以下文章来源于晚点LatePost ，作者晚点团队 晚点LatePost . 晚一点，好一点 先有一个移动能力的 "通才"，才有更强的智驾系统。 文 丨 张家豪 编辑 丨 程曼祺 全无人驾驶，始终被视作自动驾驶行业皇冠上的明珠，就像登顶珠穆朗玛峰有 19 条路线一样，不同的公司选 择了不同的路线通往无人驾驶的最终目标。 Waymo、小马们选择了基于高精地图的 RoboTaxi 路线，在特定的路线已经实现了 RoboTaxi，为市民提供没有 司机的出行服务；以特斯拉为代表的车企与供应商，则是通过渐进式路线，卖车搭配辅助驾驶方案，收集数据 一步步迭代方案，试图逼近技术极限。 没有人能笃定哪条路线一定能成功登顶，也还有不同的公司，在尝试不同的登顶路线。 在今年的英伟达 GTC（ GPU Technology Conference）上，元戎启行周光提出了一套新的解法，他说，大语言 模型的发展，经历了从弱专家模型（初代 Siri）、到通才（ChatGPT）、再到强专家模型（垂直模型）的过 程。智驾也可以复制这样的路线，一个移动能力的通才，能开好汽车、能骑好摩托车、能让配送小车随时找到 你，之后就可能进化到强专家模型—— ...

科技媒体「The Information」近期发布了一篇关于苹果新版 Siri 延期发布内幕的评论文章，直指苹果 Siri 项目推迟发布背后隐藏的诸多问题。 模型技术路线摇摆、内部团队冲突、高层犹豫不决等，Siri AI 的失败，可以说是完整体现了一个公司面对新技术的「大公司病」。 文章基于 The Information 的文章编译，略有调整。 TLDR： 苹果 Siri 部门高级总监 Robby Walker 对此的说法是， 「但这也只是一个目标，并不意味着那时就会发布」。 换言之，关于新版 Siri 发布时间，最新的答案是： 苹果自己也不知道。 背后到底发生了什么？为何苹果在 AI 战略上进度这么缓慢，已经落后在其他手机品牌之后？ 在 WWDC 2024 上预告的新版 Siri，迄今仍未发布。甚至有消息称，可能会延期到今年的 iOS 19 版本中才会正式发布。 Founder Park 正在搭建开发者社群，邀请积极尝试、测试新模型、新技术的开发者、创业者们加入，请扫码详细填写你的产品/项目信息，通过审核 后工作人员会拉你入群～ 进群之后，你有机会得到： 01 云端结合，还是一个云端模型 从大小模型协作到 ...

Core Points - Circle to Search is a new interaction method introduced by Google, first showcased at the Galaxy Unpack event, and is available on Samsung Galaxy S24 and Google Pixel 8 series devices [2][6] - The feature allows users to select screen areas with simple gestures and provides results based on the selection, enhancing the overall user experience on Android devices [3][7] Group 1: Functionality and User Experience - Circle to Search enables users to quickly access search results by selecting text or images on the screen, with additional tools for translation and music identification [3][8] - The design emphasizes rapid response, low error rates, and intuitive screen segmentation, making it more user-friendly compared to Google Lens [8][9] - The development team utilized a streamlined approach, focusing on prototype creation rather than extensive documentation, which led to a more agile development process [9][10] Group 2: Comparison with Competitors - Circle to Search significantly simplifies the search process compared to similar features in other operating systems like HyperOS and Flyme, which require waiting for screen recognition before initiating actions [15][17] - The integration of Google Search provides a robust backend for Circle to Search, allowing for immediate and relevant results, unlike some competitors that rely on slower AI models [17][20] Group 3: Technical Implementation - The feature leverages the new Android Ink API for smooth and responsive gesture recognition, enhancing the user experience with minimal latency [25][27] - Circle to Search supports various Android devices, including Google Pixel and select Samsung models, with a straightforward activation process [29][31] Group 4: Practical Applications - Users can utilize Circle to Search for various tasks, such as quickly sharing screenshots, translating text, and navigating to locations based on selected text [49][51] - The feature's versatility allows for seamless integration into daily activities, making it a valuable tool for information retrieval and sharing [52][53] Group 5: Future Prospects - Google aims to enhance Circle to Search by integrating AI capabilities, potentially improving its functionality while maintaining a smooth user experience [56][57] - The ongoing development reflects a commitment to creating a comprehensive and user-friendly search tool that adapts to the evolving needs of smartphone users [58][59]

吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院 助理教授，他曾经在 OpenAI 工作过，算是国内最早研究强化学习的人之一，我们今天就争取一 起把 RL 这个话题给大家聊透。 首先吴翼能不能简单解释一下，到底什么是 RL？ 传统机器学习的本质是记住大量标注过正确答案的数据对。 举个例子，如果你想让机器学习能分辨一张图片是猫还是狗，就要先收集 10000 张猫的照片和 10000 张狗的照片，并且给每一张都做好标注，让模型背下来。 上一波人工智能四小龙的浪潮其实都以这套框架为基础，主要应用就是人脸识别、指纹识别、图 像识别等分类问题。 这类问题有两个特点，一是单一步骤，比如只要完成图片分辨就结束了；二是有明确的标准答 案。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏，发球、接球、回 球，每一个动作都是非标的，而且不同的选择会直接影响最终的结果。 第二，赢得一场游戏的方式可能有上万种，并没有唯一的标准答 ...

曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院助理教 授，他曾经在 OpenAI 工作过，算是国内最早研究强化学习的人之一，我们今天就争取一起把 RL 这个话题 给大家聊透。 举个例子，如果你想让机器学习能分辨一张图片是猫还是狗，就要先收集 10000 张猫的照片和 10000 张狗 的照片，并且给每一张都做好标注，让模型背下来。 首先吴翼能不能简单解释一下，到底什么是 RL？ 上一波人工智能四小龙的浪潮其实都以这套框架为基础，主要应用就是人脸识别、指纹识别、图像识别等 分类问题。 吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 传统机器学习的本质是记住大量标注过正确答案的数据对。 所以我觉得人生有一个很好玩的地方是，你需要花很多时间先探索自己的奖励函数是什么，很多人可能努 力了很长时间，最后却发现找错了奖励函数。 这类问题有两个特点，一是单一步骤，比如只要完成图片分辨就结束了；二是有明确的标准答案。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏， ...

曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院助理教授，他曾经在 OpenAI 工作过，算是国内最早研究强化学 习的人之一，我们今天就争取一起把 RL 这个话题给大家聊透。 首先吴翼能不能简单解释一下，到底什么是 RL？ 因此，RL 其实更通用一些，它的逻辑和我们在真实生活中解决问题的逻辑非常接近。比如我要去美国出差，只要最后能顺利往返，中间怎么去机场、选什么航 司、具体坐哪个航班都是开放的。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏，发球、接球、回球，每一个动作都是非标的，而且不同的选择会直接影响最终的结 果。 第二，赢得一场游戏的方式可能有上万种，并没有唯一的标准答案。 所以 RL 是一套用于解决多步决策问题的算法框架。它要解决的问题没有标准答案，每一步的具体决策也不受约束，但当完成所有决策后，会有一个反馈机制来评 判它最终做得好还是不好。 吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 传统机器学习的本质是记住大量标注过正确答案的数据对。 ...

西风 一水 发自 凹非寺 量子位 | 公众号 QbitAI 24小时不间断学习且不遗忘，一辈子也只有 4GB 的"知识储量"？ 科学家们最新研究，计算出了人类学习积累上限，就这么多~~ （甚至还不如一块U盘能装） 。 这是来自Cell旗下神经科学顶刊Neuron上的一项工作，它提出了一个发人深省的悖论： 人类信息处理速度仅为每秒10bit，而我们的感官系统却能以每秒10亿bit的速率收集数据。 大语言模型 每个参数就能存储2bit 知识，一个70亿参数的模型就能存储140亿bit的知识。 △ 结论来自华人学者朱泽园"Physics of Language Models"系列论文 难怪研究人员还提出了一项推论： 随着算力的不断提升，机器在各类任务中的表现超越人类只是时间问题。 另外，按照这项研究的结论，马斯克目前的脑机接口研究也有问题了。 研究人员表示： $\mathbf{S}i=\text{Sifting Number}=\dfrac{\text{Sensory information rate}}{\text{Bewiavel throughput}}=\dfrac{1\text{Gbit/s}}{10\t ...

先有一个移动能力的 "通才"，才有更强的智驾系统。 文 丨 张家豪 编辑 丨 程曼祺 全无人驾驶，始终被视作自动驾驶行业皇冠上的明珠，就像登顶珠穆朗玛峰有 19 条路线一样，不同的公司选 择了不同的路线通往无人驾驶的最终目标。 Waymo、小马们选择了基于高精地图的 RoboTaxi 路线，在特定的路线已经实现了 RoboTaxi，为市民提供没有 司机的出行服务；以特斯拉为代表的车企与供应商，则是通过渐进式路线，卖车搭配辅助驾驶方案，收集数据 一步步迭代方案，试图逼近技术极限。 没有人能笃定哪条路线一定能成功登顶，也还有不同的公司，在尝试不同的登顶路线。 在今年的英伟达 GTC（ GPU Technology Conference）上，元戎启行周光提出了一套新的解法，他说，大语言 模型的发展，经历了从弱专家模型（初代 Siri）、到通才（ChatGPT）、再到强专家模型（垂直模型）的过 程。智驾也可以复制这样的路线，一个移动能力的通才，能开好汽车、能骑好摩托车、能让配送小车随时找到 你，之后就可能进化到强专家模型——L5 级别自动驾驶，这套系统被元戎启行称为 RoadAGI，移动能力的通 才系统。 在演示 D ...

Core Insights - The current wave of artificial intelligence, particularly large language models, presents significant opportunities for the banking industry, enhancing service delivery and operational efficiency [1] Group 1: Changes in Service Models - The banking industry has traditionally focused on serving a limited number of key clients, adhering to the "80/20 rule." With the advent of large language models, banks can transition to a "one customer at a time" approach, enabling personalized services for all clients [2] Group 2: Changes in Work Models - The banking sector, being labor-intensive, can leverage large language models to assist or even replace human employees in repetitive tasks, fostering a new collaborative environment between human and intelligent agents [2] Group 3: Changes in Interaction Models - Interaction methods are evolving from purely graphical user interfaces (GUI) to a combination of GUI and chat functionalities, allowing for dynamic interface organization based on customer intent, thus enhancing user experience [2] Group 4: Changes in Data Analysis - Large models significantly improve data analysis efficiency and lower the barriers to entry, enabling more individuals to engage in data analysis activities [3]

■ AI制药概览。 AI制药即人工智能驱动药物研发，包括靶点和药物发现、临床前实验设计、临床开发及老药新用等多个方向。其中，靶点和药物发现与临床研发需 求强烈&市场空间大，是AI制药的主要方向。纵观AI制药的发展历程，随着计算能力和数据量的大幅增长，AI制药已经进入应用拓展阶段，传统的计算机辅助药物 设计（CADD）也升级为人工智能驱动药物研发（AIDD）。 ■ 需求和政策推动下，AI制药投资持续增长。 随着低垂果实的摘取，新药研发难度不断增大。为了提升研发效率，降低研发成本，AI制药的需求不断凸显。政策方 面，AI制药已经成为国家重点支持方向，欧美也在完善政策支持和指引。2015-2022年，AI制药投融资年复合增速达49.7%。即使在全球医药投融资市场较弱的2022- 2024年，AI制药投融资仍相对活跃。行业规模来看，预计2028年全球AI制药市场规模达56.2亿美元。据麦肯锡预测，长期来看市场规模有望达到280-530亿美元。 ■ 靶点与药物发现：应用范围不断扩大，但仍需湿实验共同验证。 该部分是AI制药最早探索的领域，技术更多是传统的知识图谱、深度学习等。整体来看， AI技术 可以通过快速深度挖掘与 ...