腾讯研究院AI速递 20241119
生成式AI
一、 继良品率低后，英伟达Blackwell在72 核服务器上暴露过热隐患
1. Blackwell采用MCM设计和台积电CoWoS-L封装技术，因热膨胀特性不匹配导致结构弯曲及良品率低；
2. 在高功耗服务器机架中存在过热问题，影响性能且可能损坏组件，需重新设计机架，发货延期；
3. 尽管问题频发，Blackwell性能领先，市场需求旺盛，订单积压达12个月，英伟达AI GPU地位稳固。
https://mp.weixin.qq.com/s/WhKXBmRtnpGB0OH3gJHWzg
二、 Grok 3证明黎曼猜想，训练遭灾难性事件？玩梗之余是否真有可能
1. Grok 3玩梗被误传证明黎曼猜想，xAI工程师调侃澄清，实际其能力与千禧年难题尚存巨大差距；
2. AlphaProof等AI工具在数学竞赛中表现突出，但与攻克黎曼猜想等高难度问题相比，仅达中级数学推理水平；
3. AI在数学领域加速突破依赖计算资源扩展和推理优化，数学家预测未来几年或攻克部分千禧年难题。
https://mp.weixin.qq.com/s/TwOegELm2c11C2QJiMDncQ
三、 Kimi 的多模态功能体验，一键为音乐生成 MV，不再只卷长文本
1. Kimi的多模态功能可根据音乐生成分镜丰富的MV，支持用户上传音乐或使用模板，并通过扩展提示词优化镜头设计；
2. 视频生成存在常见AI问题，包括人物一致性差、细节失真和动作不自然，但支持局部微调提升用户体验；
3. AI生成工具通过高效自动化流程降低创作门槛，未来随着一致性和表现力的改进，多模态技术有望广泛应用于个性化内容创作。
https://mp.weixin.qq.com/s/BfAf094vFHPkN_CQFDvYdg
四、 临床试验中ChatGPT击败50名人类医生！疾病诊断准确率达90%
1. ChatGPT在实验中独立诊断疾病准确率达90%，明显优于人类医生的74%，显示其在结构化病例分析中的优势；
2. “人类+ChatGPT”组合准确率仅提升至76%，反映人类对AI潜力的利用不足，人机合作需进一步优化；
3. 实验病例经过人工提炼信息，实际临床中数据采集复杂，AI难以完全替代医生，需优化人机协作方式以提升效率。
https://mp.weixin.qq.com/s/ilftapcmCoattcRWJSNDfw
五、 OpenAI官方发布！ChatGPT写作指南12个秘诀让你事半功倍！
1. ChatGPT通过格式化引用、快速主题理解、推荐资源和检索词，简化学术研究和写作流程；
2. 提供审阅大纲、反向大纲、苏格拉底式对话和逻辑反驳等工具，帮助优化文章结构和增强论点；
3. 支持角色扮演、语音模式和反复反馈，提升批判性思维与写作技巧，强调学术诚信和引文透明性的重要性。
https://mp.weixin.qq.com/s/BQHzlrZIf78RTYSeZw9kkw
六、 扩散模型版CS，世界模型+强化学习：2小时训练登顶Atari 100K
1. DIAMOND通过扩散模型增强世界模型的视觉细节，在Atari 100k测试中平均得分1.46，表现优于人类玩家，且为世界模型内训练智能体的最佳成绩；
2. 扩散模型通过预测环境动态并在图像空间操作，提升了智能体对复杂任务的学习效率和决策能力；
3. DIAMOND以低分辨率动态预测和随机采样优化生成质量，在虚拟环境中训练智能体，实现高效数据利用与策略改进。
https://mp.weixin.qq.com/s/_y25jjsP2jjJcN7N6MtiRw
七、 清华姚班校友发布首个多模态嵌入模型，「多模态检索」SOTA
1. Voyage-multimodal-3在多模态检索任务中表现优异，比现有模型提高19.63%的检索准确率，支持复杂布局的PDF、截图等矢量化处理；
2. 模型基于统一Transformer编码器处理交错文本和图像，克服模态差距问题，实现更高的混合模态检索准确性；
3. 在表格、文档截图和文本检索任务中分别超越OpenAI CLIP等主流模型20%-45%，简化了非结构化数据处理流程。
https://mp.weixin.qq.com/s/AzzFi6z1UpQ-kdjdHLF2CA
前沿科技
八、 蛋白预测从数月缩至数小时，MassiveFold青出于蓝超AlphaFold3
1. MassiveFold通过优化和并行化显著提升了蛋白质结构预测效率，将计算时间从数月缩短至数小时，并支持多种硬件设置；
2. 结合扩展采样和无模板dropout方法，MassiveFold在CASP15靶标测试中优于AlphaFold3，生成更多高置信度的多样性结构；
3. MassiveFold可扩展至不同研究环境，解决了AlphaFold在GPU资源需求和运行效率上的瓶颈问题，推动蛋白质建模进展。
https://mp.weixin.qq.com/s/50MudmLd1k8cqwzNGpj82w
报告观点
九、 Andrej Karpathy后悔了：放弃了语言模型，却搞了多年强化学习
1. Andrej Karpathy后悔早期偏重强化学习，而未及时推动语言模型发展，错失引领大模型时代的机会；
2. 他早在2015年通过RNN探索了语言生成潜力，预见了预训练和监督学习的重要性，却未持续深入；
3. 语言模型的迅速崛起源于Transformer等技术突破，强化了AI从专用任务向通用能力发展的方向。
https://mp.weixin.qq.com/s/xCMWMo2xkcIkY0ipvcIWcw
十、 「撞墙」回应：明年AI会在高阶应用突破，但一般人会感觉停滞
1. AI未来两年将在高度专业化技术任务中实现突破，如编程与商业领域的深度应用，但大众可能误以为停滞不前；
2. AI模型的鲁棒性和可靠性将逐步提升，推动AI无处不在的普及，但这些改进因不够直观可能被低估；
3. AI技术进展具有路径依赖性，尽管未来方向难以预测，但AI的商业嵌入和技术成熟趋势将持续显现。
https://mp.weixin.qq.com/s/vKXrUV3leK9bZX0esCvhiQ
