📣📣📣达摩院－视觉智能开发平台子社区建立新版块——AI热点日报～
我们汇总了世界各地最具影响力的AI项目、研究成果和创新应用的信息，为读者带来前沿的科技资讯。无论你是科技爱好者、人工智能从业者或者只是对未来科技趋势感兴趣的读者，我们都致力于满足你的需求。通过简明易懂的报道和深入的分析，本系列文章将带你领略未来的畅想，了解人工智能正在如何改变我们的生活和社会。
不容错过的每一期，让我们与科技同行，共同探索AI的无限可能。
🌈热点内容直通车
1. 库克：包括生成式AI在内，苹果多年来一直投资各种AI技术
苹果公司公布了 2023 财年第 3 财季的业绩：23年第三季度的研发支出增长至 226.1 亿美元（约 1625.66 亿元人民币），与去年同期相比增加了 31.2 亿美元。
在财报电话会议上，公司首席执行官库克表示苹果多年来一直在研究包括生成式 AI 在内的各种 AI 技术，在寻找各种切入点将技术融合到产品中，以进一步丰富用户的生活、工作。
2. 软银：“日本版 GPT”开发成功，预计 2024 年后推出相应生成式 AI 产品
早前CEO 孙正义宣称“如果不能拥抱 AI 便是失去未来”，并表示软银公司正在着手设计日本版 ChatGPT。近日，据软银集团官方新闻稿表示，软银集团的“日本版 ChatGPT”开发顺利，软硬公司目前正在进行 AI 的训练过程，预计将在明年推出自家的“日本版 ChatGPT”AI 产品。软银集团电信部门 CEO 宫川润一声称，为了实现“这一宏伟目标”，软银将成立全资子公司 SB Intuitions，专注于训练生成式 AI。此外，软银还计划与微软合作，加速相应技术落地过程，并为日本企业提供一系列可信的生成式 AI 服务。据此前路透社报告，软银当下有大约 1000 人的团队正在进行该“日本版 ChatGPT”的开发过程。
3. 鸿蒙4将接入AI大模型
8月4日，华为在开发者大会上发布了HarmonyOS 4、全新升级的鸿蒙开发套件、HarmonyOS Next开发者预览版本等一系列技术。
“AI大模型技术的发展将会带来下一代智能终端操作系统的智慧体验。”余承东在会上宣布智慧助手小艺接入AI大模型能力，为HarmonyOS带来更智慧的体验。通过盘古大模型的底层能力助力，欲为用户带来智慧终端交互、高阶生产力效率、个性化服务的全新AI体验变革。截至当前，鸿蒙底座已有超过1亿行代码，超2万个API，超7亿鸿蒙生态设备。
🔥开源模型先体验
阿里云通义千问开源！70 亿参数模型上线魔搭社区，免费可商用
8 月 3 日，AI 模型社区ModelScope上架两款开源模型 Qwen-7B 和 Qwen-7B-Chat，阿里云确认其为通义千问 70 亿参数通用模型和对话模型，两款模型均开源、免费、可商用。在多个权威测评中，通义千问 7B 模型取得了远超国内外同等尺寸模型的效果，成为当下业界最强的中英文 7B 开源模型。
Qwen-7B 是支持中、英等多种语言的基座模型，在超过 2 万亿 token 数据集上训练，上下文窗口长度达到 8k。Qwen-7B-Chat 是基于基座模型的中英文对话模型，已实现与人类认知对齐。开源代码支持对 Qwen-7B 和 Qwen-7B-Chat 的量化，支持用户在消费级显卡上部署和运行模型。
用户可从ModelScope社区直接下载模型，也可通过阿里云灵积平台进行访问和调用。阿里云为用户提供包括模型训练、推理、部署、精调等在内的全方位服务。
通义千问 7B 预训练模型在多个权威基准测评中表现出色，中英文能力远超国内外同等规模开源模型，部分能力甚至“跃级”赶超 12B、13B 尺寸开源模型。相比英文世界热闹的 AI 开源生态，中文社区缺少优秀的基座模型。通义千问的加入有望为开源社区提供更多选择，推动中国 AI 开源生态建设。
阿里云表示，开源大模型可以帮助用户简化模型训练和部署的过程，用户不必从头训练模型，只需下载预训练好的模型并进行微调，就可快速构建高质量的模型。
开源地址
魔搭 ModelScope：
https://modelscope.cn/models/qwen/Qwen-7B/summary
https://modelscope.cn/models/qwen/Qwen-7B-Chat/summary
Hugging Face：
GitHub：
https://github.com/QwenLM/Qwen-7B
🎤观点方向多了解
AI工程师的崛起
近期，IT博主 Shawn Wang发表了名为“The Rise of the AI engineer (AI 工程师的崛起)” 的文章，探讨AI 工程师角色的兴起，以及人工编程和大语言模型 (large language model, LLM) 在软件3.0应用中的重要性。文章指出，基础大模型的新兴能力、开源和API的可用性正推动AI工程师这个角色的崛起，使得AI应用能够以前所未有的速度和效率解决各种问题。虽然提示工程曾被炒作，但其仍然是AI工程师工具中不可或缺的一部分。同时，AI的进步也促使AI工程师和其它工程师相互融合，直至将来无法区分。
得益于新兴的能力和基础模型的开源/API可用性，我们正在目睹一次十年一遇的应用AI“向右转移”。API的界限是渗透性的 - AI工程师可以向左转来调整/托管模型，而研究工程师也可以向右转来在API之上构建。成千上万的软件工程师正在致力于将AI API和开源模型投入生产，无论是在公司时间内还是在晚上和周末，在企业的Slack或独立的Discord平台上，他们将逐渐形成一个职称——AI工程师。我认为软件工程将孕育出一个新的子学科，专门研究AI应用，并有效地利用新兴技术栈。这很可能会成为未来十年来需求最高的工程职位。
细节决定成败 - 在成功评估、应用和产品化AI方面，面临着无尽的挑战：
- 模型：从评估最大的GPT-4和Claude模型，到最小的开源Huggingface、LLaMA和其他模型。
- 工具：从最受欢迎的链式、检索和向量搜索工具，如LangChain、LlamaIndex和Pinecone，到新兴的自主智能体领域，如Auto-GPT和BabyAGI（Lilian Weng的必读总结）。
- 新闻：除此之外，每天发表的论文、模型和技术的数量随着兴趣和资金的增加呈指数级增长，以至于跟上这一切几乎成了一份全职工作。
我们对于关于AI和ML之间区别的无休止的语义争论既谨慎又疲倦，我们也很清楚普通的“软件工程师”角色完全有能力构建AI软件。然而，最近在Ask HN（Hacker News的问答专栏）上发布的一个问题是如何进入AI工程师领域，这说明了在市场上仍然存在的根本看法。提示工程和AI 工程在很长一段时间内会感觉比具有良好数据科学/机器学习背景的人要逊色。然而，我认为供需经济学将占上风。
“先点火，然后准备，再瞄准”，与其在训练一个特定领域的模型并投入生产之前，要求数据科学家/机器学习工程师进行费时的数据收集工作，产品经理/软件工程师可以向LLM发出提示，构建/验证产品创意，然后再获取特定的数据进行微调。假设后者的数量比前者多100到1000倍，而通过提示LLM原型的“先点火，然后准备，再瞄准”的工作流程使您能够比传统的ML快10到100倍。因此，AI工程师将能够以1,000到10,000倍更便宜的成本验证AI产品。这就像瀑布流（Waterfall）和敏捷开发（Agile）的较量一样，AI就是敏捷的。
关注子社区，每周热点抢先看~
更多精彩内容欢迎点击下方链接，了解更多viapi相关信息。
