科技行者 1月8日 北京消息(文/李祥敬):美國拉斯維加斯,2020年1月7日——在2020年國際消費電子展(CES 2020)上,英特爾在以“智能驅(qū)動創(chuàng)新”(Innovation through Intelligence)為主題的新聞發(fā)布會上演示了系列場景,展現(xiàn)了其如何將智能融入云、網(wǎng)絡、邊緣和PC,推動其對人、企業(yè)和社會創(chuàng)造積極的影響。
當前,數(shù)據(jù)中心是為全球企業(yè)提供智能的重要驅(qū)動力,而英特爾至強可擴展處理器仍然是數(shù)據(jù)中心的基石。英特爾公司執(zhí)行副總裁、數(shù)據(jù)平臺事業(yè)部總經(jīng)理孫納頤(Navin Shenoy)在主題演講中宣布,于2020年上半年推出的第三代英特爾至強可擴展處理器,將包含面向內(nèi)置人工智能訓練加速的全新英特爾DL Boost擴展指令集,與之前的產(chǎn)品系列相比,其訓練性能提升高達60%,而且至強是唯一的內(nèi)置AI的通用CPU。
孫納頤著重介紹了英特爾將智能融入云、網(wǎng)絡和邊緣計算的數(shù)據(jù)平臺的多種途徑,并舉例說明其對體育和娛樂體驗帶來的變革。
孫納頤介紹說,Netflix采用最新的視頻壓縮技術(shù)——AV1,以優(yōu)化Netflix的媒體流服務,并將全球范圍的內(nèi)容帶入人們的生活之中。相較于之前的AVC壓縮技術(shù),它能使壓縮的效率提升高達60%。英特爾和Netflix繼續(xù)合作,推動開源高性能編碼器(SVT-AV1)的開發(fā),并在第二代英特爾至強可擴展處理器上進行了優(yōu)化,顯著地提升了質(zhì)量和性能以實現(xiàn)商業(yè)部署。
3D“運動員追蹤”(3DAT)是業(yè)內(nèi)首創(chuàng)的計算機視覺解決方案,它利用人工智能提供接近實時的數(shù)據(jù)洞察和可視化,可大幅提升觀賽體驗。3DAT使用高度靈活的攝像頭捕捉運動員的姿勢和動作,然后應用以英特爾DL Boost優(yōu)化并由英特爾至強可擴展處理器驅(qū)動的算法,從生物力學機制的角度對運動員動作進行分析。孫納頤宣布,該技術(shù)將應用于2020年東京奧運會100米及其它短跑項目的視頻回放中。
除此以外,英特爾和體育產(chǎn)業(yè)正在以“體三維視頻”(volumetric video)促進體育賽事觀賽體驗的變革,這是突破觀賽體驗極限的重要進展。英特爾 True View合成出體育場館的全部空間,提供全方位無死角視野,讓球迷可以選擇從任何有利位置和運動員視角,以流式傳輸?shù)姆绞皆谄湓O備上觀賽。英特爾和美國職業(yè)橄欖球大聯(lián)盟(NFL)以克利夫蘭布朗隊與亞利桑那紅雀隊的比賽為例,展示了“體三維”視頻的沖擊力。僅在一場NFL比賽的第一節(jié),所產(chǎn)生的數(shù)據(jù)就超過了3TB/分鐘,這種指數(shù)級的數(shù)據(jù)增長,需要超強的計算力才能實現(xiàn)。
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,已在多個任務上驗證有效性。