本地训练的客户模型忽视了全局数据中明显的更广泛的模式，聚合的全局模型可能无法准确反映所有客户端的数据分布，甚至可能出现「辛普森悖论」—— 多端各自数据分布趋势相近，但与多端全局数据分布趋势相悖。
每天，全球有数亿人在向AI产品倾诉他们的想法、困惑、创意，甚至秘密。但鲜有人意识到，这些对话正在以“帮助训练下一代AI模型的”的名义，突破着过往移动互联网产品的数据使用界限。
GANs are so back!?
随着 AI 技术的突飞猛进，其进步几乎每天都在刷新人们的认知，很多人都在猜想，AI 是否会在不久的将来取代人类医生？
万万没想到，能把一家公司网站给搞宕机的元凶，竟然是OpenAI疯狂爬虫的机器人——GPTBot。
450 美元的价格，乍一听起来不算「小数目」。但如果，这是一个 32B 推理模型的全部训练成本呢？
AI的飞跃可能会开辟我们理解古代世界的新方法。想象一下，如果ChatGPT可以在「上古卷轴」的文本洪流上接受训练，我们将有机会直接与历史对话。
基于深度神经网络对人脸图像进行编辑和篡改，深度伪造的发展为人们的生活带来了便利，但对其错误的应用也同时危害着人们的隐私和信息安全。
GAN已死？不，它卷土重来了！布朗大学和康奈尔大学的研究者刚刚提出了R3GAN，充分利用现代架构设计，彻底摒弃临时技巧，一半参数就能碾压扩散模型。网友惊呼：游戏规则要改变了！
AI 的编程能力已经得到了证明，但还并不完美。近日，BuzzFeed 的资深数据科学家 Max Woolf 发现，如果通过提示词不断要求模型写更好的代码（write better code），AI 模型还真能写出更好的代码！
