CNBC(消费者新闻与商业频道)的“Squawk on the Street ”(街谈巷议)节目邀请了OpenAI首席运营官(COO)布拉德·莱特盖(Brad Lightcap),讨论了OpenAI与苹果公司的关系以及OpenAI如何从这种合作关系中获得经济利益等问题。
布拉德·莱特盖1991年出生,毕业于杜克大学,2016年至2018年间在 Y Combinator 担任专注于人工智能和机器学习领域的投资人,2018年底,布拉德加入 OpenAI 担任首席财务官(CFO),后来在2020年晋升为 COO,职责扩大到完善 OpenAI 整体的业务和商业战略。关联的事件有:Sam Altman 在 2014 年接替了 Y Combinator 创始人 Paul Graham 成为 CEO,于2019 年离开 YC 以专注于 OpenAI 的发展。
CNBC主持人首先与布拉德探讨了OpenAI与苹果公司之间的合作关系,特别是他们与苹果智能助手的合作。
布拉德强调,作为首席运营官,他非常重视合作,并且认为与苹果的合作对双方来说都是向前迈出的重要一步。这是人工智能首次真正开始集成到设备中,而不仅仅是作为一个独立的应用程序或服务存在。布拉德解释说,这种集成意味着用户现在可以在设备上进行更复杂的操作,例如通过相机拍照,并让AI服务理解图片内容。这种集成将为消费者创造巨大价值,它提供了新的功能,提高了设备的实用性,并使得用户能够以全新的方式与他们的设备互动。
主持人接着向布拉德提出了一个关于在与苹果的合作中,OpenAI如何盈利的问题。主持人问到:应该不会跟谷歌一样,每年都需要向苹果支付巨额费用吧?
布拉德回应说,他们看待这种合作关系的方式与谷歌支付费用的模式不同。他强调,他们认为真正的产品体验和它们的样子还没有被创造出来。他认为当前技术发展处在一个充满活力的阶段,非常适合构建产品。目前正处于软件工作方式的全新变革的开始,未来的产品体验和形态尚未被创造出来。OpenAI正在探索这个前沿领域,特别是如何以一种非常人性化的方式与设备互动。他强调,所有这些都是有待发现的,而OpenAI正处于这个探索的过程中。
主持人提出了关于OpenAI产品定价和价值的疑问。他好奇,既然他每月已经支付20美元给OpenAI,如果OpenAI的智能助手集成到了他的苹果手机中,他是否还需要继续支付这笔费用?
布拉德解释说,用户会希望人工智能帮助他们处理各种工作负载,从简单的任务到复杂的工作流程。他提到,一些简单的任务可以直接在设备上完成,而更复杂的任务则需要发送给更强大的模型处理。布拉德特别提到了OpenAI最近发布的新模型o1,这是一个能够实际推理的模型,与之前的GPT3不同。o1模型能够思考问题,并将复杂问题分解成不同的步骤,能够处理更复杂的任务。这种高级的体验将由GPT的付费模式提供。
主持人还向布拉德提出了一个关于人工智能未来影响的问题,特别是它将如何改变用户与设备的互动以及应用程序的使用方式。
布拉德表示他相信这种变化将会发生,并且将会是显著的,未来的用户界面将会变得更加人性化和易于互动。布拉德提到了ChatGPT的高级语音模式,通过该模式,用户可以与智能助手进行流畅对话,类似于人与人之间的交流。他解释说,用户不仅可以与系统进行自然的对话,还可以在对话中打断它,让它讲笑话,或者让它的语气听起来更严肃或更有趣。这种高度互动的体验预示着未来界面的发展趋势。
布拉德预测,几年后,如果我们走到一个屏幕前,它不能够像和人一样交谈或者不能让它做任意复杂的事情,那将是不正常的。他强调,易于使用得界面将成为常态。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。