AI资讯列表 - AI在线

亚马逊被曝启动“登月”计划：目标部署 10 万颗二代 AI 自研芯片，减少对英伟达依赖

彭博社昨日（11 月 25 日）发布博文，报道称亚马逊为减少对英伟达的依赖，已启动“登月”（moonshot）的计划，希望部署 10 万颗二代自研芯片，挑战行业垄断。

如何在组织中启用机器学习

译者 | 李睿审校 | 重楼计划在组织内部引入人工智能/机器学习的产品经理通常会提出这样一个问题：“我从哪里开始着手？ ”对于缺乏该领域经验的组织来说，深入研究人工智能/机器学习可能会让人感到不知所措。构建机器学习产品需要不同类型的技能和流程，而这些技能和流程需要逐步被吸纳并融入组织的日常运作中。

深入解读大模型应用中台：探索AI实战应用！

写过很多篇关于大数据的文章，它的核心理念：避免数据的重复计算，通过数据服务化，提高数据的共享能力，赋能数据应用。有小伙伴就问，既然数据中台作为底座基础能力，加工价值数据赋能应用，那么现在最为火爆的AI大模型可以作为底座能力赋能应用吗？我认为AI大模型完全可以作为基础能力赋能应用。

Babylon.js：如何与3D场景中的物体交互？

图片开发棋类游戏，需要实现鼠标控制棋子的功能，使得游戏能够将鼠标在屏幕上的位置准确地映射到棋盘上的对应落子点。如果开发的是2D游戏的话，实现就比较简单，鼠标屏幕坐标和棋盘都是二维平面。就像下图围棋所示，可以根据xy坐标表示鼠标的位置，同时围棋落子点的坐标也可以计算得出xy坐标，这样很轻松地就能实现鼠标位置和围棋落子点坐标的映射和距离比较。

解读GraphRAG

RAG 结合了大型语言模型和信息检索模型的力量，允许它们用从大量文本数据中提取的相关事实和细节来补充生成的响应。事实证明，这种方法在提高模型输出的实际准确性和总体质量方面是有效的。图片然而，随着 RAG 系统得到更广泛的采用，它们的局限性开始浮出水面，具体而言：平面检索: RAG 将每个文档作为一个独立的信息。

十倍开发者与AI：科技精英程序员会被取代吗？

顶尖开发人员将与现在看起来大不相同。公司需要改变他们对高绩效开发团队的看法。译自The 10x Developer vs.

AI智能体失控时，谁来负责？

保护AI堆栈中的数据意味着了解数据流向何处以及防止滥用。译自Who’s Responsible When AI Agents Go Rogue?，作者 Vrajesh Bhavsar。无论您身处科技界还是与家人共进晚餐，如今都无法逃脱AI的影响。

消息称三星正与 OpenAI 洽谈，有望令 Galaxy AI 整合 ChatGPT 服务

金融分析师 Dan Nystedt 在 X 平台透露称 OpenAI 正在与三星电子洽谈合作计划，讨论将其 ChatGPT 引入三星 Galaxy AI，这种合作模式类似于苹果与 OpenAI 的现有方案。

安全公司披露 PyPI 虚假 GPT / Claude AI 辅助软件包工具，实为木马勒索软件

安全公司卡巴斯基发布通报，声称他们在 PyPI 中发现了两个恶意软件包，该工具包伪装成 GPT 和 Claude AI 平台辅助工具，实际上是木马勒索软件。

对话｜从背景到技术储备：深入解析建“十万卡集群”的必要性

之前坊间还流传一句话：服务器集群的规模越大，其训练出来的人工智能表现就越出色。在这波浪潮之下，全球科技巨头纷纷投入巨资建设高性能AI计算集群，以提升AI算法的效率和能力。谷歌推出了其AI Platform，依托多模态生成式AI模型Gemini，大幅提升了在文本、图像、音频和视频处理上的能力。

研究发现黑客可轻松操控 AI 机器人，将其变成致命武器

宾夕法尼亚大学的研究人员发现，一系列人工智能增强型机器人系统存在严重的漏洞，容易受到黑客攻击和控制。

高精度预测蛋白构象变化，中国科大、上科大通用深度学习模型

编辑 | KX预测蛋白质构象变化是计算生物学和人工智能领域的一大挑战。主流的 AlphaFold 等算法可以高通量预测蛋白质的静态结构，但对蛋白质构象变化预测却束手无策。为了解决这个问题，中国科学技术大学和上海科技大学的研究人员，提出了一种新颖的深度学习策略，即利用高通量生物物理采样来规避与蛋白质构象转变相关的数据匮乏。

DeepSeek首发国产类o1模型！人人可以免费使用！

20日晚8点，DeepSeek在自己官方公众号上放出了一个大杀器：全新自研的DeepSeek-R1-Lite 预览版正式上线。据介绍，DeepSeek R1 系列模型使用强化学习训练，推理过程包含大量反思和验证，思维链长度可达数万字。该系列模型在数学、代码以及各种复杂逻辑推理任务上，取得了媲美 o1-preview 的推理效果，并为用户展现了 o1 没有公开的完整思考过程。

在GenAI的成功没有固定框架，且几乎没有成功的生产案例可供借鉴的情况下，IT领导者们即便开始关注一些最佳实践，也仍然只有粗略的路线图。对于IT领导者而言，将GenAI的潜力转化为商业价值的道路仍然陡峭且令人畏惧，但GenAI路线图的关键组成部分——数据、平台和技能——正在不断发展并变得更加明确。这是上周在MIT举办的Big.AI@MIT活动中，“GenAI在商业中的下一步”小组讨论的关键要点，该讨论由埃森哲的首席AI官(CAIO)兰·关(Lan Guan)主持。

基于AI的深度伪造检测的局限性

在采访中，Reality Defender的首席执行官Ben Colman探讨了在实际应用中检测高质量深度伪造内容(deepfake)所面临的挑战。他讨论了水印技术、基于AI的检测以及新兴技术在确保媒体真实性方面的潜力及其局限性。 Colman还强调了公众教育、针对特定行业的AI实施以及积极的研究合作对于应对快速发展的深度伪造策略的重要性。