👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！
👀 看热闹不嫌事大！马斯克：OpenAI首席科学家 Ilya 应该跳槽到xAI
OpenAI 内部「政变」余波仍在，除了陆续爆出的 Sam Altman 各类负面信息，前首席科学家 Ilya Sutskever 的终局也格外牵动人心。
作为被董事会拉拢参与「政变」又首先妥协投降的关键人物，作为参与创建 OpenAI 却眼看着它越行越远的技术天才，Ilya Sutskever 为自己的信仰和坚持付出了代价------他至今没有明确的新职位信息，在公司鲜少露面，看起来前途未卜 (来自 BusinessInsider)。
12月9日，社交平台X博主@WholeMarsBlog 转发了这篇报道，并评论「Ilya Sutskever 应该跳槽去特斯拉 」，马斯克随机跟帖评论「去 xAI 也行」，看起来是向 Ilya 抛出了橄榄枝。
说明：xAI 是马斯克成立的AI创企，近期全面推出AI聊天机器人 Grok，据使用者反馈其英文对话效果不错~
🉑 Mistral AI 团队正式发文介绍 SMoE (稀疏混合专家模型)
12月11日，Mistral AI 团队的官方博文姗姗来迟，终于介绍了近期引起轰动的 Mixtral 8x7B 模型所使用的 SMoE (Sparse Mixture-of-Experts)，也就是稀疏混合专家模型。
高低等到周一再工作，可以，这很法国
博文提供了很多测试数据，值得注意的是，Mixtral 在大多数基准测试中已经超过了Llama 2 70B，并且与 GPT-3.5 相当甚至已经实现了超越，可以说是成本-性能权衡方面的最佳模型。
Mixtral 的主要能力包括以下内容，对其详细信息感兴趣的伙伴，可以前往官网阅读原文：
能够流畅地处理 32K Token 上下文
支持英语、法语、意大利语、德语和西班牙语等多种语言
代码生成能力非常强大
可以调整为遵循指令的模型，在 MT-Bench 上评分高达 8.3 分
👀 Mistral AI 的定位和操作到底有多高明？听听 Jim Fan 的点评
twitter.com/DrJimFan/st...
Jim Fan 是谁呢？他博士毕业于斯坦福大学视觉实验室，师从大佬李飞飞教授。目前在英伟达担任高级研究科学家并领导 AI Agent。此外，他在社交平台X有着 184K 粉丝。
12月12日，Jim Fan 发推文评价了 Mistral 的声名鹊起，不仅有对其研究方向和发布操作的高度赞赏，也有很多不多的技术洞见。日报对这篇推文进行了翻译和整理，并对重点内容进行了加粗：
成功的开局：Mistral 成立的时机非常好，选在了开源与闭源AI激烈讨论的当下，并且迅速完成了2亿美元的A轮融资，顺利将公司估值推到20亿美元，可见其创始团队精明强干 (日报下方有其 CEO 访谈)
每个月都有数十个大模型问世，但是只有少数几个能具有持久的影响力。大家对新模型发布已经不觉得新鲜，但是 Mixtral 8x7B 还是成功勾起了大家的好奇心
Mistral做对的地方是选择优化 7B-tier (70亿级别) 的模型，而不是追求更大的模型容量，毕竟对于基层AI工程师来说，70亿和70亿-MoE 更容易进行开发和构建。
- MoE 是AI发展的正确方向，它在小型模型的知识记忆与效率之间找到了一个灵活的平衡点，而且 OpenAI 自训练 GPT-4 以来已经在这条路上走了一年多 (AI社区没有密切关注 MoE 反倒让人惊讶)
- Mistral AI 整个发布过程，本身也非常有意思，一直在颠覆大家的预期：
首先，只发布一个磁力链接，没有任何解释，磁力链接已经成为一种新的吸引眼球的方法
然后，向开源vLLM项目提交一个拉取请求 (PR)，帮助社区集成 Megablocks CUDA 内核，这也是一个很棒的举动！
最后，才发布正式的博客文章
- 此外，发布托管的API端点是目前开源模型盈利的最佳方案，不仅可以快速收集客户反馈，还可以迭代实际用例，Mistral 也果断采取了这一方案
- 「Mixtral」是一个非常巧妙又聪明的命名
🉑 国内的大模型结构和 LLaMA 有多相似？从李开复 Yi 开源模型的争议说起
#小程序://哔哩哔哩/QlvcSsX9Px0hxYb
LLaMA 是由 Meta 发布的系列AI模型，其参数量从70亿到650亿不等，这些模型在许多任务中展现出了强大的性能
前段时间，李开复零一万物的「Yi-34B」开源大模型被爆「抄袭 LLaMA」，虽然官方很快发布 说明 但还是引起了AI社区的一阵讨论。
B站Up主 @良睦路程序员 发出了「暴论」：为什么要这么针对 Yi 呢？国内的大模型跟 LLaMA 都是一模一样的。
他在视频里拉出源码，仔细分析 BaiChuan-2、Yi、Qwen、ChatGLM-3、Mistral-7B 等大模型和 LLaMA 的相同之处，还会吐槽一些工程师在 LLaMA 网络结构上进行的「奇怪且没必要」的改动。
那么，和 LLaMA 网络结构一样，就是可耻的么？并不是的。
首先，LLaMA 和 GPT 模型其实也是相似的，模型结构本来就是在互相借鉴中前进的。其次，大模型训练的重点是参数更新这个环节，每一个模型的问世都蕴含着无数工程师的努力，包括如何确保数据清洗质量、如何确保训练过程的稳定等等。
其实，LLaMA 好用就直接老老实实用 LLaMA，没必要追求研发新的模型架构 。以及，对于我们每个人，再遇到类似「套壳」争议时，可以选择完整科普，也可以选择闭口不言，没必要输出一顿嘲讽。
🉑 AI Agents 的一些实践经验
Agent (智能体) 承载着人类实现 AGI (通用人工智能) 的希望，是近期及将来一段时间的绝对热点。如果你需要一篇文章快速拉齐对 Agent 的了解，那么推荐公众号这篇文章！科普和实践兼备，20分钟搞懂基本内容~
什么是AI Agents？
AI Agents 是一种新的工作方式，可以根据人类给定的目标独立完成任务，包括自我提问、自行解决问题、举一反三、自主行动、以及自行确定行动结果
AI Agents 形态ChatGPT插件：允许 GPT 访问最新信息、运行计算或使用第三方服务，可以自动判断是否需要使用插件、选择哪个插件以及如何使用它们
AgentGPT：基于 LangChain 实现，具有更完善的前端，使用 Plan-and-Solve-Prompting 技术进行推理，并由 LangChain的 OpenAI Functions Agent 负责执行具体任务
Autogen：一个 LLMs 框架，类似于 LangChain，主要用于简化 LLMs 工作流的编排、优化和自动化；提供了可定制和可对话的 Agents，对人工参与度的支持非常好
AI Agents 是未来的方向吗
AI Agents 可能是未来的方向，因为它们让AI具有更强的自主性和灵活性，能够更好地模拟人类大脑的决策过程
AI Agents 可以模仿人类大脑的不同功能和行事逻辑 (例如规划、记忆和工具使用)，让 LLMs 完成复杂任务成为可能，并能解决一些小众或独特的需求
AI Agents 目前存在的问题
尽管 AI Agents 具有巨大潜力，但仍存在一些问题需要解决，如错误纠正和反馈、理解人类的隐含需求和期望、记忆管理、资源消耗、执行时长、人工介入的必要性等
在实际业务应用中，AI Agents 可以作为辅助工具，但暂时还无法完全替代人类 ⋙ 阅读全文
🉑 专访Mistral AI CEO：小模型大目标，欧洲最强模型团队的野望
open.spotify.com/episode/2H7...
Mistral AI 由来自 DeepMind 和 Meta 的三位青年科学家建立，是欧洲最强模型团队；团队不仅在多模态、RAG 方向上有着丰富经验，公司成立不久后就成功推出了目前市场上最强的小模型，用 7B 模型越级达到了大部分模型 20B 左右的水平
Mistral AI 的最新一轮融资已经接近尾声：领投方为 a16z，预计投资2亿欧元，Nvidia 和 Salesforce 可能会投资1.2亿欧元，这轮融资金额将达到4.5亿欧元 (约合4.87亿美元)，估值则可能在 20 亿美金左右 (来自Bloomberg)
在11月初的一期 No Priors 播客节目中，硅谷投资人 Sarah Guo 和 Elad Gil 邀请了 Mistral Co-founder & CEO Arthur Mensch 进行了一次专访，共同探讨该公司在AI领域的发展和未来展望。
Arthur Mensch 的很多回答非常 Geek，深刻直接中肯。让我们通过这位技术天才和创业新秀的目光，看看AI的未来到底是什么样的。非常推荐阅读下方的中文文字版原文，大约15分钟，接收一波小震撼：
在创立 Mistral 前，Arthur Mensch 在 DeepMind 任职，并主导了 Chinchilla、Retro、Flamingo 等重要论文的发表，而这三篇论文分别是 20-22年间 Google 在 LLM、RAG、多模态三个领域最重要的作品，十分全能
六个月前的大模型领域，已经是巨头强力竞争的天下，为什么依然选择创立 Mistral AI：初衷是在欧洲创建一个独立的公司，来提高 AI 性能，研发最前沿的AI，并将开源 AI 作为核心价值
之前在 DeepMind 的研究方向：过去十年专注于算法效率提升和更有效地利用数据构建模型，在 DeepMind 时研究了检索增强模型，并发表了 RETRO 模型论文
Mistral 7B 只用了几个月就完成了，而且性能相当出色，那未来是专注小模型还是开发大模型：只是一个优越性能的7b 小模型并不是终点，未来会训练更大规模的模型以获取更强的推理能力 ；然后基于这些大模型通过蒸馏或者合成数据等技术，来训练出质量更高的小模型
如何收集、处理和标注数据：数据质量是影响模型表现的重要因素，数据来自于公开网络，并在数据标注方面进行指导以确保模型的可控性
欧洲会诞生一家重要的AI公司来服务全球需求 ，这个判断的信心来源：欧洲在AI人才储备上有优势，因为欧洲擅长培养数学家而他们会选择留在欧洲，并且伦敦和巴黎的AI生态正在显著崛起和完善 (巴黎已经有几百家初创公司了)
为什么选择开源 ：过早进入闭源阶段对科学发展有害，希望通过开源推动AI社区朝着更好、更安全的方向前进；我们的真正目标是占据领导地位，并改变游戏规则，因为我们认为当前的发展方向并不正确
对开源AI的安全性看法：禁止开源实际上是一种强制性的监管占用；如果真的禁止小公司开源，确实更有益于大公司的发展，但是这不利于AI领域的整体发展
如何保证AI生成内容的安全：假定模型一定要表现得符合规范，可能是一个错误的方向 ；我们应该提供一个未经修改、不会禁止各类输入输出的原始模型，然后应用开发者可以在此基础上添加新的过滤器，用于检测他们不想要的输入输出
对于自研模型平台的计划：正在构建一个平台，提供高效的推理服务，管理和调度客户需求，并提供模块化过滤器和机制
对AI安全风险的看法：分析了三个层次的AI安全问题，认为当前模型还不具有复杂性，因此不必过分担心存在性风险
是否研究推动 AI Agents 的技术：让模型变小有助于降低 AI Agents 的计算成本，这将有助于构建有趣的应用，长期来看，我们将走向一个 Agents 和AI交互的世界
对任意计算和规模上限的看法：表示质疑，认为模型的能力不仅取决于规模，也取决于数据，应该关注模型的实际能力而非预设的市场条件 ⋙ 阅读文字版(中文版）
👀 AI原生应用，为什么难产？
AI原生应用 (AI-native applications) 是指从设计和开发之初就充分考虑并融入AI技术的应用
移动互联网的原生应用是微信、抖音、小红书等等；AI原生应用有哪些呢？还不知道，目前还没出现
这篇文章讨论了AI原生应用在中国的发展现状和面临的挑战。尽管业界普遍认识到AI原生应用的巨大潜力，但实际的产品开发却遭遇了困难，许多项目并未取得预期的成功。
端到端研发的弊端：当前的AI应用开发往往采取「端到端」的研发思路，即一个应用对应一个大模型，这导致了应用与大模型的深度耦合，限制了应用的灵活性和多样性
大模型与应用解耦的必要性：为了克服端到端研发的弊端，提出了大模型与应用解耦的新思路，这包括大模型与应用的解耦 、在应用内部不同环节使用不同的大模型
新生态的雏形：多模型多应用的模式将催生一个新的生态，这需要大模型服务商的出现，它们可以在底层大模型和企业应用之间搭建桥梁，提供定制化的服务
商业模式的重塑：AI应用可能会从分散、点状的出现逐渐向平台化靠拢，而且AI原生应用将颠覆现有的商业模式，产业链上的资本将重新分配，商业模式需要回归满足消费者真实需求的本质 ⋙ 阅读原文
🉑 Claude 官方提示词工程技巧@未来力场大白话编译版
ShowMeAI知识星球资源编码：R199
Anthropic 上个月在官网更新了一篇提示词教程「Guide to Anthropic's prompt engineering resources」，提供了大量的教程和最佳实践、调试清单、提示词示例等等，帮助你掌握 Claude 的使用技巧。以下是官方教程的内容大纲：
- 开始使用
- 提示工程教程
- 深入提示工程
Claude 提示工程技术演示
提示工程文档
- 示例与代码
示例提示与模板
示例代码与演示
- 软件开发工具包 (SDK)
通用 Anthropic SDK
Claude 在 Bedrock 上的 SDK
- 其他有用资源
Claude for Sheets (Claude 用于表格)
提示工程支持清单
@未来力场 将其编译成了中文，并制作成了中英文对照的PPT。现在各种各样的关于提示词工程的文档和教程很多，中文互联网上的内容通常比较碎片化，反而官方文档成了被忽视的宝藏。
其实提示词工程远远算不上难度大，跟「艰深」也压根儿不沾边儿。本文档里有提到，提示词工程是非常「empirical (经验性的) 」，原理其实就那么几条，重点还是要：说人话、多迭代、积累样本和各种用例。
感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！
◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！
◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！