今天亞馬遜CTO Werner Vogels在AWS re:Invent 2014大會的主題演時,請其合作伙伴Splank的 CEO助陣,他說Splank是一家軟件公司,是他的生產(chǎn)型客戶、消費性客戶等要求他幫助將私有云資源向AWS公有云服務上轉移,如耐克、可口可樂等公司,而且很快搞定,他用了10分鐘完成的說法。
音樂供應商則上臺說,通過AWS平臺可以搞定高清,有了AWS他們每月可以為用戶增加100兆音樂的推送,這是原本用私有云不能完成的,亞馬遜CTO在穿叉上述用戶演講時說,澳大利亞一公司本在私有云需要10天完成的項目,放在AWS上4小時搞定。
一位來自天氣預報,每天下載1.7億次下載的供應商說,800個數(shù)據(jù)來自于雷達等設備,15分鐘為周期天氣預報,只有AWS云平臺可以支撐。
谷歌眼鏡的開發(fā)公司也上臺,為AWS的省事兒省時完成用私有云不可能完成的項目作了實例證明。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。