11月13日至16日,第十一屆用戶友好大會User Friendly 2014在太湖之濱無錫君來世尊酒店舉行。七牛云存儲CEO許式偉作為企業(yè)級云存儲領(lǐng)域的領(lǐng)軍人物,出席了專家論壇之智能生活論壇,并就智能生活話題與寶馬Alexis Trolin、TCL多媒體Flemming Moller Pedersen、長虹葉根軍以及同濟(jì)大學(xué)劉偉進(jìn)行討論。
近兩年,Google, Amazon, 蘋果等大佬對智能家居的關(guān)注讓這個領(lǐng)域慢慢在投資圈和媒體圈里熱了起來,此外,云計(jì)算,終端設(shè)備,傳感器,以及大數(shù)據(jù)的發(fā)展也讓智能家居的技術(shù)實(shí)現(xiàn)越來越成熟。但不管是圈內(nèi)還是圈外人士都帶著一個原始疑問:究竟什么是智能家居。
七牛CEO許式偉針對這個問題提出了自己的觀點(diǎn)。他提到:關(guān)于智能家居,其實(shí)是兩個層次的智能,一個是交互的智能,也就是怎么樣讓這種更智能的交互和人的日常的生活結(jié)合在一起。因?yàn)閷?shí)際上在計(jì)算機(jī)發(fā)展早期的階段,交互主要是通過鍵盤,但是實(shí)際上鍵盤是不太智能的一個東西。它并不符合人的平常的一種交互方式,所以在未來,所謂的第一層的智能就是更智能的交互,就是語音的交互,手勢的交互這種更加體現(xiàn)智能的東西。這實(shí)現(xiàn)起來并不容易,但在今天之所以成為可能,是因?yàn)榻裉煊?jì)算機(jī)的計(jì)算能力有非常大的增強(qiáng),并且云計(jì)算帶來了瘦終端化的趨勢,更多的計(jì)算是服務(wù)端進(jìn)行。另外一個層次的智能是對人個性的理解,也就是通過人的長期的行為的一些記錄,人的行為歷史記錄來發(fā)現(xiàn)這個人的偏好,并且更加智能的去向他推送一些他可能會非常希望看到的東西,就是對他用戶個性的理解。
后面,許式偉又針對性的闡述了如何實(shí)現(xiàn)第二層智能中提到的對人性的理解。首先,所有的家電和傳感器、開關(guān)、電視機(jī)頂盒,這些都和會互聯(lián)網(wǎng)的數(shù)據(jù),比如說GPS、天氣等,把這些變量相互融合并上傳到云端,然后多維度對用戶使用家居習(xí)慣,比如時間,地點(diǎn),方式,喜好等,進(jìn)行記憶,挖掘,以及分析。得到的結(jié)果反饋到家居系統(tǒng)中,再對用戶進(jìn)行個性化的推送。許總也提到,數(shù)據(jù)挖掘與分析產(chǎn)品化尚處于早期,但其實(shí)會包含的層次非常多,目前也沒有一個非常固定的方法,但他認(rèn)為一定會跟特定的領(lǐng)域有關(guān),比如說商家想為客戶解決某一特定問題,然后針對這樣的問題來做數(shù)據(jù)挖掘。
目前智能家居的生態(tài)越來越趨于碎片化,但其必然是會結(jié)合大數(shù)據(jù)和云計(jì)算的技術(shù)往前發(fā)展的。七牛云服務(wù)以數(shù)據(jù)為中心,專注技術(shù),幫助客戶管理從數(shù)據(jù)上傳,托管,處理到分發(fā)的整個生命周期的理念,相信將給智能家居行業(yè)帶來最穩(wěn)定的產(chǎn)業(yè)發(fā)展支撐與扶持。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊(duì)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(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)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(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)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(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗(yàn)證有效性。