当前位置: 首页 > news >正文

苹果与百度合作,将在iPhone 16中使用生成式AI

3月25日,《科创板日报》消息,苹果将与百度进行技术合作,为今年即将发布的iPhone16、Mac系统和iOS 18提供生成式AI(AIGC)功能。

据悉,苹果曾与阿里巴巴以及另外一家国产大模型厂商进行了技术合作洽谈。最终选择百度的原因,主要是从技术创新、法律合规、安全稳定等多方面综合考虑,苹果预计采用API接口的使用方式。

受此利好消息影响,百度的股价上涨明显。

图片

苹果全面发力生成式AI

前不久,彭博科技记者Mark Gurman就爆料,苹果放弃造车,全面发力生成式AI的劲爆消息。

苹果作为全球市值最高的公司之一,在生成式AI领域却一直落后于微软、谷歌、Meta、OpenAI等科技巨头,主要是出于安全和产品稳定性的考虑。

为了追赶大部队,抓住生成式AI风口,苹果选择了技术合作+自研的双模式。

图片

2023年10月23日,彭博发布新闻表示,苹果人工智能和软件工程高级副总裁John Giannandrea 、Craig Federighi以及服务主管Eddy Cue,正在带领队伍全面开发生成式AI,计划每年投入10亿美元,并将其引入到苹果所有设备中

图片

这三位苹果高管的分工比较明确,John主要负责生成式AI底层技术的开发,包括技术架构、模型等,用于改进苹果的智能助手Siri。

Craig的软件团队将使用苹果自研大语言模型以及优质、健康的数据,开发多种生成式AI应用,同时也会用于改进Siri的功能,例如,单一问题的多轮深度对话和更精准的用户语音理解等。

GitHub Copilot的巨大成功,让苹果看到了生成式AI在开发领域的广阔应用场景,会将其集成在 Xcode等苹果开发平台中。

Eddy的服务部门,正在研究生成式AI如何集成在更多的苹果应用中。例如,该团队正在探索Apple Music在生成式AI帮助下自动生成播放列表

在Pages、Keynote等应用中自动生成幻灯片;在AppleCare 客户服务应用中通过生成式AI提升服务体验等。

技术合作方面,在国外的产品应用中,苹果正在与谷歌、OpenAI洽谈,希望将Gemini、GPT系列大模型应用在iPhone手机中。

图片

可以说,苹果已经将生成式AI列为其最重要的产品战略目标之一。

更懂中文的大模型——文心一言

百度凭借20多年搜索引擎沉淀下来的海量中文数据和技术壁垒,在大模型预训练、技术创新和应用等方面有着天然优势,比起国外大模型更懂中文的需求。

2023年3月16日,正值ChatGPT在全球范围火爆出圈时,百度正式发布了「文心一言」成为国产最早一批发布国产大模型的厂商。在文本、代码、创意等内容生成方面,丝毫不输国外顶级大模型。

图片

据悉,「文心一言」大模型的训练数据包括万亿级网页数据、数十亿次的搜索数据和图片数据、百亿级的语音日均调用数据,以及5500亿的知识图谱等,同时融合了监督精调、人类反馈的强化学习、提示增强、知识增强、检索增强和对话增强等最新技术。

图片

2023年10月17日,百度经过半年多的技术迭代与积累,重磅发布了文心大模型4.0。百度CTO王海峰曾表示,文心大模型4.0主要在3个关键技术方向实现了技术突破

首先是训练环境更优,百度技术团队将飞桨平台运行在万卡算力上,并通过集群基础设施和调度系统、飞桨框架的软硬协同优化,支持文心大模型的稳定高效训练。

其次是数据质量更好,开发团队建设了多维数据体系,形成了从数据挖掘、分析、合成到标注和评估的闭环,以充分释放数据价值,大幅提升模型效果。

图片

训练算法更强,为提升大模型的准确性,文心大模型4.0在输入、输出两个阶段都运用了知识点增强。

具体做法为在输入端对用户输入的问题进行理解,并拆解所需的知识点,然后在搜索引擎、知识图谱、数据库中获取准确知识,最后把得到的知识组装进prompt送入大模型;

输出端会对大模型的输出进行“反思”,从生成结果中拆解出知识点,然后利用搜索引擎、知识图谱、数据库及大模型本身进行确认修正偏差。

截至目前,「文心一言」的总用户量已超过1亿人,3.5版本免费提供使用。

本文素材来源科创板日报、百度官网,如有侵权请联系删除

相关文章:

  • DSP 看门狗权威解读
  • pytorch常用的模块函数汇总(2)
  • stm32使用定时器实现PWM与呼吸灯
  • 备考ICA----Istio实验9---熔断Circuit Breaking 实验
  • 第一篇:概述、 目录、适用范围及术语 --- IAB/MRC《增强现实(AR)广告(效果)测量指南1.0 》
  • 主流的开发语言、环境及其特点
  • 【深度学习】【机器学习】用神经网络进行入侵检测,NSL-KDD数据集,基于机器学习(深度学习)判断网络入侵
  • 前端学习<二>CSS基础——04-CSS选择器:伪类
  • QT 常用模块介绍以及使用说明
  • YOLOv9改进策略:IoU优化 | Wasserstein Distance Loss,助力小目标涨点
  • java中的static和单例模式
  • SpringBoot自定义stater开发:拦截器开发
  • 命令模式(请求与具体实现解耦)
  • Photoshop 工具使用详解(全集 · 2024版)
  • hdlbits系列verilog解答(Adder3)-67
  • 2024-03-26 Android8.1 px30 WI-FI 模块rtl8821cu调试记录
  • 数学分析复习:实数项级数的收敛
  • python --dejavu音频指纹识别
  • 【面试经典150 | 动态规划】零钱兑换
  • MySQL 8.0 支持对单个数据库设置只读!
  • https://app.hackthebox.com/machines/Inject
  • Spring —— Spring简单的读取和存储对象 Ⅱ
  • 渗透测试之冰蝎实战
  • Mybatis、TKMybatis对比
  • Microsoft Office 2019(2022年10月批量许可版)图文教程
  • 《谷粒商城基础篇》分布式基础环境搭建
  • 哈希表题目:砖墙
  • Vue 3.0 选项 生命周期钩子
  • 【车载嵌入式开发】AutoSar架构入门介绍篇
  • 【计算机视觉 | 目标检测】DETR风格的目标检测框架解读