GPT-4o爆火震惊全球! 清北上交中科大6位华人领衔!

现在,让我们一起来了解一下组建OpenAI首个原生多模态GPT-4o的团队成员包括哪些人。

Prafulla Dhariwal

团队负责人为Prafulla Dhariwal,一位来自印度的年轻人。

9020522a7ea81b73a636dc12b7691623.jpeg

Prafulla Dhariwal在2017年毕业于麻省理工学院,获得计算机科学学士学位。在即将毕业时,他加入了刚成立一年的OpenAI,并于那年成为了一名研究科学家。7年的工作经历让Dhariwal见证了OpenAI从一个初创企业到成长为行业佼佼者的全过程。在此期间,他参与了多项开创性的研究工作,并在LinkedIn上列举了他的研究领域,包括生成模型、无监督学习、Scaling Law、定理证明、强化学习和量子复杂性等。值得一提的是,Dhariwal在高中时期就曾多次参与国际奥林匹克竞赛,并在2012年的IMO竞赛中获得金牌,此外,他还是IAO和IPhO的金牌得主。

团队中还包括6位杰出的华人成员:

676956900e04a909a410754ff60e93e5.png

Li Jing

Li Jing,通过他的工作,团队能够创造出惊人的图像/3D生成效果。曾在Dall-E 3、Sora、GPT-4o等项目中做出贡献。Li Jing在加入OpenAI之前,在Meta工作了两年时间,并于不久前加入OpenAI成为一名全职研究员。他在北京大学获得物理学学士学位,在MIT获得物理学博士学位。

2f5be0a60ebf290427e8189832b65eb2.png

Casey Chu

270260437d26b6bdfd36d05c55a05644.png

Casey Chu,已在OpenAI任职超过4年,可以被称为团队的“元老”成员。他的教育背景包括在哈维·穆德学院获得数学学士学位和在斯坦福大学获得计算数学硕士学位。

Mark Chen

Mark Chen,担任OpenAI前沿研究主管,同时也是美国IOI队的教练,成为研究团队的支柱。他毕业于MIT数学-计算机专业。

b9e4fad4f006f696f55de23ea4f42526.jpeg

a750f4fe8eb6b602fe3453263cfdf365.png

Jiahui Yu

Jiahui Yu,负责领导OpenAI的感知团队,曾在Google Brain和Google DeepMind担任高级研究科学家和经理。他本科毕业于中国科技大学少年班,获得计算机学士学位。博士毕业于伊利诺伊大学香槟分校。

69954787dfd869dd15c2c1ec191710fc.jpeg

53b2fac972d4f660560b21622d1aab96.png

在研究生期间,他在微软亚研院、旷视科技、Adobe Research、Snap Research、Jump Trading、百度研究院、Nvidia Research和Google Brain都有过实习经历。

1d2313b25da9bcd0dd01685c43835323.png

Huiwen Chang

5af36e638128b2cdb69c60eb7685d622.png

Huiwen Chang,已在OpenAI工作一年,此前在谷歌工作5年,在微软亚研院、Adobe、Facebook等有过实习经历。

c66378d98c0ab9575f88d972b8816f0b.png

她在清华大学计算机科学实验班(姚班)取得学士学位,然后在普林斯顿大学取得博士学位。

Yu Zhang

0d99a7c71f02a6d0d26d379137c864ee.png

Yu Zhang,加入OpenAI工作已有8个月,此前在谷歌DeepMind工作过6年,也在微软亚研院和微软实习过。他本科在上海交通大学取得计算机学士学位,在MIT取得博士学位。

其他关键成员包括:

James Betker,全面负责团队中的图像、音频、数据、集成和后训练等工作。

5edc0e767651852f35f5e5bc31ad1290.jpeg

Jamie Kiros,使GPT-4获得当前最佳的视觉感知能力。

Rowan Zellers,让OpenAI可以像人类一样自然地观看视频。

Alexis Conneau,负责语言AGI,对语言深度学习有着9年的经验。

c86cdfa26591e222153172cac93dcc57.jpeg

Gabriel Goh和Ishaan Gulrajani,他们在团队中的主要贡献是提出了与“Scaling Law”相关的一系列工作。

77920c68f4c7505c66606dfbacc16a69.jpeg

Alex Nichol,专注于3D图像生成,也是DALL·E 2的共同发明者。

Heewoo Jun,同样负责图像、3D生成工作。

Christine McLeavey,是团队中的宝藏研究员,拥有丰富多样的背景和经验。

990b17a58c41c0517191e4ac7e8ceb6c.jpeg

最后,还有一个神秘成员“al jabr”,由于未公开真实姓名,因此无法找到更多信息。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值