OpenAI变革开发者大会模式，GPT-5发布悬念留待未来

8月6日消息，OpenAI在去年于旧金山举办的首届开发者大会上引起了业界的广泛关注，虽然大会亮点颇多，包括发布了一系列创新产品和工具，但其中备受期待的GPT Store——一个原旨在成为AI应用分发平台的项目，最终并未能如预期般取得成功，这反映了即便是前沿科技企业，在探索新兴商业模式时亦会面临挑战与不确定性。

然而，今年的活动将相对低调。本周一，OpenAI 宣布，将其 DevDay 开发者大会转型为一系列聚焦开发者的参与式会议。公司还确认，在 DevDay 期间不会发布下一代主旗舰模型，而是将重点放在其 API 和开发者服务的更新上。

OpenAI 发言人透露：“我们不打算在开发者大会上宣布我们的下一个模型。我们将更多地专注于向开发者介绍现有资源，并展示开发社区的故事。”

今年的 OpenAI DevDay 活动将于 10 月 1 日在旧金山、10 月 30 日在伦敦和 11 月 1 日在新加坡举行。所有活动都将以研讨会、分组讨论、OpenAI 产品与工程团队的现场演示，以及开发者会议的形式举行。注册费用为 450 美元，报名截止日期为 8 月 15 日。

最近几个月，OpenAI 在生成式人工智能领域采取了更为稳健的迭代策略，而非追求突破性的飞跃。公司选择精细打磨和微调其工具，同时训练其当前领先模型 GPT-4 和 GPT-4 mini 的后续产品。公司已经改进了提高模型整体性能的方法，并尽量减少模型偏离预定轨道的频率，但据某些基准测试，OpenAI 似乎已经失去了在生成人工智能竞赛中的技术领先地位。

其中一个原因可能是高质量训练数据越来越难找到。

像大多数生成人工智能模型一样，OpenAI 的模型是在大量网络数据的基础上训练的 —— 许多创作者选择封锁其数据，因为他们担心自己的数据会被剽窃，或者他们无法得到应有的认可或报酬。根据人工智能内容检测与抄袭检测工具 Originality.AI 的数据，全球前 1000 个网站中有超过 35% 现在阻止 OpenAI 的网络爬虫。麻省理工学院数据来源计划研究也发现，大约 25% 的“高质量”数据已从用于训练 AI 模型的主要数据集中被排除。

研究机构 Epoch AI 预测，若当前的数据访问屏蔽趋势持续下去，开发者将在 2026 年至 2032 年之间耗尽可用于训练生成人工智能模型的数据。这一点，加上对版权诉讼的恐惧，迫使 OpenAI 与出版商和各种数据经纪公司签订了成本高昂的许可协议。

据说，OpenAI 已开发了一种推理技术，可以提高其模型在某些问题上的响应能力，特别是在数学问题上。公司的首席技术官米拉·穆拉蒂（Mira Murati）承诺，未来的 OpenAI 模型将具有“博士级”的智能。这一前景虽然充满希望，但也面临巨大的压力。据悉，OpenAI 在培训其模型和雇佣高薪研究人员方面耗资数十亿美元。

时间将证明 OpenAI 在处理众多争议的同时是否能实现其宏伟目标。无论如何，放慢产品周期可能会有助于反驳那些声称 OpenAI 在追求更强大的生成人工智能技术时忽视了 AI 安全工作的说法。

OpenAI解锁DALL-E 3图像创意：ChatGPT免费用户每日限量畅享双图生成

8月9日消息，OpenAI宣布了一项激动人心的更新，现在ChatGPT的免费用户每天都可以享受到DALL-E 3模型的服务，亲手创造属于自己的定制化图片。

这一举措无疑降低了高质量图像生成技术的门槛，让广大用户也能亲身参与到AI艺术创作的浪潮之中，体验AI技术为创意工作带来的无限可能。

注：DALL-E 3 于去年 9 月推出，起初只面向 ChatGPT Plus 付费订阅用户提供。

用户可以直接在 ChatGPT 的输入框中键入生成图片相关指令，但经过实测，这项功能每天只能免费生成两张图片，否则 ChatGPT 会提示“您已达到图片创建上限，升级至 ChatGPT Plus 或于明天 XX:XX 后重试”。

今年 4 月，OpenAI 宣布 DALL-E 3 引入全新的编辑界面，在基于用户文本生成图片之后，可以继续根据用户描述精细化调整已生成的图片。此外，用户也可以在 ChatGPT 中跨 Web、iOS 和 Android 使用 DALL-E 生成图像。

今年 2 月，OpenAI 宣布，其图像生成器 DALL-E 3 将开始为所生成的图像添加来自内容来源和真实性联盟 (C2PA) 的水印，以帮助用户识别使用人工智能 (AI) 生成的内容。

OpenAI GPT-4深度探索：精准建模基础蛋白质结构，开辟AI生物科学新纪元

近日消息，罗格斯大学最新研究揭示，OpenAI的GPT-4语言模型展现了惊人的能力，能够以高度精准度模拟简单的氨基酸及蛋白质结构，为AI辅助生物科技研究开辟了全新可能。

相关研究成果发表在《Scientific Reports》上，该科研团队使用 GPT-4 AI 语言模型，探索其在基本结构生物学任务中的表现，结果发现该 AI 模型可以准确预测分子结构。

科学家们要求 GPT-4 建立 20 种标准氨基酸的三维结构模型，在反馈结果中准确地预测了原子组成、键长和角度，不过 GPT-4 在模拟环状结构和立体化学构型时却出现了错误。

在另一项实验中，GPT-4 被要求模拟常见的蛋白质结构元素--α-螺旋的结构，需要集成 Wolfram 插件进行数学计算，结果模型与实验确定的 α-螺旋结构相当。

此外，GPT-4 还分析了抗病毒药物 Nirmatrelvir 与 SARS-CoV-2 主要蛋白酶之间的结合。该模型正确识别了参与结合的氨基酸，并准确指定了相互作用原子之间的距离。

由于 GPT-4 并不是专门为结构生物学任务开发的，因此这些能力非常突出。研究人员指出，GPT-4 的建模方法尚不明确。它可以使用训练数据集中的现有原子坐标，也可以从头开始重新计算结构--要得出明确的结论，还需要进一步的广泛研究。

研究人员表示，AlphaFold 3 等专用人工智能工具可以预测更复杂的结构，而 GPT-4 则有望完成基本的结构生物学任务。这种建模能力目前还很初级，实际应用有限。

尽管如此，研究小组表示，这项研究开创了将这种技术应用于结构生物学的先例。研究人员建议进一步研究生成式人工智能的能力和局限性，可以在结构生物学领域之外，进一步探索 AI 在其他潜在的生命科学领域的应用。