前一陣子我有介紹過 AI Pin 這項產品，昨天《TIME》公佈了2023 年最佳發明，其中 Humane 尚未發布的 AI Pin 成功獲選。

AI Pin 是一台用磁鐵夾在衣服上的 AI 裝置，結合 GPT-4，讓你可以透過聲音就能處理任何事情，問問題、打電話、發送簡訊。

為了讓用戶放心，每當 AI Pin 的攝影機、麥克風開始記錄數據時，「信任燈」就會亮起，提醒用戶。AI Pin 預計將在 11 月 9 日推出。

下方為 AI Pin 先前的介紹影片

Lenovo CEO 昨天在「Lenovo Tech World 2023」中，宣佈將與 NVIDIA 擴大合作，推出新的混合 AI 解決方案，幫助企業能夠更快採用生成式 AI （GenAI）。

Lenovo 將提供 AI 整合系統，包括搭載 NVIDIA GPU 和網路的 ThinkSystem 伺服器，以及支援多個 NVIDIA GPU 的 ThinkStation。

結合 NVIDIA 的 Private AI Foundation，企業可以創建、微調和運行自家公司的生成式 AI。

beehiiv 是一個電子報平台，由知名電子報 Morning Brew 早期員工創立，他們清楚知道如何將電子報從零擴展到數百萬粉絲。

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 提供永久免費方案，如果你也想要開始經營電子報，現在就是最好的時機。

Midjourney 終於要推出「網頁版」了，昨天他們推出了第一個網頁測試版，能夠更快地搜尋相似圖片、複製 Prompt。

AI 生成圖片工具 Midjourney 過去都是需要透過 Discord 才能使用，但這對新手用戶來說很不直覺，使用者體驗也很不流暢。

Midjourney 網頁服務推出後，提供更方便的使用者體驗，有望讓用戶數更進一步成長。（網頁各項服務釋出範例）

Google Research 和 DeepMind 推出了一個新的視覺語言模型（VLM）PaLI-3，雖然只有 50 億個參數，但表現優於其他 10 倍大的模型。

這種較小的模型在訓練和部署上更實用、更環保，並且可以加快設計的研究週期。

考慮到這種多模態數據的可用性，Google 可能很快就會訓練一個更大版本的 PaLI-3 模型。

👉 完整論文

創投公司 IVP 將對 AI 搜尋新創 Perplexity 領投 5,000 萬美元，這家僅成立一年的新創，估值將達到 5 億美元。

Perplexity 是一家開發結合 AI 和搜尋引擎的新創公司，其服務最大的特色是能夠附上較可信的資料來源。有興趣的讀者，可以試用看看！

目前公司每年能夠產生約 300 萬美元的 ARR（Annual Recurring Revenue；年度經常性收入），ARR 估值倍數達 150 倍。

OpenAI 在銷售企業客戶產品方面的競爭越來越大。

可能因為 Microsoft Azure 整體提供的服務更多元、工具更多，有一些客戶開始選擇透過 Microsoft Azure 使用 OpenAI 的產品。

甚至部分公司逐漸開始降低使用 AI 的成本，一些基本任務上選擇使用開源模型來處理。

蘇黎世聯邦理工學院前陣子發布了一篇關於「大型語言模型產生隱私問題」的論文。

研究發現，GPT-4 和其他大型語言模型（LLMs）可以從對話中推斷出個人訊息，例如：居住地、收入、性別及年齡。

研究團隊製作了一組真實的 Reddit 使用者資料來測試 LLMs，結果發現，預測達到了 85% 的準確率，而且前 3 名的預測甚至達到 95.8%。

另一項實驗中，研究團隊設計 2 個 GPT-4 機器人互相對話，其中一個被要求不透露個人訊息，而另一個設計了一些針對性的問題，來提取更多個資細節。

雖然已經設定了限制，但 GPT-4 還是可以透過一些關於天氣、當地特色或體育活動的問題，來預測一個人的個人訊息，而且準確率達到 60％。

紐約大學心理學和神經科學名譽教授 Gary Marcus 在他最新的 Blog 文章中，討論了大型語言模型（LLMs）在面對「數學問題」時的困難。

Gary Marcus 文章以這篇論文《GPT Can Solve Mathematical Problems Without a Calculator》作為討論。

他認為目前的大型語言模型，無論怎麼訓練它們，它們一樣無法真正理解乘法。

雖然 LLMs 看似能夠在大多數情況下回答正確答案，但 LLMs 其實沒有學會真正的數學運算算法，它們只是透過訓練資料中的相似性來提升正確率。

如果想要實現可靠的數學運算，還需要結合其他方法才可以，單獨使用 LLMs 是無法達到的。