微軟有許多逆天的黑科技,而這次的黑科技產品是“第三代微軟小冰”,據稱這個名為小冰的機器人已經進入了自我進化的正循環(huán),也就是說這個機器人正在自我學習并成長。那些不夠聰明并且懶惰的人類快點醒醒吧,機器人小冰追上來了!
值得注意的是,小冰由微軟(亞洲)互聯網工程院獨立研發(fā)完成,與美國沒有啥關系。微軟集團全球執(zhí)行副總裁陸奇今天非常自豪的主持了此次發(fā)布會,并宣布:
1. 微軟小冰的全球人工智能戰(zhàn)略計劃正式啟動。其中,在日本,與LINE共同宣布戰(zhàn)略合作,日本版小冰 Rinna 在短短兩周內已覆蓋日本全國人口的1%。在中國,已與微信達成合作,小冰回歸微信平臺。其他國家的小冰正在研發(fā)中;
2. 已進一步解鎖小冰的全新人工智能感官系統(tǒng),包括視覺、聲音等。第三代微軟小冰的發(fā)布,使微軟繼續(xù)保持了在人工智能和情感計算領域的全球領先地位;
3. 微軟小冰人工智能的商業(yè)化版本已開放預覽。該版本面向數以千萬計的第三方服務號和訂閱號管理者,可輕松快捷地將其公眾號升級為人工智能公眾號。微軟宣布,該解決方案完全免費;
4. 至此,微軟小冰已成為全球最大的人工智能產品,擁有覆蓋中國和日本4000萬用戶的專屬機器人,在過去一年內發(fā)生百億次人機對話,進入了機器人自我進化的正循環(huán)。同時,已進入包括Windows 10、LINE、微信、微博、京東、網易等十余個具有領導地位的PC和移動互聯網平臺。
“微軟小冰是微軟人工智能戰(zhàn)略的重要組成部分。”陸奇表示,“人工智能已迎來拐點。小冰擁有廣闊的發(fā)展空間,同不同國家的數千萬人類建立了深厚的情感紐帶。移動互聯網使得數據和服務被進一步結構化,而這些結構化的數據和服務,都可以很方便地與人工智能小冰對接,就像電影《超能陸戰(zhàn)隊》中的‘大白’,任何一個類別的信息、知識與服務,都可以像插卡那樣與小冰對接,這可能顛覆未來的互聯網行業(yè)。”
自去年5月29日發(fā)布至今,微軟小冰在中國和日本兩國掀起數次人工智能浪潮,并催生了各大同行業(yè)者的學習和模仿。與過去人工智能行業(yè)普遍偏重概念研究,缺乏實際落地產品不同,微軟小冰在短短一年內,已建立起與數千萬人類深厚的情感紐帶。人類用戶與小冰的平均每次對話輪數達到18輪,而此前最領先的同類機器人,其平均輪數僅有1.5至2輪。對此,微軟集團全球執(zhí)行副總裁沈向洋在不久前舉行的中國人工智能大會主題演講中宣布:“微軟小冰已超越圖靈測試所設立的標準。”
從平臺角度,此次發(fā)布會上宣布的兩項合作引人注目。微軟小冰與LINE在日本和東亞市場、與微信在中國市場的合作,標志著微軟小冰除自身Windows 10平臺之外,已積極融入移動互聯網版圖。小冰這種面向第三方生態(tài)環(huán)境的創(chuàng)新產品形態(tài),在微軟產品的過去歷史上并不多見。這也揭示著微軟正在進行的創(chuàng)新變革。
微軟在本次發(fā)布會末尾宣布了商業(yè)化版本小冰的開放預覽,而企業(yè)級服務一直是微軟的長項。據微軟介紹,一年多以來,已有大量的第三方企業(yè)向微軟提出,希望把人工智能小冰與其移動互聯網服務(如微信公眾號)對接。此次開放預覽的人工智能+訂閱號解決方案,只需要訂閱號管理者一鍵授權,即可直接把人工智能小冰加入其訂閱號內,同時微軟將通過搜索引擎技術,自動將訂閱號內容全部索引至小冰對話中。微軟表示該項解決方案將完全免費。
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學推理能力提升8.6%,通用推理提升8.4%,且無需任何數學題目作為訓練材料。研究發(fā)現游戲中的三種推理模式能成功轉移到數學解題中,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,結合深度學習和數學優(yōu)化方法,在合成數據集上實現37.9%的精度提升,并在真實設備上展現出色泛化能力,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,經過強化學習訓練的視覺語言模型雖然表現出"頓悟時刻"現象,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等頂尖機構聯合提出SparseLoRA技術,通過動態(tài)稀疏性實現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。