本周关于人工智能的新闻：Mistral和欧盟争夺人工智能主权
跟上如此快速发展的人工智能行业确实不容易。所以在有一天有人工智能能替你完成这个任务之前，这里有一份便利的综述，涵盖了最近在机器学习领域的新闻，以及我们没有单独报道的重要研究和实验。
本周，谷歌在各个渠道发布了关于其新的旗舰多模态AI模型Gemini的公告。事实证明，公司最初宣称的产品并不像他们所说的那么令人印象深刻，或者更准确地说，谷歌本周发布的该模型的“精简版”（Gemini Pro）并不令人满意。（谷歌伪造产品演示也没有带来好的影响。）我们将对Gemini的完整版Gemini Ultra保留评判，直到它在明年初开始应用于各种谷歌应用和服务中。
但是足够谈论聊天机器人了。我认为更重要的是，Mistral AI在本周勉强完成的一轮融资：以20亿美元估值融得4.5亿欧元（约合4.84亿美元）。
我们之前报道过Mistral。今年9月，这家由Google DeepMind和Meta的前员工共同创立的公司发布了其首款模型Mistral 7B，当时声称在同规模产品中表现优异。在上周的融资之前，Mistral已经完成了欧洲迄今为止规模最大的种子轮融资，而且甚至还未推出产品。
现在，我的同事多米尼克正确地指出，总部位于巴黎的Mistral的命运对许多关注包容性的人来说是一个警示信号。这家初创企业的联合创始人全部是白人男性，学术上符合《纽约时报》在其受到广泛批评的AI变革者名单中描述的那些同质化、特权化的人群特征。
与此同时，投资者似乎将Mistral（以及其有时的竞争对手德国的Aleph Alpha）视为欧洲在目前肥沃的生成型人工智能领域插上旗帜的机会。
到目前为止，最具知名度和资金充足的生成型人工智能公司主要集中在美国。OpenAI、Anthropic、Inflection AI和Cohere等等，还有很多其他的公司。
思博利的好运在许多方面上都是争夺人工智能主权的缩影。欧盟希望在技术跨越中不再落后，同时施加监管以引导科技的发展。正如德国副总理兼经济事务部长罗伯特·哈贝克最近所说：“在人工智能领域拥有自主权的想法非常重要。[但是]如果欧洲有着最好的法规但没有欧洲企业，我们并没有赢得太多。”
本周，欧盟立法者试图达成一项关于限制人工智能系统风险的政策协议，这凸显了企业家精神与监管之间的分歧。（更新：立法者在周五深夜达成了一项关于以风险为基础的监管人工智能框架的协议。）在最近几个月里，由米斯特拉带领的游说团体一直推动为生成式人工智能模型实现完全的监管豁免。但欧盟立法者暂时抵制了这种豁免。
梅斯特拉号及其欧洲竞争对手背负着重任，所有这些话说到一起；业内观察人士和美国立法者无疑会密切关注欧盟政策制定者对人工智能实施新限制后对投资的影响。在限制措施到位的情况下，梅斯特拉能否未来挑战OpenAI？还是这些规定会产生冷却效应？现在还言之过早，但我们渴望见证这一切。
以下是过去几天中一些其他值得关注的人工智能故事：
- 一个新的人工智能联盟：脸书（Meta）在开源领域发力，希望在人工智能竞争中扩大影响力。这家社交网络宣布与IBM合作成立人工智能联盟，致力于支持人工智能领域的“开放创新”和“开放科学”，然而背后也隐藏着不可告人的动机。
- OpenAI转向印度：伊万和贾格米特报道称，OpenAI正在与前Twitter印度负责人Rishi Jaitly合作，他担任高级顾问，以促进与政府就人工智能政策进行对话。OpenAI还计划在印度组建一个本地团队，Jaitly将帮助这家人工智能初创公司应对印度的政策和监管环境。
- 谷歌推出人工智能辅助的笔记应用：谷歌的人工智能笔记应用NotebookLM于今年早些时候宣布，现已开放给年满18岁或以上的美国用户使用。为了标志这一上线，这款实验性应用与谷歌的新大型语言模型Gemini Pro进行了整合，据谷歌称这将“有助于文档理解和推理”。
- OpenAI受到监管审查：OpenAI与微软之间的紧密关系是英国竞争与市场管理局新调查的焦点，该调查旨在确定这两家公司在最近发生的争议后是否在“相关合并情况”中有效合作。据报道，美国联邦贸易委员会也在调查微软对OpenAI的投资，这似乎是协调行动的一部分。
- 友善地向AI提问：如果AI模型中存在来自训练数据中的偏见，那么如何减少这些偏见？Anthropic建议友善地请求它，请请不要歧视，否则会有人起诉我们。是的，真的。Devin拥有完整的故事。
- Meta推出了人工智能功能：本周Meta AI（Meta的生成式人工智能体验）在其他人工智能相关的更新中，获得了新的功能，包括根据提示能够创建图像，以及对Instagram Reels的支持。被称为“重新想象”的前一功能允许群聊中的用户基于提示重新创建人工智能图像，而后者则可以根据需要利用Reels作为资源。
- Respeecher筹集资金：乌克兰合成语音初创公司Respeecher取得成功，尽管他们所在的城市不仅仅是接连不断的炮弹袭击，还面临一波由于炒作引发的有时颇具争议的竞争对手，Devin写道。
- 鲁斯（Daniela Rus）创办的麻省理工学院（MIT）衍生公司——液态神经网络旨在构建由一种相对较新的AI模型——液态神经网络驱动的通用人工智能系统。这家名为Liquid AI的公司本周通过种子轮融资筹集了3750万美元，投资者包括WordPress的母公司Automattic。
更多的机器学习技术应用
轨道影像是机器学习模型的一个绝佳实验场，因为现如今卫星产生的数据超出专家所能处理的范围。瑞士洛桑联邦理工学院的研究人员正在探索更好地识别海洋塑料的方法，这是一个巨大的问题，但却很难进行系统追踪。他们的方法并不令人震惊——通过使用标记过的轨道图像对模型进行训练——但他们对这一技术进行了改进，使得他们的系统在有云层覆盖时也能更准确地识别。
当然，寻找问题只是挑战的一部分，解决问题则是另一个部分，然而，情报人员和组织在实际工作中拥有更好的情报，他们的效果就会更加显著。
然而，并非所有领域都有如此丰富的图像素材。特别是生物学家在研究不够详细记录的动物时面临着挑战。例如，他们可能想追踪某种罕见昆虫的活动，但由于缺乏该昆虫的图像素材，自动化处理变得很困难。伦敦帝国学院的一个团队正在与游戏开发平台Unreal合作，利用机器学习来解决这个问题。
通过在虚幻引擎中创建逼真的场景，并用与所讨论的小动物（如蚂蚁、竹节虫或其他更大的动物）相符的3D模型填充，他们可以为机器学习模型创建任意数量的训练数据。虽然计算机视觉系统是通过合成数据进行训练的，但正如他们的视频展示的那样，它在真实世界的录像中仍然非常有效。
你可以在《自然通讯》上阅读到他们的论文。
然而，由华盛顿大学的研究人员发现，并非所有生成的图像都是可靠的。他们有系统地引导开源图像生成器稳定扩散2.1，以产生各种限制或地点的“人”的图像。他们表明，“人”这个术语与肤色较浅的西方男性的关联性过大。
不仅如此，某些地区和国籍还产生了令人不安的模式，比如对拉美国家的妇女进行性感形象的刻板印象，以及“非二元和土著身份的几乎完全抹除”。例如，询问“来自大洋洲的人”的照片会出现白人男性而没有土著人，尽管后者在该地区众多（更不用说其他非白人的人）。这都还在不断改进中，意识到数据中固有的偏见至关重要。
学习如何应对充满偏见和可靠性有问题的模型是许多学者以及他们的学生所关注的。与耶鲁大学英语教授本·格拉泽（Ben Glaser）的这次有趣交流为人们带来了一种令人耳目一新的乐观态度，探讨了ChatGPT等技术如何能够有建设性地运用的问题。
在例如医院中，何时应该信任它们呢? 放射学是一个应用人工智能来帮助快速识别身体扫描问题的领域，但它远非完美无误。那么医生们该如何知道何时信任模型，何时不信任呢? 麻省理工学院似乎认为，他们可以自动化这一部分——但不用担心，这不是又一个人工智能。相反，这是一个标准的自动化入职流程，帮助确定特定医生或任务在某个人工智能工具上是否有帮助，以及何时会造成阻碍。
越来越多的人要求AI模型生成更多的内容，而不仅仅是文本和图片。材料领域是其中一个我们看到了很多进展的领域——模型在提供更好的催化剂、聚合物链等方面表现出色。一些初创公司正在加入其中，而微软也刚刚推出了一个名为MatterGen的模型，专门用于生成新颖、稳定的材料。
正如你可以在上面的图片中看到的那样，你可以选择各种不同的特性，从磁性到反应性到大小。无需像《弹珠先生》那样的意外事件或成千上万次实验，这个模型可以帮助你在几小时而不是几个月内找到一个适合的材料用于实验或产品。
谷歌深智与伯克利实验室也在进行这种工作。在材料行业，这一做法已迅速成为标准做法。
