AI日报｜今年AIGC最大收购案诞生；OpenAI要打造“办公私人助理”；美国国会：只能使用ChatGPT Plus

01

OpenAI 要打造“办公私人助理”

据 The Information 报道，OpenAI 首席执行官 Sam Altman 私下对部分开发者表示，OpenAI 寻求将 ChatGPT 变成一个 “超级智能的办公私人助理”，可执行以特定用户的风格起草电子邮件或文件等任务。

02

北京市：

启动大模型技术产业创新图谱梳理工作

北京市科学技术委员会发布《关于征集北京市人工智能行业大模型应用案例和应用场景需求的通知》，正面向北京市人工智能创新主体和行业用户，征集人工智能行业大模型应用案例、行业应用场景需求，同时启动北京市大模型技术产业创新图谱梳理工作。据介绍，北京市将充分结合社会经济高质量发展需求和区域特点，聚焦大模型技术创新与应用，加快推动相关技术及产品熟化落地，不断拓展行业大模型应用广度和深度，形成技术支撑、场景牵引、深度赋能的人工智能行业大模型产业生态。

03

WinGPT：

在 Windows 3.1 中集成 ChatGPT

微软正在努力将 ChatGPT 的技术集成到 Windows 11 中，但不包括旧版本的 Windows。不过，开发者已经推出了 WinGPT，一个适用于 Windows 3.1 的 ChatGPT 客户端。它支持 16 位和 32 位版本的 Windows 3.1 及更新，但无法在 64 位系统上运行。然而，由于加密协议和操作系统限制，使得在旧系统上运行联网软件变得困难。

04

美国国会：

只能使用 ChatGPT Plus

美国国会众议院行政长官 Catherine L. Szpindor 表示，议院的办公室内只允许使用付费订阅版本的 ChatGPT Plus，因为付费服务中包含了“保护国会数据的重要隐私保护功能”。办公室只能在启用隐私设置的情况下使用该产品进行研究和评估，禁止将未公开的文本粘贴到服务中。然而，相较于功能上的优越性，包括 OpenAI 在内都没有提过 ChatGPT Plus 在隐私保护方面会比免费版本更优秀。

05

调查显示：

AI 被认为更擅长某些任务

近日，The Verge、Vox Media 和 The Circus 合作，对 2000 多名美国人进行调查，了解他们对 AI 的看法。调查显示，大部分千禧一代和 Z 世认为 AI 比他们更擅长某些任务。调查还发现，人们更倾向于使用聊天机器人而非搜索引擎。超过四分之三的受访者赞同制定法规和法律来规范 AI 发展，并认可提高系统标准和公开透明的重要性。

06

比尔·盖茨：

教会孩子阅读，AI 仅需 18 个月

AI 正在加速教师对学生的影响，帮助解决师资短缺问题。据比尔·盖茨表示，AI 聊天机器人仅需 18 个月就能教会孩子阅读，而不是几年。由大型语言模型支持的聊天机器人能够为学生提供个性化的学习体验，并且可以替代昂贵的辅导。

07

今年 AIGC 最大收购案诞生

近日，Databricks 宣布以 13 亿美元收购生成式 AI 公司 MosaicML。MosaicML 成立于 2021 年，是一家规模较小的初创公司。通过这次收购，MosaicML 将成为 Databricks Lakehouse 平台的一部分，整个团队和技术将被整合到 Databricks 中。据报道，这是今年生成式 AI 领域公开的最大收购案。

08

FunQA：视频问答数据集

为评估和提升视频推理的深度，北京邮电大学、南洋理工大学和艾伦人工智能研究所联合推出了名为 FunQA 的视频问答数据集，其中包含了具有反直觉和有趣特点的视频。与传统的视频问答基准不同，FunQA 专注于涵盖 HumorQA、CreativeQA 和 MagicQA 三种以前未被探索的视频类型。该数据集共包含 312000 个自由文本问答对，涵盖了 4300 个视频片段，总时长达 24 小时。经过对现有 VideoQA 模型的广泛实验，研究人员发现，FunQA 视频在空间-时间推理、以视觉为中心的推理和自由文本生成方面存在显著的性能优势。

论文链接：

https://arxiv.org/abs/2306.14899

09

探索 AI 聊天机器人的伦理挑战，

以 ChatGPT 为例

为了解 ChatGPT 在现实环境中的运行和社会压力对其产生的影响，伦敦国王学院和曼彻斯特大学的一项研究呼吁对 ChatGPT 进行更深入的探索。研究发现，这些聊天机器人在生成类回复方面表现出色，但也存在欺骗性行为的风险，可能引发伦理问题。研究人员强调了用户参与、积极风险评估和建立透明可信的重要性。

论文链接：

https://arxiv.org/abs/2306.13671

10

DPT：惊人的上下文学习能力

近日，斯坦福大学、微软研究中心和 Google DeepMind 提出了一种名为 Decision-Pretrained Transformer（DPT）的监督预训练方法。DPT 通过在多样化任务中预测给定查询状态和上下文交互数据集的最佳行动，实现了在上下文中学习决策的能力。即使未经明确训练，预训练转换器也能在上下文中解决一系列强化学习问题，并在在线探索和离线保守性方面表现出色。此外，该模型还能够应用到新的任务并自动调整其决策策略。从理论上讲，DPT 被视为贝叶斯后验采样的高效实现，并证明其比生成预训练数据的算法具有更快的学习速度。

论文链接：

https://arxiv.org/abs/2306.14892

11

语言模型：机器学习中的弱分类器

近日，卡内基梅隆大学和博世人工智能中心的一项研究证明基于提示 ( prompt ) 的大型语言模型（LLM）可以像弱分类器（weak learner）一样有效地运行。通过为表格数据样本提供文本描述，LLM 可以生成样本的摘要，并作为分类的模板。在某些情况下，LLM 能够超越传统的基于树的提升方法（tree-based boosting），特别是在少样本学习和涉及少量数据点的任务中表现出色。研究结果表明，基于提示的 LLM 不仅可以作为少样本弱分类器，还可以成为更大的机器学习流程的组成部分。

论文链接：

https://arxiv.org/abs/2306.14101

12

L2M：解决强化学习的遗忘问题

为解决预训练模型在微调过程中产生的灾难性遗忘问题，研究团队提出了一种名为 Learning-to-Modulate（L2M）的新方法。该方法通过一个可学习的调节池来调节冻结的预训练模型的信息流，从而避免了已学技能的退化。此外，研究团队还发布了一个包含 50 个 Meta-World 任务和 16 个 DMControl 任务的数据集。

论文链接：

https://arxiv.org/abs/2306.14884