大模型日报（9月4日资讯篇）

我们希望能够搭建一个AI学习社群，让大家能够学习到最前沿的知识，大家共建一个更好的社区生态。

「奇绩大模型日报」知识库现已登陆飞书官方社区：

https://www.feishu.cn/community/article/wiki?id=7355065047338450972

点击「订阅社区精选」，即可在飞书每日收到《大模型日报》每日最新推送

如果想和我们空间站日报读者和创作团队有更多交流，欢迎扫码。

欢迎大家一起交流！

资讯

微软正尝试在Office中集成国产开源大模型RWKV

微软正在尝试在Office中集成国产开源大模型RWKV。RWKV官方推文指出，RWKV.cpp已部署在全球五亿系统中。用户在最新Windows 11的Office文件夹中发现以RWKV命名的DLL文件，反编译后确认其为RWKV.cpp的变体。网友对此议论纷纷，呼吁微软提供支持和报酬。

RWKV团队推测微软可能将其用于本地Copilot和memory recall功能。RWKV的优势包括支持100多种语言、低能耗，适合在不同设备上运行。RWKV模型在生成更多token时的计算资源需求呈线性增加，GPU能耗更为高效，适用于延长设备电池寿命。

RWKV是一种挑战Transformer的新架构，基于RNN设计，复杂度更低，生成内容速度快，且显存占用恒定。RWKV背后团队来自多家机构，由30位研究人员组成。RWKV近期推出新架构模型RWKV-5和RWKV-6，进一步提升了模型的表达能力，并引入了一个1.12万亿token的多语言语料库，强化了多语言支持。

https://mp.weixin.qq.com/s/x0HoJpsW3Wci3lI7TZU1YQ

英特尔(®) 酷睿(™) Ultra 200V系列处理器

英特尔刚刚发布了其最新的酷睿™ Ultra 200V系列处理器，标志着x86架构处理器效率的新高度。该系列处理器带来了多个关键亮点：

更快的处理器性能：E核性能提升68%，P核提升14%。
全新图形微架构Xe2：集成GPU性能提升30%，游戏性能提升31%，并支持光线追踪。
强大的AI性能：CPU、NPU和GPU总算力达120TOPS，提升AI处理能力，尤其在Adobe应用中的表现优于竞争对手。
超高效率：整体功耗降低50%，单线程处理性能提高3倍，续航可达20小时。
广泛的兼容性：支持各种软件应用，且超越AMD和高通在性能和电池寿命方面的表现。

Ultra 200V系列通过创新的低功耗设计及集成管理技术，如Thread Director，优化了效率。此外，英特尔与多家顶级OEM厂商（如谷歌、微软、联想、戴尔、惠普等）合作，推出了超过80款搭载该处理器的机型，进一步扩大了AI PC的市场影响力。

https://mp.weixin.qq.com/s/XQ0C0sKrHNx4uCcBpTAYAw

英伟达市值暴跌2万亿

英伟达在一夜之间市值蒸发2790亿美元，创下美股历史上单日最大跌幅，暴跌9.5%。这一跌幅甚至超过了Meta在2022年创下的纪录，显示了市场对AI产业前景的担忧。投资者对AI的过高预期未能实现，尤其在英伟达公布财报后，尽管营收和利润大幅增长，但股价未能维持上涨。市场对AI的泡沫逐渐冷却，部分分析师认为，AI投资目前回报有限，未出现真正的杀手级应用。

与此同时，美国司法部升级了对英伟达的反垄断调查，已向公司发出传票，调查其是否通过市场垄断限制客户选择。英伟达被怀疑通过优先供应和定价策略，迫使客户依赖其AI芯片，并且利用其在AI芯片市场的主导地位压制竞争。英伟达对此回应称，其市场地位源于产品质量和客户价值。

https://mp.weixin.qq.com/s/W79P_SL3HZirso42c-VgDw

LeCun转帖，AI精确计算宇宙「设置」，登Nature子刊

Meta首席人工智能科学家Yann LeCun在X平台上转发了纽约大学物理系教授Shirley Ho的帖子，展示了SimBIG团队的一项新研究。由Changhoon Hahn领导的团队通过AI模拟宇宙，模拟了20,000个虚拟宇宙并产生了新的见解。这项研究利用AI根据光谱望远镜（如Sdssurveys）的数据，训练AI从观测到的宇宙统计中推断出关键的宇宙学参数。该论文于2024年8月21日发表在《Nature Astronomy》上，题为「Cosmological constraints from non-Gaussian and nonlinear galaxy clustering using the SimBIG inference framework」。

研究的核心是通过AI和深度生成模型，结合非高斯信息，增强宇宙学推断的精度。研究团队分析了BOSS星系巡天的部分数据，通过AI模型获取了比传统方法更严格的参数估计结果，尤其是在哈勃常数和S8参数上的推断，精确度分别提高了1.5倍和1.9倍。这些结果对理解暗物质、暗能量以及宇宙加速膨胀至关重要。

https://mp.weixin.qq.com/s/SE9Uo88kvSqD2YLM57i-hg

神经网络准确计算量子激发态

在物理和化学领域，激发态的精确计算至关重要，但通过第一性原理进行可扩展、准确且稳健的激发态计算一直是理论挑战。本文提出了一种无参数的新算法，通过将变分量子蒙特卡洛（VMC）方法推广到神经网络计算的基态，来解决这一问题。

Pfau等人提出了一种称为“自然激发态VMC”（NES-VMC）的方法，将激发态问题转化为扩展系统的基态问题，并使用神经网络（如FermiNet和Psiformer）进行计算。该方法无需正交化处理，且不含自由参数，可以高效计算不同量子系统的激发态，包括过渡偶极矩等任意观测量。

该方法在多个原子和分子系统上展示了准确的激发态计算性能，尤其在苯规模的分子系统中表现出色，解决了多个具有挑战性的双重激发问题。在乙烯分子的锥形交叉问题中，NES-VMC的计算结果与多参考配置相互作用（MR-CI）高度一致。对于更复杂的分子（如苯和四嗪），NES-VMC的结果也优于现有的神经网络和其他先进方法。

NES-VMC结合神经网络提供了一种无参数且数学上严格的激发态变分原理，展现出对量子系统激发态进行精确计算的潜力，适用于电子激发、振动耦合等问题，并对分子、核物理等领域的研究具有广泛应用前景。