Shownotes Transcript
本周，我们为您准备了一期特别节目！在过去的一两年里，关于人工智能的讨论非常多，但解释却不多。什么是人工智能？人工智能和机器学习之间有什么区别？它们是如何工作的？大卫与谷歌生成式人工智能解决方案的总监达努·姆班加坐下来，深入探讨这一切。此次对话在人工智能的总体概述和对智能意义的深入讨论之间切换。达努在这个领域有多年的经验，因此我们希望您能学到和我们一样多的知识！享受吧。链接：注意力是你所需要的一切论文：https://bit.ly/attentionisallyouneedIBM k-近邻：https://ibm.co/3S6hdtm关注达努·姆班加：Threads：https://www.threads.net/@devchiralX：https://twitter.com/dmbanga购买商品：https://shop.mkbhd.comInstagram/Threads/X：Waveform：https://twitter.com/WVFRMWaveform：https://www.threads.net/@waveformpodcastMarques：https://www.threads.net/@mkbhdAndrew：https://www.threads.net/@andrew_manganelliDavid Imel：https://www.threads.net/@davidimelAdam：https://www.threads.net/@parmesanpapi17Ellis：https://twitter.com/EllisRovinTikTok：https://www.tiktok.com/@waveformpodcast加入Discord：https://discord.gg/mkbhd音乐由20syl提供：https://bit.ly/2S53xlCWaveform是Vox媒体播客网络的一部分。了解更多关于您的广告选择。访问podcastchoices.com/adchoices</context> <raw_text>0 支持来自A T N T。 我想知道什么时候可以用A T N T下单购买新的iphone 16 pro？ 就像你第一次让女孩心动，想象所有令人垂涎的可能性。 但是，如何在他们身上获得新的iphone 7证明苹果智能，以及最新的iphone年与A T T下单，随时A N T连接改变一切，苹果智能将在2024年秋季到来，设备语言设置为我们，英语，一些功能和语言将在接下来的一年中推出，零美元优惠可能在未来的iphone上不可用，随时功能可能会继续，随时可能会更改，传统条款费用和限制适用C A T T点com闪电iphone的详细信息嘿。
我是来自koto的lee，我们花了很多时间讨论一些在商业中最重要的人，他们在投入资源方面的看法，以及他们认为这对未来至关重要的原因。 这就是为什么我们要做这个特别系列，深入探讨一些公司今天花钱的独特方式。
例如，开始在工作中购买和使用AI意味着什么？ 这对公司来说要花多少钱？ 他们购买了哪些部分？ 最重要的是，他们在做什么，当然，还有播客？ 是的，你现在正在收听的东西，实际上越来越多地由风险投资公司、投资基金和一批希望有一天成为投资者的新创作者直接制作。
那么，今年这些收购到底发生了什么，尤其是在AI领域，为什么这么多大玩家决定不收购，而是选择许可，可以挖走联合创始人？ 答案，事实证明，比看起来复杂得多。 本月你将听到所有这些以及更多来自解码器的内容，由strike呈现。 你可以在任何播客平台上收听解码器。
大家好，互联网的人们，互联网的人们？ 是的，今天是大卫。 我们为您准备了一些额外的内容。 不用担心，我们周五还有常规的节目，敬请期待。 但我想深入探讨一下AI到底是什么，对吧？
我想我们都已经听说了几个月，甚至可能是几年，但没有人真正解释过它是什么或它是如何工作的，对吧？ 就像人们说某些东西是AI。 但那是什么？ 甚至我自己。
所以我想给你一个答案。 我打电话给我的谷歌朋友，他肯定知道这意味着什么，并进行了一个愉快的对话，讨论这一切是如何运作的。 希望你喜欢。 达努很慷慨地来到播客，成为我咖啡馆经典的嘉宾，所以是的，我们将在此之后深入探讨，但请享受。
我们一直在谈论AI和生成AI，以及现在世界上发生的所有事情，这非常令人困惑。 所以我们认为，如果我们请来一个知道自己在说什么的人来参加播客，实际上会非常有用。 我们不想只是不断猜测。
所以今天，呃，我们有达努·姆班加与我们在一起，啊，他是谷歌生成AI的负责人或总监。 所以我们将进行一次关于这意味着什么的长时间对话，对吧？ 达努，如果你要向某人解释，包括我，你在谷歌的工作或你的工作是什么，那会是什么？
我们试图将生成式AI解决方案引入生产级应用程序，以便为初创公司或企业服务。
所以这包括，比如说，一家公司来找你，他们说我们想使用生成式AI，然后你与他们合作，实际上将其集成到他们的产品中，对吧？
但是我们确实有许多其他团队，真正专注于整合的长尾工作，以说我们的利益，找出目前不一定常见的模式或新的模式，然后真正将其转化为十倍规模的包。 所以正如你所知，许多这些技术项目，尤其是在AI领域，都是相当新的。
是的。 所以它们需要新的技术。 它们需要对技术的新方法。 然后我们所做的就是试图找出在这个开放生态系统中目前的模式，并将这些模式打包成我们现在可以提供给更一致地与我们合作的团队，或者开源这些能力，以便一些人可以使用。 所以而不是。
仅仅是扔进一个基于大型语言模型的聊天机器人，你实际上是在集成一个对该公司有意义的特定解决方案。
没错，我想到了编程的早期阶段，当时人们在编写代码，对吧？ 所以你有一群人在编写程序。 然后有时我想到了八十年代和九十年代，这种围绕设计模式研究的共同模式出现，有些人会说，嘿，把这些东西放在一起，然后它将被称为特定模式。
然后基于设计模式，你可以创建一种新的语言和一种新的机制，让人们以更一致的方式使用技术。 所以这就是我们所做的。 我们试图理解AI N N A I的设计模式，然后将其放入技术和/或教育工具中供人们使用。
所以我想深入探讨一下AI到底是什么，因为我们在播客中谈论AI和生成AI以及所有这些事情。 这就像是现在唯一的对话，过去一年也是如此。 但我认为让很多人感到困惑的是，你会看到所有这些公司都在说我们现在有AI，我们现在有AI，但没有人真正知道这意味着什么。
有时这意味着他们添加了一个大型语言模型聊天机器人。 有时这意味着他们在后台添加了一些正在做大量工作的东西。 有时这意味着他们只是在重新品牌化一些实际上并不是真正的AI的东西。 所以在你看来，AI在我们现在看到的行业中是什么？
所以，嗯，对我来说，AI是一个系统，可以说它是一个工具和工程能力的集合。 当我们谈论AI时，我也会谈论它作为一个系统，因为我认为它不一定是一个单一的事物，嗯，它随着时间的推移而演变。
但是如果你看看这个系统和整体AI系统，嗯，它是一个工具和技术的集合，真正旨在为计算机提供人类认知能力，并使这些计算机能够加速我们在技术中产生不同事物的过程。 所以你可以把AI看作是一个规划、调度和感知我们周围世界的集合，并将其理解为一组认知容器，可以说，并能够从这种理解的层面上做其他事情。 所以AI就是将人类智能引入计算机的整体。 我知道这是一个相当复杂的定义，但这就是我们现在在理解它作为一个系统时所处的位置。 当你试图将其分解为在技术方面真正意味着什么时，它主要有三种形式，嗯，其中一种主要形式是一个尿道，AI涵盖了诸如规划、感知、调度等内容，然后处理被感知的数据，嗯，使用一系列工具，这些工具通常借用自统计、概率的数学世界，结合这些工具的集合就是我们传统上所称的机器学习，嗯，所以AI比机器学习更大，嗯，在机器学习中有一组数学工具，而在这些工具的子集中，这也是生成AI的本质，是一组称为深度学习的技术。 所以深度学习是，嗯，涉及使用神经网络，可以说，这几乎是对我们对大脑可能外观的人工表示或类比，尽可能全面地理解它，并试图表示本质上是一个数据结构，该数据结构将用于处理和一组技术，用于处理被感知的数据，仅仅是为了真正。
回到人们理解这三者之间的区别，你能在几句话中定义机器学习的区别吗？ 或者像单独的，什么是机器学习，什么是深度学习，然后什么是，嗯，第三个我说的，嗯，是的，我想AI，嗯，在这三者之间，你能在每个方面定义它们吗？
所以在AI中，你希望机器做一些看起来像人类的事情，可以说，对吧？ 想象一下你在这里，有人问你，嘿，大卫，车库的颜色是什么？ 你必须做几件事情。
你必须计划你将如何出去并到达车库。 你必须查看车库中的这个物体，并将其理解为一辆车。 然后你必须理解颜色，然后查看它并说，好吧，颜色是对的，例如。
所以有一系列步骤政策，你必须作为一个聪明的人来执行，这将说，计划我的出路，我想计划我的进入车库。 我将查看这个物体，检测该物体为一辆车，然后最终检测颜色，对吧？ 所以有几件事情，如果你要打破它。
所以那就是AI，我想说，呃，想象一下系统可以做到这一点。 想象一下让一个机器人做同样的一系列任务。 然后总体而言，我会认为那是AI。 现在你应该将其分解为一些深层细节。
并且在规划和调度中，使用哪些技术可能用于导航这些生态系统，直到你到达车库？ 你使用哪些不同的技术来分析该物体并将其理解为一辆车？ 所以那一系列技术就是机器学习。
好的。 所以就像机器视觉和物体识别。 那种东西将是应用于AI之上的机器学习技术，创造机器学习机制。
没错。 所以机器学习可以被视为你将用作AI子集的数学工具的集合。 好的。 而深度学习只是这些技术之一，在机器学习的背景下，有不同的技术。 其中之一被称为最近邻。 通常会与一个，呃，什么A K，所以k是一个数字。
我们可以说，什么是与大卫和达努的四个邻居，实际上会查看所有在这些建筑物内的人，然后理解哪些人距离这四个邻居的距离是最近的，或者这只是众多技术中的一种。 还有一种技术叫支持向量机，还有许多其他技术，如回归、分类等等。 所以现在，深度学习是所有这些技术的一个子集，使用神经网络作为你将用于处理的代表数据，以识别物体、分类物体等等。所以你得到AI作为一个更大的桶，里面还有其他东西，包括规划、调度和感知。 你得到机器学习，更加关注数学和概率技术。 你得到深度学习，这只是一个应用于机器学习的子集，专注于人工神经。
然后深度学习。 这是否成为一种在真空中变得非常流行的东西？ 因为发现它是一种非常好的机器学习方式，人们试图做许多不同的机器学习技术，但深度学习只是成为了最。
有用的一个，没错。 当我们将它们带回到你最初的问题时，那就是这些技术或这些定义如何与当前的事务状态相关？ 是的，机器学习与此非常相关，因为，呃，机器学习已经应用了一段时间，深度学习也是在过去的十年、二十年中。
是的，所以这些技术已经存在。 但这些技术基于一些能力的提升而得到了提升。 直到我们开始观察到深度学习确实做了两件事情。
一是我能够处理大量数据。 所以传统的机器学习技术，监督学习等等，当你给你太多数据时，它们往往会趋于放缓。 所以我会给你一些性能，在某个时刻，它不会真的给你更多。
所以它不具备扩展性。 所以你开始看到收益递减，扩展大量计算机能力，但你并没有得到好的结果。 嗯，但通过深度学习，你会看到，如果你有大量的计算能力，G P S和O T P S，你可以非常积极地进行并行处理，二是它不一定会影响到这意味着你可以给你。
大量数据并表现出色。
所以我们看到的是，嗯，这些技术在过去的许多年中得到了应用，但这些技术随着支持这些不断提高的性能的额外能力的增加而不断改善。
那是什么额外的能力，尤其是在过去一年中真正改变了局面？
呃，这要追溯到过去六年，可以说，是变压器架构的发明。
想要解释一下那是什么。
所以变压器架构是在2017年创建的，在此之前，深度学习生态系统中有许多其他架构被用于处理数据技能，嗯，这些系统处理文本的能力，例如，或数据序列，像音乐、视频等需要处理帧的东西，嗯，已经研究了很多年。 对吧？ 所以我们有序列模型。
我们有一些被称为 A S T M 的长短期记忆模型，这使得某人能够处理序列数据，甚至可能生成序列数据。但这些架构的问题在于，如果你有一段文本，如果你有整整一页，然后你想要对其进行总结或分析，那么你必须将整个内容放入模型中。因此，我们开始面临机器本身在处理如此大量文本时的能力限制，以便你能够对该文本提出特定问题。例如，这段文本在讲什么，或者生成这段文本的摘要。因此，存在一些滑动问题，因为。
如果你要合成整整一页的文本，这很困难。生成或发送更多文本的计算成本更高。
随着你拥有的单词数量的增加，成本也在增加。而且这很麻烦。问题在于，为了提高质量，特别是在你需要分析文本时，你希望保持某种语法结构。
如果你被问到一个关于句子的问题，有时答案确实在句子的末尾，但你必须保持上下文，等待句子的开头。因此，基本上有一个保持你正在分析的内容结构的想法，通过应用不同的机制。而在变压器架构中发明的机制之一就是我们所称的注意力机制。
因此，注意力机制是神经网络内的一种机制，通过它，你可以保持结构或保留关于特定单词在你分析的文本中如何相关的信息。因此，基本上，你想出了一种机制，通过它你可以分析大量文本，同时仍然保持关于这些特定标记和单词在该上下文中如何相关的信息。现在，这在计算、内存和存储方面变得非常昂贵。
这就是挑战，2017年。变压器架构带来的能力是处理大量数据，保持它们的结构，并且在硬件、存储和计算上并不极其昂贵。因此，通过基本上并行化这些架构，使你能够处理非常大量的数据，构建极其可扩展的、非常互联网规模的模型，如果你有足够的硬件。
然后最终能够从中获得一些智能。然后，一些事情开始发生。首先，你还记得我说过，如果你能够突破维度回报的原子，当你开始看到越来越多的事情朝这个方向发展时，你会获得越来越多的性能，最终你会从模型中获得新的能力，获得突现能力。
当你说突现能力时，你是指我们没有预料到的事情吗？
确切地说，传统上我们所称的监督模型是基于任务的，因此基本上我会说，你会去模型那里问，这个物体的颜色是什么？这就是一个训练用于理解给定物体的颜色的模型。因此，你的做法是给它很多标记的示例，你会说，这是一个杯子，这个杯子是红色和黑色，这是另一个杯子，这个杯子是白色，等等。因此，对于你来说，手动获取这些数据是昂贵的，基本上训练一个能够识别杯子、识别人物、回答问题等的模型。因此，能够给一个模型多个任务，基本上是一个挑战。
但我们可以使其成为多模态的。
是的，多模态有几个，是的，你可以使其成为多任务和多模型，基本上到简化的程度，这意味着你能够让模型同时分析图像、文本、音频和视频，对吧？然后它可以是多个输入，单个输出。
我训练模型以查看图像、文本、音频、视频，但你只问任何关于文本的问题，文本格式，嗯，那部分我认为是图片胜过千言万语，基本上在模型中获取多个图片，让它从中学习。但与它的互动仍然是在文本中。好的。因此，我们开始看到非常大的模型的好处，这些模型看到了大量来自整个网络的数据显示。
呃，巨大的部分你知道，数据在外面是可用的。开始以这样的方式表现出来，它们几乎具有通用智能，嗯，它们能够进行推理到一定程度，这通过给它一些数学问题来测试。我会进行推导，假设我在一些数学书籍中见过这些推导，或者写作，因此它会学习那个结构，利用注意力机制，能够逐步推导出答案，并给你一个特别的。
反对的是，如果他被喂入不同层次的推导通过不同的文本输入，这仍然被视为一种突现属性吗？
这是个很好的问题。所以我认为使这成为突现属性的事情是它以多任务的方式进行的。记住，最初我们会训练一个模型来做一件事。因此，如果它是一个仅仅训练用于推导特定数学问题的模型，那将非常简单。
它不会突现，但如果你训练一个模型，可以在数学语料库上做到这一点，同时参加 A A T 考试，同时给你一段特定文本的摘要，并且同时编写代码，同时优化代码并审查代码。那么这些就是不同类型的突现属性。这是一个多任务？所有的，假设一个大型模型，我能够做到。
这些突现属性是否是注意力机制的子集？就像这是否是让你能够做到这些事情的东西？
我给你一个类比，你知道在物理学中，当你有粒子以非常非常快的速度移动时，可以说在一个封闭的环境中，你开始获得温度，是的，我的热量，如果它们移动得更快，那么你会得到更高的温度。温度本身或热量本身并不一定是物理的产物。
这是快速运动的突现，但这种运动本身是非常简单的。因此，类似地，你喂给模型的特定元素相互学习，直到它们获得这种交互，通过它们基本上功能以非常非常低的水平进行简单的功能机制。几乎有这种转变是相变，是的，其中更高层次的东西，即模型开始以多任务的方式给你一些特定的行为。
裙子没有预期会被覆盖，这些是基于你给它的事情，但你没有意识到它们是相互关联的。
确切地说，几个突现属性。我最喜欢的一个被称为上下文学习，基本上大型模型现在会从我们那里学习，因此再次，传统上，你会想要给模型一个输入，然后模型给你一个答案，这是一个直接的输入和输出关系。但今天的一些模型，你可以说，嘿，给我一个看起来像这样的答案。
或者这里是我将要问你的问题类型的演示。因此，从现在开始，我需要你以这种方式回答这些问题。出于某种原因，它能够记住这个上下文，从这个演示中学习，然后开始在未来给你答案。这听起来像是。
这就是为什么这是我们没有预料到的事情。
能够做到这一点，确切地说。这就是为什么像 ChatGPT 这样的系统在这个意义上非常有趣，因为你甚至可以告诉系统，嘿，你是这个领域的知识渊博的科学家，考虑到这个背景，开始回答我的问题，然后它会给你一些非常有趣的答案，并且在许多方面你可以在那个领域中发挥创造力，对吧？你可以说你非常幽默和有创意。
什么是开始在这个特定的步骤中给我答案。最后我要谈论的突现属性是被称为思维链或推理。我想我之前稍微提到过，它能够逐步分解它是如何得出结论的。这是结束。
我们确实预期会这样。好的。因此，我认为这个问题有很多答案。但实际上，似乎 AI 是一种外层，你试图教机器像人类一样的类比。
然后你有机器学习，这是 AI 的一个子集，深度学习是机器学习的一个子集。当你给这些模型提供大量数据时，你最终会得到一些你并不真正预期的突现属性。我们将更深入地探讨突现属性和非常哲学的内容。我认为我们先去喝杯咖啡。
嘿，我是来自解码器的李，带来了细节。我们花了很多时间讨论一些在商业中最重要的人，他们在投入资源方面的看法，以及他们为什么认为这对未来至关重要。这就是为什么我们正在进行这个特别系列，深入探讨一些公司今天花钱的独特方式。
例如，开始在工作中购买和使用 AI 这意味着什么？这对公司来说花费多少？他们在购买什么产品？最重要的是，他们在用它做什么？当然，是的，你现在正在收听的内容，实际上越来越多地由风险投资公司、投资基金和一批希望有一天成为投资者的创作者直接制作。
那么，今年这些收购实际上发生了什么，尤其是在 AI 领域，为什么这么多大玩家选择收购而不是许可，或者雇用共同创始人？答案，事实证明，比看起来要复杂得多。这个月你将听到所有这些和更多内容。我是解码器，由 Strike 提供支持，你可以在任何地方收听解码器。
你的播客与 mx 平台，你可以真正处于现在，访问 razi 优先通知，是的，享受 pm 结账时通过 amx 旅行预订五家酒店和度假村的优惠。我们需要这个，并且专门的卡会员在选定的入口处。然后让我们去吧。你可以专注于当下，拥有美国条款的强大支持，申请，了解更多信息，请访问 amErica 并表达与 max 卡会员入口访问。
不局限于 A M X 平台卡。因此，我认为因为大型语言模型和聊天机器人以及像 di 这样的东西是许多普通人在日常生活中看到 AI 影响的唯一事物。还有什么其他的变压器正在转变？就像，什么行业正在被 AI 提升，实际上是什么在推动这一切？
因为我认为大多数人只是看到，哦，我们有 ChatGPT 哦，现在这个我从未谈论过的随机应用程序，出于某种原因与我聊天，对吧？但我们听到每个行业都在被 AI 提升。因此，这也是基于变压器的吗？这在什么意义上有效？是否不使用语言模型。
对吧？因此，变压器开启了革命。因此，拥有这些突现属性的能力。但那是在 2017 年。
自那时起已经过去了六年，嗯，自那时起，这种特定架构经历了很多演变，围绕你构建一些生成 AI 系统的创造力也很多，这些系统可以生成图像或文本，或者给你一些文本，或者给你一些图像，作为应用于许多行业和许多应用的转变。我们可以从两个方面来看待这一点。一个是所有的 AI 并没有消失，对吧？所以我们仍在使用它。
我们仍在应用这些技术或推荐系统。当你访问网站时，你仍然会被推荐一些东西去购买，或者推荐一些书籍去阅读，因此许多这些 AI 的初始应用实际上对拥有能力的大公司非常有用。
这就是我非常喜欢谈论的一件事，非常大的公司有能力雇佣数百名工程师。因此，他们说，数十名工程师受过高度培训，薪水很高，能够构建一些高度调优的系统，这些系统可以扩展到数百万用户，而不是数百万美元的企业。我们看到新的机会开放，因为这些行业现在可以使用一些生成的 vi 系统。
在过去，您需要大约七个月到十八个月的时间来与程序员、设计师、产品经理等一起构建一个应用程序。但现在，如果您有一个愿景，您可以直接上手说，嘿，这是我的愿景，帮我迭代一下，给我五个相关的想法，然后在此之后，您可以说，嘿，现在写一个产品需求和系统规格，可能看起来像这样。然后您可以说，嘿，基于所有这些互动，制定一个项目计划，您可以在这个上下文中与聊天机器人进行迭代，然后在此之后，您可以说，嘿，考虑到这些文档或我们讨论过的所有内容，帮我写一个设计文档，我可以用来实施这个解决方案。
然后您可以说，现在我需要您帮我用Python实现这个。您知道，为我设计一个API，对吧？AS的实现。
为我写系统设计。您甚至可以帮我画一些这些东西。
所以您看到的是，您正在从一个生命周期转变，在这个生命周期中，您必须与十人的团队合作大约十八个月才能将一个想法变成一个良好的形态，而现在可能只需几个小时或两周的时间，利用提示并在与机器人互动的方式上非常有创意，或者作为一个小组与机器人互动，是的，您可以提出一个相当不错的解决方案，是的，所以我看到的是许多行业和企业真的在利用这一点。我在媒体、医疗保健和生命科学中看到了很好的例子。
我在金融服务中看到了很好的例子。但在所有这些事情中，我看到很多运动。
您在自己的工作中使用这些系统来构建自己的东西吗？您在自己的工作中使用bar吗？是的。
是的。但我每天都在使用，每次我有一个想法，每次我想处理某件事情，我都会使用bar来提升一个想法。哇。我使用bar来创建大纲，如果我需要给一个会议演讲，例如，通常对我来说，创建内容的过程将基于我所做的工作和一些研究，我试图提出一个特别的大纲，真正触及我想要讨论的要点。因此，我使用bar来帮助我创建那个大纲。
然后我可能会自己列出大纲，并把它交还给bar，嘿，帮我总结一下，或者帮我提取出这个特定的讨论要点。是的。然后我可以说，嘿，让这个更有创意，让这个更好，更具不同类型的语气。
有一种互动模式，就是我之前提到的那种，当我有一个粗略的想法时，比如说，我想创建一个系统，帮助您确定您要喝什么咖啡，基于park，类似这样的例子。因此，我可以形成具体的问题，并以那种方式与bar互动。我可以在一天结束之前拥有一个工作的原型，完全用Python实现。是的。
是的。这是一个很好的生产力爆发。确切地说。我想稍微回顾一下，因为我们谈到了AI，我们谈到了机器学习，我们谈到了深度学习。
但在过去一年中，大家心中最大的事情是生成AI，您已经多次提到过这一点。但我们并没有真正定义生成AI是什么，以及它与其他形式的x有什么不同。那么您能否快速解释一下生成AI实际上是什么？
记住，我们谈到AI整体是一个系统，而不仅仅是一个东西。嗯，所以机器学习是一种技术，更多的是深度学习的性质，深度学习是一种更专注于的技术。因此，通过虚拟地获取一些更基础的东西，生成VISA深度学习技术。因此，它仍然使用深度学习技术，但生成V I确实专注于生成或创建特定的其他事实。因此，艺术效果可以是图像，可以是一段文本，或者可以是一段音频，或者可以是其他东西，是的，那是生成的简单定义。
那么，生成vi的基础是什么？是什么让它能够工作？我们看到像生成填充和Photoshop这样的东西。
我们看到生成音乐。现在，像这样的每一个创意行业和非创意行业都在某种程度上被这种生成内容所影响。是什么让系统能够实际生成内容，而不仅仅是对内容进行分类？
是的。所以这是一个美丽的问题，因为在所有这些事情中，有一个非常强大的共同点，就是变换器架构。好吧。所以我们看到的是，dad应用相同的技术，然后稍微改变问题，就能给您确切的生成内容，您感兴趣的内容。例如，我们可以说，使用这些较低的变换器架构，帮我生成一张图像。
您可以给出本地AI问题，给出不同艺术效果的图像，比如动物，比如猫和狗，或者不，创造一些看起来像这些东西的东西，呃，使用，我不知道，插值或额外的人口统计数据，使用不同的技术，并使其看起来像我在过去向您展示的一些东西的家族。我会给您一些在现实生活中不存在的东西，也许是一只狗或猫的非常高质量的图像，虽然在现实中并不存在，但确实非常像您在过去向我展示的样本。因此，这些模型本质上创造内容的能力，这就是生成能力。
是的。所以我们考虑像大型语言模型被输入到变换器中，对吧？这就像给我所有在互联网上写过的文本。我们可以发展单词之间的关系。
但是当您生成图像或生成音频时，是什么被输入到变换器中的呢？因为我们看到，您知道，有很多遗传学工作正在与变换器一起进行。您给变换器输入什么样的数据，以便在不同领域中实际使其工作？
所以在中国，您今天会给您。文本非常容易获取。这就是为什么您听到大型语言模型的次数更多，对吧？而且我在生成文本的结果也更令人印象深刻，更令人兴奋。
这就是为什么在我看来，这个领域占据了主导地位。但您是对的。因此，您可以认为输入几乎可以是任何可以放入序列中的东西。
例如，视频是一系列帧，对吧？因此，您可以将多个视频分解为帧，提供给基于变换器的架构，您会在这些序列的处理或结构保持方面变得更加复杂。关于注意机制有很多技术，因此，好的，让我们考虑这是一种黑箱，它知道如何做到这一点。
然后您给它的是一组帧，即视频，然后您说，给我一些看起来像那样的东西。因此，在这种情况下，您给了它视频或一组帧。您还可以通过某种机制给视频和标签，这就是我们今天所做的。有一个编码模型叫做clip percentile，将图像和视频以及标签结合在一起。
这就是di的基础，以及许多AI图像生成的基础。
这些基础技术的能力，您教模型识别图像和文本作为一个联合实体源，您通过获取图像处理与我们称之为toga化的过程，或者特定于图像的编码器，将其转换为向量，或者我们称之为嵌入。
然后，您也会对文本进行相同的处理，将标签转换为向量。然后，一旦您拥有这两个因子，您就可以通过基本的代数将它们结合在一起。然后在更高的层面上，您必须任务和顺序问题，您希望模型回答。在一种情况下，您可能希望模型说，例如，给定一张图像，解释这些图像的内容。或者您有相反的问题，即给定一段文本，生成一张包含该信息的图像，换句话说，我提供的文本，这是Midjourney的业务。
是的，所以将其分解，您依赖于您尝试在其上使用变换器的领域，您将数据转换为数字，并将这些数字彼此进行比较，然后获得输出。对。因此，因为您能够将视频或图像或文本进行向量化并将其转换为标记，您可以将它们彼此进行比较，即使它们是不同类型的媒体。
使其真正美丽工作的事情是，因为一旦您将图像、视频或音频编码为初始向量。这个过程称为组织。然后，一旦您进入标记方式，标记可能会更复杂。例如，gani zer可以学习不仅仅使用每个标记映射一个单词，而是它也可以将单词分成两个或三个，如果该单词有多个含义。
多个含义，性别，或者如果它发现。
有效的ganim。
一些toga化。因此，您可能会遇到一种情况，其中，呃，一个五个单词的句子给您十二个或五十个标记。所以让我来做这个。因此，这个概念更多的是关于在一个向量的子结构中保留信息，而不是单词与向量之间的一对一映射。
图像也是如此，图像是二维结构，具有红色、绿色、蓝色的第三维度，对吧？因此，如果您将整个东西展平到整个二维乘以三的强度上，呃，您会得到一个更大的向量，但这只是一个更简单的组织，您说，嘿，我要对图像进行atten。通过区域展平，然后在那之后，我将创建一个表示像素的向量。
从那里，您可以有一个更深的组织，可能考虑对象之间的结构，例如，N、C对象，或者对象之间的距离，甚至对图像中对象的更深层次理解。到头来，您从一个地方开始，例如音频。在音频中，您使用声谱图，并将其转换为特定的工件。
因此，您从资产转变为向量。现在，这个过程称为嵌入，基本上是将该向量投影到一个向量空间。这是通过与该地方的每个其他艺术效果和其他数据进行投影。
像一个。
道德化和像一个标准化。但是通过那个投影，您基本上所做的，尤其是如果您有一个动机模型，如果您与文本一起工作，例如，那么您会对它们进行tocom nize，这就是想要建立图像与标签之间的关系，并且这个切换适合它们。
一旦您拥有这两个向量，您就将该投影投射到共享的向量空间中，您可以说，最美妙的是，您通过训练来做到这一点，最美妙的是，想要在同一空间内学习这些东西。它们变得具有相同的性质，对吧？所以您可以开始比较它们，是的，您可以开始分配关系，做出声明，比如说，文本形式写的汽车C A R与图像进行比较，比较图像。
您正在将一种语言与另一种语言进行比较，并以某种方式共享它们，一旦您拥有共享的说法，您就可以将它们翻译成达到，您可以从那里做任何事情。
您想要的所有不同事物的基底。问题在于，这些不同类型的艺术效果中保留了信息。因此，您几乎是在进行信息提取。
并描述一下。您是什么意思？信息可能是。
一场漫长的对话，但最终您知道的信息，我知道您有一个关于信息本质的完整视频。是的，我可以将其文本化为您正在处理的工件，但在各种实现中，信息是这个实体或这个东西，可以给您，定义信息是很难的，而不使用信息。
是的，您这样做。
这是可以给您一点模式的东西，对吧？因此，我们通常基于秩序和无序的概念来建立该模式，尝试进行下去。是的，但如果您有一些东西，可以给您关于特定系统的无差别或无序的模式，那么您就开始拥有信息。
例如，如果我这样做。没有什么变化太大。因此，如果您处于该模式的接收端，您不会真正获得太多信息。但如果我这样做。之前我所做的和现在我所做的之间存在差异。
您可能不理解我为什么这样做，但您会明白，我拍手的方式和频率与我之前拍手的频率之间存在差异，然后您获得了信息。是的。
本周，我们为您准备了一期特别节目！在过去的一两年里，关于人工智能的讨论非常多，但解释却不多。什么是人工智能？人工智能和机器学习之间有什么区别？它们是如何工作的？大卫与谷歌生成式人工智能解决方案总监达努·姆班加坐下来，深入探讨这一切。这次谈话在人工智能的一般概述和关于智能意义的深入讨论之间切换。达努在这个领域有多年的经验，因此我们希望您能学到和我们一样多的东西！享受吧。链接：注意力是你所需要的一切论文：https://bit.ly/attentionisallyouneedIBM k-近邻：https://ibm.co/3S6hdtm关注达努·姆班加：Threads：https://www.threads.net/@devchiralX：https://twitter.com/dmbanga购买商品：https://shop.mkbhd.comInstagram/Threads/X：Waveform：https://twitter.com/WVFRMWaveform：https://www.threads.net/@waveformpodcastMarques：https://www.threads.net/@mkbhdAndrew：https://www.threads.net/@andrew_manganelliDavid Imel：https://www.threads.net/@davidimelAdam：https://www.threads.net/@parmesanpapi17Ellis：https://twitter.com/EllisRovinTikTok：https://www.tiktok.com/@waveformpodcast加入Discord：https://discord.gg/mkbhd音乐由20syl提供：https://bit.ly/2S53xlCWaveform是Vox媒体播客网络的一部分。了解更多关于您的广告选择。访问podcastchoices.com/adchoices</context> <raw_text>0 所以这就像你可能理解图像中的一些差异，例如，观察一个轮廓，然后在这个和那个之间发生了一些变化。然后你可能意识到这些可能是两个不同的物体，等等。在文本中也是如此，你可能会在单词之间或段落之间以及不同结构之间有差异。
所以你有某种形式的信息。信息的美妙之处在于它可以被组合。因此，信息的领域就是你所说的提取信息和/或在不同数据模态中模式的差异。自动事实。
美妙之处在于，我可以在某种程度上进行组合或比较，是的，这使得你能够从图像中提取信息，了解它有多不同，或者在那幅图像中存在多少不同的模式，通过理解一段文本中存在多少不同的模式，实际上并不是文本。并将其放在正常的地方，你可以开始配对，是的。通过反转这一点，你现在可以将文本与图像结合在一起，基本上就是这样。
与所有这些结合的关系是，你会说，这是否是一个可以做任何事情的通用人工智能的基础。
我们正在进入AGI的领域吗？
是的，我很想听听你对此的看法，如果你觉得谈论这个没问题的话。
当然。那么，根据你自己的理解，什么是智能？
根据我自己的理解？这是一个非常大的问题。嗯，我对此思考了很多。
我个人的看法是，嗯，进一步的听众，我们将很快找到AGI，人工通用智能，实际上意味着你可以要求一个人工智能做任何人类能够做的事情，甚至可能更多，对吧？我可以帮助你做到这一点。你同意这是定义吗？
一个扩展的定义，这就是为什么问什么是因为同意AGI是人工通用智能假设我们达成一致。
有趣的，当然，我的定义是智能是合成信息的能力，并根据你被明确告知要做的事情创造新的行动，这可能是我对智能的定义是一个不错的定义，你会。
不同意你必须在你定义的特定工作流程的上下文中进行吗？也就是说，我，你必须在我不知道的文学或机器人技术、自动化等上下文中进行，例如，拥有一个可以控制特定手臂的机器人，无论是用于手术。如果那个机器人控制手臂，比如在餐厅，那将是不同的事情。
所以我等等。我认为，当我们谈论智能或甚至信息的普遍化时，我们正在做出一个大胆的声明，这超出了我们目前对这些事物本质的理解。对吧。
当然。所以我明白了。如果我想分解人工智能的问题，我可能已经表达过我对那个定义并不太赞同，因为我真的不认为我们确切知道当我们说这个时我们是什么意思。好的。嗯，但如果我们想进入一个实际的领域，我认为这可能是基本的，而这是我们现在所处的状态，通过让这些模型在影响世界的能力上取得进展。因此，我们讨论到目前为止人工智能的软件版本，你给出数据，我可以识别它，或者在这一点上，我也可以生成数据。
但在这一点上，软件的真实世界交互模式是什么？所以我们有许多系统，例如，医疗保健和冰科学，必须以医院设备的功能方式处理现实世界，哦，以控制相机的机器人手臂的方式。因此，你会得到许多关于现实世界的其他事情，这可能与智力有关。因此，我认为我们在改善这些人工智能系统的质量方面所做的许多工作必须将事情提升到之前提到的定义人工智能的水平，这涉及到计划、调度和行动以及发送。因此，当你开始增强这些系统的额外能力，并开始训练能够在现实世界中进行计划、调度和行动的代理时，你就会获得AGI的感觉。
这更接近于给它的定义，对吧？我们，能够在那个层面、那个规模上做到这一点的能力受到挑战，你在哪里感知什么样的信息，以及你在哪里在什么样的世界环境中行动，对吧？如果你想看看我们所操作的现实世界，并且你想看看所有可能发生的交互和行动类型，可能性数量大于宇宙中原子的数量，对吧？所以你如何拥有一个知道如何在这个整个世界中行动的通用智能系统，我发现这是一件相当具有挑战性的事情。但如果你限制问题，如果你将问题简化，简单到我想要一个通用智能系统，它能够学习如何使用医院系统内的所有医院设备，那么也许你就有机会拥有一个AGI系统，能够有效地执行任务。这是我对通过训练具有世界重定位表示的代理的AGI可能性的技术观点。但这些是类似的世界表示，受到你希望这些系统操作的问题的限制，然后能够进行计划、调度、感知和行动，包括这些他们可以做的其他能力。
好的，有趣。所以达努并不认为我们会有一个通用的AGI人工通用智能来处理一切，但他更倾向于我们会有这些更小、更专业的人工智能，能够处理不同的任务并帮助我们更快地解决问题。
这实际上与整个关于测试的对话并没有太大不同，比如你可以有一个像人类的机器人进行人类测试，或者你可以有一堆非常小的机器人处理我们每天都在进行的测试。然后同样的事情，非常有趣。嗯，在下一个环节，我们将进入人工智能的“幻觉”问题，这是我刚刚编造了一堆随机的东西，这显然是一个问题。
我对那一方面的有趣版本非常好奇。此外，我们需要看看他们打字的速度。所以对此感到抱歉。
本集由谷歌Geri赞助，使用德国I APP。你可以实时与人工智能助手进行对话。这对于各种事情都很棒，比如如果你想为即将到来的面试做准备，询问在新城市中要做的事情的建议，或者头脑风暴创意。
顺便说一下，剧本实际上是由Gami朗读的。今天就下载iOS和Android的GI APP，使用需年满18岁。支持该节目。
今天的支持来自Net Sweet，关于经济的走向。你并不孤单。如果你问九位专家，你可能会得到十个不同的答案。
所以，除非你是算命师，而你不是，这完全没问题，没有人能确定。因此，确保让未来为你的业务做好准备，在这样的时期。这就是为什么超过三万八千家企业已经在使用Oracle的Sweet制定他们的未来计划。
这个操作的云ERP将会计、财务管理、库存、人力资源等整合到一个统一的平台上，让你能够简化操作并降低成本，利用Sweet的实时洞察和预测工具，你不仅仅是在管理你的业务。你在预测它的下一步。你可以在几天内完成账目，而不是几周，并将注意力集中在接下来会发生的事情上。此外，Sweet已经汇总了关于人工智能和机器学习如何影响你的业务以及如何最好地利用这一新机会的见解，因此你可以在sweet.com/wayform下载人工智能和机器学习的CFS指南，该指南对你是免费的。下周的下一个sweet.com/awayfrom下一个m/awayfrom艾丽斯想要。
提出并询问你的问题。
所以是的，抱歉，我真的很喜欢你关于定义智能与AGI相关的说法。我认为大卫提到了一个非常重要的智能类型，比如直觉和推理，以及提取信息的能力，不仅仅是信息片段，而是来自多种上下文的信息线索和系统。但还有许多其他类型的智能，人们像认知科学家一样喜欢定义和分类，比如空间推理，嗯，像参与和辩证思维这样的东西，嗯，这些都是我们在自己身上观察到的智能。因此，当我们考虑一种通用的多功能人工智能时，你认为我们应该将其限制在我们大脑每天所做的任务类型上吗？还是你认为会出现几乎像新的思维方法和新的认知能力，随着这些神经网络的增强而出现？
这是一个超级有趣的问题。从实际的角度来看，嗯，我实际上同意你的观点，大卫，关于那个定义，对吧？因为我认为那是可以在软件中机械地或以程序的形式实现的智能。对我们的直觉来说，我们可以通过将事情分解为步骤来思考。你所谈论的那种智能对我来说更像是那种涌现的边际性，我认为我们还没有达到可以。
感知是什么。
或者直观地。
颜色，是的，最初。
知道我们确切需要做什么，以便模型具备那种特殊的意识或其他责任。现在我们可以通过拥有分段模型和进行距离计算来编程，并通过数学历史来实现这一点，通过这种方式我们可以声称我们已经实现了那种能力。
但我会争辩说，我们学习的方式并不完全是我们教机器如何做到这一点的方式，对吧？所以肯定还有很多，很多研究。我们可能会偶然发现。
我们可能基本上会走运，发现其他类型的缩放机制，或者在物理学中，今天的权重，你有更小的系统，你有简单的交互模式，比如磁化或只是碰撞分析，所有我们正在处理的不同力量，大约四种。基于这些简单的交互模式，你会得到整个大学，我们所处的物理基础。是的，这就是我们所知道的。
但这可能不是一种方式。我们可能只是敏感于我们自己操作的感知，在那种形式的账户中，我们能够以我们解释的方式来解释它，但这仍然是我们正在看的屏幕上的投影，并且正在进行的事情。因此，我对我们发现更多认知路径的可能性感到非常兴奋，可以这么说，在这些系统学习的方式上。
而现在，我们在人工智能实验室中拥有的最佳工具最终是这些深度学习到变压器的工具，还有许多其他围绕它构建的架构。像是，嗯，记忆感知新闻网络的架构，或者像是从向量存储中提取并增强知识的能力，嗯，带有检索增强生成能力的能力。因此，我觉得我们越是将交互模式和信息添加到这些模型中的检索和使用能力中，我们就越有可能拥有这种额外的新兴能力。
这比我们一直以来的机械方式要多得多。所以我认为这是一个希望的问题。我认为这是一个美丽的问题。我希望我们在一生中能幸运地找到实现这一目标的方法。我也是。
我们在科学中偶然发现了很多随机的东西。所以肯定有可能发生这样的事情，这应该是重大的。
所以我认为是理查德·费曼说过，科学是对专家无知的信仰。所以我认为如果我们真的把它作为一个基本原则，我们可能会偶然发现一些事情，而我们相信我们迄今为止所知道的可能，可能，可能不是一种方式，那么我们就有机会真正将新信息纳入我们的知识中，从而使我们更快、更远。
我想把这个稍微拉回一点，回到一些实际的东西。再一次，嗯，我喜欢哲学对话。我喜欢物理。我认为人们在考虑人工智能时，想到的一个问题是幻觉问题。对于那些不知道的人，幻觉基本上是当你生成一些不正确或不真实的东西时，嗯，在大型语言模型中，你可以问一个问题，它有时会自信地对你撒谎。
你如何看待我们将如何解决这个问题？因为这似乎是生成式人工智能的一部分，而大型语言模型的一部分通常是基于概率的信息，而这些概率并不总是正确的。所以你，我假设，你正在努力使这些广告更准确，准确性显然将是一个主要问题，也是我们在未来几年需要解决的事情。你如何看待解决幻觉问题。
五个信号的问题？所以这些模型现在的工作方式是，你给你大量的数据，而你真正问它的问题是，嗯，给我简化的标记到单词，并在文本中工作，给我下一个单词，基于我给你的这个单词，对吧？
所以如果你把问题定义为为我写一部小说，或者写一篇段落，或者写某事的总结，那么传统上会发生的事情是，你会给计算机一个句子的开头，然后你会说，帮我完成这个句子。所以这就是句子完成。如何说这个是基于概率的，甚至在对话的上下文中基于概率是更复杂的事情。
但基本的工作原理是，计算机会假设它是基于最可能的单词来跟随那个存在的单词。通过将更长的句子作为输入，找出最可能的单词是什么，直到这意味着，如果你仅仅在那个层面上定义问题。如果我说，给我一个完整的句子，医生，某个东西在乔恩·霍布斯基工作，或者类似的东西，那么我只需把名字放在那里。
对吧？
对吧？所以你没有问的问题是，确保那个名字是一个真实存在的人，确实是中国的一位医生。选项有点不对。所以从根本上说，问所有这些系统是一个不同的问题。然后我们回到我称这些东西为系统的原因，因为，是的，你可能有一个模型给你下一个单词的预测，下一个开放的预测，但你仍然需要在那个输入和输出之上做更多的工作。
即使那种处理有时也需要确保输出和从计算机中得到的结果是一个真实的结果，或者是一个真实的结果，或者是一个较少有毒的结果，如果答案是有毒的，而你不想把有毒的东西提供给你的用户。所以有许多预处理和后处理活动需要发生。一个是确保上下文意味着模型的答案是扎根于现实中。
我们称这个概念为扎根于现实。第二个是确保那个模型的输出遵循某一套响应AI原则，对吧？所以这两件事。
但从根本上说，科学工作的方式是，我会给你一些东西，无论那些东西是否确定，确保那个东西变得真实是你的工作。所以发生这种情况的方式是，单位关联响应你的基本来源，真相。对吧？什么是真相？
是的，是的。
什么是真相？什么是现实？这又是另一个原因，为什么你可能想要将其限制在一个真实的来源。我给我医生的血液在一个医院工作，你可能需要有一个所有在医院工作的医生的数据，并确保在你得到医生的名字之后，因为模型会给你这个，你需要检查一个数据库，如果那个人不存在，或者你可以说，从名字列表数据库中填充这个特定的空白，并进行约束。
也是如此。这就是为什么巴尔现在有那个谷歌按钮，你可以问一个问题，然后你可以双重检查它。
那是很多上下文。那是很多机制。但这并不是它拥有的全部原因。它有那个按钮。嗯嗯，刚好落在halcon的概念上。
所以它被命名为halcon，因为我可以给你一些看似真实但不一定真实的答案。但这是这些技术的正常功能模式。嗯，之所以花了我们一段时间来发布部分，例如，并不是因为我们必须要变换。
所以我们已经知道如何做这件事很长时间了，额外的一组技术是我们必须围绕模型的行为建立原则，这真的能让我们接触到你。首先，构建额外的技术的要求，以及围绕使这些技术在某种意义上是确定性的挑战，因为你总是想要一个特定的答案。所以你必须做更多的工作。
你必须做更多的检查和平衡。你必须增加许多指标。比如说，这个模型在不知道答案时是否回答了你的问题？你可能不会将其归类为某种被检查的东西。
你和一个和两个，所以我们在一个，呃，真正拥有清晰和简洁的负责任AI原则上做了很多工作，然后将这些转化为技术，或者检查机制，这些机制可以与创建、操作模型的操作一起工作，然后确保这些核心和输出的检查可用，以便该技术可以在云覆盖系统上使用。例如，作为一种形式，我们研究以了解我们可以转化为指标和神圣轨道的原则。这些被转化为与我们的模型一起工作的产品能力。
然后这些模型被暴露或商业化，可以说，在我们的云平台上称为vertex AI。你可以在谷歌云上找到它，对吧？所以这就是我们如何基本上解决目的地的问题，那里还有更多的事情发生。
在那个领域。好的。我想我快要结束这里了，但我想问你是否认为我们错过了什么，任何人们会从中受益的事情，他们在流行媒体中没有听到的。这对整个AI故事非常重要。
呃，两件事。也许一件是AI的消费者应用程序，ChatGPT现在非常流行。
所以这是我很高兴的事情，因为我认为这真的让对话越来越接近每个人。你已经在这方面工作了一段时间。所以我们可能已经意识到这一点正在逐渐形成。我认为这是一个巨大的机会，今天，呃，新闻编辑、作家、艺术家或在不同领域工作的人可以利用这些东西来帮助他们更好地写作，帮助他们生成可以作为他们正在制作的内容的一部分的图像，创造更好的信件，写得更好，做作业并回答问题。因此，我真的很喜欢消费者应用程序，但我认为我没有谈论很多的是开发者体验，呃，以及从创造力和产品生成、产品创建的角度来看，进入的门槛正在随着这些技术的出现而变得越来越低。
所以我真的认为我们正处于一种新经济的边缘，在这种经济中，创造有价值的物品、不同形式的物品，不再只是少数人能够做到这一点，因为他们有高水平的培训，并且花费多年学习计算机科学和其他学科。但如果你带来那种辅助的创造力，能够舞动思想，或者，是的，我发现人们有想法，对吧？就像人们在创造。
如果你坐下来告诉某人，让我消除知道如何实现这些想法的问题，谈谈你的想法，你会得到许多想法开始融合。所以我认为我们准备好迎接一种转型，经济可能会采取不同的形式。如果不同的人，无需真正理解如何实现这些想法的细节，就能够一方面在生成AI的帮助下对这些想法进行迭代，另一方面在几小时而不是几年内验证这些想法的原型，然后在生态系统中测试这些想法，可能会为不同的人找到价值，他们可以将这些想法商业化。所以我对未来的可能性感到非常乐观。
好的。那么，最后一件事。我们有一个小游戏，当我们请客人来时，我们会玩这个游戏，我们会看看他们能多快地打出字母表。这是一个持续的得分板。嗯，你可以使用MacBook键盘，你可以使用其他的。
所以。
你得到我想问。
AI来打这个东西。
所以你有三次机会。
嗯，打字的最优化方式是什么？
一旦你开始打字，它就开始，呃，所以一旦你打出字母a，我就开始。最后需要按回车吗？不，你想按回车，a的结束将完成。
现在，a没有打出来。
所以如果你错过了。
一个字母，比如说你错过了b，继续到c。
打出每一个字母。
你会看到按顺序打出a。
不会告诉你字母。
你应该。
我们给人们测试，所有的，只是三次机会，总共三次机会，好的，对吧？
得到A G。
这更难。看起来确实很难。
看起来不错。你得到了j，这就是你得到的。三次机会，某种程度上，我打得非常慢。
好的，所以第一次运行二十六秒。
现在只是。
按重置。
我可以换键盘吗？是的，你可以换键盘。所以不明白为什么会有选项。
是的，我们有机械键盘。我们也有蝴蝶。
键盘。
苹果销售的。
不错。好的。
二十六九。
是的，二十六到九点八。好多了，很多。
更好。
不是说我不远，我并不远，实际上真的。
曾经为我D。我们在这里看到了一些你无法相信的事情。
我会在这之后给你看得分板，准备好。
准备好。
在八点七三。不错，不错。
但是，那个在哪里？得分板，David？
所以这是最快的领导板。汤姆·斯科特，三点五秒。那真是疯狂。
呃，哇。让我们看看，八点七三是红色的德瓦·布兰登，哇，实际上比David Lau快。他可能是个魔术师，但你在键盘上是个魔术师。
八点七，七，三，三。你也可以是他的儿子。莫纳什。
嘿，有儿子。
C，B，S，索纳·奥格·大卫·布兰登和布兰登，好的，好的，好的，酷。对吧？好吧，再次感谢你。真的，感谢你来。人们可以在互联网上找到你吗？
嗯，我现在在x上是Dean Banga。好的，现在是这样，我也在LinkedIn上。所以在描述中也有。
你想要宣传一下你正在完成的任何项目吗？我们现在正在做的谷歌项目，人们可以看到谷歌。
所以，垂直AI平台确实是我正在工作的平台，对吧？所以那就是我们会放置我们的解决方案的地方。我会说期待许多其他行业适应，呃，围绕它们的能力，因为我认为大型模型是大事，我认为这需要许多额外的技术才能真正使其在应用中工作。
我认为现在是我们需要提出一些设计模式的时候了，对吧？所以如果你考虑一下ganga，例如，当编程需要某种结构时所需的书籍。所以我认为我们现在正处于一个时间点，我们需要某种结构来构建和部署大型应用程序、大型模型、企业环境。这是一些。
不在工作。好吧，观看、收听的每个人，如果你对我们今天的节目感到惊讶，不用担心，我们周五会有正常的节目。这只是一个额外的小故事，希望你喜欢，我们会。
周五见。
请。
节目支持来自AT&T。获得新iPhone 16 Pro与AT&T Next Up的感觉是什么？就像二十一世纪，点燃烤架，想想所有令人垂涎的可能性。
了解如何通过AT&T和最新的iPhone每年获得新iPhone 16 Pro，AT&T Next Up随时可用，AT&T连接改变一切。苹果智能将在2024年秋季推出，理论和设备语言设置为美国。
英语。一些功能和语言将在接下来的一年中推出。零美元优惠可能不适用于未来的iPhone Next Up，随时可用的功能可能会在任何时候继续，具体情况可能会有所变化。附加费用、条款和限制适用，详情请访问CAT点com sash iPhone。