CNET科技資訊網(wǎng) 1月6日 北京消息:2017年第一場全球科技大party,非國際消費電子展(CES)莫屬。據(jù)不完全統(tǒng)計,今年有超過3800家參展商發(fā)布20000多件消費電子產(chǎn)品齊聚“賭城”拉斯維加斯,涵蓋了PC、智能家電、智能手機、物聯(lián)網(wǎng)、智能汽車、VR等多個領域,其中,人工智能很hot。
人工智能時代,智能機器人將越來越多的走進人們的家庭。在為數(shù)越來越多的中國本土品牌當中,ROOBO攜核心技術ROOBO“AI+OS”機器人系統(tǒng)參展,向世界展示中國企業(yè)在人工智能機器人系統(tǒng)方面的優(yōu)勢。
走進美國內(nèi)華達州拉斯維加斯金沙會展中心2樓44763號展位,ROOBO的兩款機器人吸引了觀眾,分別是升級版的兒童智能機器人布丁豆豆和達萌智能寵物機器人,有觀眾直言“布丁豆豆外表圓潤光滑,萌萌的表情極具親和力,簡直想當場買回家!”。
ROOBO產(chǎn)品負責人介紹,作為布丁S的升級版,布丁豆豆更加安全,內(nèi)置豐富的學習資源,可以幫助孩子學習英文口語,還能教孩子唱經(jīng)典的英文兒歌,營造英語語感。除此之外布丁豆豆可以自動識別常見的色彩,在涂鴉中培養(yǎng)孩子的審美藝術情操;還可以識別孩子的健康坐姿及光線環(huán)境,培養(yǎng)孩子養(yǎng)成良好學習習慣。
展區(qū)中,除了已參加過去年CES展的Runbone智能耳機外,還有由ROOBO投資的國內(nèi)VR技術企業(yè)IDEALENS的IDEALENS VR產(chǎn)品。
“AI+OS”:把智能硬件、人機交互和人工智能結合在一起
說起ROOBO的看家本領“AI+OS”,ROOBO產(chǎn)品負責人表示:“‘AI+OS人工智能機器人系統(tǒng)’旨在把智能硬件、人機交互和人工智能結合在一起,以機器人作為核心的網(wǎng)絡入口,把整個家庭網(wǎng)絡搭建起來,為家庭生活提供各種便捷、智能的服務和功能。任何一家人工智能企業(yè),產(chǎn)品都是最重要的支撐,沒有產(chǎn)品來對接用戶,一切都是空談。在產(chǎn)品的背后,最重要的是在技術上擁有核心競爭力。”
合作,同樣是ROOBO的商業(yè)模式,ROOBO的合作方自世界各品牌商,不僅在中文語音識別方面與國內(nèi)行業(yè)翹楚合作,還與國際語音巨頭Nuance戰(zhàn)略合作。ROOBO把Nuance Mix作為其開放機器人和AI平臺的一部分,利用Nuance Mix NLU開發(fā)平臺提供的語音和自然語言(NLU)能力,成為全球的機器人和設備開發(fā)會話及認知接口。Nuance的外語語料庫將有助于ROOBO把產(chǎn)品賣向全球其他更多語言國家和地區(qū)。此次CES上,Nuance公司CEO親臨ROOBO展會現(xiàn)場,同時高通副總裁、格力梁部長、虹軟董事長等多家國內(nèi)外巨頭公司高管也來到ROOBO展臺與中外媒體交流互動。
作為一家成立于2014年的北京智能管家科技有限公司,ROOBO是面向全球的智能硬件科技平臺??偛吭O立于北京,并且在深圳、蘇州、成都、韓國首爾、俄羅斯莫斯科及美國西雅圖等全球各地均設有分支團隊。
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(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。