是因為「勞動節(jié)」嗎？全世界所有的公司，都選擇在 5 月第三周，將最新的 AI 產(chǎn)品和技術(shù)，集中釋放。
喪心病狂的一周！
鋪墊了許久的「周一見」，OpenAI 用 GPT-4o 奪走了注意力。24 小時后的發(fā)布會上，谷歌也沒有「掉鏈子」，Veo 視頻模型、Project Astra、新版 AI 搜索都留下了驚艷的記憶點。
地表最強但風(fēng)格迥異的兩場發(fā)布會，只在一點上達成共識電影《Her》一般的超強語音助手（GPT-4o 和 Project Astra），這也變相公布了 2024 年大模型賽道的競賽點GPT-4o 和 Astra 背后的多模態(tài)融合技術(shù)。
大洋彼岸的另一端，姍姍來遲的字節(jié)跳動發(fā)布了豆包大模型家族，騰訊終于交出了「GPTs」和大模型助手 App 的答卷。
今天看來，無論是「拖家?guī)Э凇沟拇髲S，還是「沒有包袱」的創(chuàng)業(yè)公司，產(chǎn)品形態(tài)都一再擴展：從聊天機器人，到 AI 搜索、「GPTs」、多模態(tài)語音助手.... 玩得越來越花。
不知道你麻沒麻，反正我們是幸福地麻了。
5 月 13 日（周一）
AI 化身/人形智能體正在快速演進：宇樹發(fā)布 Unitree G1 人形機器人
9.9 萬元起，遠(yuǎn)低于行業(yè)售價
大語言模型出圈，讓可以實現(xiàn)具身智能的人形機器人火了。
2023 年 8 月，宇樹科技發(fā)布了人形機器人 H1，預(yù)售價為 9 萬美元（約合 65 萬元人民幣）。本周，宇樹推出的新版人形機器人 Unitree G1 將價格降到 9.9 萬元人民幣起，便宜了超 80%。
與第一代產(chǎn)品相比，Unitree G1 能力顯著提升：開瓶蓋、砸核桃、顛鍋、跑步、舞棍、自我蜷縮……在宇樹科技發(fā)布的產(chǎn)品演示視頻里，身體和雙腿能旋轉(zhuǎn)近 360°，Unitree G1 像人類一樣用機械雙臂靈活地完成一系列工作。
圖片來源：宇樹科技
開源閉源并進：零一萬物發(fā)布千億參數(shù) Yi-Large 模型
開源構(gòu)建生態(tài)，閉源探索 AI 上限
零一萬物成立一周年之際，其千億參數(shù) Yi-Large 閉源模型正式亮相，在斯坦福最新的 AlpacaEval 2.0 達到全球大模型 Win Rate 第一。
同時，零一萬物將早先發(fā)布的 Yi-34B、Yi-9B/6B 中小尺寸開源模型版本升級為 Yi-1.5 系列，每個版本達到同尺寸中 SOTA 性能最佳。
Yi 大模型 API 開放平臺 | 圖片來源：零一萬物
5 月 14 日（周二）
「Her」真的來了：「GPT-4o」將語音助手帶到了新高度
多模態(tài)融合模型，只是工程的進步嗎？
OpenAI 發(fā)布了新一代旗艦?zāi)Ｐ?GPT-4o，它可以讓人們在手機上與 ChatGPT 對話，就像他們與 Siri 和其他語音助手對話一樣。不同的是，ChatGPT 語音助手的理解能力有了質(zhì)的飛躍，還可以分析和討論它所看到的圖像或視頻，并能識別用戶說話時的不同情緒。
有了 GPT-4o 的加持，ChatGPT 可以根據(jù)你的想法引導(dǎo)你做數(shù)學(xué)題目、按照你的實時要求講一個睡前故事。OpenAI 稱 GPT-4o 是為了創(chuàng)建一個對音頻、圖像和文本有更深入、更自然理解的模型，這依舊是為了向 AGI 目標(biāo)行進。
OpenAI 的發(fā)布，也在 AI 圈引起了廣泛討論。業(yè)界普遍認(rèn)為，GPT-4o 的驚艷之處在于兩點：1）將語音交互延遲縮短到 300ms；2）端到端多模態(tài)原生大模型
P.S.: 留一個觀察作業(yè)：GPT-4o 會顯著提升 ChatGPT 的日活和用戶粘性嗎？有了更高 AI 能力的智能助手，2016 年的百箱大戰(zhàn)會席卷重來？Siri 一樣的語音助手會成為入口級的必爭之地？
圖片來源：OpenAI
5 月 15 日（周三）
沒有一款產(chǎn)品沒有被 AI 改造：谷歌全面進入 Gemini 時代
Sora 尚且是科技巨頭的選做題，但多模態(tài)融合就是大模型公司的必做題。
提了 121 次 AI，谷歌 I/O 2024 開發(fā)者大會發(fā)布了一籮筐，從搜索到 Gmail、TPU，再到語音助手 Astra 和多模態(tài)視頻模型 Veo 等。
三個產(chǎn)品值得關(guān)注：
Project Astra 的多模態(tài) AI 助手。如果說 2023 年的競賽點是 Copilot，2024 年，賽點則進化為多模態(tài)融合的 Agent，背后是從 LLM（大語言模型）到 One-network-multimodality（一個框架下的多模態(tài)大模型）的技術(shù)路徑遷移，最終邁向跟通用的人工智能。
多模態(tài)語音助手正在與用戶實時對話｜圖片來源：Google
Veo：Veo 可以根據(jù)文本、圖像和視頻提示創(chuàng)建 AI 生成的視頻，并且即將登陸 YouTube，幫助創(chuàng)作者快速制作更專業(yè)品質(zhì)的視頻。AI 搜索：谷歌展示了如何進一步將人工智能集成到搜索中，從而實現(xiàn)更復(fù)雜形式的研究和規(guī)劃（例如，根據(jù)查詢生成三天的素食計劃）。
圖片來源：谷歌黑板報
大模型之字節(jié)打法：沒準(zhǔn)備好就不發(fā)，否則一次發(fā)布 9 個模型
模型發(fā)得晚，應(yīng)用沒少做，怎么想的？
字節(jié)跳動自研大模型豆包大模型（原云雀大模型）家族帶著 9 個模型，首次對外亮相。字節(jié)跳動方面稱，之所以是這 9 個模型，是根據(jù)后臺模型調(diào)用量和需求而來，做了最強通用模型、性價比之癬和場景優(yōu)化模型。
豆包大模型的推理價格成為一大亮點，其主力模型在企業(yè)市場的定價只有 0.0008 元/千 Tokens，0.8 厘就能處理 1500 多個漢字。
值得注意的是，字節(jié)發(fā)布會沒有介紹模型參數(shù)、數(shù)據(jù)和語料，甚至沒有給出豆包模型的評測數(shù)據(jù)，而是直接把模型能力在場景里做了垂直細(xì)分。字節(jié)可能是在建立用戶反愧數(shù)據(jù)反饋，從而做更精準(zhǔn)地場景和服務(wù)。根據(jù)不同的數(shù)據(jù)鏈反饋，決定產(chǎn)品或者模型的下一步動作。
過去大半年，字節(jié)跳動推出的 AI 應(yīng)用幾乎涵蓋了所有熱門賽道，「豆包」、AI 應(yīng)用開發(fā)平臺「扣子」、互動娛樂應(yīng)用「貓箱」，以及星繪、即夢等。
圖片來源：字節(jié)跳動
大模型隊伍的隱秘玩家：DeepSeek Chat 通過大模型備案
降成本！我?guī)ь^！
國內(nèi)擁有超過 1 萬枚 GPU 的企業(yè)不超過 5 家，幻方這家千億規(guī)模的量化基金就是其中之一。意外地提前壓中大模型的入場券囤卡，但幻方做大模型是認(rèn)真的。
今年 1 月以來，幻方旗下公司的 DeepSeek 模型被頻繁作為開源社區(qū)里討論的對標(biāo)對象。本月，幻方開源了第二代 MoE 模型：DeepSeek-V2，主打參數(shù)更多、能力更強、成本更低。其在能力逼近第一梯隊閉源模型的前提下，推理成本降到了 1 塊錢 per million token，也就是說，成本是 Llama3 70B 的七分之一，GPT-4 Turbo 的七十分之一。而且，DeepSeek v2 還有利潤。
DeepSeek v2 發(fā)布后，引來了大模型價格戰(zhàn)，智譜、面壁、字節(jié)相繼宣布了模型推理價格降低。這背后是模型架構(gòu)、系統(tǒng)、工程的一系列進步。你有沒有發(fā)現(xiàn)，OpenAI 的價格也降低了 10 倍不止。
Anyway，現(xiàn)在，DeepSeek-V2 已經(jīng)通過備案，你可以聯(lián)網(wǎng)體驗，隱秘玩家的隱秘實力究竟如何？
圖片來源：DeepSeek
5 月 16 日（周四）
文生圖、文生視頻：DiT 架構(gòu)正在被廣泛擁抱
開源力量大
騰訊旗下的混元文生圖大模型宣布對外開源，目前已在 Hugging Face 平臺及 Github 上發(fā)布，包含模型權(quán)重、推理代碼、模型算法等完整模型，可供企業(yè)與個人開發(fā)者免費商用。
混元文生圖大模型是中文原生的 DiT（Diffusion Models with transformer）架構(gòu)文生圖開源模型，這也是 Sora 和 Stable Diffusion 3 的同款架構(gòu)和關(guān)鍵技術(shù)，是一種基于 Transformer 架構(gòu)的擴散模型。過去，視覺生成擴散模型主要基于 U-Net 架構(gòu)，但隨著參數(shù)量的提升，基于 Transformer 架構(gòu)的擴散模型展現(xiàn)出了更好的擴展性，有助于進一步提升模型的生成質(zhì)量及效率。
5 月 17 日（周五）
「GPTs」和大模型助手 App：大廠必備，騰訊版來了
已接入 600 多個騰訊內(nèi)部業(yè)務(wù)和場景
本周，騰訊公布了大模型研發(fā)、應(yīng)用產(chǎn)品的系列進展。
騰訊混元大模型升級，推出在質(zhì)量和成本上有不同特點的三個模型版本，其內(nèi)部已經(jīng)有 600 多個業(yè)務(wù)接入大模型。
在工具層，發(fā)布了騰訊云大模型知識引擎、圖像創(chuàng)作引擎、視頻創(chuàng)作引擎三大 PaaS 工具鏈，簡化數(shù)據(jù)接入、模型精調(diào)、應(yīng)用開發(fā)流程。
值得注意的是，騰訊終于推出了自家「GPTs」元器，用戶可以使用騰訊官方的插件和知識庫直接創(chuàng)建智能體。開發(fā)完成后，將智能體一鍵分發(fā)到 QQ、微信客服、騰訊云等渠道上。騰訊還將于月底推出基于混元大模型的全新助手 App「騰訊元寶」。
騰訊元器官網(wǎng)開放申請試用
寫在最后：
本周，與上述 AI 產(chǎn)品、技術(shù)發(fā)布一同進展的，還有各大 AI 公司的「水下操作」。
什么都無法阻擋 Scaling Law 的腳步：
主導(dǎo)超級對齊的 OpenAI 聯(lián)合創(chuàng)始人兼首席科學(xué)家 Ilya Sutskever 在社交平臺 X 上宣布，他將離開公司。隨后，超級對齊團隊負(fù)責(zé)人之一 Jan Leike 也宣布離職，并發(fā)推稱，超級對齊團隊在公司內(nèi)部被邊緣化，無法獲取計算資源做研究。AWS CEO Adam Selipsky 離職，或由于 AWS 錯失 AI 投資和研發(fā)的最佳時機。微軟宣布將在法國投資 40 億歐元，大部分將集中在 AI 領(lǐng)域馬斯克的 xAI 斥資近 100 億美元租用 Oracle 人工智能服務(wù)器
AI 應(yīng)用正在拓展既有想象力：
企業(yè)級可用大模型的 Anthropic 從 Instagram 挖來了 CTO 做產(chǎn)品，或進軍 ToC APP。Meta Platforms 正在開發(fā)的帶有攝像頭的人工智能耳機項目，攝像頭將使耳機能夠識別佩戴者周圍物理世界中的物體。Sam Altman 最近也被曝和前蘋果設(shè)計大師 Jony Ive 正在探索開發(fā)帶有攝像頭的 AI 耳機，「很快你的耳朵里也會長出眼睛」。
微軟 Build 大會官網(wǎng)｜圖片來源：微軟
下周，北京時間 5 月 22 日凌晨，AI 的另一大玩家微軟，即將在西雅圖舉辦 Hybrid：Microsoft Build 大會。官方網(wǎng)頁上大大的「How will AI shape your future?」，強調(diào)了本次大會的主題。
金錢永不眠，AI 也是。
