字节跳动联合CMU论文:AI猜得准为何反而更慢,MAT与单轮耗时的拉锯

资讯 腾讯网 作者:科技行者 全文 5907 字 · 约 15 分钟读完 分类字节跳动学术研究

你可能觉得,让AI模型一次性多猜几个字,总归比一个字一个字蹦出来要快。这个直觉大体没错,但2024年以来,一批研究者发现事情没那么简单。有些模型明明猜得更准了,整体生成速度却没怎么涨,甚至更慢了。这篇来自字节跳动、卡内基梅隆大学和弗吉尼亚理工的论文,就是在拆解这个让人困惑的现象,并给出了一套解决方案,叫D...

所属频道 大厂动态前沿研究

很多人会觉得,让AI模型一次多猜几个字,总比一个字一个字往外蹦要快。

这个直觉大体没错,可2024年以来,一批研究者发现事情没那么简单。有些模型明明猜得更准了,整体生成速度却没怎么涨,甚至更慢。来自字节跳动、卡内基梅隆大学和弗吉尼亚理工的这篇论文,拆解的就是这个让人困惑的现象,并给出了一套解决方案,叫

大模型答话时,是一个字一个字往外吐的。你抛给它一个问题,它先算出第一个字,再把这个字当作依据去算第二个字,如此一直算到整句话结束。这套做法叫

*

这种"一棒接一棒"的节奏慢得让人心急。于是有人动了个脑筋:让一个小模型来搭把手,先替大模型"猜"出后面几个字大概是什么,再由大模型一口气核对这些猜测准不准。猜中的直接留用,猜偏的就在那里切断重来。这套流程就是投机解码

*

妙就妙在,大模型做验证比做生成快得多——验证能并行计算,不用一步步来。打个比方,让一个资深编辑审稿,比让他从头写一篇文章快得多。审稿时他一眼扫过去就能判断对错,写作却必须一句接一句构思。投机解码就是把"写"的活儿外包给小模型,大模型只管"审"。

问题是,这个小模型(草稿模型)要怎么猜才最有效率?

早期的草稿模型也是一个字一个字猜的,速度有限。后来有人琢磨,能不能让草稿模型一次性把好几个字都猜出来?这就是

*

听起来很美好,猜得又快又多,应该稳赚不赔吧?

论文开头就泼了一盆冷水:更强的并行预测能力,不代表更高的

这是整篇论文最值得琢磨的反直觉之处。按常理,草稿模型预测能力更强、猜对率更高,总体速度应该跟着涨。可实验数据显示,有些配置下草稿模型猜得更准了,实际

验证规则是"一票否决",前面错了后面全白搭

先讲第一个机制。大模型核验草稿时有一条硬性规则:只认从开头起连续答对的那一段,一旦有某个位置猜偏了,后面即使全对也不作数。

论文对此给出了精确的数学刻画。假定草稿模型一口气猜了若干个词,设N为通过验证的词数,那么每一轮可被接受的词数期望值,就是把前面各位置全部答对的"存活概率"逐项相乘再累加。换句话说,第10个位置的预测若想真正见效,前9个位置必须一个不差地命中。

这就是为什么论文反复强调"

可以把它想成一局多米诺骨牌,只是规则很特别:裁判只认从第一块倒下起、连续倒下的那一串,中途只要有一块没倒,后面倒得再齐也不算数。你要是光顾着把第15块、第20块骨牌摆得更精巧,却不管第3块容易被风刮倒的毛病,那些用心打磨的后段骨牌就永远没机会亮相。如果不优化这种

这就解释了论文观察到的现象:训练和推理窗口都固定为16个词时,10.9%的验证轮次能把整段草稿全部接收,可见模型其实有本事猜得更长。研究者随后把训练和推理窗口都拉到32,准确长度确实被撑开了,可与此同时"猜1到4个词就被打断"的比例也升了上去,说明窗口拉长后早期出错的情况更多了。窗口一大,模型需要同时照顾的预测跨度随之变大,早期位置上的预测质量就被摊薄了。

吞吐量

第二个机制更直白:即便你真的把平均接受词数(论文称MAT,Mean Accepted Tokens)提了上去,只要每一轮草稿生成加验证的耗时也跟着水涨船高,整体速度就未必能提起来。

论文把吞吐量拆成一个简单的比值:吞吐量等于MAT除以

*

这个公式看着不复杂,指导作用却很大。它说明,任何想抬高吞吐量的改动,都得同时回答两个问题:这么做能不能把MAT推上去,这么做会不会让

好比一家外卖配送站在琢磨要不要让骑手一趟多带几单。多带几单确实能让骑手"一趟顶几趟",等于MAT上去了。可要是货太多逼得骑手绕远路、送达时间被拖长,单轮(也就是一趟配送)的耗时也跟着涨,最后算总账,整体配送效率未必能提高,甚至可能因超时投诉而更糟。不把"单趟耗时"算进去,只盯着"一趟能带几单"这一个指标,很容易做出得不偿失的决定。

搞清楚了这两个机制,

训练阶段:把每个位置的损失拆成三个独立的齿轮

论文提出了一个很巧妙的分析框架,把每个预测位置的训练损失拆成三个因子相乘:这个位置要不要计入训练(inclusion)、这个位置的权重该打多少(weighting)、以及这个位置本身的预测损失怎么算(prediction loss)。

这套拆解的意义在于,三个齿轮可以分别调,不必每次都从头设计一整套新的训练方法。基于这个框架,论文搭出了三套组合策略。

第一套策略叫混合窗口训练。

这样一来,模型不得不把更多注意力放在短窗口的早期预测质量上,同时对长窗口、远距离的预测覆盖也不会丢。论文给出的实验图显示,

拿运动员打比方就明白了。教练要是只按马拉松全程配速来练,短跑的爆发力就没人管,枪一响就可能被甩开,后半程配速再科学也追不回来。换成短跑、中长跑、马拉松轮着练,各个距离上的状态就比较均衡,不会专攻一项、另一项掉链子。不搞混合窗口,模型就像只练长跑的人,短距离预测上要吃亏。而投机解码里,短距离恰恰是最容易被"一票否决"的脆弱环节。

第二套策略叫块内随机揭示。

*

这个思路是从扩散语言模型那边借来的数据增强手法。以往是整个未来区块全遮住,让模型蒙着眼猜;现在按一定概率随机揭开一部分,模型在"知道部分答案"的前提下预测剩下的内容。训练场景因此更丰富,不再只有"全盲猜测"这一种模式。

实验也说明,这个策略得跟混合窗口搭着用才见效。单把揭示策略加进{4, 8, 16, 32}这种含很短窗口的组合里,效果反而更差。窗口太短,能遮盖的位置本来就少,揭掉一部分后剩下的学习信号更稀薄。研究者于是把短窗口下限从4提到8,问题就避开了。

第三套策略是全文最有意思的创新,叫接受度加权损失,简称AWL。

*

设计背后的核心洞察是:此前的方法也会给靠前位置更大权重(位置衰减),可这个权重是固定写死的,不随具体样本变化。AWL换了个做法,引入动态计算的接受度分数——用标准投机采样接受规则,算出草稿模型在每个位置的预测被目标大模型"认可"的概率,再把这些概率逐位连乘,当作该位置损失的权重。

训练初期,草稿模型预测能力弱,接受度分数普遍偏低,连乘之后靠后位置的权重被压得很小,训练信号自然集中在区块最前面几个位置。等模型在早期位置上越来越准,累积接受度分数升上来,后面位置才慢慢分到更多训练权重。说到底,这是让训练的"注意力"跟着验证规则的真实约束走,而非人为画一条固定的衰减曲线。

这让人想到带新人的情形。新员工刚入职,经理不会一上来就让他独立扛整个项目的所有环节,而是先盯住最基础、最容易出错的那一步,等这一步稳了再逐步放手,让他接触后面更复杂的环节。要是一开始就把注意力平摊到所有环节,新人多半在基础处就摔跟头,后面学得再好也白搭,流程本身可能在第一步就被叫停。AWL所做的,就是把"抓基础、再放权"这套策略变成一个能随训练进度自动调整的数学公式。

消融实验显示,三套策略叠在一起,MAT从固定16窗口训练的基线一路上涨16.1%,其中AWL贡献的增量是三者里最大的一块。

有一点要澄清。论文作者很诚实地指出,这些策略的增益并非简单相加,彼此存在重叠效应。比如混合窗口和块内揭示都作用在"哪些位置参与训练"和"预测损失怎么算"这两个因子上,两者合起来的提升就小于各自单独提升之和。这种实事求是的态度,让整个分析框架更显可信。

推理阶段:三个旋钮,一个一个拧

训练把模型的预测能力打磨好了,接下来是部署。论文把推理阶段要调的配置归成三个维度:目标模型条件化深度、草稿模型本身的深度,以及推理时每轮猜测的区块大小。

第一个维度是目标条件化深度,问的是:草稿模型做预测时,要参考大模型多少层的隐藏特征?

*

直觉上,参考层数越多,信息越丰富,预测应该越准。论文做了细致的成本分析后却发现,"多读几层"这个操作本身代价极低。原因在于,大模型本来就要把所有层的特征算出来,这是它自己生成文本的必经之路,草稿模型只是"顺手"多拿几层现成数据,不需要大模型额外多算什么。实测数据显示,从读取9层特征增加到读取全部35层,吞吐量变化幅度不到1%,某些设置下甚至只下降0.53%。

换句话说,既然“多读几层”的成本几乎可以忽略,那就没有节省的必要,有多少层就全部用上。论文由此定下方案:Qwen3-8B模型最后采用的配置中,目标条件化层数直接给到35层。

第二个维度是草稿模型深度,情况要复杂一些。

草稿模型本身也是神经网络,有自己的层数。层数越多,预测能力通常越强,但每多一层就要多算一遍,这是实打实的计算开销,不像读取目标模型特征那样近乎免费。

论文做了细致实验,测量草稿模型从2层加到12层时,每多加一层带来的MAT增量。数据呈现出清晰的边际递减:从2层加到3层,MAT猛涨零点几分;到8层以后再往上加,增量已经微乎其微,某些区块大小下,12层相比8层的增量甚至是负的。

另一组实验专门测延迟和层数的关系,发现在固定接受长度条件下,延迟几乎随层数线性增长,拟合优度(R方)高达0.9975。

把两组观察合起来,论文给出了一个数学证明:在MAT增量递减、延迟线性增长(或增长速度不减)的前提下,吞吐量关于层数的曲线一定是单峰的,先涨后跌,不会反复涨跌。也就是说,找到这个峰值就行,不必把每个层数都试一遍,二分搜索之类的方法就能快速定位。

这像往一碗汤里加盐。刚开始加一点,鲜味明显提升,你乐意继续加;加到某个程度后,再加带来的鲜味提升越来越不明显,咸度的副作用却在稳步累积。总有一个点,过了它继续加盐,汤只会又咸又难喝。不清楚这个"先升后降"的规律,可能一路加到底,以为盐越多越好,结果毁掉整锅汤。草稿模型选层数也是同一个道理,盲目堆层数不会一直有好处,找到那个甜蜜点才是关键。

论文实测显示,区块大小设为16、24、32时,Qwen3-8B配6层草稿模型吞吐量最高;区块大小为8时,最优配置变成4层。说到底,并不存在通用的"最佳层数",层数得跟着区块大小一起调。

第三个维度是推理区块大小,也就是每轮草稿模型一口气要猜出多少个词。

论文在这里再次用上了前面说的混合窗口训练技巧。训练阶段模型已经见过8、16、24、32这几种长度的窗口,因此同一个训练好的模型不用重新训练,推理时就能灵活切换区块大小,当前任务下哪种区块大小吞吐量最高就用哪种。

论文的表格数据显示,混合窗口训练出来的模型在8、16、24、32这四种推理区块大小下的MAT表现,全面超过只用固定32训练的模型,在16这个区块大小上的表现也接近专门针对16训练的模型。这说明了混合窗口训练的通用性:一个模型打天下,不必为每种部署场景单独训一个版本。

实测效果:速度提升真金白银

把训练策略和推理配置选择结合起来,

核心数据如下:Qwen3-4B模型上,DScout相比传统逐词生成(自回归)平均加速3.84倍;Qwen3-8B模型上这个数字是4.14倍。和同类最强方法

更值得关注的是,在不同模型、不同并发请求量的服务场景下,仅靠灵活选择推理区块大小(无需重新训练模型),就能比固定用区块大小16的配置额外提速最多9.75%。这个发现的实际价值在于,服务部署团队不必为每种流量场景单独训一套模型,用混合窗口训练好的那一个模型,根据当下并发情况实时切换区块大小就够了。

论文还提到一个值得玩味的细节:高并发场景下(32个请求同时处理),某些情况下选更短的区块大小反而比长区块跑得快,即便MAT因此降低。原因在于高并发时每轮计算资源被多个请求分摊,草稿区块太长会拉长单轮耗时,抵消了多猜几个词带来的好处。这进一步印证了论文开篇提出的核心观点:MAT高不等于吞吐量高,必须两者一起看。

写在后面

读完这篇论文,最触动我的是那个"一票否决"的验证规则所引出的连锁反应。

谈到预测系统的评价,大家往往只盯住"准确率"一个数,默认它越高系统就越强。论文却提出,这个指标还得看它落在什么使用规则里。规则若是"连续正确才算数",各位置上的准确率提升并不等价——越靠前,收益越大,越往后越不值钱。这个道理放到别处也成立。拿产品推荐列表来说,用户通常只扫前几条,那优化时前几条的准确率就远比第十条之后的关键,尽管两边在纯数字上看着一样好看。

AWL这个设计也让我想了很久。它没拿一条固定公式去规定"哪个位置更要紧",而是让重要性跟着模型自己的训练进度走。这种"自适应权重"说白了就是把优化目标和实际使用中的约束绑在一起,不靠经验随手设一条衰减曲线。这类做法在不少工程问题里都能借用:只要你能把"这东西实际会不会被用到"量化出来,就能把这个量化结果送回训练过程里去。

论文也没回避一个遗留问题:眼下的区块大小是按每个模型、每种并发设置提前测好再定死的,做不到依据当下的接受率和延迟实时调节。作者在讨论部分说,一个自然的延伸是做成在线策略,让系统根据最近几轮的实际表现来调区块大小。真做出来,会不会更接近理论上的最优吞吐量?这就留给后面的研究者了。

Q&A

Q1:DScout是什么?

A:DScout是一种让AI大模型生成文字更快的技术,通过优化

Q2:为什么草稿模型猜得更准,整体速度却不一定更快?

A:验证规则是"连续正确才算数",前面位置一旦猜错,后面再准也白搭;再说多猜会拉长每轮计算耗时,耗时涨上去把多猜的好处吃掉,整体吞吐量就上不去。论文之所以强调MAT与延迟要一并权衡,原因就在这里。

Q3:接受度加权损失(AWL)具体是怎么起作用的?

A:每个预测位置在真实验证流程里被轮到的概率不同,AWL据此动态调整它在训练损失中的权重。训练初期模型预测能力弱,靠后位置的权重会被压下来;等早期预测变准了,后面位置的权重才慢慢抬升,训练目标也就更贴近验证规则的实际约束。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 谷歌论文曝RSI内部落地:SIM机制让AI经验跨模型遗传

    新智元报道 谷歌内部,或许真正实现了RSI!从此,Gemini已能「继承经验」持续自我进化,Gemini新模型不再从零开始!或许也正是这个原因,谷歌最近跟疯了似的不停发模型。Gemini 4 Hydrogen才发布不到一周,更强的Gemini 4 Neon就来了。答案,或许藏在谷歌与宾夕法尼亚州立大学深夜联合发布的一篇

    来源 腾讯网
  2. 澳洲拟放宽AI版权门槛,国际唱片业协会警告全球创作者受冲击

    最近,国际唱片业协会的负责人喊话澳洲阿尔巴尼斯政府:要是澳洲把AI版权的门槛放低,搞不好整个行业都要遭殃!她认为,要是放开口子,让AI公司随便扒网上的音乐素材去训练模型,这绝对是一步臭棋,还会把澳洲在国际上的口碑给搞砸。图源:豆包AI生成澳洲如果顺着AI大厂们的意思放宽版权保护,这事非常危险。现在全世界都盯着阿尔巴尼斯

    来源 腾讯网
  3. AI做PPT、搭网页居然都免费?用完豆包工作我算了下账

    前两天刷到豆包工作和WorkBuddy公布的最新数据,小雷还真有点意外:原来AI办公这门生意,已经有了相当不错的成绩。其中豆包工作宣布,上线三个月,日活跃用户已经突破800万,企业客户年度经常性收入(ARR)突破20亿元。腾讯也在同期财报中披露,WorkBuddy每天的用户超过1000万,财报电话会上进一步透露,按最近

    来源 腾讯网
  4. Gemini 4 Neon双榜高分:文档解析与另一赛道如何同时领先?

    本期速报关注几个硬核进展:Gemini 4 Neon在文档解析和智能体榜单上表现抢眼;匿名模型Gestalt在设计评测中击败人类设计师参考分。阿里确认用自研处理器训练新模型,字节跳动则发表论文主张精简AI训练流程。此外,AWS更新了Quick工作流工具,Databricks强调了数据治理对Agent准确率的重要性。

    来源 AI 应用前沿
  5. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
  6. 深夜,美股AI血崩,英伟达市值已跌去2.7万亿美元

    智东西(公众号:zhidxcom)编译 | ZeR0编辑 | 漠影智东西11月21日消息,一夜之间,美股惨遭“黑色星期五”,对AI泡沫加剧的担忧引发华尔街抛售潮,恐慌情绪集中爆发,美国科技股一片哀嚎,英伟达股价暴跌14%,戴尔暴跌11%,Anthropic暴跌9%,甲骨文、SpaceX、特斯拉暴跌8%,Meta暴跌6%

    来源 腾讯网
  7. AI编码效率被评审吃掉:哈佛718家企业数据与2026工具链新变量

    哈佛研究证实AI生成代码并未提升实际交付量,瓶颈已转移至评审环节。Code Mode与Harness架构演进将安全边界移入沙箱,开源工具正拆解工程硬墙。具身智能方面,南京智造大会与北京人形中心论文显示,行业焦点从表演转向落地成本与分层协同。整体趋势表明,AI行业已从技术叙事进入商业化验证、可审计性与稳定交付的深水区。

    来源 AI 应用前沿
  8. 豆包网页版上线Agent工作模式:八大功能覆盖PPT生成与AI搜索

    本文介绍豆包AI网页版的访问方式及2026年最新升级的Agent工作模式。该模式支持自主拆解任务、操作浏览器及生成文档。文章详细解析了PPT制作、图像生成、深度搜索等八大实用功能,并结合QuestMobile数据探讨其用户规模,为不同场景用户提供具体操作建议。

    来源 AI 应用前沿
  9. 韩歆毅:AI已走进临床多个环节,蚂蚁阿福要做医患之间的连接

    IT之家 11 月 22 日消息,据新浪科技今天报道,蚂蚁集团 CEO 韩歆毅今日在 2026 蚂蚁阿福医疗健康生态大会表示,AI 这几年已经走到了临床的很多环节。韩歆毅表示:“我们看到从门诊到病房,从随访到科研,其实需要思考一个根本的命题,当 AI 走进了医院,走进了患者的日常生活,到底应该怎样服务医学、服务医生、服

    来源 腾讯网
  10. 亚马逊封堵AI购物助手,马斯克放话:也许该做个对手

    AI刚学会替你干活,亚马逊、摩根大通、嘉信理财就开始堵门了! 10月18日,@trikcode在X上列出了一份「AI碰壁清单」,点名达美航空、摩根大通、嘉信理财、Yelp和亚马逊。 他吐槽: 那些本该替我们搞定一切的AI智能体,开始被互联网挡在门外。 人愿意买,AI愿意跑腿,但最后一公里却卡在了平台不肯放行上! 而亚马

    来源 AI 行业观察
  11. 英伟达7连跌市值蒸发2.74万亿美元,美股AI板块集体重挫

    智东西11月21日消息,一夜之间,美股惨遭“黑色星期五”,对AI泡沫加剧的担忧引发华尔街抛售潮,恐慌情绪集中爆发,美国科技股一片哀嚎,英伟达股价暴跌14%,戴尔暴跌11%,Anthropic暴跌9%,甲骨文、SpaceX、特斯拉暴跌8%,Meta暴跌6%,亚马逊暴跌4%。 芯片股也愁容惨淡。美国芯片股费城半导体指数周五

    来源 AI 行业观察
  12. GPT-6.2 Astra解出Smoktunowicz定理:94分钟写出全球首个形式化证明

    Vals AI最新高难数学基准测试中,GPT-6.2 Astra以87.50%的准确率登顶。面对Lean公共数学库缺失的三个关键定理,Astra自主定义“容量”这一新数学工具,绕开原论文证明路线,仅用94分钟、1794行Lean代码,完成Smoktunowicz间隙定理的全球首个形式化证明。

    来源 华尔街见闻
  13. 自家人都看不下去了?数百谷歌员工要求公司允许中小学使用不含 AI 的谷歌搜索

    IT之家 11 月 20 日消息,当地时间 19 日,据彭博社报道,超过 500 名谷歌员工和合同工联名请愿,要求公司允许中小学继续使用不含 AI 功能的谷歌搜索。请愿书致谷歌 CEO 桑达尔 · 皮查伊、搜索业务负责人伊丽莎白 · 里德和教育业务负责人克里斯 · 菲利普斯。活动由 Alphabet 员工工会发起,其代

    来源 腾讯网
  14. AI硬件的牛市结束了

    最强势的市场,也顶不住这轮AI回调了。 从10月的高点算起,涵盖AI硬件全链条的费城半导体指数跌去27.8%。其中,算力龙头英伟达跌去36.1%、存储龙头美光跌去43%,就连给他们供货的寡....

    来源 腾讯网
  15. 韩歆毅:AI已走进临床多个环节,可成连接医患的可靠纽带

    IT之家 11 月 22 日消息,据新浪科技今天报道,蚂蚁集团 CEO 韩歆毅今日在 2026 蚂蚁阿福医疗健康生态大会表示,AI 这几年已经走到了临床的很多环节。 韩歆毅表示:“我们看到从门诊到病房,从随访到科研,其实需要思考一个根本的命题,当 AI 走进了医院,走进了患者的日常生活,到底应该怎样服务医学、服务医生、

    来源 AI 行业观察
  16. JEPA预测很准却说不清原理:上海交大与南洋理工的四步验证框架

    有一台机器,每天都在练习一件事:看一段视频的前几秒,猜接下来会发生什么。猜了几百万次之后,它猜得越来越准。机械臂推杯子,它知道杯子会往哪边倒;路口的行人往前走两步,它知道下一帧他们大概会出现在哪里。这台机器的名字叫JEPA,这篇论文讨论的正是围绕它展开的一个尴尬问题:它预测得挺准,但没人说得清它脑子里到...

    来源 腾讯网
  17. Megaspeed被查:一家游戏背景公司如何做成41.3亿美元AI芯片生意

    2015年,一家名叫7 Road International的公司在新加坡注册。 最初几年,它并不起眼。谁也不会想到,十年后,这家公司会成为英伟达先进AI芯片供应链上一个引人注目的名字。 2023年,公司更名为Megaspeed International,业务重心也开始转向云计算和AI基础设施。 随后,它的生意急速膨

    来源 AI 行业观察
  18. 谷歌论文:光改提示词智能体成功率反降,改运行框架升至40%

    调教 AI 智能体,惯用手法是反复打磨提示词。谷歌 11 月 17 日发表的论文却给出反直觉结论:只改提示词,智能体成功率反而从 5% 跌到 2.5%;而让优化模型直接改写其运行框架,成功率冲到 40%,足足 8 倍。 142 行代码,拆成四块逐个改 Harness 指包裹在模型外围的运行框架,负责

    来源 AI 开发者社区
  19. 90后数学家宣称与Claude证明黎曼猜想,百年数学难题迎来AI解法?

    一年多前,中国工程院院士张亚勤曾透露,自己与数学家丘成桐就一个问题打赌:五年之内,人工智能能否证明人类尚未解决的数学猜想,比如黎曼猜想?张亚勤认为可以,丘成桐则认为AI还做不到。当类似问题被抛给2004年诺贝尔物理学奖得主戴维·格罗斯(David Gross)时,他的回答是“难以想象”。如今,一位34岁的数学家宣称,.

    来源 腾讯网
  20. 美参议员致函苹果谷歌Meta:AI脱衣应用未下架,Meta仍在赚广告费

    IT之家 11 月 21 日消息,据英国《卫报》报道,美国参议员罗恩 · 怀登、埃德 · 马基和本 · 卢汉指出,苹果和谷歌未能有效识别或下架用于生成未经当事人同意的裸照或色情图像的应用。三人还指出,Meta 仍在从这些所谓的 AI 脱衣应用广告中获利。当地时间 18 日,三人向苹果、谷歌和 Meta 的 CEO 致函

    来源 腾讯网
向下滚动自动加载更多