AI奇点网2024年11月4日报道丨AI资讯早报

GPT-5跳票？奥特曼：今年无法同时发布那么多东西

当地时间10月31日上周四，OpenAI CEO奥特曼透露，该公司的下一个大型人工智能模型可能不会在今年面世，原因是“优先开发”当前专注于推理与难题解决的模型 o1。

奥特曼在参与美国在线社区 Reddit 网站的网友问答活动时指出：“所有模型都变得越来越复杂，我们无法像我们希望的那样同时发布那么多东西。”他还解释称，在为“众多卓越创意”分配计算资源时，公司面临着“诸多限制和艰难抉择”。

当一位 Reddit 用户询问 GPT-5 或其同等版本的发布时间时，奥特曼回应称，OpenAI将在“今年晚些时候会推出一些非常出色的模型版本”，但我们不会将它们称为「GPT-5」。

李开复透露GPT-5训练遇到困难

10月16日，国内人工智能创业公司“零一万物”CEO李开复与极客公园创始人张鹏进行了线上对话。李开复首先辟谣了关于“零一万物”要放弃训练基础大模型的流言。在访谈中，他聊到自己最近在美国走访的经历，透露 OpenAI 在训练 GPT-5 的时候遇到了困难。

李开复表示：

李开复还透露，“零一万物”的团队刚开始做的主要是专注预训练，之后又有很多很厉害的人加入，帮我们把后训练也做出来，现在看来推理也很重要，感谢 OpenAI 点醒我们这一点，相信现在很多中美公司都在往 o1 方向狂奔。

夸克推出AI搜题功能：基于“灵知”学习大模型

11月1日，今天上午，阿里旗下AI搜索与AI浏览器产品夸克宣布，夸克APP全新加入“AI搜题”功能，用户可通过手机、平板、电脑等设备搜到各类新题和难题，AI 还会分步骤进行题目讲解，并支持用户随时提问。

据介绍，夸克 AI 还可围绕题目中的知识点与考点进行深度讲解，精准定位关键步骤，能够以“启发式”学习的体验让用户不仅学会这一道难题，还能举一反三学会一类题。

同时，夸克同步发布了其背后的知识大模型 —— “灵知”学习大模型。官方此次表示，在最新评测中，夸克“灵知”学习大模型在考研数学题上的正确率和得分率已经可以比肩 OpenAI 最新发布的 o1 大模型。

微软开源手机视觉交互智能体：基于GPT-4V

近日，微软公司宣布开源一个针对智能手机UX自动化交互的GUI项目「OmniParser」，是一款解析和识别屏幕上可交互图标的 AI 工具。

传统的自动化方法通常依赖于解析 HTML 或视图层次结构，从而限制了其在非网络环境中的适用性。 而包括 GPT-4V 在内的现有的视觉大语言模型（VLMs），并不擅长解读复杂 GUI 元素，导致动作定位不准确。 

为了解决这个难题，微软研究人员开源了纯视觉 GUI 智能体「OmniParser」，能够轻松将用户界面截图解析为结构化元素，显著增强OpenAI的 GPT-4V 等视觉模型对智能终端操作界面的区域预测能力。目前，OmniParser开源后在Github上非常火，已经得到了开发者多达3800颗星点赞。

OmniParser的核心组件包括一个微调的交互式图标检测模型、一个微调的图标描述模型以及OCR光学字符识别模块。

在多个基准测试结果显示，GPT-4V在与OmniParser集成后性能得到显著提升，超过同类模型。

开源地址：https://github.com/microsoft/OmniParser

迪士尼成立AI技术研发部门，探索AI、XR等新型视觉技术的潜力

当地时间11月1日，据路透社报道，美国知名影视公司华特迪士尼正在组建一个新的开发小组，以协调公司对人工智能和混合现实等新兴技术的使用，这家媒体巨头正积极探索 AI 等技术在电影、电视和主题公园等业务中的潜力。

根据路透社当地时间上周五获取的电子邮件介绍，新成立的“技术赋能办公室”（Office of Technology Enablement）将由 Jamie Voris 领导，他是迪士尼电影制片厂的首席技术官，他此前主导了迪士尼为苹果 Vision Pro 混合现实头显设备开发 APP 应用的工作。

迪士尼娱乐联合主席 Alan Bergman 在邮件中写道：“人工智能和 XR 技术发展迅速，将对未来的消费者体验、创意项目以及我们的业务产生深远影响。因此，迪士尼必须抓住这一激动人心的机遇，同时审慎管理其中的潜在风险。”