【AI簡(jiǎn)報(bào)20230721期】全球前十大MCU廠商榜單出爐，2024年將可以手機(jī)端運(yùn)行大模型？

1. ICCV 2023 | 超越 NanoDet, 騰訊聯(lián)合比特幣礦機(jī)制造商MicroBT發(fā)表 68.77k 的超輕量目標(biāo)檢測(cè)器

原文：https://mp.weixin.qq.com/s/7fAEUwAx9RRNcb-k9Dxrrg

導(dǎo)讀

今天給大家介紹的這個(gè)工作更多的關(guān)注邊緣設(shè)備的高效目標(biāo)檢測(cè)器如何通過設(shè)計(jì)探索在能耗和性能間的權(quán)衡。該研究引入了一個(gè)新的目標(biāo)檢測(cè)器FemtoDet，此檢測(cè)器使用了低能耗組件，同時(shí)提出了一種卷積優(yōu)化的新方法和一種優(yōu)化訓(xùn)練策略。

低能源架構(gòu)的發(fā)現(xiàn)

文章首先分析了各種卷積神經(jīng)網(wǎng)絡(luò)，以找出低能耗的架構(gòu)。這包括選擇激活函數(shù)、卷積運(yùn)算符和特征融合結(jié)構(gòu)。作者認(rèn)為這些在過去的工作中被忽視的細(xì)節(jié)嚴(yán)重影響了檢測(cè)器的能耗。

FemtoDet 的構(gòu)建

基于上述低能耗架構(gòu)的發(fā)現(xiàn)，作者設(shè)計(jì)并提出了一種名為FemtoDet的新型目標(biāo)檢測(cè)器。同昨天上海交大提出的 50K 大小的 EGE-UNet類似，F(xiàn)emtoDet也僅有 68.77k 的參數(shù)，但卻能夠在PASCAL VOC測(cè)試集上達(dá)到了 46.3 的 AP50 得分；與此同時(shí)，該方法在Qualcomm Snapdragon 865 CPU平臺(tái)上的功耗僅為 1.11 瓦，運(yùn)行幀率達(dá)到驚人的 64.47 FPS。只能說在大模型橫行的今天，也算是給廣大低端玩家一絲慰藉與希望了，換個(gè)思路我們還能比比看誰更小，哈哈~~~

卷積優(yōu)化與訓(xùn)練策略

正如我們前面提到的，這里還提出了一種名為實(shí)例邊界增強(qiáng)（Instance Boundary Enhancement，IBE）的模塊，以優(yōu)化卷積并解決 CNN 有限容量與檢測(cè)任務(wù)在多樣空間表示中的矛盾。此外，為了解決輕量級(jí)檢測(cè)器由于數(shù)據(jù)增強(qiáng)產(chǎn)生的數(shù)據(jù)偏移問題，作者提出了一種遞歸啟動(dòng)（Recursive Warm-restart，RecWR）的訓(xùn)練策略。這兩種方法都在 PASCAL VOC 數(shù)據(jù)集上進(jìn)行了評(píng)估。

結(jié)果表明 IBE 可以在不增加額外參數(shù)的情況下提高 FemtoDet 約 7.72% 的性能，RecWR 則通過逐步減弱數(shù)據(jù)增強(qiáng)強(qiáng)度，在多階段學(xué)習(xí)中可以提高 FemtoDet 約 6.19% 的性能。

應(yīng)用場(chǎng)景

FemtoDet 特別適用于層次化的智能芯片，可以實(shí)現(xiàn)快速的響應(yīng)和警報(bào)。例如，它在 TJU-DHD 數(shù)據(jù)集的行人檢測(cè)中表現(xiàn)出 85.8 的 AR20 和 76.3 的 AP20，同時(shí)在中大型物體檢測(cè)上表現(xiàn)出色。同時(shí)，F(xiàn)emtoDet 在 AP50或AP20 和中等難度的數(shù)據(jù)場(chǎng)景（例如VOC）上表現(xiàn)良好，均能在一定成都反映其應(yīng)用能力。

目標(biāo)檢測(cè)

其實(shí)，不知道大家發(fā)現(xiàn)沒，近幾年這種純檢測(cè)的文章已經(jīng)很少了，我們就趁這個(gè)契機(jī)一起回顧下以前的知識(shí)，今天大家粗略的過一遍。

眾所周知，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)發(fā)展歷程主要涉及兩大類：二階段檢測(cè)器和一階段檢測(cè)器。

二階段檢測(cè)器首先從圖像中生成區(qū)域提議，然后從這些提議中生成最終的預(yù)測(cè)框。雖然二階段檢測(cè)器相較于一階段檢測(cè)器在準(zhǔn)確性上更高，但在邊緣設(shè)備上實(shí)現(xiàn)低延遲仍有困難，所以除了打比賽等特殊情況，基本全是單階段目標(biāo)檢測(cè)器的身影，特別是涉及實(shí)際應(yīng)用。

一階段檢測(cè)器又可分為基于錨點(diǎn)和無錨點(diǎn)的兩種類型，這取決于是否在整個(gè)圖像中注入 Anchor 先驗(yàn)以實(shí)現(xiàn)框回歸。例如，SSD 就是一種典型的基于錨點(diǎn)的一階段檢測(cè)器，它將邊界框的輸出空間離散化為一組在每個(gè)特征圖位置具有不同寬高比和尺度的默認(rèn)錨點(diǎn)。YOLO 系列也是一種典型的基于錨點(diǎn)的檢測(cè)器，這一塊相信大家比奶蓋還熟悉。其次，無錨點(diǎn)檢測(cè)器則旨在消除預(yù)定義的錨點(diǎn)框集，如CornerNet通過預(yù)測(cè)物體的兩個(gè)關(guān)鍵點(diǎn)（通過邊界框的左上角和右下角）來檢測(cè)物體，CenterNet類似，而FCOS則通過提出一個(gè)全卷積的一階段目標(biāo)檢測(cè)器來消除錨點(diǎn)設(shè)置。

盡管一階段和二階段的目標(biāo)檢測(cè)方法在許多具有挑戰(zhàn)性的公共數(shù)據(jù)集，如 COCO 和 TJU-DHD 上取得了高性能，但對(duì)于部署在邊緣設(shè)備的檢測(cè)器來說，檢測(cè)的延遲和功耗是關(guān)鍵問題。為了解決檢測(cè)延遲的問題，許多研究致力于實(shí)現(xiàn)準(zhǔn)確性和效率之間的平衡，如 FastYOLO、YOLObite 以及不得不提的 NanoDet。然而，無論是精度優(yōu)先還是延遲優(yōu)先的檢測(cè)器都沒有考慮到它們的能量消耗。高能耗的檢測(cè)器對(duì)于部署在邊緣的設(shè)備來說是不友好的。因此，本文的目標(biāo)是開發(fā)一種輕量級(jí)檢測(cè)器，可以實(shí)現(xiàn)能量和性能之間的權(quán)衡。

FemtoDet

FemtoDet的設(shè)計(jì)主要關(guān)注兩個(gè)部分，即低能耗檢測(cè)器的基準(zhǔn)設(shè)定以及有關(guān)能耗方面的相關(guān)探索。

首先，作者為設(shè)計(jì)低能耗檢測(cè)器提供了基準(zhǔn)，探索了激活函數(shù)、卷積運(yùn)算符和檢測(cè)器的Neck結(jié)構(gòu)。激活函數(shù)、卷積運(yùn)算符和解碼器是構(gòu)成目標(biāo)檢測(cè)的三大基本元素，對(duì)模型的性能和能耗有重要影響。例如，常用的激活函數(shù)如ReLU、GELU、Swish和SiLU等由于參數(shù)和浮點(diǎn)運(yùn)算量較少，被廣泛應(yīng)用于目標(biāo)檢測(cè)中。所以通過在同一架構(gòu)中計(jì)算不同激活函數(shù)的能耗，可以研究哪種激活函數(shù)更適合設(shè)計(jì)能源導(dǎo)向的檢測(cè)器。

其次，基于低能耗檢測(cè)器的設(shè)計(jì)基準(zhǔn)，作者提供了一種名為FemtoDet的面向能源的輕量級(jí)檢測(cè)器。FemtoDet 通過兩種設(shè)計(jì)進(jìn)行優(yōu)化：實(shí)例邊界增強(qiáng)(IBE)模塊用于改善 FemtoDet 中的深度可分離卷積(DSC)，克服了輕量級(jí)模型的表示優(yōu)化瓶頸；遞歸熱重啟(RecWR)訓(xùn)練策略則是一種多階段的遞歸熱重啟學(xué)習(xí)過程，可以克服由 strong 的數(shù)據(jù)增強(qiáng)產(chǎn)生的數(shù)據(jù)轉(zhuǎn)移。后面我們會(huì)為大家一一介紹。

此外，為了全面評(píng)估模型的能耗和它們實(shí)現(xiàn)能源與性能權(quán)衡的能力，除了常用的 Top1-Acc（用于圖像分類）和 mAP（用于目標(biāo)檢測(cè)）度量之外，作者還提出了 Power（能源成本）和 mEPT（平均能源與性能權(quán)衡）這兩種評(píng)價(jià)指標(biāo)。

實(shí)例邊界增強(qiáng)模塊

IBE 模塊這是一種專為優(yōu)化輕量級(jí)檢測(cè)器而設(shè)計(jì)的模塊。由于輕量級(jí)模型的表征能力有限，它們學(xué)習(xí)的特征往往較為分散。IBE 模塊的目的是改進(jìn) FemtoDet 中的深度可分離卷積（Depthwise Separable Convolutions，DSC），從而克服輕量級(jí)模型表征優(yōu)化的瓶頸。

IBE 模塊是基于因式分解為深度和點(diǎn)狀層的卷積層設(shè)計(jì)的。它還引入了一個(gè)雙重標(biāo)準(zhǔn)化機(jī)制。具體地，該模塊通過設(shè)計(jì)新的局部描述符、語義投影器和雙重標(biāo)準(zhǔn)化層來增強(qiáng) DSC。特別是， 的局部描述符是通過集成梯度提示周圍的線性變換生成的參數(shù)重用機(jī)制。因此，對(duì)象邊界信息可以在局部描述符中找到。然后，我們利用這些對(duì)象邊界信息來增強(qiáng)上述標(biāo)準(zhǔn)操作（如深度卷積）的噪聲特征表示。

最后，我們將局部描述符和深度卷積之間的特征添加的對(duì)象邊界提示結(jié)合起來，引導(dǎo)模型學(xué)習(xí)實(shí)例的有效表示。細(xì)化的結(jié)果大家可以從上面的可視化結(jié)果圖(c)中看到。

遞歸熱重啟訓(xùn)練策略

強(qiáng)數(shù)據(jù)增強(qiáng)（Strong Augmentation，SA）廣泛用于目前檢測(cè)，但是作者發(fā)現(xiàn)，當(dāng)前的訓(xùn)練策略不能充分利用 SA 產(chǎn)生的多樣性訓(xùn)練表示，以提高在真實(shí)驗(yàn)證數(shù)據(jù)上的泛化能力。

因此，本文提出了一個(gè)有效的訓(xùn)練策略，即遞歸熱重啟（RecWR）。整個(gè)訓(xùn)練過程可以分為四個(gè)階段。從第一階段到第四階段，圖像增強(qiáng)的強(qiáng)度逐漸降低。具體來說，在第一階段的訓(xùn)練中，將組合一些 SA 類型，如MixUp，Mosaic和RandomAffine。從第二階段開始，上述 SA 類型在每個(gè)訓(xùn)練階段都會(huì)逐漸減弱，直到第四階段。

此外，在開始每個(gè)訓(xùn)練階段之前，等待訓(xùn)練的檢測(cè)器會(huì)加載前一個(gè)訓(xùn)練階段的訓(xùn)練權(quán)重作為初始化。實(shí)驗(yàn)發(fā)現(xiàn)，在使用 RecWR 訓(xùn)練 FemtoDet 后，MixUp 也能幫助這些極小的檢測(cè)器獲得更好的性能。換句話說，RecWR 利用了 SA 學(xué)習(xí)的多樣性特征，使 FemtoDet 擺脫了次優(yōu)化困境。

實(shí)驗(yàn)

激活函數(shù)

卷積描述

Neck

精度

功耗

總結(jié)

本文提出了一個(gè)新穎的實(shí)例邊界增強(qiáng)模塊（IBE）和遞歸熱重啟訓(xùn)練策略（RecWR），以克服極度輕量級(jí)檢測(cè)器的優(yōu)化問題。實(shí)驗(yàn)結(jié)果表明，盡管提高性能可能會(huì)導(dǎo)致能耗增長(zhǎng)，但利用ReLU等簡(jiǎn)單組件構(gòu)建的能源導(dǎo)向檢測(cè)器可以顯著降低這種影響。在VOC，COCO和TJU-DHD數(shù)據(jù)集上，該方法在消耗最少能量的同時(shí)，實(shí)現(xiàn)了與當(dāng)前最先進(jìn)技術(shù)相媲美的性能。

2. 全球前十大MCU廠商榜單出爐，MCU產(chǎn)品向高性能、高價(jià)值方向邁進(jìn)

原文：https://mp.weixin.qq.com/s/iHjN9IoaadAKdB9ZTDJOQw

電子發(fā)燒友網(wǎng)報(bào)道（文/李彎彎）根據(jù)市場(chǎng)調(diào)研機(jī)構(gòu)Yole Intelligence最新報(bào)告顯示，2022年MCU總收入市場(chǎng)份額前十中，恩智浦、瑞薩電子和英飛凌排名前三，第四、第五是意法半導(dǎo)體和Microchip，隨后依次是德州儀器、三星、新唐科技、Silicon Labs和華大半導(dǎo)體。

結(jié)合之前MCU的排名情況可以發(fā)現(xiàn)，恩智浦、瑞薩電子、英飛凌、意法半導(dǎo)體和Microchip五家廠商多次霸占前五的位置，這五家廠商占據(jù)全球MCU市場(chǎng)超80%的份額。

全球MCU市場(chǎng)格局

事實(shí)上各機(jī)構(gòu)的統(tǒng)計(jì)會(huì)略有不同，排名情況我們只做參考。根據(jù)研究機(jī)構(gòu)IC Insights此前發(fā)布的2021年全球前十大MCU廠商的排名，排名前五的廠商依次是恩智浦、Microchip、瑞薩電子、意法半導(dǎo)體和英飛凌，第六名到第十名依次德州儀器、新唐、羅姆、三星和東芝。

而根據(jù)The Omdia Research的數(shù)據(jù)顯示，2021年全球前十的 MCU廠商榜單中，排名前五的廠商依次是恩智浦、瑞薩電子、意法半導(dǎo)體、英飛凌、Microchip，第六名到第十名則依次是德州儀器、新唐科技、兆易創(chuàng)新、三星、Silicon Labs。

在全球MCU市場(chǎng)中，恩智浦、瑞薩電子、英飛凌、意法半導(dǎo)體和Microchip可以說是穩(wěn)居前列。

恩智浦前身是飛利浦的半導(dǎo)體業(yè)務(wù)部，由飛利浦在1953年創(chuàng)辦，2006年，飛利浦將半導(dǎo)體業(yè)務(wù)賣給了荷蘭的一個(gè)私募財(cái)團(tuán)，恩智浦半導(dǎo)體公司正式成立。2015年，恩智浦收購(gòu)了飛思卡爾，完成收購(gòu)之后，恩智浦成功躋身全球半導(dǎo)體前十行列。2016年，恩智浦首次擠下瑞薩，成為全球最大的MCU供應(yīng)商。之后一直保持領(lǐng)先位置。

瑞薩成立于2003年，在過去十年中，早期的五年里，瑞薩一直是全球最大的MCU供應(yīng)商。近幾年里，瑞薩仍然在MCU領(lǐng)域占據(jù)領(lǐng)先的位置。

據(jù)瑞薩電子全球銷售及市場(chǎng)本部副總裁兼中國(guó)總裁賴長(zhǎng)青此前公布的市場(chǎng)數(shù)據(jù)，事實(shí)上，2022年瑞薩電子在全球MCU市場(chǎng)份額排名中，居于全球第一的位置，在汽車MCU市場(chǎng)，份額高達(dá)30%，同樣位居第一。（根據(jù)Yole Intelligence，恩智浦、瑞薩和英飛凌2022年的市場(chǎng)份額占比都為18%，中間有0.5%的誤差，這也能看出，三者的市場(chǎng)占比其實(shí)相差不大。）

英飛凌的前身是西門子集團(tuán)的半導(dǎo)體部門，于1999年獨(dú)立發(fā)展。英飛凌的主要產(chǎn)品MCU，在汽車上有著廣泛應(yīng)用，包括車身動(dòng)力總成、車身控制、通信娛樂系統(tǒng)、安全輔助駕駛等?？蛻舭?a href="http://ttokpm.com/tags/博世/" target="_blank">博世、大陸、安波福等Tier1廠商以及一些汽車廠商。

意法半導(dǎo)體成立于1987年，Microchip成立于1989年，長(zhǎng)時(shí)間的探索和積累，使得這兩家公司在MCU領(lǐng)域各具優(yōu)勢(shì)，并一度保持領(lǐng)先地位。

在國(guó)內(nèi)市場(chǎng)，兆易創(chuàng)新出貨量多年來保持領(lǐng)先。兆易創(chuàng)新于2013年正式推出首款MCU產(chǎn)品，隨后先后推出全方位覆蓋高中低端市場(chǎng)，涵蓋入門級(jí)、主流型和高性能開發(fā)應(yīng)用需求的產(chǎn)品系列。2022年取得進(jìn)一步的突破，正式推出了首款車規(guī)級(jí)MCU。根據(jù)電子發(fā)燒友此前的整理，在國(guó)內(nèi)上市公司中，2022年兆易創(chuàng)新營(yíng)業(yè)收入以28.29億元排名第一。

華大半導(dǎo)體于2016年成立MCU事業(yè)部，并在2021年更名為小華半導(dǎo)體。據(jù)小華半導(dǎo)體市場(chǎng)部產(chǎn)品總監(jiān) 張建文近日介紹，小華MCU產(chǎn)品系列涵蓋靜、動(dòng)、智、車四大系列，分別對(duì)應(yīng)超低功耗MCU、電機(jī)控制MCU、通用控制MCU、汽車電子MCU，面向工業(yè)、汽車、家電和物聯(lián)網(wǎng)。

MCU的近況及發(fā)展前景

從目前的情況來看，全球MCU市場(chǎng)汽車電子的規(guī)模最大，其次是工業(yè)控制，兩者占到MCU市場(chǎng)接近60%，之后依次是計(jì)算機(jī)、消費(fèi)電子等。國(guó)外主要的廠商，恩智浦、Microchip、瑞薩電子、ST、英飛凌等的產(chǎn)品也主要以汽車和工業(yè)為主。

在過去幾年時(shí)間里，MCU經(jīng)歷了很大的波動(dòng)，從前期需求旺盛，價(jià)格飛漲，到隨后需求低迷，價(jià)格持續(xù)下跌，庫存高企。Yole Intelligence的最新報(bào)告顯示，全球許多經(jīng)濟(jì)體仍在經(jīng)歷疫情大流行后的復(fù)蘇和調(diào)整過程，這對(duì)半導(dǎo)體市場(chǎng)的影響仍在，預(yù)計(jì)2023年MCU出貨量較2022年下降近10%。

不過，產(chǎn)品的結(jié)構(gòu)發(fā)生了重大轉(zhuǎn)變，轉(zhuǎn)向更先進(jìn)、價(jià)格更高的產(chǎn)品。這預(yù)計(jì)也將使得MCU的平均銷售價(jià)格同比上升12%，收入預(yù)計(jì)將增長(zhǎng)2%。

在今年早些時(shí)候，英飛凌就表示，半導(dǎo)體市場(chǎng)的分化明顯，汽車、可再生能源和安全領(lǐng)域?qū)Π雽?dǎo)體的需求仍然強(qiáng)勁，消費(fèi)產(chǎn)品的需求則出現(xiàn)周期性放緩。隨著電動(dòng)出行和ADAS持續(xù)增長(zhǎng)，客戶更愿意簽署產(chǎn)能保留協(xié)議或下更長(zhǎng)的承諾訂單，以確保半導(dǎo)體供應(yīng)。

英飛凌也在今年3月宣布，與臺(tái)灣聯(lián)華電子就車用MCU簽訂長(zhǎng)期合作協(xié)議，擴(kuò)大英飛凌MCU在聯(lián)電的產(chǎn)能，以擴(kuò)展車用市場(chǎng)。

近些年，各廠商將產(chǎn)品、產(chǎn)能更多的向汽車、工業(yè)轉(zhuǎn)型的情況，在中國(guó)市場(chǎng)表現(xiàn)更為明顯。比如兆易創(chuàng)新，其MCU產(chǎn)品更多的應(yīng)用于消費(fèi)電子領(lǐng)域，但2022年其MCU產(chǎn)品在工業(yè)領(lǐng)域、網(wǎng)通領(lǐng)域營(yíng)收實(shí)現(xiàn)較大幅度的增長(zhǎng)，且在汽車前裝應(yīng)用領(lǐng)域亦實(shí)現(xiàn)良好成長(zhǎng)。

日前，華大半導(dǎo)體有限公司副總經(jīng)理劉勁梅介紹，華大2017年就把發(fā)展汽車芯片當(dāng)成主攻方向，經(jīng)過這么多年的推進(jìn)，今天芯片國(guó)產(chǎn)化已經(jīng)進(jìn)入到了新的階段。她認(rèn)為，一些低端芯片已經(jīng)基本解決，一些高性能的芯片也在解決中。一些優(yōu)秀的芯片廠商，已經(jīng)開始跟車廠一起開始做芯片解決方案，直接和車廠溝通確定基本的方案然后由tier1廠商實(shí)現(xiàn)。

小結(jié)

整體而言，當(dāng)前MCU的出貨情況仍然沒有迎來上漲，不過MCU的市場(chǎng)需求分化明顯，汽車、工業(yè)領(lǐng)域需求仍然強(qiáng)勁。國(guó)內(nèi)外廠商都較多的將產(chǎn)品轉(zhuǎn)向汽車等市場(chǎng)，對(duì)于企業(yè)來說，雖然出貨量仍然在下滑，不過因?yàn)楫a(chǎn)品結(jié)構(gòu)變化，價(jià)格價(jià)高的產(chǎn)品出貨更多，整體收入?yún)s呈現(xiàn)增長(zhǎng)。而在國(guó)內(nèi)，近些年各廠商從消費(fèi)電子向汽車領(lǐng)域的轉(zhuǎn)型更為明顯。

3. 更強(qiáng)的Llama 2開源，可直接商用：一夜之間，大模型格局變了

原文：https://mp.weixin.qq.com/s/klFWFXCbjGaWZ7HO1KFZag

一夜之間，大模型格局再次發(fā)生巨變。

一直以來 Llama 可以說是 AI 社區(qū)內(nèi)最強(qiáng)大的開源大模型。但因?yàn)殚_源協(xié)議問題，一直不可免費(fèi)商用。

今日，Meta 終于發(fā)布了大家期待已久的免費(fèi)可商用版本 Llama 2。

此次 Meta 發(fā)布的 Llama 2 模型系列包含 70 億、130 億和 700 億三種參數(shù)變體。此外還訓(xùn)練了 340 億參數(shù)變體，但并沒有發(fā)布，只在技術(shù)報(bào)告中提到了。

據(jù)介紹，相比于 Llama 1，Llama 2 的訓(xùn)練數(shù)據(jù)多了 40%，上下文長(zhǎng)度也翻倍，并采用了分組查詢注意力機(jī)制。具體來說，Llama 2 預(yù)訓(xùn)練模型是在 2 萬億的 token 上訓(xùn)練的，精調(diào) Chat 模型是在 100 萬人類標(biāo)記數(shù)據(jù)上訓(xùn)練的。

公布的測(cè)評(píng)結(jié)果顯示，Llama 2 在包括推理、編碼、精通性和知識(shí)測(cè)試等許多外部基準(zhǔn)測(cè)試中都優(yōu)于其他開源語言模型。

接下來，我們就從 Meta 公布的技術(shù)報(bào)告中，詳細(xì)了解下 Llama 2。

• 論文地址：https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/

• 項(xiàng)目地址：https://github.com/facebookresearch/llama

總的來說，作為一組經(jīng)過預(yù)訓(xùn)練和微調(diào)的大語言模型（LLM），Llama 2 模型系列的參數(shù)規(guī)模從 70 億到 700 億不等。其中的 Llama 2-Chat 針對(duì)對(duì)話用例進(jìn)行了專門優(yōu)化。

Llama 2 模型系列除了在大多數(shù)基準(zhǔn)測(cè)試中優(yōu)于開源模型之外，根據(jù) Meta 對(duì)有用性和安全性的人工評(píng)估，它或許也是閉源模型的合適替代品。

Meta 詳細(xì)介紹了 Llama 2-Chat 的微調(diào)和安全改進(jìn)方法，使社區(qū)可以在其工作基礎(chǔ)上繼續(xù)發(fā)展，為大語言模型的負(fù)責(zé)任發(fā)展做出貢獻(xiàn)。

預(yù)訓(xùn)練

為了創(chuàng)建全新的 Llama 2 模型系列，Meta 以 Llama 1 論文中描述的預(yù)訓(xùn)練方法為基礎(chǔ)，使用了優(yōu)化的自回歸 transformer，并做了一些改變以提升性能。

具體而言，Meta 執(zhí)行了更穩(wěn)健的數(shù)據(jù)清理，更新了混合數(shù)據(jù)，訓(xùn)練 token 總數(shù)增加了 40%，上下文長(zhǎng)度翻倍。下表 1 比較了 Llama 2 與 Llama 1 的詳細(xì)數(shù)據(jù)。

Llama 2 的訓(xùn)練語料庫包含了來自公開可用資源的混合數(shù)據(jù)，并且不包括 Meta 產(chǎn)品或服務(wù)相關(guān)的數(shù)據(jù)。Llama 2 采用了 Llama 1 中的大部分預(yù)訓(xùn)練設(shè)置和模型架構(gòu)，包括標(biāo)準(zhǔn) Transformer 架構(gòu)、使用 RMSNorm 的預(yù)歸一化、SwiGLU 激活函數(shù)和旋轉(zhuǎn)位置嵌入。

在超參數(shù)方面，Meta 使用 AdamW 優(yōu)化器進(jìn)行訓(xùn)練，其中 β1 = 0.9，β2 = 0.95，eps = 10^?5。同時(shí)使用余弦學(xué)習(xí)率計(jì)劃（預(yù)熱 2000 步），并將最終學(xué)習(xí)率衰減到了峰值學(xué)習(xí)率的 10%。

下圖 5 為這些超參數(shù)設(shè)置下 Llama 2 的訓(xùn)練損失曲線。

在訓(xùn)練硬件方面，Meta 在其研究超級(jí)集群（Research Super Cluster, RSC）以及內(nèi)部生產(chǎn)集群上對(duì)模型進(jìn)行了預(yù)訓(xùn)練。兩個(gè)集群均使用了 NVIDIA A100。

在預(yù)訓(xùn)練的碳足跡方面，Meta 根據(jù)以往的研究方法，利用 GPU 設(shè)備的功耗估算和碳效率，計(jì)算了 Llama 2 模型預(yù)訓(xùn)練所產(chǎn)生的碳排放量。

Llama 2 預(yù)訓(xùn)練模型評(píng)估

Meta 報(bào)告了 Llama 1、Llama 2 基礎(chǔ)模型、MPT（MosaicML）和 Falcon 等開源模型在標(biāo)準(zhǔn)學(xué)術(shù)基準(zhǔn)上的結(jié)果。

下表 3 總結(jié)了這些模型在一系列流行基準(zhǔn)上的整體性能，結(jié)果表明，Llama 2 優(yōu)于 Llama 1 。

除了開源模型之外，Meta 還將 Llama 2 70B 的結(jié)果與閉源模型進(jìn)行了比較，結(jié)果如下表 4 所示。Llama 2 70B 在 MMLU 和 GSM8K 上接近 GPT-3.5，但在編碼基準(zhǔn)上存在顯著差距

此外，在幾乎所有基準(zhǔn)上，Llama 2 70B 的結(jié)果均與谷歌 PaLM (540B) 持平或表現(xiàn)更好，不過與 GPT-4 和 PaLM-2-L 的性能仍存在較大差距。

微調(diào)

Llama 2-Chat 是數(shù)個(gè)月研究和迭代應(yīng)用對(duì)齊技術(shù)（包括指令調(diào)整和 RLHF）的成果，需要大量的計(jì)算和注釋資源。

監(jiān)督微調(diào) (SFT)

第三方監(jiān)督微調(diào)數(shù)據(jù)可從許多不同來源獲得，但 Meta 發(fā)現(xiàn)其中許多數(shù)據(jù)的多樣性和質(zhì)量都不夠高，尤其是在使 LLM 與對(duì)話式指令保持一致方面。因此，他們首先重點(diǎn)收集了幾千個(gè)高質(zhì)量 SFT 數(shù)據(jù)示例，如下表 5 所示。

在微調(diào)過程中，每個(gè)樣本都包括一個(gè)提示和一個(gè)回答。為確保模型序列長(zhǎng)度得到正確填充，Meta 將訓(xùn)練集中的所有提示和答案連接起來。他們使用一個(gè)特殊的 token 來分隔提示和答案片段，利用自回歸目標(biāo)，將來自用戶提示的 token 損失歸零，因此只對(duì)答案 token 進(jìn)行反向傳播。最后對(duì)模型進(jìn)行了 2 次微調(diào)。

RLHF

RLHF 是一種模型訓(xùn)練程序，適用于經(jīng)過微調(diào)的語言模型，以進(jìn)一步使模型行為與人類偏好和指令遵循相一致。Meta 收集了代表了人類偏好經(jīng)驗(yàn)采樣的數(shù)據(jù)，人類注釋者可據(jù)此選擇他們更喜歡的兩種模型輸出。這種人類反饋隨后被用于訓(xùn)練獎(jiǎng)勵(lì)模型，該模型可學(xué)習(xí)人類注釋者的偏好模式，然后自動(dòng)做出偏好決定。

下表 6 報(bào)告了 Meta 長(zhǎng)期以來收集到的獎(jiǎng)勵(lì)建模數(shù)據(jù)的統(tǒng)計(jì)結(jié)果，并將其與多個(gè)開源偏好數(shù)據(jù)集進(jìn)行了對(duì)比。他們收集了超過 100 萬個(gè)基于人類應(yīng)用指定準(zhǔn)則的二元比較的大型數(shù)據(jù)集，也就是元獎(jiǎng)賞建模數(shù)據(jù)。

請(qǐng)注意，提示和答案中的標(biāo)記數(shù)因文本領(lǐng)域而異。摘要和在線論壇數(shù)據(jù)的提示通常較長(zhǎng)，而對(duì)話式的提示通常較短。與現(xiàn)有的開源數(shù)據(jù)集相比，本文的偏好數(shù)據(jù)具有更多的對(duì)話回合，平均長(zhǎng)度也更長(zhǎng)。

獎(jiǎng)勵(lì)模型將模型響應(yīng)及其相應(yīng)的提示（包括前一輪的上下文）作為輸入，并輸出一個(gè)標(biāo)量分?jǐn)?shù)來表示模型生成的質(zhì)量（例如有用性和安全性）。利用這種作為獎(jiǎng)勵(lì)的響應(yīng)得分，Meta 在 RLHF 期間優(yōu)化了 Llama 2-Chat，以更好地與人類偏好保持一致，并提高有用性和安全性。

在每一批用于獎(jiǎng)勵(lì)建模的人類偏好注釋中，Meta 都拿出 1000 個(gè)樣本作為測(cè)試集來評(píng)估模型，并將相應(yīng)測(cè)試集的所有提示的集合分別稱為「元有用性」和「元安全性」。

下表 7 中報(bào)告了準(zhǔn)確率結(jié)果。不出所料，Meta 自己的獎(jiǎng)勵(lì)模型在基于 Llama 2-Chat 收集的內(nèi)部測(cè)試集上表現(xiàn)最佳，其中「有用性」獎(jiǎng)勵(lì)模型在「元有用性」測(cè)試集上表現(xiàn)最佳，同樣，「安全性」獎(jiǎng)勵(lì)模型在「元安全性」測(cè)試集上表現(xiàn)最佳。

總體而言，Meta 的獎(jiǎng)勵(lì)模型優(yōu)于包括 GPT-4 在內(nèi)的所有基線模型。有趣的是，盡管 GPT-4 沒有經(jīng)過直接訓(xùn)練，也沒有專門針對(duì)這一獎(jiǎng)勵(lì)建模任務(wù)，但它的表現(xiàn)卻優(yōu)于其他非元獎(jiǎng)勵(lì)模型。

縮放趨勢(shì)。Meta 研究了獎(jiǎng)勵(lì)模型在數(shù)據(jù)和模型大小方面的縮放趨勢(shì)，在每周收集的獎(jiǎng)勵(lì)模型數(shù)據(jù)量不斷增加的情況下，對(duì)不同的模型大小進(jìn)行了微調(diào)。下圖 6 報(bào)告了這些趨勢(shì)，顯示了預(yù)期的結(jié)果，即在類似的數(shù)據(jù)量下，更大的模型能獲得更高的性能。

隨著收到更多批次的人類偏好數(shù)據(jù)注釋，能夠訓(xùn)練出更好的獎(jiǎng)勵(lì)模型并收集更多的提示。因此，Meta 訓(xùn)練了連續(xù)版本的 RLHF 模型，在此稱為 RLHF-V1、...... , RLHF-V5。此處使用兩種主要算法對(duì) RLHF 進(jìn)行了微調(diào)：

• 近端策略優(yōu)化 (PPO)；
• Rejection 采樣微調(diào)。

RLHF 結(jié)果

首先是基于模型的評(píng)估結(jié)果。下圖 11 報(bào)告了不同 SFT 和 RLHF 版本在安全性和有用性方面的進(jìn)展，其中通過 Meta 內(nèi)部的安全性和有用性獎(jiǎng)勵(lì)模型進(jìn)行評(píng)估。再來看人類評(píng)估結(jié)果。如下圖 12 所示，Llama 2-Chat 模型在單輪和多輪提示方面均顯著優(yōu)于開源模型。特別地，Llama 2-Chat 7B 在 60% 的提示上優(yōu)于 MPT-7B-chat，Llama 2-Chat 34B 相對(duì)于同等大小的 Vicuna-33B 和 Falcon 40B，表現(xiàn)出了 75% 以上的整體勝率。在這里，Meta 也指出了人工評(píng)估的一些局限性。雖然結(jié)果表明 Llama 2-Chat 在人工評(píng)估方面與 ChatGPT 不相上下，但必須指出的是，人工評(píng)估存在一些局限性。

• 按照學(xué)術(shù)和研究標(biāo)準(zhǔn)，本文擁有一個(gè) 4k 提示的大型提示集。但是，這并不包括這些模型在現(xiàn)實(shí)世界中的使用情況，而現(xiàn)實(shí)世界中的使用情況可能要多得多。
• 提示語的多樣性可能是影響結(jié)果的另一個(gè)因素，例如本文提示集不包括任何編碼或推理相關(guān)的提示。
• 本文只評(píng)估了多輪對(duì)話的最終生成。更有趣的評(píng)估方法可能是要求模型完成一項(xiàng)任務(wù)，并對(duì)模型在多輪對(duì)話中的整體體驗(yàn)進(jìn)行評(píng)分。
• 人類對(duì)生成模型的評(píng)估本身就具有主觀性和噪聲性。因此，使用不同的提示集或不同的指令進(jìn)行評(píng)估可能會(huì)產(chǎn)生不同的結(jié)果。

安全性

該研究使用三個(gè)常用基準(zhǔn)評(píng)估了 Llama 2 的安全性，針對(duì)三個(gè)關(guān)鍵維度：

• 真實(shí)性，指語言模型是否會(huì)產(chǎn)生錯(cuò)誤信息，采用 TruthfulQA 基準(zhǔn)；
• 毒性，指語言模型是否會(huì)產(chǎn)生「有毒」、粗魯、有害的內(nèi)容，采用 ToxiGen 基準(zhǔn)；
• 偏見，指語言模型是否會(huì)產(chǎn)生存在偏見的內(nèi)容，采用 BOLD 基準(zhǔn)。

預(yù)訓(xùn)練的安全性

首先，預(yù)訓(xùn)練數(shù)據(jù)對(duì)模型來說非常重要。Meta 進(jìn)行實(shí)驗(yàn)評(píng)估了預(yù)訓(xùn)練數(shù)據(jù)的安全性。該研究使用在 ToxiGen 數(shù)據(jù)集上微調(diào)的 HateBERT 分類器來測(cè)量預(yù)訓(xùn)練語料庫英文數(shù)據(jù)的「毒性」，具體結(jié)果如下圖 13 所示：為了分析偏見方面的問題，該研究統(tǒng)計(jì)分析了預(yù)訓(xùn)練語料庫中的代詞和身份相關(guān)術(shù)語及其占比，如下表 9 所示：此外，在語言分布方面，Llama 2 語料庫涵蓋的語種及其占比如下表 10 所示：

安全微調(diào)

具體來說，Meta 在安全微調(diào)中使用了以下技術(shù)：1、監(jiān)督安全微調(diào)；2、安全 RLHF；3、安全上下文蒸餾。Meta 在 Llama 2-Chat 的開發(fā)初期就觀察到，它能夠在有監(jiān)督的微調(diào)過程中從安全演示中有所總結(jié)。模型很快就學(xué)會(huì)了撰寫詳細(xì)的安全回復(fù)、解決安全問題、解釋話題可能敏感的原因并提供更多有用信息。特別是，當(dāng)模型輸出安全回復(fù)時(shí)，它們往往比普通注釋者寫得更詳細(xì)。因此，在只收集了幾千個(gè)有監(jiān)督的示范后，Meta 就完全改用 RLHF 來教模型如何寫出更細(xì)致入微的回復(fù)。使用 RLHF 進(jìn)行全面調(diào)整的另一個(gè)好處是，它可以使模型對(duì)越獄嘗試更加魯棒。Meta 首先通過收集人類對(duì)安全性的偏好數(shù)據(jù)來進(jìn)行 RLHF，其中注釋者編寫他們認(rèn)為會(huì)引發(fā)不安全行為的 prompt，然后將多個(gè)模型響應(yīng)與 prompt 進(jìn)行比較，并根據(jù)一系列指南選擇最安全的響應(yīng)。接著使用人類偏好數(shù)據(jù)來訓(xùn)練安全獎(jiǎng)勵(lì)模型，并在 RLHF 階段重用對(duì)抗性 prompt 以從模型中進(jìn)行采樣。如下圖 15 所示，Meta 使用平均獎(jiǎng)勵(lì)模型得分作為模型在安全性和有用性方面的表現(xiàn)結(jié)果。Meta 觀察到，當(dāng)他們?cè)黾影踩珨?shù)據(jù)的比例時(shí)，模型處理風(fēng)險(xiǎn)和對(duì)抗性 prompt 的性能顯著提高。最后，Meta 通過上下文蒸餾完善了 RLHF 流程。這涉及到通過在 prompt 前加上安全前置 prompt 來生成更安全的模型響應(yīng)，例如「你是一個(gè)安全且負(fù)責(zé)任的助手」，然后在沒有前置 prompt 的情況下根據(jù)更安全的響應(yīng)微調(diào)模型，這本質(zhì)上是提取了安全前置 prompt（上下文）進(jìn)入模型。Meta 使用了有針對(duì)性的方法，允許安全獎(jiǎng)勵(lì)模型選擇是否對(duì)每個(gè)樣本使用上下文蒸餾。下圖 17 展示了各種 LLM 的總體違規(guī)百分比和安全評(píng)級(jí)。下圖 18 展示了單輪和多輪對(duì)話的違規(guī)百分比?？缒Ｐ偷囊粋€(gè)趨勢(shì)是，多輪對(duì)話更容易引發(fā)不安全的響應(yīng)。也就是說，與基線相比，Llama 2-Chat 仍然表現(xiàn)良好，尤其是在多輪對(duì)話中。下圖 19 顯示了不同 LLM 在不同類別中安全違規(guī)百分比。

4. 手機(jī)端運(yùn)行大模型？Meta和高通達(dá)成協(xié)議，2024年推出“手機(jī)版Llama 2

原文：https://new.qq.com/rain/a/20230719A07B0I00

就在Meta官宣將與微軟攜手發(fā)布開源AI模型可商用版本Llama 2后，高通發(fā)布公告稱，將和Meta合作，2024年推出 “手機(jī)版Llama 2”。

Meta和高通的“野心”昭然若揭？

高通7月19日的最新公告顯示，從2024年起，Llama 2將能在旗艦智能手機(jī)和PC上運(yùn)行：

客戶、合作伙伴和開發(fā)人員能構(gòu)建智能虛擬助手、生產(chǎn)力應(yīng)用、內(nèi)容創(chuàng)建工具、娛樂等用例，AI功能可以在沒有網(wǎng)絡(luò)連接的地方，甚至在飛行模式下運(yùn)行。

2024年在智能手機(jī)、PC、VR/AR頭顯和汽車等終端上運(yùn)行Llama 2一類的生成式AI模型，將支持開發(fā)者節(jié)省云成本，并為用戶提供更加私密、可靠和個(gè)性化的體驗(yàn)。

高通技術(shù)公司高級(jí)副總裁兼邊緣云計(jì)算解決方案業(yè)務(wù)總經(jīng)理Durga Malladi表示，為了有效地將生成式人工智能推廣到主流市場(chǎng)，人工智能將需要同時(shí)在云端和邊緣終端（如智能手機(jī)、筆記本電腦、汽車和物聯(lián)網(wǎng)終端）上運(yùn)行。

高通表示和基于云端的大語言模型相比，在智能手機(jī)等設(shè)備上運(yùn)行Llama 2 等大型語言模型的邊緣云計(jì)算具有許多優(yōu)勢(shì)，不僅成本更低、性能更好、可以在斷網(wǎng)的情況下工作，而且可以提供更個(gè)性化、更安全的AI服務(wù)。

對(duì)于市場(chǎng)而言，高通并沒有趕上本輪AI熱潮，年內(nèi)股價(jià)漲幅甚至不及英偉達(dá)的1/10。

在這種情況下，高通已將AI邊緣計(jì)算定為未來發(fā)展方向。

高通公司高級(jí)副總裁Alex Katouzian5月曾明確表示，高通正在從一家通信公司過渡到一家智能邊緣計(jì)算公司：

“隨著連接設(shè)備和數(shù)據(jù)流量加速增長(zhǎng)，疊加數(shù)據(jù)中心成本攀升，（我們）不可能將所有內(nèi)容都發(fā)送到云端?！?/span>

不久前，高通已發(fā)布了全球首個(gè)在安卓手機(jī)上運(yùn)行的Stable Diffusion終端側(cè)演示，演示中，搭載驍龍芯片的手機(jī)可以直接運(yùn)行參數(shù)規(guī)模超過10億的Stable Diffusion，且只需要15秒左右就可以出圖。

“混合AI”新未來已至？

“混合”，就意味著云端要和手機(jī)、PC、XR頭顯、汽車這些終端設(shè)備協(xié)同工作，而不是單打獨(dú)斗，混合AI架構(gòu)會(huì)根據(jù)大模型和查詢需求的復(fù)雜度，將任務(wù)負(fù)載以不同方式分配到云端和終端上。

這種混合AI架構(gòu)能帶來的優(yōu)勢(shì)是很明顯的，比如在成本、能耗、性能、隱私、安全和個(gè)性化等方面，本地化處理的融入都可以帶來很多加分項(xiàng)。

國(guó)盛證券指出，在AI向?qū)嶋H場(chǎng)景落地時(shí)，邊緣算力的重要性加速凸顯，邊緣算力在成本、時(shí)延、隱私上具有天然優(yōu)勢(shì)，也可以作為橋梁，預(yù)處理海量復(fù)雜需求，并將其導(dǎo)向大模型。

因此，AI應(yīng)用將逐步從中心節(jié)點(diǎn)向更貼近數(shù)據(jù)源和業(yè)務(wù)現(xiàn)場(chǎng)的邊緣側(cè)拓展，邊緣計(jì)算合理利用邊緣側(cè)算力和實(shí)時(shí)數(shù)據(jù)，使機(jī)器學(xué)習(xí)模型提供的智能服務(wù)更加便捷和貼近應(yīng)用，有望打通行業(yè)細(xì)分、多元化場(chǎng)景落地瓶頸。

5. AI遭近萬名作家圍剿，版權(quán)大戰(zhàn)將如何塑造AI產(chǎn)業(yè)方向？

原文：https://finance.sina.com.cn/blockchain/roll/2023-07-20/doc-imzchwtv9479064.shtml

針對(duì)人工智能的版權(quán)大戰(zhàn)迎來了新階段，周二美國(guó)8500名作家在一封聯(lián)名信中要求人工智能公司賠償其版權(quán)損失。

聯(lián)名作家中包括普利策獎(jiǎng)獲獎(jiǎng)小說家詹妮弗·伊根、邁克爾·查邦和路易絲·厄德里奇等人，這些知名作家的加入也讓版權(quán)戰(zhàn)爭(zhēng)變得更具分量。

聯(lián)名信中寫道，數(shù)以百萬計(jì)的受版權(quán)保護(hù)的書籍、文章、詩歌等作品，成為了人工智能的養(yǎng)料，且不用付任何費(fèi)用，這是不合理的。人工智能獲得了數(shù)十億美元的開發(fā)資金，現(xiàn)在應(yīng)該對(duì)使用著作而付出補(bǔ)償。

這封信并非針對(duì)單一公司，OpenAI、微軟、Meta和其他人工智能公司都在警告范圍內(nèi)。美國(guó)作家協(xié)會(huì)稱，若得不到補(bǔ)償，作家將無力繼續(xù)創(chuàng)作，人工智能只能借鑒現(xiàn)有的故事，變得越來越平庸。

老大難的版權(quán)問題

人工智能固然大大推動(dòng)了這一技術(shù)在市場(chǎng)上的關(guān)注度，但隨著時(shí)間過去，越來越多的人開始意識(shí)到人工智能背后涉及的版權(quán)問題可能相當(dāng)棘手。

美國(guó)作家協(xié)會(huì)要求人工智能企業(yè)做到三點(diǎn)：在使用材料前先獲得著作者許可；公平補(bǔ)償過去和現(xiàn)在已被使用素材的作者的損失；補(bǔ)償人工智能輸出相關(guān)版權(quán)內(nèi)容所造成的損失。

目前，該協(xié)會(huì)尚未提出任何法律威脅，該協(xié)會(huì)首席執(zhí)行官M(fèi)ary Rasenberger指出，由于訴訟需要巨額費(fèi)用，作家們需要很長(zhǎng)時(shí)間來準(zhǔn)備訴訟。

另一方面，人工智能公司都謹(jǐn)慎地對(duì)版權(quán)問題保持沉默，沒有一家公司希望做出頭鳥。連美國(guó)政府也對(duì)這一矛盾左右為難。

上周，美國(guó)國(guó)會(huì)討論了人工智能與版權(quán)保護(hù)之間的關(guān)系，參與聽證的Stability AI公司公共政策主管Ben Brooks透露，該公司收到超過1.6億個(gè)退出請(qǐng)求，因?yàn)閯?chuàng)作者不希望自己的圖像被人工智能模型用以訓(xùn)練。

而在被問到是否應(yīng)該付費(fèi)時(shí)，Brooks回避稱，發(fā)展模型需要數(shù)據(jù)多樣性。

參議員Marsha Blackburn抨擊道，所謂合理使用數(shù)據(jù)已經(jīng)成為竊取知識(shí)產(chǎn)權(quán)的一種有效方法。

可能性

這一問題在國(guó)際上的討論也相當(dāng)曲折。由于各國(guó)政府都希望發(fā)展自己的人工智能產(chǎn)業(yè)，因此對(duì)數(shù)據(jù)版權(quán)問題都抱有投鼠忌器的心態(tài)，目前為止，只有英國(guó)表示將放寬受版權(quán)保護(hù)材料的使用規(guī)則。

然而，雖然英國(guó)允許AI公司未經(jīng)權(quán)利人許可的情況下使用材料訓(xùn)練人工智能模型，但對(duì)于合法訪問的數(shù)據(jù)又存在模糊界限，這代表人工智能與版權(quán)的沖突仍舊突出。

有人借鑒音樂在21世紀(jì)初期的版權(quán)戰(zhàn)爭(zhēng)，當(dāng)時(shí)Napster播放器獲得了幾乎所有人的歡迎，但其對(duì)版權(quán)的忽略引發(fā)了業(yè)內(nèi)主要唱片公司的憤怒。最后，所有的利益相關(guān)者坐下來談判，由公司出面進(jìn)行許可交易并界定如何合法引入內(nèi)容。

這也極大的改變了音樂行業(yè)的游戲規(guī)則，免費(fèi)播放器幾乎沒有生存之地，目前的音樂軟件都通過收費(fèi)來向版權(quán)方支付版權(quán)費(fèi)用。

反觀目前的人工智能產(chǎn)業(yè)，如ChatGPT已經(jīng)通過收費(fèi)來維持運(yùn)營(yíng)，但爭(zhēng)議點(diǎn)在于，其并沒有在收費(fèi)中考慮有關(guān)于版權(quán)使用所需要支付的成本。

AI初創(chuàng)公司W(wǎng)ombo的Ryan Khurana認(rèn)為，人工智能很可能演變出一個(gè)類似于音樂的許可制度。但律師Matthew Butterick認(rèn)為類似的想法有些災(zāi)難性，畢竟人工智能涉及的范圍更加廣泛。

還有人則聲稱，或許可以設(shè)立一項(xiàng)基金來補(bǔ)償受到人工智能模型訓(xùn)練影響的人。但另一個(gè)問題出現(xiàn)：藝術(shù)家們對(duì)一次性許可費(fèi)并不愿意買賬，分成和買斷的收益差距巨大。

更尖銳的問題是，技術(shù)專家Andy Baio指出，藝術(shù)家們受限于昂貴的訴訟費(fèi)用，很可能讓版權(quán)戰(zhàn)爭(zhēng)變成曠日持久的消耗戰(zhàn)。因此人工智能版權(quán)最開始的那幾場(chǎng)版權(quán)訴訟結(jié)果將至關(guān)重要，將變成這一問題的風(fēng)向標(biāo)。

———————End———————

---

點(diǎn)擊閱讀原文進(jìn)入官網(wǎng)