编译／李寓心
近期有一项新研究发现，在工作中使用人工智慧产品，实际上会损害员工的工作绩效，尤其是用於在超出其能力范围的任务之时；使用ChatGPT的员工，也会因为太过相信AI聊天机器人的准确性，缺乏检查错误。所以对於在工作上，会使用ChatGPT的员工来说，需更加注意小心。
近期有一项新研究发现，在工作中使用人工智慧产品，实际上会损害员工的工作绩效。（图／123RF）根据报导，来自波士顿顾问公司旗下的数据科学团队BCG GAMMA、哈佛大学、华顿商学院和麻省理工学院的研究人员，针对分成三组的758名顾问，进行一项实验，以了解AI的使用如何影响员工的生产力和工作品质，其结果显示，三组的显着差异，来自於他们对ChatGPT的使用程度和范围。
更多新闻：AI搜寻对决！Bing Chat 迎战ChatGPT 优缺点一次看
AI技术对工作有利也有弊
被分配到尖端技术任务的组别，若使用AI技术，其生产力有明显提高，然而使用AI完成非尖端技术任务的组别，与不使用AI的组别相比，产生解决方案的可能性低了19个百分点，间接表明出AI「参差不齐」的能力问题。对此，该团队的研究人员Saren Rajendran表示，虽然研究结果显示，AI「非常擅长」帮助人类完成某些任务，但人类在使用该技术时应更加谨慎行事。
AI输出无人监管
尤其ChatGPT输出的答案，可能还会让人产生「幻觉」，截至9月28日，媒体监管机构NewsGuard确定有487个「不可靠」，由人工智慧生产的新闻网站，几乎没有人在进行监督。再者，未来AI产生的错误率可能会变得更严重，因为最近有一篇论文中表示，生成式AI模型在训练上，可能很快将出现「模型崩溃」（model collapse）的现象，可能将出现更多低品质的输出。
资料来源：INSIDER
※更多ChatGPT相关讯息，请参考【生成式AI创新学院】。
…
Meta默默发表了新的语言模型研究论文〈Effective Long-Context Scaling of Foundation Models〉，这篇论文讲述关於处理长文本，最高可达到32,768个token的模型Llama 2 Long。这个模型表现良好，经过广泛的基准测试评估，在长上下文任务方面，Llama 2 Long明显优於之前发表的语言模型LLAMA 2，而在700亿参数的版本，不需要人工注释的长指令资料，表现就能优於gpt-3.5-turbo-16k模型整体能力。
语言模型逐渐改变人们与数位世界互动的方式，随着语言模型的部署和规模化，发展出越来越复杂且多样化的用例，但是要能支援更复杂的用例，模型势必需要更有效地处理长上下文输入。
不过，目前开源长上下文的模型仍然能力不足，在评估中表现不佳，而且这些模型通常是使用语言模型损失以及合成任务方法来评估效能，但这些方法无法完全展现模型在多样化、真实世界场景的能力，特别是在处理密集、知识丰富的文件，以及聊天机器人或是程式开发等应用。
用户想要使用强大的长上下文能力，通常还是只能使用Anthropic和OpenAI的大型语言模型API来实现，整体来说，目前缺乏与商业模型可相提并论的开源模型。
而Meta这篇论文的的主要贡献，便是训练出了能够在长上下文任务有良好表现的开源模型Llama 2 Long。研究人员把LLAMA 2当作基础，额外以4,000亿个token进行持续预训练，这些token被切割成许多较小的序列，来训练各种模型变体，像是70亿与130亿参数的模型变体，便使用长度32,768个token的序列进行训练，而340亿与700亿参数的模型变体，则使用使用长度为16,384个token的序列进行训练。
Meta的研究人员以更广泛的方法来评估Llama 2 Long，包括语言建模、合成任务和广泛的实际基准测试，这些测试可以涵盖长短上下文任务。在语言建模方法，他们发现Llama 2 Long存在明确与上下文长度有关的幂定律缩放行为（Power-Law Scaling Behavior），也就是说上下文长度增加时，模型的效能也会按照固定比例增加。这代表提供更多的文本资讯时，模型也会表现得更好，因此模型能够利用更多的文本资讯，做出更准确的预测。另外，幂定律缩放行为也说明，上下文长度是缩放语言模型的另一个重要的要素。
与Llama 2相比，Llama 2 Long除了在长上下文任务能力有明显的进步外，在标准短上下文任务，例如程式开发、数学和知识基准，也都有一定程度的改进。研究人员提到，他们发现一个简单且成本效益高的方法，不需要人工注释资料，就能微调持续预训练的长模型成聊天模型，在问答、摘要和多文件聚合任务的长上下文基准测试上，整体效能超越gpt-3.5-turbo-16k。
Meta研究人员继续Llama 2语言模型的发展，利用额外4,000亿个token进行训练，并在短、长任务超越Llama 2表现，而且相较於现有的开源长上下文模型，以及gpt-3.5-turbo-16k模型，Llama 2 Long在经过简单指令微调後，已经可以表现出良好的效能。…
2023台湾光环境奖决选入围名单出炉！有着「台湾最美的光」之誉的「台湾光环境奖」今年迎来第六届，近日在复选的17件作品中，选出了7件决选入围作品：「思映之间」、「日常家话：盐埕第一公有市场改造」、「框框里的风景」、「嘉义火车站广场」、「THE DARK LINE时空暗线」、「虎尾铁桥」与「南海书院」，作品类型多元，涵盖车站、市场、生态自行车道等公共文化设施，最终的大奖得主将於11月24日颁奖典礼上揭晓。 从神学到生物学，「光」之於人类都是极为重要的存在，日常空间中的光环境也影响着我们的生活品质，由中强光电文化艺术基金会於於2018年推动的「台湾光环境奖」希望能鼓励优秀光环境的创造，透过多元而具人文内涵的灯光与照明设计，让人们关注自身与光与环境间的关系，改善大环境的同时，也打造更舒适健康的生活环境。而光如何成为生活美学中的一部份、进到空间後如何与其产生加乘的优化效果？一起来看看以下的七件入围作品，从中发现光的魔法！
位於环状线板桥站的大型公共艺术「思映之间」，由法国艺术家丹尼尔·布罕（Daniel Buren）以惯用的8.7公分条纹的艺术语汇、9种色彩板材及月台15种彩虹列柱，打造出高明度、高彩度、高对比，拥有强烈视觉效果的作品。艺术家透过整合车站周围环境与元素，并将人行动线以及时间的概念融入其中，让乘客在空间移动时，能沉浸於色彩变化、时光流影之中。
已有70多年历史的盐埕第一公有市场，是在地居民的日常生活场域，所以设计团队从整体环境改善的角度出发进行改造。首先打开遮蔽的天花，重现木结构屋顶的建筑之美，并引入自然天光，增加市场的采光及通风；同时仔细计算日光的轨迹，避免日照直射摊位影响保鲜，顾及摊贩的需求。而从屋架汰换的旧木料，再利用变成具设计感的灯具点亮市场，延续其使用价值。
高雄市立美术馆圆形广场前的公共厕所「框框里的风景」，因所处位置较低存在通风及采光不佳等问题，设计团队透过打开新窗口与创造弧型墙面，引入大面积自然光并增加空气的对流；同时以低色温的间接照明，解决原先直接灯光过强的问题，使光线柔化楼层板并增加视觉开阔度。透过开放、明亮等设计语汇重新定义厕所，让美术馆质感呈现在厕所空间。
1933年台湾首座现代钢骨钢筋混凝土车站—嘉义火车站完工，随着都市交通的发展，站前广场存在着车辆壅塞、人行道需求等问题。设计团队依据人的动线，增设兼具遮阳及雨遮功能的曲线候车棚，照明的层次也藉由雨遮的照明次序，从外到内、由暗而亮，扮演引导旅客及进出站心情转换的功能。改造後车站大厅也配合户外景观的低色温，将色温调整为4000K，使整体视觉感受更趋一致。
近年有不少有趣的模拟游戏，举如车房、DIY 砌机等，早前推出的一款「模拟砌模型」作品《Model Builder》，近日在 EPIC GAME STORE 上限时免费领取，时间至 10 月 5 日为止，可以在游戏内组装飞机大炮等载具，为模型上色、批水口等。不比砌实物模型容易呢。
游戏内有提供不同模型套件可组装，但不支援自由零件组装，相对比较可惜，当然有版权问题不可能出现 GUNPLA，体验一下欧美玩家砌模型的感觉也不错。
【下载连结】
最新影片…
人工智慧新创公司Mistral AI以Apache 2.0授权开源Mistral 7B语言模型，Mistral 7B的特别之处在於其规模较小仅有73亿，但是在所有基准测试上，其表现都优於规模更大的语言模型Llama 2 13B，还具有编写程式码以及处理8,000个token的能力。
整体来说，Mistral 7B在多个基准测试，包括常识推理、世界知识、阅读理解、数学和程式码等，表现亮眼，除了明显优於Llama 2 13B之外，也和Llama 34B模型打成平手，其编写程式码的能力接近CodeLlama 7B，并且在英文任务中表现良好。
在大规模多工语言理解（MMLU）基准测试上，Mistral 7B的表现相当一个3倍大的Llama 2模型，但是却可大幅节省记忆体消耗，吞吐量也有所增加，其提供了更高的性价比。
Mistral 7B运用了群组查询注意力（GQA）加快推理速度，还使用滑动视窗注意力（SWA），以更小的成本处理较长的序列。群组查询注意力方法分组多个查询并且同时进行处理，透过这种方式，群组查询注意力机制能够减少重复计算，提高推理速度并降低运算成本。
滑动视窗注意力机制则限制模型，在神经网路的每一个层级，只能关注前面一定范围的token，这个限制视窗会根据模型的层数向前滑动，在更高的层数中，模型能够间接关注序列中更早出现的token。运用这种方式，滑动视窗注意力机制可以降低计算和记忆体需求，并更高效地处理长序列，Mistral 7B每层注意前4,096个隐藏状态，能够以线性计算成本提高处理速度，特别是序列长度为16,000时，速度提高达2倍。
这两种技术组合使Mistral 7B在处理各种不同任务时，具有高效和灵活性，同时保持良好的可扩展性。
另外，官方也运用公开指令资料集微调Mistral 7B，经过微调後的Mistral 7B Instruct模型在MT-Bench测试中表现良好，能够与130亿参数的聊天模型的效能相当。用户现在可以下载Mistral 7B并立即开始使用，可以选择部署在AWS、Azure和GCP等云端平台上，并且在vLLM推论服务和Skypilot框架上运行，同时还支援在HuggingFace平台上使用。
由於Mistral 7B采用Apache 2.0授权，因此用户几乎能够不受限制地自由使用模型，Mistral AI官方认为，开源解决方案将会超越专有解决方案，因为开源能够集结社群力量使得技术更加卓越，并且也只有开源模型才能够对抗审查与偏见，并交给开发者完全的控制能力，可依照需求调整模型大小和成本。…
本篇文章将带你了解 :
全球消费性电子与家电市场 2023 上半年虽因通货膨胀、市场饱和、需求下降等负面要素影响，较 2022 年同期略为萎缩，然而下半年产业有望藉由绿化等市场需求逐步复苏。具体而言，由 AI 创新设计驱动的消费动机、与户外活动推升的消费力道，以及节能减碳打造的消费背景，将型塑短、中期消费性电子产业之发展轮廓。本篇文章将带你了解 :
随着生成式人工智慧於全球企业决策者间风靡，全球的电信公司正在探索如何透过 5G 和即将到来的 6G 网路，以具成本效益的方式将许多新的人工智慧应用推送至边缘设备。尤其，电信公司计划在 2025 年之前在全球部署超过 1,700 万个 5G 微型基地台和塔台。在建立、管理和最佳化这种新基础设施的同时，仍然保持服务品质并极大化提升客户体验，是此产业面临的下一个重大挑战。
NVIDIA 与 NTT DOCOMO 正式宣布，正在其日本网路中部署 GPU 加速的无线解决方案，这使其成为全球首家部署 GPU 加速商用 5G 网路的电信公司。DOCOMO 该计画将解决推动效能改善、总持有成本和能源效率改进的数十亿美元问题，同时释放 Open RAN 的灵活性、可扩充性和供应链多样性承诺。
NVIDIA 表示，5G Open RAN 解决方案使用富士通 NVIDIA Aerial 虚拟无线接取网路堆叠 (NVIDIA Aerial vRAN stack) 和 NVIDIA …
荷兰建筑事务所 Barcode Architects 去年（2022）携手丹麦建筑事务所 BIG 完成阿姆斯特丹新地标「Sluishuis 水上集合住宅」，今年 Barcode Architects 再於鹿特丹打造新住宅大楼「CasaNova」，与 2020 年设计的姐妹大楼「The Muse」比邻而生，两座建筑虽然相隔三年完工，但拥有大量共享空间，强化了人与人交流的相遇机会，并以活泼的建筑轮廓及立面丰富了城市天际线。
继 The Muse 之後，Barcode Architects 再以姊妹大楼 CasaNova 为鹿特丹 Wijnhaven 街区注入崭新活力。无论从哪一个角度眺望或俯瞰，都能一眼辨识高耸、纤细而独特的 CasaNova 大楼，透过扩建的入口大厅，欢迎相邻的 Oude Haven、Markthal、Leuvehaven、Witte de Withstraat、Wijnstraat 等街区居民，提高流动便利性与频率。
为了回应城市大厦总是垂直孤立的现象，Barcode …
不知道有多少人还记得 Google Nose。
这个Google在2013年愚人节上线的搞怪计画，声称有一个包含1,500万种味道的气味资料库，用户只需要在Google搜寻框输入关键词，点击「闻一闻」，就能直接在电脑旁闻到该物体的味道，例如新车的味道、篝火的味道以及埃及古墓的味道（？）等。
（Source：Google）
就是这个十年前离谱但脑洞大开的玩笑，正被它的发明者部分变成现实。
今年9月初的《科学》杂志刊登了一篇由新创公司Osmo（从Google分拆）和莫奈尔化学感官中心（Monell Chemical Senses Center）等多个研究团队共同发布的论文，其中称， AI模型可以让机器拥有比人类更好的「嗅觉」。
乍听之下这简直太不可思议了，毕竟对大众来说，嗅觉是比视觉和听觉抽象得多的存在。RGB颜色图谱可以描述人眼看到的色彩，人耳听到的声音也可以转化为不同频率的波长，甚至让人感受到震动，但唯独嗅觉，看不见摸不着，更难以用量化的指标描述。
换句话说，把气味数位化听起来就是件不可能的事。
而这篇论文的研究人员核心要做的，正是去试图创造一个能够如实反映气味特徵的人类嗅觉高维图谱，即POM（Principle Odor Map）。
具体是怎麽做的呢？
气味是人类嗅觉系统对散布於空气中的某些特定分子的感应。气味分子进入鼻孔後，会与鼻腔上方的嗅觉细胞产生（受体）反应，产生的生物电波再经由神经传到大脑，进而辨识味道。
而气味的构成实际上要比色彩、声音复杂得多，有数以百万计的不同种类，每种气味又都由数百个化学分子组成，其性质各不相同。与之相应地，人类的功能性嗅觉受体大约有400个，远远超过我们用於视觉的4个，以及用於味觉的约40个。
所以面对如此复杂的嗅觉机制，研究人员首先做的事情就是创建了一个机器学习模型──讯息传递神经网路（MPNN）。
▲ 模型示意图。
这是一种特定的图神经网路（GNN），因为图神经网路是一种基於图结构的深度学习方法，将传统的图分析引入，提供了对非规则资料提取特徵的方法，因而也非常适合用来学习复杂的气味特徵。
模型搭好之後，接下来就要喂它学习材料。
研究人员结合Good Scents and Leffingwell & Associates（GS-LF）香精香料资料库，建立了一个包含约5,000个分子的参考资料集做为训练基础素材，每个分子可以有多个气味标签，例如果味、花香、起司味和薄荷味等。
▲ GS-LF资料库中的部分分子。
透过将分子的形状结构做为数据输入，模型得以输出最能描述某种气味的对应气味词。
为了让训练结果更准确，研究者也同样使用各种方法来优化模型参数。例如将GS-LF香精香料资料库依照8：2的比例分成训练集和测试集，训练集被进一步划分为五个交叉验证的子集；以及使用贝叶斯优化演算法对资料进行交叉验证，并对GNN模型的超参数进行最佳化等。
实验最终将形成如下的嗅觉高维图谱POM（局部）：
这张图直观表示了每种气味的感知距离，例如花香（floral）、肉味（meaty）和酒香（ethereal）几个大类彼此间是存在较大感知距离的；但每个大类下包括更具体的气味，例如花香下的百合花香（muguet）、薰衣草香（lavender）和茉莉花香（jasmine），感知距离则较为接近。
论文将POM和先前有研究先例的基於摩根指纹的气味空间图（Morgan fingerprint-based maps）进行了对比，发现後者尚无法体现上述感知距离：
为了进一步验证模型训练效果，研究者接着找来15位气味专家，来和模型比拚谁辨识气味更准确。…
emoji kitchen
你最近是不是也常看到「怪怪的」Emoji?「Emoji Kitchen 」近日爆红，这个原本在安卓 Android 系统上使用的组合Emoji游戏，现在也相容於苹果 iOS 系统了！手机和电脑都能玩，网页、手一起同乐：只要在「烹饪」Emoji时选择2个喜欢的符号就可以组合出意想不到的结果。
内文未完请往下卷动什麽是 Emoji Kitchen ？©ELLE
近日社群上热议的「Emoji Kitchen」是2020年就已经开发出来，当时Google在自家Android键盘Gboard加入这项功能，以「烹饪Emoji」为噱头，让用户自选两个不同的Emoji，生成全新样貌的表情符号，让原本统一规格的表情符号 Emoji中创造出类「客制化」效果。若你拥有Google 的「Gboard」输入系统，便可以直接使用组合的贴图 ，只要在讯息栏输入两种Emoji，候选字栏位就会出现意想不到的各种组合结果。
@elleEmoji Kitchen 有哪些可爱变化型？©ELLE
例如将「老鼠」和「起司」组合，老鼠就缩小穿进起司里了（但不是杰利鼠），把「草莓」加上「草泥马」，就变「草莓草泥马」超可爱！「刺蝟」加上「兔子」成了「批着刺蝟的兔兔」，「熊猫」加「吐司」就变成超疗癒的「熊猫吐司」，加上两颗爱心就出现「两只相亲相爱的熊猫」，最经典的将可爱的「猪」与「火」结合，还会出现「火烤培根」的emoji! 「报纸」加「鲨鱼」又会出现什麽呢？
@elle@elle@elle@elle
「Emoji Kitchen」怎麽玩呢？电脑跟Iphone都一样，先在Google搜寻「Emoji Kitchen」，按下上方出现的「烹饪天地」，就会出现非常多可使用的emoji 提供「烹饪」混搭，懒得选也可以按下「随机排序」，等待一键随机生成！而在生成icon的下方，也贴心的准备了复制按钮，方便你丢在其他对话框（ig 或 line）里面。而在生成icon的下方，也贴心的准备了复制按钮，方便你丢在其他对话框（ig 或 line）里面。…