据 TechCrunch 获得的一份文件显示,OpenAI 即将开始测试一项让企业客户将 Slack 和 Google Drive 等应用程序连接到 ChatGPT 的新功能。
根据该文件,OpenAI 计划开始对一项名为 ChatGPT Connectors 的新功能进行 beta 测试。ChatGPT Connectors 将允许 ChatGPT Team 订阅用户将工作区的 Google Drive 和 Slack 账户链接到 ChatGPT,使聊天机器人能够基于这些账户中的文件、演示文稿、电子表格和 Slack 对话来回答问题。
文件显示,OpenAI 计划未来将 ChatGPT Connectors 扩展到其他平台,如 Microsoft SharePoint 和 Box。
文件中写道:"这将使使用 ChatGPT 的员工能够轻松利用内部信息,就像他们通过网络搜索使用世界知识一样。"
ChatGPT Connectors 是 OpenAI 最新尝试将 ChatGPT 打造成企业软件工具包中不可或缺的一部分。虽然一些公司对允许 ChatGPT 访问敏感业务信息持保留态度,但其他公司则完全接受这项技术。
ChatGPT Connectors 可能说服谨慎的公司高管改变立场,并对像 Glean 这样的 AI 驱动的企业搜索平台构成强有力的挑战。
根据文件,ChatGPT Connectors 将为特定的 ChatGPT Team 用户推出测试版,该功能由 OpenAI 的 GPT-4o 模型的一个版本驱动,可以根据"内部 (公司) 知识"优化其响应。参与的 ChatGPT Team 工作区中的所有用户都可以通过 OpenAI 的 ChatGPT 应用程序访问该模型。
定制的 GPT-4o 模型会搜索和"阅读"可能与查询相关的内部信息。根据文件,为了创建搜索索引,OpenAI 会在 ChatGPT 的服务器上同步公司文件和对话的加密副本。
文件指出:"每个响应底部的源按钮可以点击访问模型未直接使用的其他相关信息。在适当时,模型将直接响应相关结果列表。"
为了向客户保证 ChatGPT 不会泄露其私人数据,文件强调 Slack 和 Google Drive 的权限将被"完全尊重"并"持续更新"。例如,ChatGPT Connector 会同步 Slack 私人频道成员资格和 Drive 文件权限以及目录信息。
根据 OpenAI 文件,员工无法通过 ChatGPT 发现他们在 Google Drive 或 Slack 中无法访问的内容,管理员将可以选择同步哪些 Slack 频道和 Google Drive 文件。OpenAI 在文件中表示,一个小缺点是员工可能会对相同的 ChatGPT 提示得到"显著不同"的响应。
ChatGPT Connector 的访问也存在技术限制。
根据文件,Google Drive 文件(如 Google Docs、Google Slides、PDF、Word 文档、PowerPoint 演示文稿和纯文本)中的图像不受支持,文件指出 ChatGPT Connector 只能"读取"而不能分析 Sheets 和 Excel 工作簿中的数据。ChatGPT Connector 无法检索 Slack 私信或群组消息,也会忽略来自 Slack 机器人的消息。
希望参与 ChatGPT Connector beta 测试的公司被要求向 OpenAI 提供 100 个文档、电子表格、演示文稿和/或 Slack 频道对话。该公司在文件中表示不会直接对这些信息进行训练,但可能将其用作"合成数据生成的输入",这些数据可能用于训练。
文件中写道:"从 Google Drive 或 Slack 同步的数据不会用于训练。"
OpenAI 未回应多次评论请求。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。