3月8日,全球AI领导者英伟达(NVIDIA)在官网推出了,生成式AI(AIGC)专业认证,通过考试可获得行业认可的权威证书。
同时英伟达也推出了相应的培训课程,包括生成式AI解释,深度学习入门/基础知识,基于Transformer 的自然语言处理,使用大语言模型进行定制应用开发,大语言模型的部署、定制、微调等,帮助学员顺利通过考试。
该认证支持远程报名和考试,适合软件工程师、数据工程师、云解决方案架构师、AI DevOps 工程师等,可增加就业竞争力成为大模型领域的专家。
认证详情地址:https://www.nvidia.com/en-us/learn/certification/generative-ai-llm-associate/

本次认证将从太平洋时间3月18日,英伟达举办的“2024 GTC”人工智能大会上开始。这也是英伟达5年来首次举办的线下技术交流大会,届时将会有900多场会议,20多场与生成式AI有关。英伟达会向全球开发者展示在生成式AI领域的创新技术和最新研究成果。

英伟达创始人兼首席执行官-黄仁勋表示,随着全球各行业、政务机构,正在积极寻求其变革能力,生成式AI已成为技术创新的焦点。
生成式AI认证和考试介绍
该认证由英伟达颁发,考试主题包括生成式AI和大语言模型两大块,考试时间1小时,包括50道题,考试费用135美元(约971元),在线远程考试方式。
考试详细内容包括:
机器学习和神经网络基础知识:探索机器学习的基本概念、算法以及神经网络的基础结构,包括前馈神经网络、卷积神经网络(CNN)和循环神经网络(RNN)等。
提示工程:在与大语言模型的交互中,设计和优化输入提示,以提高模型输出的相关性和准确性。
对齐:确保大模型的行为与人类的期望和道德标准一致,包括处理模型偏见和决策可解释性等问题。

数据分析和可视化:通过统计方法和可视化工具来分析数据集,识别数据趋势和模式,支持数据驱动的决策过程。
实验:设计和执行实验,以验证假设、评估模型性能和探索数据的特性。
数据预处理和特征工程:通过清理、转换和选择重要的数据特征来准备数据,以提高机器学习模型的性能和准确性。
实验设计:计划和构建实验框架,以系统地测试和评估不同的算法、模型和参数配置。
大语言模型的Python库:介绍专门用于开发和训练大型语言模型的Python库,如Transformers、TensorFlow、PyTorch等。
LLM集成与部署:如何将大型语言模型集成到应用程序和服务中,包括API集成、性能优化和模型部署等。
有效期:自认证自签发之日起两年内有效。可以通过重新参加考试来获得重新认证。
考试报名地址:https://www.nvidia.com/en-us/learn/organizations/contact-us/
生成式AI课程介绍
为了帮助学员顺利通过考试,英伟达推出了系统的生成式AI课程,不过有一些是收费的,而且不便宜。当然,如果你是技术大牛,不学习课程直接参加考试也是没问题的。
主要培训课程如下:
生成式AI解释:免费、2小时;
深度学习入门:8小时、90美元;
深度学习基础知识:专业教师指导,8小时、500美元;
加速数据科学基础知识:专业教师指导,8小时、500美元;
基于 Transformer 的自然语言处理简介:6小时、30美元;
构建基于 Transformer 架构的应用程序:专业教师指导,8小时、500美元;
使用大语言模型进行应用开发:专业教师指导,8小时、500美元;

使用 LLaMA-2 进行快速工程:3小时、30美元;
使用检索增强生成,来增强大语言模型:1小时、免费;
使用大语言模型开发RAG代理:6小时、30美元;
使用大语言模型开发RAG代理:专业教师指导,8小时、500美元;
课程详细地址:https://www.nvidia.com/en-us/training/online/
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。