ChatGPT 人工智能 GPT4 伦理 生成式 医疗 监管 安全 机器学习 深度学习 神经网络 计算机视觉 强化学习 模型 算法 应用 开发 研究 工具 平台 框架 数据集 训练 部署 安全 合规 培训 投资 LLM,llm AI,ai,Ai 大模型 大语言模型 制图 生图 绘图 文生图 文生视频 生成式AI AGI 世界模型 sora chatGPT,chatgpt,ChatGpt claude openai Llama deepseek midjourney 红熊猫模型 Red panda,panda Stable Diffusion,StableDiffusion,stable DALL- E 3 DALL E DALL Flux,flux 扩散模型 混元大模型 文心一言 通义千问 可灵 Pika PixelDance 豆包 月之暗面 零一万物 阶跃星辰 搜索增强 MiniMax Talkie Agent prompt fastai LangChain TTS 微调 提示词 知识库 智能体
# 热门搜索 #
搜索
微软GenAI开发被曝遭遇瓶颈,转攻AI安全推出「抗幻觉神器」
4698点击    2024-10-12 10:51
近期微软的高层人员调动以及新工具的推出,可能暗示着其AI战略的转向。


微软已经有一段时间没有向外界透露任何有关GenAI的讯息了。


在减少对OpenAI技术依赖的过程中,GenAI本该是微软的重要战略,但科技媒体The information了解到的微软组织变革表明:


微软在自主开发和训练生成式人工智能上遇到了瓶颈。


而同期微软推出的AI相关的新工具,也佐证了其在生成式人工智能业务上的战略转向。



前途未卜的合成数据与蒸馏模型


今年的早些时候,微软似乎在对先前内部的一个名为「蒸馏」项目加倍投注。


这个项目的内容大致为先使用OpenAI的模型生成大量数据,然后再利用这些数据来训练类似ChatGPT的模型。


微软的目标是让这些模型在某些任务上几乎能达到与OpenAI模型相同的表现,这样微软就可以根据自身的需要,对自己开发的模型进行「公平市场价格」的定价和自由出售。


在人工智能的开发中,业内几乎都会使用某种形式的人工智能生成的训练数据,即合成数据。



作为OpenAI的主要资助者,微软拥有充分的自由来使用OpenAI的模型。


因此,微软的研究人员能够要求GPT-4生成数百万段与教科书质量类似的文本段落,包括文章和教科书风格的练习,这些练习附有解释的问答内容。


随后,微软便可以利用这些数据来训练一个较小但其性能表现与GPT-4相似的模型。


而大约从一年前开始,微软就通过提炼OpenAI的模型开发了Phi。



Phi不仅开源,运行成本也更低。


微软研究人员在他们的论文中表示,虽然Phi的规模要小得多,但其性能几乎可以与OpenAI的主要旗舰模型相媲美。


微软CEO纳德拉将Phi形容为微软在AI领域「掌握自己命运」的一种方式。


他向股东们表示,Phi在Azure上与投资公司贝莱德、阿联酋航空以及医疗软件公司Epic等客户进行了合作。


在某些情况下,特别是当问题相对简单、不需要复杂解答时,微软用Phi替代了OpenAI 的模型,例如在Bing等产品中取代GPT-4作为AI聊天机器人。


在Phi初步成功之后,今年一月,微软将负责Phi的首席研究员Sébastien Bubeck从微软研究部门调往一个专注于构建蒸馏模型的新组织。


同年三月,微软以6.5亿美元的协议聘请了Inflection的CEO 穆Mustafa Suleyman并让他负责公司的消费者AI业务后,Bubeck被调到了苏莱曼所管理的微软AI团队。


据两位知情人士称,他负责的是使用OpenAI的大型模型来生成训练数据。


然而,最近Bubeck已从Suleyman的团队离职,重新回到微软研究部门,并再次向研究主管Peter Lee汇报工作。


而在八月,负责将Phi模型添加到Azure和其他微软产品中的Misha Bilenko也离职前往了谷歌的DeepMind AI团队。


一位微软AI研究员认为,这些突如其来的人员变动可能表明,Suleyman将不再把合成数据和蒸馏视为部门的发展方向以及微软的首要目标。


另一方面,今年五月被寄予期望的大型模型MAI-1毫无消息,且Suleyman团队之后也再也没有公开发布过任何模型的情况,也佐证了这一战略转向。


微软现如今依然要依靠OpenAI的模型来支持自己的人工智能服务,据一些金融机构的预测,微软今年有望在Azure上通过转售OpenAI的模型获得超10亿美元的收入。


值得在意的是,微软近期推出了一项在Azure AI上的新服务——


「校正」:人工智能幻觉的纠正工具


现阶段阻碍生成式人工智能在现实中更广泛地应用落地的最大缺陷,就是「幻觉」(hallucinations)。


幻觉是指缺乏基础数据支持的内容的生成,输出误导性的信息。


这种现象尤其与大型语言模型( LLMs )相关。


在医学、自动驾驶等高风险领域,准确的信息至关重要。


虽然人工智能有潜力改善对重要信息的获取,但幻觉可能会导致误解,造成严重的后果。


虽然业内可以通过「过滤」来解决幻觉问题,但这种方法在输出的文本因内容被删减或屏蔽而变得不连贯时,会导致用户体验不佳。


而微软认为,在Azure AI内容安全的接地检测(groundedness detection)中引入的一项新功能——校正(correction),能够突破上述局限。



今年三月,微软在Azure AI引入了接地检测。它能够将人工智能的输出与原文档进行比较,以识别生成过程中的幻觉内容。



但在用户实际体验这项服务的过程中,一个疑问也随之产生:「对这些检测到的幻觉内容除了屏蔽之外,我们还能做什么?」


为了解决这个问题,微软在接地检测中引入了校正功能,让使用GenAI程序的用户能够遇到幻觉之前,实时识别和纠正幻觉。


但校正的运作,需要程序连接到用于文档摘要和给予RAG的接地文档。


之后,Azure AI上的接地检测将通过以下几步运行:


检测:首先,Azure AI内容安全会扫描AI生成内容中的无根据部分。


幻觉现象并不是一个完全有或完全无的问题,大多数无根据的输出实际上也包含了一些有根据的内容。


这就是为什么有根据性检测可以精确找到无根据内容的具体部分。


当无根据的内容被识别出来后,模型会高亮显示具体不正确、不相关或虚构的文本。



推理:在识别出无根据的段落后,模型会生成解释说明,说明为什么某些文本被标记。


这种透明性非常重要,因为它可以让用户明确无根据的点,并评估其不接地的严重性。



修正:一旦无根据的内容被标记,系统会实时启动改写过程。被标记为不准确的部分会被修改,以确保与相关数据源保持一致。


但如果该句子缺少任何与基础文件相关的内容,则可能会被完全过滤掉。


而在用户看到最初的无根据内容之前,修正就已经完成。



输出:最后,修正后的内容将返回给用户。



但微软强调,该工具提高的是人工智能生成的内容和源材料之间的一致性,它并不能保证生成的内容可以到达完美的准确性。


毕竟最根本的是数据来源的真实性和客观性。或许,这也是微软决定内部战略转向的原因。


而在构建值得信赖的人工智能的道路上,业界的开发者们还需要更多不同的尝试。


文章来自于“新智元”,作者“Lumina”。


关键词: GenAI , 微软 , AI , 人工智能
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
AI数据分析

【开源免费】DeepBI是一款AI原生的数据分析平台。DeepBI充分利用大语言模型的能力来探索、查询、可视化和共享来自任何数据源的数据。用户可以使用DeepBI洞察数据并做出数据驱动的决策。

项目地址:https://github.com/DeepInsight-AI/DeepBI?tab=readme-ov-file

本地安装:https://www.deepbi.com/

【开源免费airda(Air Data Agent)是面向数据分析的AI智能体,能够理解数据开发和数据分析需求、根据用户需要让数据可视化。

项目地址:https://github.com/hitsz-ids/airda

2
RAG

【开源免费】graphrag是微软推出的RAG项目,与传统的通过 RAG 方法使用向量相似性作为搜索技术不同,GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。

项目地址:https://github.com/microsoft/graphrag

【开源免费】Dify是最早一批实现RAG,Agent,模型管理等一站式AI开发的工具平台,并且项目方一直持续维护。其中在任务编排方面相对领先对手,可以帮助研发实现像字节扣子那样的功能。

项目地址:https://github.com/langgenius/dify


【开源免费】RAGFlow是和Dify类似的开源项目,该项目在大文件解析方面做的更出色,拓展编排方面相对弱一些。

项目地址:https://github.com/infiniflow/ragflow/tree/main


【开源免费】phidata是一个可以实现将数据转化成向量存储,并通过AI实现RAG功能的项目

项目地址:https://github.com/phidatahq/phidata


【开源免费】TaskingAI 是一个提供RAG,Agent,大模型管理等AI项目开发的工具平台,比LangChain更强大的中间件AI平台工具。

项目地址:https://github.com/TaskingAI/TaskingAI