微软的AI应用开发平台AutoGen,目前已在GitHub上揽获30.3k Star了。最近,为了进一步方便用户,微软推出了一个名为AutoGen Studio的开源界面。该界面可以通过设置Python API,以及简单的拖拽页面操作,从而无需编写代码,即可快速构建、测试、定制和共享AI智能体,极大简化了AI应用的开发。
此外,用户还可以在界面中查看聊天记录、生成的文件等。有人对微软的AI应用开发平台AutoGen不熟悉,它是一个能快速构建AI智能体的框架。通过这个框架,能配置多个智能体,这些智能体承担着不同的任务,如代码编写、人机对话或群聊管理。而各个智能体之间可以相互通信与协作,进而完成单个智能体无法独立完成的任务。



参考文献:
[1] https://microsoft.github.io/autogen/blog/2023/12/01/AutoGenStudio/
[2] https://github.com/microsoft/autogen
[3] https://microsoft.github.io/autogen/
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。