苹果与EPFL合作发布4M AI模型,开启AI新时代

简介: 苹果与EPFL合作发布4M AI模型,开启AI新时代

本文来源:企业网D1net


4M演示的发布紧随WWDC之后,表明苹果在努力将自己定位为AI行业的主要参与者。通过展示Apple Intelligence的面向消费者的AI功能和4M的前沿研究能力,苹果展示了其在整个开发领域对AI的承诺。


苹果与瑞士联邦理工学院洛桑分校(EPFL)合作,在Hugging Face Spaces平台上发布了其4M AI模型的公开演示,这次发布距离该模型最初开源已有七个月,标志着在扩大对复杂AI技术的访问方面迈出了重要一步,公开演示允许更广泛的用户亲自互动并评估4M模型的能力。


4M(大规模多模态掩码建模)演示展示了一个多功能的AI模型,能够跨多种模态处理和生成内容。用户可以通过系统从文本描述创建图像,执行复杂的物体检测,甚至使用自然语言输入操控3D场景。


此次发布标志着苹果从传统上保密的研究和开发方法的一次重大转变。通过在流行的开源AI平台上公开4M,苹果不仅展示了其AI能力,还吸引了开发者的兴趣,培育了围绕其技术的生态系统。


Siri的智能升级:对苹果AI驱动未来的影响


此发布的时机在最近的AI领域发展背景下具有重要意义。尽管微软和谷歌因其AI合作和产品而频繁上头条,苹果却在悄然但稳步地提升自己的AI能力。4M演示展示了苹果在这一关键技术领域的创新能力,这与公司近期的市场表现一致。


自5月1日以来,苹果的股价显著上涨了24%,市值增加了超过6000亿美元,这一激增使苹果在科技行业中成为仅次于Nvidia的价值增幅第二的公司。市场的反应表明,苹果现在被视为“AI股票”,这一看法因其最近与OpenAI的合作公告而得到强化。


4M的独特之处在于其多模态的统一架构,这种方法可能会在苹果的生态系统中带来更连贯和多功能的AI应用。想象一下,Siri能够理解并响应涉及文本、图像和空间信息的复杂多部分查询,或者Final Cut Pro能够基于自然语言指令自动生成和编辑视频内容。


然而,4M的发布也引发了关于数据实践和AI伦理的重要问题。苹果一直将自己定位为用户隐私的捍卫者,但面对数据密集型的高级AI模型,这一立场可能面临挑战。公司需要谨慎处理,以在推进AI能力的同时保持用户信任。


从iPhone到Vision Pro:苹果的AI革命展开


这次4M的公开演示发布,尤其在苹果最近WWDC上揭示的AI战略背景下,显得格外引人注目。尽管Apple Intelligence专注于在iPhone、Mac和Vision Pro头戴设备上的个性化、设备内AI体验,4M则暗示了公司长期的AI野心。该模型基于自然语言输入操控3D场景的能力,可能对未来Vision Pro的迭代和苹果的增强现实努力产生令人兴奋的影响。


4M演示的发布紧随WWDC之后,表明苹果在努力将自己定位为AI行业的主要参与者。通过展示Apple Intelligence的面向消费者的AI功能和4M的前沿研究能力,苹果展示了其在整个开发领域对AI的承诺。


苹果的双重策略——面向消费者的实用AI和4M的前沿研究——发出了一个明确的信号:在领导AI革命的同时保持其标志性的用户隐私。随着这些技术在苹果生态系统中逐渐成熟和整合,用户可能会体验到一种微妙但深远的交互方式变化。真正的考验在于苹果能否有效兑现其先进AI的承诺,同时保持对用户隐私和无缝体验的承诺。


版权声明:本文为企业网D1Net编译,转载需在文章开头注明出处为:企业网D1Net,如果不注明出处,企业网D1Net将保留追究其法律责任的权利。封面图片来源于摄图网


(来源:企业网D1Net)


image.png

如果您在企业IT、网络、通信行业的某一领域工作,并希望分享观点,欢迎给企业网D1Net投稿。

投稿邮箱:

editor@d1net.com

合作电话:

010-58221588(北京公司)

021-51701588(上海公司)

合作邮箱:

Sales@d1net.com


企业网D1net旗下信众智是CIO(首席信息官)的专家库和智力输出及资源分享平台,有五万多CIO专家,也是目前最大的CIO社交平台。


信众智对接CIO为CIO服务,提供数字化升级转型方面的咨询、培训、需求对接等落地实战的服务。也是国内最早的toB共享经济平台。同时提供猎头,选型点评,IT部门业绩宣传等服务。



相关文章
|
3天前
|
机器学习/深度学习 人工智能 自然语言处理
CogAgent-9B:智谱 AI 开源 GLM-PC 的基座模型,专注于预测和执行 GUI 操作,可应用于自动化交互任务
CogAgent-9B 是智谱AI基于 GLM-4V-9B 训练的专用Agent任务模型,支持高分辨率图像处理和双语交互,能够预测并执行GUI操作,广泛应用于自动化任务。
32 12
CogAgent-9B:智谱 AI 开源 GLM-PC 的基座模型,专注于预测和执行 GUI 操作,可应用于自动化交互任务
|
12天前
|
人工智能
AniDoc:蚂蚁集团开源 2D 动画上色 AI 模型,基于视频扩散模型自动将草图序列转换成彩色动画,保持动画的连贯性
AniDoc 是一款基于视频扩散模型的 2D 动画上色 AI 模型,能够自动将草图序列转换为彩色动画。该模型通过对应匹配技术和背景增强策略,实现了色彩和风格的准确传递,适用于动画制作、游戏开发和数字艺术创作等多个领域。
82 16
AniDoc:蚂蚁集团开源 2D 动画上色 AI 模型,基于视频扩散模型自动将草图序列转换成彩色动画,保持动画的连贯性
|
22天前
|
人工智能 安全 PyTorch
SPDL:Meta AI 推出的开源高性能AI模型数据加载解决方案,兼容主流 AI 框架 PyTorch
SPDL是Meta AI推出的开源高性能AI模型数据加载解决方案,基于多线程技术和异步事件循环,提供高吞吐量、低资源占用的数据加载功能,支持分布式系统和主流AI框架PyTorch。
50 10
SPDL:Meta AI 推出的开源高性能AI模型数据加载解决方案,兼容主流 AI 框架 PyTorch
|
22天前
|
人工智能 安全 测试技术
EXAONE 3.5:LG 推出的开源 AI 模型,采用 RAG 和多步推理能力降低模型的幻觉问题
EXAONE 3.5 是 LG AI 研究院推出的开源 AI 模型,擅长长文本处理,能够有效降低模型幻觉问题。该模型提供 24 亿、78 亿和 320 亿参数的三个版本,支持多步推理和检索增强生成技术,适用于多种应用场景。
73 9
EXAONE 3.5:LG 推出的开源 AI 模型,采用 RAG 和多步推理能力降低模型的幻觉问题
|
24天前
|
机器学习/深度学习 人工智能
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
SNOOPI是一个创新的AI文本到图像生成框架,通过增强单步扩散模型的指导,显著提升模型性能和控制力。该框架包括PG-SB和NASA两种技术,分别用于增强训练稳定性和整合负面提示。SNOOPI在多个评估指标上超越基线模型,尤其在HPSv2得分达到31.08,成为单步扩散模型的新标杆。
65 10
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
|
24天前
|
人工智能 搜索推荐 开发者
Aurora:xAI 为 Grok AI 推出新的图像生成模型,xAI Premium 用户可无限制访问
Aurora是xAI为Grok AI助手推出的新图像生成模型,专注于生成高逼真度的图像,特别是在人物和风景图像方面。该模型支持文本到图像的生成,并能处理包括公共人物和版权形象在内的多种图像生成请求。Aurora的可用性因用户等级而异,免费用户每天能生成三张图像,而Premium用户则可享受无限制访问。
63 11
Aurora:xAI 为 Grok AI 推出新的图像生成模型,xAI Premium 用户可无限制访问
|
25天前
|
存储 人工智能 PyTorch
【AI系统】模型转换流程
本文详细介绍了AI模型在不同框架间的转换方法,包括直接转换和规范式转换两种方式。直接转换涉及从源框架直接生成目标框架的模型文件,而规范式转换则通过一个中间标准格式(如ONNX)作为桥梁,实现模型的跨框架迁移。文中还提供了具体的转换流程和技术细节,以及模型转换工具的概览,帮助用户解决训练环境与部署环境不匹配的问题。
45 5
【AI系统】模型转换流程
|
25天前
|
机器学习/深度学习 存储 人工智能
【AI系统】模型转换基本介绍
模型转换技术旨在解决深度学习模型在不同框架间的兼容性问题,通过格式转换和图优化,将训练框架生成的模型适配到推理框架中,实现高效部署。这一过程涉及模型格式转换、计算图优化、算子统一及输入输出支持等多个环节,确保模型能在特定硬件上快速、准确地运行。推理引擎作为核心组件,通过优化阶段和运行阶段,实现模型的加载、优化和高效执行。面对不同框架的模型文件格式和网络结构,推理引擎需具备高度的灵活性和兼容性,以支持多样化的应用场景。
56 4
【AI系统】模型转换基本介绍
|
25天前
|
机器学习/深度学习 人工智能 算法
【AI系统】模型压缩基本介绍
模型压缩旨在通过减少存储空间、降低计算量和提高计算效率,降低模型部署成本,同时保持模型性能。主要技术包括模型量化、参数剪枝、知识蒸馏和低秩分解,广泛应用于移动设备、物联网、在线服务系统、大模型及自动驾驶等领域。
73 4
【AI系统】模型压缩基本介绍
|
25天前
|
机器学习/深度学习 存储 人工智能
【AI系统】模型剪枝
本文概述了模型剪枝的概念、方法及流程,旨在通过移除神经网络中冗余或不重要的参数,实现模型规模的减小和效率的提升。剪枝不仅有助于降低模型的存储和计算需求,还能增强模型的泛化能力。文章详细介绍了剪枝的定义、分类、不同阶段的剪枝流程,以及多种剪枝算法,如基于参数重要性的方法、结构化剪枝、动态剪枝和基于优化算法的全局剪枝策略。通过这些方法,可以在保持模型性能的同时,显著提高模型的计算速度和部署灵活性。
30 2
【AI系统】模型剪枝