后，哈萨比斯强调了对 AI 伦理责任和监管的必要性，特别是在开源模型和智能体系统的安全性方面，提出了红队测试作为确保 AI 技术稳定性和安全性的重要手段。

艾丹·戈麦斯在本次访谈中分享了他对 AI 公司所面临挑战及未来发展趋势的深入见解。讨论了模型规模扩大虽有效但低效的观点，强调了探索其他发展路径的重要性，如数据收集和应用层创新。他还指出了仅依赖模型 API 的盈利模式将面临挑战，应用层更具吸引力。此外，他预测 AI 技术的发展将带来人形机器人的突破，并强调了数据质量在 AI 技术构建中的重要性。

张宏江博士在硅谷的一次分享中，详细阐述了他对 AI 和大模型的八个主要观察。他强调了大模型的规模定律和其在 AI 发展中的核心地位，讨论了计算重心从 CPU 到 GPU 的转移及其对数据中心架构的影响。张博士还指出大模型作为操作系统将建立新的生态系统，并推动软件行业的重构。他分析了大模型的应用层级和未来发展阶段，尤其是个性化和 To B 应用的兴起。还探讨了创业者在选择做大模型还是小模型时的策略，以及大模型投资的市场机会。预测多模态大模型是实现 AGI 的关键，将极大赋能机器人技术，推动通用机器人的发展。

Zoom 创始人袁征在接受专访时，回顾了公司从疫情前的高峰到市值大幅下跌的历程，并详细探讨了如何通过 AI 技术实现新的增长。他强调，Zoom 正在转型为一个以 AI 为核心的协作平台，推出了 AI 虚拟分身功能和生产力工具，以在 SaaS 市场中与微软和谷歌竞争。袁征分享了 Zoom 的成功因素，如视频质量、易用性和移动端支持，同时强调了硅谷文化对其创业之路的积极影响。文章还讨论了 AI 在自动化日常任务、提高工作效率和改变未来工作模式方面的潜力，同时也重视 AI 的安全和隐私保护。

腾讯机器学习平台部总经理王迪在《智者访谈》中，深入探讨了腾讯如何从零开始构建万亿级 MoE 大模型，并分享了宝贵的实践经验。王迪强调，大模型研发需要整合工程、算法、数据和业务应用，并通过 MoE Scaling Law 等优化策略，在资源有限的情况下提升效率和效果。腾讯利用自身丰富的应用场景，通过 post-training 优化和数据反哺机制，不断提升模型的通用性和性能，并通过太极混元一站式平台支持内部数百个业务。王迪认为，未来 AI 基础设施将朝着更加通用化、平台化的方向发展，为用户提供更便捷、低成本的 AI 算力云计算能力。

本文详细介绍了微软在 AIGC 领域的最新进展，包括将 GPT 系列模型集成到 Github Copilot 和 Office 中，以及通过优化计算方式提高大模型效率。文章还讨论了负责任 AI 的重要性，强调了 AI 应用的普及需要流程重构和数据的有效利用。此外，微软工程师韦青提出了程序员角色的转变，强调程序员需要更深入的技术理解和行业知识。

本文深入探讨了 Cohere 创始人 Aidan Gomez 对 AI 模型发展的最新思考。他指出，尽管 AI 模型的发展正变得越来越困难且成本高昂，但数据质量的重要性不容忽视。Gomez 预测，AI 的下一个重大突破将在机器人领域，这需要更强大且经济的模型。此外，他强调了 AI 技术在提升生产力方面的重要性，并讨论了市场需求、芯片供应链变化、语音作为下一代用户界面的潜力，以及 AI 技术与人类关系的未来。文章还涉及了 AI 模型发展的挑战、成本问题、市场对新技术的接受度，以及技术进步的非线性成本和模型代际间的难以区分性。

吴恩达在专访中深入探讨了 AI 的多个方面，包括生成式 AI 的快速发展、AI 对工作的影响、伦理问题以及 AGI 的未来。他提到生成式 AI 极大地降低了开发成本和复杂度，使得更多新的应用得以实现。吴恩达认为 AI 将取代一些重复性工作，但不会完全取代人类，关键在于提升劳动者的 AI 技能。他还强调了 AI 伦理问题的重要性，指出这些问题通常与应用相关。在谈到 AGI 时，吴恩达认为按照标准的 AGI 定义，实现 AGI 仍需数十年时间。此外，吴恩达通过 Coursera 和 DeepLearning.AI 推动了全球 AI 教育的普及，帮助人们学习使用 AI 所需的技能。

本文由 Limitless AI 创始人 Dan Siroker 分享其连续创业的心得，涵盖了从快速验证想法、适时转型到团队管理和融资策略等多个方面。Siroker 强调了连续创业者在聚焦能力和经验积累上的优势，尤其是在避免在非核心任务上浪费时间的能力。此外，文章深入探讨了在融资过程中如何选择合适的投资者、利用社交媒体吸引投资以及管理融资时间表，为创业者提供了全面的实战指导。

Replika 是一款成立于 2017 年的 AI 伴侣应用，旨在通过情感支持和社交互动的补充帮助用户度过情感困难。创始人 Eugenia Kuyda 强调 Replika 的目标是创造一种全新的 AI 伴侣关系，类似于宠物狗的角色，而不是取代人类关系。Replika 的用户主要是 35 岁以上的超级活跃用户，提供文字、语音、增强现实和虚拟现实等多种互动方式。其商业模式不依赖于用户数据，而是通过提高对话质量来提升服务质量。Replika 团队通过多学科合作，致力于提升用户体验和产品功能，并正从单纯的情感支持转向实际构建一个推动用户过上更幸福生活的伴侣。

Noah Kagen 在 Facebook 工作的 9 个月里，从马克·扎克伯格身上学到了 10 条经验，帮助他创立了年收入 1 亿美元的软件产品推广和营销平台 AppSumo。这些经验包括：1）专注于单一目标；2）加快脚步；3）只雇佣最出色的员工；4）善待员工；5）按自己的路子走；6）关注细节；7）向团队放权；8）是“人”不是“用户”；9）只留合适的人；10）风物长宜放眼量。这些经验涵盖了从战略目标到团队管理和个人成长等多个方面，为读者提供了宝贵的见解。

文章来自“歸藏的 AI 工具箱”，涵盖了 AIGC 领域的多项最新进展。首先介绍了 Ideogram 2.0，这是一个支持强大文字排版的图像生成工具，能够实现复杂排版和色彩控制，适用于营销海报等设计。接着，文章提到了 AI21 推出的 Jamba 1.5 系列模型，这是首次非 Transformer 架构的模型在性能上追上市场上的领先模型，具有 256K 的有效上下文窗口和多种语言支持。此外，文章还涉及了多个 AI 工具和模型的更新，如 ComfyUI 的版本更新、Zed AI 代码编辑器的发布、Vercel V0 的升级等，展示了 AI 技术在图像生成、代码编辑、界面设计等多个领域的应用和进步。文章最后还提到了 a16z 发布的 AI 应用 Top 100 排名，以及如何评估大语言模型的有效性等深度内容。

文章通过对比美国硅谷和中国在 2010 年代的科技发展策略，详细阐述了美国 SaaS 企业的崛起和中国超级应用的垄断现象。分析指出，美国在企业软件上的加倍投入与中国在消费者应用上的押注，虽然都取得了成功，但也存在失败。软件通过 SaaS 模式深入渗透到企业业务流程的各个环节，而中国的超级应用如微信和支付宝则形成了垄断地位，影响了中国科技业的发展方向。此外，文章还探讨了中国与美国在消费互联网和企业互联网发展路径上的差异，以及这种差异背后的生态和投资逻辑。最后，文章强调了中国在消费互联网领域的经验积累对 SaaS 公司的价值，以及在 AI 周期中调整心态的重要性，呼吁补充早期投资生态的多样性，支持面向全球市场的 AI 创业者。