CNET科技資訊網(wǎng) 5月18日 北京消息(文/孫封蕾):在云計算領(lǐng)域,百度并不是最早把自身的云計算能力作為服務(wù)對外提供的,但是,憑借百度在人工智能的積累,百度開放云在把云計算能力開放之后,就變成了一個像“金箍棒”一樣的工具, 既能當做“定海神針”似的重磅武器,提供機器學習的能力,還能變成信手拈來的“繡花針”,供開發(fā)者甚至高校學生使用。
坐擁這樣的“神器”,百度開放云總經(jīng)理劉煬自然信心滿滿:“百度開放云基于百度16年的積累,百度是搜索引擎起步的公司,搜索從第一天開始就面臨大數(shù)據(jù)、 云計算的業(yè)務(wù),搜索業(yè)務(wù)有很大的流量,需要做很多的工作,有很多應(yīng)用基礎(chǔ),所以,在云計算大數(shù)據(jù)上,百度做了很多積累。”
百度的大數(shù)據(jù)起初以搜索為核心,后來發(fā)展到大規(guī)模的人機交互的升級,百度在語音、人機交互投入很多力量,發(fā)展到今天,百度致力于人工智能綜合應(yīng)用,特別是在超難強度的無人駕駛, 用語音來控制、交互,做路徑規(guī)劃,障礙物預(yù)測和判斷,再到高精準度的地圖,未來在車上還有O2O的推薦等,實際上對人工智能挑戰(zhàn)非常大。
劉煬指出,人工智能是不可阻擋的趨勢,可以大幅提高效率,這種效率的提升并不是拍腦袋來做到的,而是在大數(shù)據(jù)的環(huán)境下用算法實現(xiàn),把調(diào)度做到極致。
與國外的云計算環(huán)境不同,國內(nèi)的云計算開始比較晚,還沒有達到創(chuàng)新驅(qū)動競爭的時期,國外先進的云計算環(huán)境,是在IT化中完成互聯(lián)網(wǎng)化,而國內(nèi),是IT化與互聯(lián)網(wǎng)化同步進行的,環(huán)境不同。
然而,這在劉煬看來,恰恰是百度在云計算行業(yè)彎道超車的機會,百度是領(lǐng)先的互聯(lián)網(wǎng)公司,既懂業(yè)務(wù),又懂數(shù)據(jù),再加上在人工智能多年來探索和取得的成就,正是百度開放云的大好時機。
百度把自己在人工智能上的能力進行開放,也做了不同層面的劃分,從簡單一點的人臉識別、圖片內(nèi)容識別,到算法庫開放,都有解決方案,甚至給到機器學習的專家,都有解決方案可供選擇。
除了人工智能的能力,百度開放云也在積極推動對開發(fā)者的支持。
劉煬介紹,百度開放云對開發(fā)者提供了多種形式的支持。云計算技術(shù)本身降低了開發(fā)者的技術(shù)門檻和創(chuàng)新門檻。百度開放云也通過跟很多產(chǎn)業(yè)園區(qū)合作,提供免費、打折的機會,提供培訓機會,供開發(fā)者學習的文檔,并為開發(fā)者提供交流機會等等,做了很多云計算的普及工作。
此外,在生態(tài)系統(tǒng)的培養(yǎng)上,百度開放云跟學校合作,開放課程,積極與ISV等進行商業(yè)合作,加強溝通、交流,在培訓生態(tài)的同時,也積極傾聽來自生態(tài)系統(tǒng)的反饋。
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(zhuǎn)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(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(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(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(wù)上驗證有效性。