跟上人工智能这样快速发展的行业是一项艰巨的任务。因此，在AI能够为你做到这一点之前，这里有一份机器学习领域近期故事的便捷汇总，以及我们没有单独报道的值得注意的研究和实验。
顺便说一句——TechCrunch计划很快推出一份AI通讯，敬请期待。
本周AI动态
由投资巨头Alden Global Capital拥有的八家美国知名报纸（包括《纽约每日新闻》、《芝加哥论坛报》和《奥兰多哨兵报》）因版权侵权问题起诉OpenAI和微软。它们指控这两家公司在使用生成式AI技术时未经许可或未支付报酬就抓取其知识产权，以构建和商业化诸如GPT-4等生成模型。这与《纽约时报》对OpenAI的持续诉讼类似。
负责监督Alden旗下报纸的执行主编Frank Pine表示：“我们在出版物上花费了数十亿美元来收集信息和报道新闻，不能允许OpenAI和微软扩大科技公司的玩法，即窃取我们的工作来建立他们自己的业务，从而损害我们的利益。”
鉴于OpenAI与出版商已有合作关系，且不愿将其整个商业模式建立在“合理使用”论点上，那么对于那些作品在未经付费情况下被卷入模型训练的其他内容创作者来说，情况又该如何呢？看来OpenAI正在思考这个问题。
最近发表的一篇由OpenAI Superalignment团队科学家Boaz Barak共同撰写的研究论文提出了一种框架，旨在根据版权所有者对AI生成内容的创作贡献比例对其进行补偿。该框架通过合作博弈论实现：评估训练数据集中的内容（如文本、图像等）在多大程度上影响模型的生成结果，并采用沙普利值概念确定内容所有者的“应得份额”。
例如，假设一个图像生成模型使用四位艺术家的作品训练，当用户要求以其中一位艺术家的风格生成图像时，该框架可确定每位艺术家作品对生成结果的影响程度，进而确定补偿金额。
然而，该框架存在计算成本高昂的缺点。研究人员采取的变通方法依赖于补偿估算而非精确计算。这能否满足内容创作者的需求尚不确定，若OpenAI将来付诸实践，答案自然会揭晓。
其他值得关注的AI新闻
- 微软重申禁止面部识别：《Azure OpenAI服务条款》新增措辞更明确地禁止将整合方案用于美国警方的面部识别。
- AI原生初创公司的本质：Glasswing Ventures创始人Rudina Seseri指出，AI初创公司面临与典型SaaS公司不同的挑战。
- Anthropic推出企业计划：Anthropic推出面向企业的付费计划Team及新iOS应用，为客户提供Claude 3模型更高优先级访问权限及管理控制功能。
- CodeWhisperer更名为Q Developer：Amazon CodeWhisperer现更名为Q Developer，作为Amazon Q系列面向企业的生成式AI聊天机器人之一，协助开发者完成调试和升级应用程序等任务。
- Sam’s Club无需结账即可离店：沃尔玛旗下Sam’s Club利用AI加速“离店技术”，部分门店顾客通过收银台或Scan & Go应用付款后可直接离店，无需再次核对商品。
- 自动化鱼类捕捞：Shinkei正在开发自动化系统，以更人道、可靠的方式处理鱼类，有望改变海鲜经济格局。
- Yelp推出AI助手：Yelp宣布推出基于OpenAI模型的消费者AI聊天机器人，帮助用户对接相关企业，目前已上线iOS应用“Projects”标签页，计划今年晚些时候扩展至Android平台。
更多机器学习知识
今年冬天，阿贡国家实验室召集上百名人工智能和能源领域专家，讨论快速发展技术如何助力国家基础设施及研发。最终报告包含诸多天马行空的想法，但仍具信息量。
在审视核能、电网、碳管理、能源存储和材料时，涌现出三大主题：一是研究人员需访问高性能计算工具和资源；二是学会识别模拟和预测中的弱点；三是需要能整合多源数据并以多种格式使其易用的AI工具。这些现象已在各行各业发生，但在联邦层面记录在案仍有必要。
佐治亚理工学院和Meta正通过名为OpenDAC的大型新数据库推动相关工作。该数据库包含反应、材料和计算数据，旨在帮助设计碳捕获过程的科学家更轻松开展工作。它专注于金属有机框架这一有前景的碳捕获材料类型，目前有成千上万种变体尚未被彻底测试。
佐治亚理工学院团队与橡树岭国家实验室及Meta FAIR合作，使用约4亿个计算小时模拟这些材料上的量子化学相互作用，远超一般大学可调动的资源。希望这对气候研究人员有所帮助，所有内容均已公开记录。
尽管AI在医疗领域的应用常被提及，但大多仅扮演顾问角色。原因在于现有机器学习模型只是统计关联的挖掘者，并不理解因果逻辑。剑桥大学与慕尼黑路德维希-马克西米利安大学的研究人员正致力于此，因为突破基础相关性关系对制定治疗方案具有巨大价值。
慕尼黑大学Stefan Feuerriegel教授领导的工作旨在创建能识别因果机制而不仅仅是相关性的模型。他表示：“我们给机器提供识别因果结构并正确形式化问题的规则，然后机器必须学习识别干预效果，并理解现实生活中的后果如何反映在输入计算机的数据中。”目前虽处于早期阶段，但他们相信这是十年期重要发展进程的一部分。
在宾夕法尼亚大学，研究生Ro Encarnación正在“算法正义”领域探索新方向。她的工作侧重于用户而非平台，记录了所谓的“涌现式审计”。当TikTok或Instagram推出带有种族歧视色彩的滤镜或令人瞠目结舌的图像生成器时，用户不仅会抱怨，还会继续使用并学习如何规避甚至加剧其中编码的问题。这展示了用户端的多样性和韧性，他们并非想象中那般脆弱或被动。