AI 新闻：视频生成、Apple Intelligence、机器人与 DeepSeek Coder V2

本周 AI 新闻包括新的视频生成器、Apple Intelligence、NVIDIA 模型、机器人和 DeepSeek Coder V2。我先介绍 Luma AI 的 Dream Machine，它可以根据文本或图像生成视频。示例令人印象深刻，但有些物体会变形或动作不连贯。

Luma 的示例包括人、动物和车辆。气球场景在帧与帧之间发生变化，一辆车出现变形，一只柯基的腿部动作也不够真实。公司还指出文字生成困难，以及所谓的 Janus 问题：身体部位出现在错误位置。

Runway 宣布了 Gen-3 Alpha。我查看了假发落到人头上、动物出现在风景中以及列车穿过城市等示例。这些片段的视觉效果很突出，但我也注意到细小瑕疵和变化的背景细节。

其他 Runway 示例包括列车窗户上的倒影、博物馆画作、巷子里的宇航员和城市中的生物。我将车窗示例与 Sora 的一个示例进行比较，认为动作和构图很有前景，同时也注意到某些不自然的视觉细节。

最后一段水下场景展示了镜头移动时系统需要维持多少一致性。我期待试用这些工具，也希望开放的视频模型最终能与当时的专有产品竞争。

Apple 的发布内容包括能够计算手写公式的计算器，以及在操作系统中提供 ChatGPT 的合作。我想澄清自己对所公布架构的理解，因为有些评论把 OpenAI 当成 Apple Intelligence 所有功能的提供方。

Apple 介绍了设备端模型，以及为需要更多计算能力的任务使用的自有私有云计算。我理解 ChatGPT 是某些请求的额外选项，发送请求前会询问用户。这里讨论的是发布时的架构描述，并非对所有后续实现的断言。

例如，一般知识问题可能会提供给 ChatGPT，而个人操作和摘要属于 Apple 自己系统的功能。我尤其关注能够全天帮助个人完成任务的功能，而不仅是偶尔回答一般知识问题。

NVIDIA 发布了 Nemotron-4 340B 系列，包括指令模型和奖励模型。其预期用途之一是生成用于训练较小模型的合成数据。我还没有亲自测试；我想知道这类数据能否帮助缺少大型专有数据集的组织。

斯坦福研究者展示了 HumanPlus，该系统使用单个 RGB 摄像头和全身控制策略模仿人的动作。示例包括拳击、弹钢琴和乒乓球。视频介绍了姿态估计、人形身体和机器手等组成部分。

Google DeepMind 与哈佛大学的研究者还展示了由神经网络控制、通过深度强化学习训练的虚拟啮齿动物。这项工作使研究者能够比较模拟与真实的神经活动。我认为这是通过模拟研究行为的一项有趣进展。

我讨论了美国陆军退役上将 Paul Nakasone 加入 OpenAI 董事会。OpenAI 强调他的网络安全经验；我则表达了对监管影响和信任流失的担忧。这些担忧是我的解读，不能证明任命构成监管俘获。

我简要谈到 Stability AI 的 Stable Diffusion 3 Medium：我的体验认为它表现中等。我也提到日本的一项研究演示，即由人形机器人驾驶普通车辆。这些只是演示和个人印象，并非对系统的全面评价。

最后，DeepSeek Coder V2 提供 160 亿和 2300 亿参数两种规模，拥有 12.8 万 token 上下文并支持多种编程语言。发布图表报告其在多项编程和数学基准上表现强劲，但不同测试的表现有所差异。我计划亲自评测。