大语言模型的“幻觉”问题已成为AI可信度的关键挑战。研究表明，幻觉源于训练机制缺陷、评估体系偏差和优化策略不当，导致模型在不确定时倾向于“自信犯错”。这种现象在医疗、法律等领域已造成实际危害。解决方案包括重构评估体系、校准置信度、加强人机协同和优化数据质量。研究指出，需将幻觉视为系统性问题，通过全链路治理构建可信AI。实践表明，专业评估策略和数据优化可有效提升模型可靠性，推动AI向“可信可靠”方向

7月7日，由外交部、国家发展改革委、教育部、科技部、工业和信息化部、国家网信办、中国科学院、中国科协和上海市政府共同主办的2024世界人工智能大会（WAIC 2024）盛大收官。作为中国和全球人工智能前沿技术的重要展示平台，WAIC 2024融汇全球人工智能领域前沿思想，链接全球科技创新生态，持续探索人工智能发展新机遇并推动成果落地。高质量的训练数据始终是人工智能产业链上的重要一环。

增强现实技术和虚拟现实技术（AR/VR）发展前景广阔，备受各大企业关注。事实上，近四分之三的行业领导者表示，他们预计这些沉浸式技术将于未来五年内成为主流。高盛公司报告称，到2025年，AR/VR行业值将达到950亿美元。同时，与之并驾齐驱的还有AI和机器学习。AI和机器学习不仅正在迅速成为主流，还被视为现代企业的关键任务。直到最近，科技界才开始展现出AR/VR和AI相结合的力量。两者结合可以推动创

人工智能不仅是指寻求如何替代人类的机器人或人类寻求自我挑战的游戏，更是指运用复杂的程序化数学，其结果与高质量的训练数据相结合，推动了我们在日常生活中所看到的技术进步。从无人驾驶汽车到寻找癌症的治疗方法，人工智能正在逐渐渗透我们的生活之中。以下是内容由“澳鹏 | AI与机器学习干货大本营”编辑，希望能帮助对人工智能领域感兴趣的学者或是专业人士，如果有任何遗漏也请随时回复我们，我们将及时更新！（按英语

数据标注是向训练数据集添加元数据的过程。这种元数据通常采用标签的形式，可以添加到任何类型的数据中，包括文本、图像和视频。添加高质量和高精准的标签是为机器学习开发训练数据集的一个关键过程。人工智能数据标注是数据预处理中不可缺少的阶段，因为监督式机器学习模型可以学习识别标注数据中重复出现的模式。当一个算法处理了大量的标注数据后，算法可以在新的、未标记数据出现时识别相同的模式。因此，数据科学家需要使用清

具身智能（Embodied AI）正迎来爆发式增长——从工业机器人到人形智能体，从实验室研究到千亿级市场落地，具身智能正在重塑AI与物理世界的交互方式。全球科技巨头与创新企业纷纷布局，大模型驱动的智能体正加速从“数字理解”迈向“物理执行”。具身智能正引领AI技术进入新纪元。在机器人、智能体、自动驾驶系统等领域快速发展的当下，如何让AI真正理解并适应物理世界，成为行业面临的核心挑战。高质量、多模态训

基于噪声数据训练对话式人工智能聊天机器人、虚拟助手、机器人等对话式人工智能 (Conversational AI Agents ) 在我们的日常生活中已随处可见。许多企业希望以更低的成本增强与客户之间的互动，并为此在该领域进行大量投资。大量数据表明，对话式人工智能行业预计至少在2025 年前每年将增长20%。据研究机构高德纳 (Gartner)预测，届时在客户互动平台中使用 AI 技术的组织运营效

AI治理是监督一家企业AI使用和实施的框架。对于如何定义这一框架，不同企业受其所在行业、企业内部条例、监管规定以及当地法律的影响。在任何情况下，都不存在放之四海而皆准的方法；各企业应根据自身需求选择最适合的方案。

去年，我们在MatrixGo数据标注平台上推出了。该工具使众包能够与 LLM 互动、收集评估、记录偏好并收集提示-响应对，从而让客户能够测试并确保模型的准确性和可靠性。该工具已获得广泛关注，并用于各种 AI 训练数据用例中的复杂任务。

有没有发现，我们与机器的对话正变得愈发灵动与自然？人机交互越来越广泛地应用在我们的生活中，而这些都离不开语音合成技术的与时俱进。语音合成，即TTS，是语音数据采集的重要方式。本期澳鹏干货，我们将带你走近语音合成技术，快速了解语音合成技术的背景、原理、数据制作及应用场景。语音合成技术的背景语音合成，即文本转语音（text to speech），是由文字形成的计算机语音。历史上已知最早模仿人类语音的装