日本演员工会发布AI语音使用准则,悟空配音演员批评未经授权盗用声音
日本演员联合会(JAU)发布了首份关于使用生成式AI复刻演员声音的准则。准则要求,复刻声音的各个环节都必须征得当事人同意,将演员声音用于AI训练也须获得许可。经授权生成的语音应被视为一种“表演”,企业需要向演员支付报酬或版税。因在《龙珠》系列中为孙悟空配音而知名的野泽雅子表示,未经许可使用她的声音与盗窃无异,令她十分愤怒。这份准则属于行业规范,并非法律。
AI 新闻中心 过去24小时分析了 211 篇文章,发现了 0 条重要报道 (分数 ≥ 5.5)
获取从可信来源聚合的最新 AI 新闻。
日本演员联合会(JAU)发布了首份关于使用生成式AI复刻演员声音的准则。准则要求,复刻声音的各个环节都必须征得当事人同意,将演员声音用于AI训练也须获得许可。经授权生成的语音应被视为一种“表演”,企业需要向演员支付报酬或版税。因在《龙珠》系列中为孙悟空配音而知名的野泽雅子表示,未经许可使用她的声音与盗窃无异,令她十分愤怒。这份准则属于行业规范,并非法律。
据彭博社报道,施密特在 2021 年 Anthropic 的 A 轮融资中投入数千万美元,持有该公司约 1% 股份。若 IPO 成功,其持股价值可能大幅上升。不过,报道提及的最高 2 万亿美元上市估值属于投资者预期,并非已确认估值。Anthropic 尚未完成 IPO。
据路透社报道,OpenAI 正加紧争取投资者承诺,计划融资约 300 亿美元,赶在竞争对手 Anthropic 预计于 11 月中旬上市之前完成。若交易达成,OpenAI 的估值可能超过 1.4 万亿美元。潜在出资方包括软银、总部位于阿布扎比的 MGX 及其他现有支持者。据称,紧凑的时间安排也反映了双方争夺投资者的竞争。投资者认为,OpenAI 需要大量资金支持基础设施建设,并在原定于 2027
发表于《The Lancet Digital Health》的研究介绍了一款利用面部照片估算癌症患者死亡风险的模型。模型使用超过4000万张人脸图像和3万多名癌症患者的照片训练,可生成风险评分并将患者划分为高、低风险组;高风险组在90天内死亡的可能性更高。研究人员认为,该工具或可为医生提供额外参考,尤其是在医疗资料有限的情况下。不过,未参与研究的专家指出,研究尚未证明模型能在医生的整体评估之外提供
玩家表示,在本届 Steam 新品节中,能看到不少美术风格疑似由 AI 生成的游戏。有玩家呼吁 Valve 新增筛选功能,让用户排除含有 AI 生成内容的作品。Steam 已要求开发者标注这类内容,但尚未提供相应的筛选选项。目前平台主要通过标签和推荐算法提高热门游戏的曝光度,让其他作品逐渐被淹没。随着 AI 在游戏开发中的应用日益普及,相关不满也受到关注。
在工作中使用 AI 也有一些弊端:员工可能要花费大量时间,修正和修改由 AI 生成或辅助完成的材料。
据消息人士透露,Waymo计划将自动驾驶车队从目前的4,000辆增加到年底的8,000辆,并在2027年底前扩大至2万辆。随着公司进军更多城市,部分本月借入的50亿美元将用于扩充车队。
公开的中国研究论文显示,人工智能公司Z.AI的四位创始人曾参与与英国一家技术研究机构的合作项目。英国政府曾指控该机构与中国主要情报机构有“非常密切的关系”,并发布间谍活动警报。
AI实验室依靠模型基准测试来衡量一种AI产品是否优于另一种产品。但Hugging Face政策负责人Irene Solaiman在TechCrunch的一场讨论中表示,这些评估方法复杂且仍在发展之中。
Cloudflare 发布了 Clairic 的预览版,这是一款 System One 风格的新型提取模型。该公司称,它处理非结构化数据的速度更快、成本更低,准确度也高于普通大型语言模型。公告未提供独立的性能验证证据。
OpenAI 正在改进 ChatGPT 对资源较少的编程语言的支持,并推出涵盖软件工程、SQLite 和 COBOL 迁移的新评测。
微软建议企业密切监控员工使用的 AI 智能体,尤其是当这些智能体与 OpenAI、Anthropic 等 AI 实验室未控制的系统交互时。
CoreWeave的债务令一些投资者感到不安。本期Big Take播客探讨该公司的财务压力揭示了人工智能热潮的哪些问题,以及云基础设施提供商未来将面临什么。
Alger 投资组合经理、前英特尔工程师 Ankur Crawford 表示,近期市场对 AI 的不安,包括对 CoreWeave 的担忧,并未反映实际应用和基础设施需求的强劲程度。她指出,股价表现与行业一线基本面之间存在明显差距。AI 投资要产生回报仍需时间,而债务、供应链瓶颈、劳动力短缺和电力限制都可能拖慢建设进程。Crawford 在彭博节目《The Close》中接受了 Romaine B
REASON提出一种双循环学习方法,利用残差判断何时需要更多信息。类似系统1的快速循环先处理现有证据;若仍存在不确定性,较慢的系统2式循环便主动收集额外证据。作者证明,较慢循环的最优结果不会差于快速循环。实验显示,即使面对未见过的扰动,该方法也能以约一半的较慢循环计算量取得优于快速循环的结果。在观测更清晰时,它还以相同计算成本胜过分阶段分类器和延迟决策学习方法。