3. 微软发布人工智能工具，可逼线. Azure Maia 100 和 Cobalt 100 芯片是微软为其云基础设施设计的首批两款定制硅芯片。

　　流行对话机器人 ChatGPT 的制造商 OpenAI 表示，此次离职是在公司董事会进行审查程序之后进行的。

　　OpenAI在一份声明中表示：“奥特曼先生的离职是在董事会经过深思熟虑的审查程序之后进行的，审查程序得出的结论是，他在与董事会的沟通中始终不坦诚，阻碍了董事会履行职责的能力。” “董事会不再相信他继续领导 OpenAI 的能力。”

　　OpenAI 表示，该公司首席技术官 Mira Murati 将临时接任首席执行官一职。

　　“我喜欢在 openai 的时光。这对我个人来说是变革性的，希望对世界也有一点改变。最重要的是，我喜欢与这些才华横溢的人一起工作，”Altman 在 X 的一份声明中说道，并补充说他“将拥有更多接下来的事以后再说。”

　　SpaceX 创始人埃隆·马斯克希望 Starship 有朝一日能够成为一种廉价、可快速重复使用的系统，从而推动人类对月球和火星的探索。

　　Azure AI Speech 在 Microsoft Ignite 2023 上发布，它使用人类图像进行训练，并允许用户输入脚本，然后由人工智能创建的逼真化身大声“朗读”该脚本。用户可以选择预装的微软头像，也可以上传他们想要复制其声音和肖像的人的镜头。微软在周三发布的一篇博客文章中表示，该工具可用于构建“对话代理、虚拟助理、聊天机器人等”。

　　帖子中写道：“客户可以为他们的化身选择预先构建的或自定义的神经声音。如果同一个人的声音和肖像同时用于自定义神经语音和自定义文本语音化身，则化身将与该人非常相似。”

　　该公司表示，新发布的文本转语音软件具有多种限制和保护措施，以防止滥用。该公司表示：“作为微软对负责任人工智能承诺的一部分，文本语音化身的设计目的是保护个人和社会的权利，促进透明的人机交互，并有害的深度伪造和误导性内容的扩散。” 。

　　微软已经构建了自己的定制人工智能芯片，可用于训练大型语言模型，并有可能避免对英伟达的昂贵依赖。微软还为云工作负载构建了自己的基于 Arm 的 CPU。这两款定制硅芯片旨在为其 Azure 数据中心提供动力，并为公司及其企业客户迎接充满人工智能的未来做好准备。

　　10 月初，当诺贝尔基金会宣布今年的诺贝尔奖获得者时，包括一位前获奖者在内的一组研究人员在斯德哥尔摩会面，讨论人工智能 (AI) 如何在科学过程中发挥日益重要的创造性作用。该研讨会由东京索尼人工智能公司首席执行官、生物学家 Hiroaki Kitano 主持，考虑为人工智能以及人工智能与人类合作创造世界级科学成果设立奖项。两年前，北野提出了诺贝尔图灵挑战：创建高度自治的系统（“人工智能科学家”），有可能在 2050 年之前做出值得诺贝尔奖的发现。

　　很容易想象人工智能可以执行科学发现中的一些必要步骤。研究人员已经使用它来搜索文献、自动收集数据、进行统计分析，甚至起草部分论文。生成假设——这项任务通常需要创造性的火花来提出有趣且重要的问题——提出了更复杂的挑战。对于伊利诺伊州芝加哥大学布斯商学院的经济学家 Sendhil Mullainathan 来说，“这可能是我一生中做过的最令人兴奋的研究”。

　　高盛资产管理公司写道，半导体制造商和生产半导体制造设备的公司（整个人工智能建设的硬件基础）成为焦点。用于生产半导体的最先进设备的资本支出正在迅速增长。这是由人工智能的进步推动的，人工智能的进步需要新的芯片设计，以及发达国家半导体生产的回流，以帮助其供应链恢复弹性。

　　与此同时，人工智能的最新进展和云计算的日益普及，正在推动对日益先进的数据中心的需求。在软件方面，企业数字化支出持续增加。

　　网络安全公司还采用尖端的人工智能技术来自动识别潜在威胁并实时响应安全事件。高盛资产管理公司写道：“数字攻击变得越来越复杂、频繁且具有破坏性。”

　　鉴于人工智能有潜力将复杂的生物数据转化为有意义的见解，对药物开发、医疗技术和数字医疗保健具有潜在影响，医疗保健是一个值得关注的行业。人工智能算法可以以惊人的准确度区分真正的心脏病发作和虚假警报。用于膝盖手术的人工智能驱动的智能植入物可以检测患者术后的运动，为医务人员提供实时康复信息。高盛资产管理公司写道：“我们在精准医疗、技术支持的程序和数字医疗保健的药物开发领域看到了一些最引人注目的人工智能相关投资机会。”

　　通过利用 Emu 模型的 Emu Video，提出了一种基于扩散模型的文本到视频生成的简单方法。这是用于视频生成任务的统一架构，可以响应各种输入：仅文本、仅图像以及文本和图像。将这个过程分为两个步骤：首先，根据文本提示生成图像，然后根据文本和生成的图像生成视频。这种视频生成的“分解”或分割方法能够有效地训练视频生成模型。证明分解视频生成可以通过单个扩散模型来实现。我们提出了关键的设计决策，例如调整视频扩散的噪声时间表，以及允许我们直接生成更高分辨率视频的多阶段训练。

　　Emu Edit 能够通过指令进行自由形式的编辑，包括本地和全局编辑、删除和添加背景、颜色和几何变换、检测和分割等任务。当前的方法通常倾向于过度修改或在各种编辑任务上表现不佳。我们认为，主要目标不应该只是产生“可信”的图像。相反，模型应该专注于仅精确更改与编辑请求相关的像素。与当今许多生成式 AI 模型不同，Emu Edit 精确遵循指令，确保输入图像中与指令无关的像素保持不变。例如，当添加文本“Aloha！”时 对于棒球帽，帽子本身应该保持不变。