Axa Investors 投资组合经理 Pauline Llandric 表示,生成式人工智能正在加速元宇宙的发展,这将改变人们的生活和工作方式,并激发更多投资机会。
Pauline Llandric 表示,虽然人工智能一直是元宇宙发展的基石,但 生成式人工智(GenAI) 更进一步。
她补充道:“这对企业和投资者来说都是一个至关重要的变化。例如,游戏公司可以设计越来越复杂和现实的游戏和世界,从而扩大他们对消费者的吸引力并产生新的收入。
医疗保健是另一个利用元宇宙可能性的领域,例如医生使用的虚拟现实头显。“ 生成式人工智(GenAI)还可以帮助更快地更新患者笔记,节省医生的时间,而数字孪生——物理对象、人或过程的数字表示,在其环境的数字版本中进行描述——可以帮助诊断疾病或允许外科医生练习操作”,兰德里克先生说。
企业还使用元宇宙中的人工智能来分析和响应客户行为,创造更个性化的体验并扩展现有产品。
元宇宙日益复杂,需要日益复杂的芯片和芯片设计工具,从而创造需求和潜在的新投资机会。
兰德里克先生表示:“不断增长的行业还需要比目前更多的基础设施,这导致人们对数据中心和计算机服务器等设施的资本支出抱有很高的期望。 ”
另一个增长领域是以前是其他市场专家但现在对元宇宙开发感兴趣的公司的交叉增加。
兰德里克补充道:“随着元宇宙变得更加集成和整体,而不是一组孤岛,企业越来越多地跨越游戏、社交和工作之间的界限。”
但对该技术发展速度的担忧仍然存在。
数据分析和咨询公司 Global Data 发表的一篇论文称,大型科技公司对生成式人工智(GenAI)卓越的追求面临着道德、法律和经济障碍。
生成式人工智(GenAI)的主要参与者包括 Alphabet(谷歌)、亚马逊、苹果、Meta 和微软。
Global Data 颠覆性技术项目副经理 Saurabh Daga 表示:“人工智能生成的内容面临着相当大的障碍:人工智能生成的内容面临着仔细的审查,特别是在知识产权方面。因此,大型科技公司必须在细致入微的法律框架内巧妙地运作。”
“他们必须根据不断变化的监管环境调整运营和战略,同时管理风险并确保利益相关者的信心。这种情况会影响他们的开发方法、产品范围以及人工智能与其生态系统的战略整合。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。