我們都知道 AI 能有如今的發展，很大一部分需要歸功於 2017 年 Google 的一篇論文《Attention Is All You Need》，論文中提出的「Transformer 架構」主導了目前大部分主流的 AI 模型。

NVIDIA 昨天公布將在一個月後，邀請《Attention Is All You Need》的 8 位作者一起參加這次 GTC 2024 論壇，討論 AI 未來發展。

這應該算是近期 AI 圈最轟動的論壇了，現在這 8 位作者各自創立的公司也都深深影響 AI 技術的發展，而且會是 NVIDIA 黃仁勳執行長親自主持，我自己非常期待！

這場論壇的時間會是在台灣時間（UTC+8）3 月 21 日凌晨 2 點，有興趣的讀者推薦可以先註冊數位參展！

OpenAI 最近成立了一個專屬論壇社群 OpenAI Forum，提供 AI 專家、深度使用者能在裡面分享想法、建立人脈、共同討論 AI 未來發展。

OpenAI Forum 包括現場聚會、技術演講、OpenAI 晚餐聚會、研討會和專家圓桌會議等活動。

目前加入 OpenAI Forum 的方式有兩種，一種是符合標準直接申請，另一種是被 OpenAI Forum 內部成員邀請。

有興趣的讀者可以申請看看！我也剛申請希望可以通過審查！（如果有讀者已經是成員了，拜託邀請我！😂）

beehiiv 是一個電子報平台，創辦人 Tyler Denk 是知名電子報 Morning Brew 的第一個員工，從 2021 年成立到現在，已經募集了 1,670 萬美元的資金。

beehiiv 內建了發送電子報所有必備的工具，包含訂閱數成長、電子報客製化和數據分析工具。後續也不斷推出專為電子報經營設計的功能，包含：內建表單、反饋投票、推薦計畫、SEO 網頁優化…等。

beehiiv 也提供免費方案，如果你也想要開始經營電子報，現在就是最好的時機。我在 Facebook 有寫一篇關於 beehiiv 的長文，大家可以參考看看！

《Brief AI 電子報》是繁體中文圈最具影響力且成長速度最快的「AI 電子報」。讀者多為企業家、經理人、投資人、高階主管、工程師、分析師、創作者…等專業知識工作者。PARTNERSHIP 欄位協助企業品牌推廣產品、服務、活動、工作職缺...等等 👉 了解更多

美國知名創投 a16z 最近更新了AI 生產力工具的市場地圖，其中也用 4 個主題對工具進行了分類：

Google 的 AI 訂閱服務 Gemini Advanced 已經開放訂閱，這服務就像 ChatGPT 的 Plus 方案一樣，能夠付費使用 GPT-4，Gemini Advanced 能夠使用 Ultra 1.0。

目前 Gemini Advanced 提供 2 個月的免費試用，以下為免費訂閱教學（提前取消避免扣款）：

這樣就能免費試用 2 個月，也不會在之後忘記取消被扣款了，如果試用後覺得很棒，再用同樣方式重新訂閱就好！

這篇論文是 Google DeepMind 最新的研究，研究團隊討論了一個非常有趣的問題：大型語言模型（LLMs）是否能在沒有特定提示（prompting）的情況下，有效地進行推理？

過去，提高 LLMs 推理能力通常需要依賴特定的 Prompting 技巧，例如：Few-shot prompting 或 Chain-of-thought（CoT）。這些方法雖然有效，但往往需要大量的手動設定。

研究團隊採取了一種新的方法，透過改變 CoT decoding 過程，不用 prompt 就能直接提升 LLMs 的推理能力，研究結果發現，這個 CoT decoding 方法明顯優於傳統的方法。

OpenAI 共同創辦人 Andrej Karpathy 常常在 Youtube 發布一些 AI 技術教學影片，例如：之前電子報有介紹的 Intro to Large Language Models。

上禮拜 Andrej Karpathy 剛宣布離開了 OpenAI，今天就推出了一部新的教學影片：Let's build the GPT Tokenizer。

在大型語言模型（LLMs）中，Tokenizer 扮演著非常重要的角色，主要功能是將文字和 tokens 進行互相轉換。

這部影片 Andrej 用 2 個小時的時間，教我們如何創建與 OpenAI GPT 系列相同的 Tokenizer，幫助我們了解 tokenization。

這部影片難度比較高，如果還沒看過 Intro to Large Language Models 的讀者，推薦也可以從這邊下手，可以很簡單快速了解什麼是大型語言模型（LLMs）。

Tokenization 是一種將文本分割成更小單位（如單詞、短語或其他符號）的過程，以便於語言模型更有效地處理和理解文本。這個過程涉及到識別文本中的邊界，並將其分割成稱為 tokens 的單獨元素，這些 tokens 隨後可被用於訓練或運行自然語言處理（NLP）任務。