1998 年 1 月 17 日，NASA 宣布月球上可能有冰的存在。

昨天 Elon Musk 發了一部影片，是 Tesla 的人形機器人 Optimus 可以像普通人一樣從籃子中拿起衣服，然後再摺好衣服。過程動作雖然緩慢，但已經非常流暢。

不過很可惜， Elon Musk 後來解釋 Optimus 目前還無法「自主」完成這項任務，但之後一定能在任何環境下「自主」完成這類動作。

影片中的示範，應該是旁邊有人在控制機器人，但以目前 AI 進步的速度來看，應該很快就能看到 AI 機器人能「自主」做家事。

Stable Code 3B 是一個只有 30 億個參數的大型語言模型（LLM），能夠快速完成編寫程式語言的工作，效果與 CodeLLaMA 7b 等更大的模型相當。

就算是在筆記型電腦上，例如：MacBook Air，沒有 GPU 也可以離線運行。

目前 Stable Code 3B 已經可以在 Hugging Face 下載使用。

如果需要商用，可以參考 Stability AI Membership 的訂閱方案，每月最低只需 20 美元，就能商業使用。

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

昨天 Microsoft 推出了 Copilot 的付費訂閱版本 Copilot Pro，因為與 ChatGPT Plus 一樣模型皆能使用 GPT-4，所以有很多人都開始比較這兩個訂閱方案。

今天早上看到 Paul 分享了這張圖表，很清楚解釋了這兩個訂閱方案的差異，看起來 Copilot Pro 除了 Code Interpreter 還有 GPT 還沒開放外，其他功能都比 ChatGPT Plus 還好。

但我昨天測試發現，我沒辦法用我的台灣信用卡訂閱，我自己是使用美國信用卡才成功訂閱，接下來會測試一段時間再跟大家分享！

剛好最近這個網站做了一些更新，剛好可以介紹給大家：

除了 Prompt 技術、應用、論文外，他們也新增了 8 種不同模型在各種任務和Prompt 設置中的能力，包含：ChatGPT、Llama、Mistral、Gemini 等等。

如果有讀者想要認真學習 Prompt Engineering，但不知道要從何而起，可以把這個網站當成是一個資料庫慢慢學習。

今天看到了這篇去年十月由 UCLA、華盛頓大學、Microsoft Research 共同發表的論文，成功被 ICLR 2024 Oral 收錄，所以帶大家來看看。

他們提出了一個基準測試 MathVista ，可以幫助研究大型語言模型（LLMs）和大型多模態模型（LMMs）在「視覺數學推理」方面的能力，看模型是否能解決類似以下帶有圖片的數學題目：

他們也給出了目前 MathVista 基準測試的排行榜，人類在「視覺數學推理能力」目前平均分數為 60.3。

AI 模型第一名為 Gemini Ultra（Google 自行測試公開的數據），分數是 53.0；第二名為 GPT-4V，分數是 49.9；第三名為 Gemini Pro，分數是 45.2。

Wait/Walk Dilemma 是一個決策上的困境，通常用來形容一個人在等待某種交通工具（如公車或火車）時所面臨的選擇：是繼續等待，還是放棄等待而開始走路。這個問題的一些研究成果曾在 2008 年《紐約時報》的「年度創意」專題中被提到。

這篇文章是 Ethan Mollick 的最新文章，內容討論了「現在 AI 技術進步迅速，我們是否應該等待更好的技術出現再來行動？」。

這其實就是「Wait/Walk Dilemma」的問題。

作者以太空旅行為例：如果我們用現在的火箭技術去另一個星球，需要 12,000 年，但如果等待未來出現的新技術，可能只需不到 50 年，那我們該現在出發嗎？

去年 AI 技術的爆發成長，一下子就解決了很多團隊辛苦十年研究的問題，很多產品也是在一夕之間就被 AI 產品輕鬆取代。

而從眾多數據來看，今年的 AI 技術進展可能還是會維持一樣的進步速度，那如果現在想要打造一個產品、解決一個痛點，是否應該考慮等待 AI 技術進一步發展再來行動？

文章後續討論了該如何評估是否應該等待 AI 技術進步，以及「等待」可能帶來的風險，例如：學習陷阱、激勵陷阱。

今天的深度文章非常好看，我想應該很多人在看到 AI 的進步速度時，都會想到這個問題，如果你也有類似的想法出現，推薦可以看看這篇文章！