CeBIT進入到第三天,迎來了一個大事件,在HALL8(8號館),CeBIT的官方主持人通過視頻遠(yuǎn)程連線了現(xiàn)在身在俄羅斯的斯諾登,同時,斯諾登的小伙伴——英國前衛(wèi)報記者Greenwald也現(xiàn)身會場參與對話。
主持人的采訪非常直接了當(dāng),斯諾登的回答也滴水不漏。以下是一些核心信息的整理:
1、斯諾登的出場是伴隨在英國前衛(wèi)報記者Greenwald的出場之后,Greenwald正是協(xié)助斯諾登透露了棱鏡門相關(guān)信息的記者?,F(xiàn)在Greenwald自己建立了一個獨立媒體——intercept。
圖1:英國前衛(wèi)報記者Greenwald和CeBIT主持人
2、斯諾登的視頻畫面很有特點,除了前景肩部以上,其他畫面是全黑色的背景,斯諾登本人則帶著一付耳機??梢赃@樣說,根據(jù)這個視頻畫面,你幾乎得不到任何關(guān)于斯諾登所在的環(huán)境信息。曾經(jīng)有消息說,訪問他的人需要把電話放在冰箱里防止竊聽。這次視頻對話也說明了他在這方面的謹(jǐn)慎。
圖2:遠(yuǎn)程對話中的斯諾登
3、Greenwald認(rèn)為,因為斯諾登的行為,世界變得更加好了(指在公民注重隱私保護方面)。這周也有統(tǒng)計表明,美國有超過1/4的網(wǎng)民在斯諾登事件之后,更加注重自己的隱私保護。
4、斯諾登不清楚自己是否有機會回到美國(這句話的背景是奧巴馬還有兩年的總統(tǒng)任期)。
5、或許因為CeBIT是一個IT的會議,所以斯諾登提出保護隱私也需要技術(shù)(Technology)的協(xié)助,而每個人都可能受到隱私的侵犯(attack)。
6、在斯諾登事件兩年之后,顯然安全問題成為一個熱門的安全議題。在所有的CeBIT日程安排當(dāng)中,這次訪談吸引了最大數(shù)量的觀眾參與,會場左右和后方有很多站立聽會的觀眾。以至于斯諾登出場前的另外一個講IT的一個創(chuàng)始人嘉賓發(fā)現(xiàn),隨著自己的演講結(jié)束,會場的人竟然越來越多,不清楚他是否知道這些逐漸涌進來的人其實是為了下一場對話占座位的。
7、斯諾登的出場共得到了三次全場范圍的鼓掌。最后一次在視頻連線結(jié)束后,持續(xù)了5秒鐘。對于主持人提出他是否應(yīng)該回到美國的看法,他和Greenwald沒有認(rèn)同主持人提出的思路。
圖3:斯諾登現(xiàn)場對話
8、斯諾登認(rèn)為未來不是安全和隱私之間的關(guān)系,而是監(jiān)督和隱私之間的關(guān)系。
9、歐洲媒體認(rèn)為,有5件發(fā)生CeBIT上的事不能錯過,一個是斯諾登參與對話,另外四件事是:一是,工業(yè)4.0相關(guān)的移動設(shè)備與工業(yè)機器人;二是,工業(yè)4.0相關(guān)的物聯(lián)網(wǎng)的開放平臺;三是,大數(shù)據(jù)分析,比如體育賽事等方面的應(yīng)用;四是,三星這樣的前端公司也參與到B2B IT展會中來,力度還很大。
10、主持人提議,如果未來有一天斯諾登離開俄羅斯,是否會到CeBIT現(xiàn)場來,而不是再視頻對話,斯諾登回答沒問題,但還是要問德國總理默克爾。
11、斯諾登被問到再有一次這樣的機會,你會怎么樣?斯諾登回答:“I will do it again。” ——如果上天再給我一次機會,我一定會再干一次。
好文章,需要你的鼓勵
新加坡國立大學(xué)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(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。
同濟大學(xué)團隊開發(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)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、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)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(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際提升推理準(zhǔn)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(zhì)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(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)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(xùn)練效率,已在多個任務(wù)上驗證有效性。