catch up with：追赶，赶上
make claims about：断言…，声称…
be in the dark about：完全不了解，蒙在鼓里
inner workings：内部运作
fall short：缺乏，不足
media coverage：媒体报道
“众人拾柴火焰高” 、“站在巨人的肩膀上”，这两个高度意象化的表达都是在描述开源的底层逻辑，我按照自己的理解，第一次处理成了“拿别人的东西办自己的事”，第二次简化成了“捷径”，具体请听译文。
关于李彦宏闭源优于开源的论述我解释一下：打个不太恰当的比方，开源模型就是开发商装修的精装房，虽然省时省力，但与个人品味多少存在偏差。闭源模型就是业主装修的毛坯房，虽然费时费力，但与个人品味可以完美适配。因此同等规格下，后者一定比前者看着顺眼，而要二者一样顺眼，前者就必须处处升标，用更好更贵的东西才行。
WAIC (World Artificial Intelligence Conference)：世界人工智能大会，是国家有关部门和上海市政府共同打造的国际高端合作交流平台。大会通过会议论坛、展览展示、评奖赛事、智能体验等形式呈现，旨在加快打造人工智能等领域的世界级产业集群。
Metaverse：元宇宙，指通过计算机模拟出的与现实宇宙相同的平行虚拟世界，基于扩展现实技术（如VR、AR、XR等）、区块链、云计算、数字孪生等新技术。Metaverse这个词最早出现于1992年出版的科幻小说《雪崩》，该小说描绘了一个庞大的虚拟现实世界，人们在这个世界里用数字化身相互交往，并相互竞争，以提高自己的地位。 对此话题感兴趣的同学👉【中英交传】360、全员裁撤：元宇宙为何“失宠”？
metaverse AIGC (AI-generated content)：人工智能生成内容，指利用人工智能技术生成文本、图像、音频、视频等内容。AIGC可以根据用户的偏好和需求生成定制化的内容，提供更个性化的体验，使得用户能够更高效地获取和创造内容；同时也引发了关于版权、伦理和真实性的讨论。
Discriminative AI/Generative AI：判别式AI、生成式AI，是两种不同类型的机器学习模型，在数据处理和任务执行上有不同的侧重点。
判别式模型专注于学习输入数据（特征）与输出标签（类别）之间的关系，试图找到一个分界线，输出类别标签，以区分不同类别的数据，主要用于图像分类、文本分类等分类任务。
生成式模型不仅学习输入和输出之间的关系，还试图模拟输入数据的分布，可以生成新的数据样本，类似于训练数据的特征，广泛用于图像生成、文本生成、音乐创作等生成任务。
判别式模型通常更简单，训练速度较快；生成式模型通常更复杂，需要更多的计算资源。
discriminative model vs. generative model
ERNIE4.0：文心大模型4.0，百度对于大模型的能力划分了四个界定标准：理解、生成、逻辑和记忆。此次的文心大模型4.0升级，基础架构与3.0和3.5版本相同，但在逻辑和记忆的方面有较大提升。
SFT (Supervised Fine-Tuning)：监督微调，是一种常见的深度学习策略。在SFT之前，模型通常会经过预训练，使用大量无标签数据学习一般知识；SFT则是在此基础上，通过有标签的数据进行训练，使模型能更好地执行特定任务。SFT可以帮助模型适应情感分析、文本分类、问答系统等应用场景。
safety alignment：安全对齐，指在人工智能系统的设计与开发过程中，确保这些系统的行为和目标与人类的价值观和安全标准相一致，以便于人类在任何时候都能够控制和干预AI系统的行为，避免系统失控。在自动驾驶、医疗AI诊断、金融和法律的自动化决策系统等领域，安全对齐的重要性更为凸显。
LLM (large language model)：大型语言模型，指通过大量文本数据进行训练的深度学习模型，这些模型能够理解、生成和处理自然语言，常用于聊天机器人、内容生成、自然语言处理等领域，常见的LLM包括ChatGPT系列、Gemini、Qwen等。
Sora：是美国人工智能研究公司OpenAI于2024年2月15日发布的人工智能文生视频大模型。Sora可以根据用户的文本提示创建最长60秒的逼真视频，可以深度模拟真实物理世界，能生成具有多个角色、包含特定运动的复杂场景。
示范笔记为誊写版本，除了字迹更工整外，保留了原始版本的符号、缩写、排版，不存在脱离实际的后期美化。
公众号提供英文翻译的听写版本，译稿分享与公众号更新保持同步，了解免费译稿获取方式，请阅读《公众号语料下载》。
【口译点评】Communicate to Inform, Not Impress（5000字）
