至顶网CIO与应用频道 11月13日 北京消息:11月9-10日,“2017教育部产学合作协同育人项目对接会”在北京会议中心召开。在全国上下深入学习贯彻十九大精神的背景下,对接会围绕新时代高等教育发展、新兴产业发展趋势、新工科建设及产学合作协同育人等主题,组织了专题报告、分领域交流对接、产学合作项目推介展等活动,搭建校企合作平台,构建产教融合良好生态,完善校企协同育人机制。本次对接会吸引了来自全国高校、企业的1800余名代表参会,参会高校近500所,参会企业350余家。会议由教育部高等教育司指导,教育部产学合作协同育人项目专家组主办,工信部信息化和软件服务业司副司长任利华到会致辞,教育部高教司理工处处长吴爱华主持。
教育部高教司司长吴岩在“迈入新时代、开启新征程、打赢攻坚战、建好新工科”的主题报告中指出,党的十九大开启了加快教育现代化、建设教育强国的历史新征程。建设教育强国是中华民族伟大复兴的基础工程,优先发展教育,才能面向新时代、赢得新时代、领跑新时代。高等教育要围绕建设高等教育强国的新使命,打赢提高质量、促进公平、创新人才培养机制三个攻坚战,写好高等教育“奋进之笔”,交出“得意之作”。他强调,产学合作协同育人是高等教育的重要机制创新,今后还要广泛汇聚社会资源,深化产教融合,促进校企合作育人、合作办学、合作就业、合作发展,加快新工科建设,促进新产业蓬勃发展、新动能持续壮大、新人才不断涌现,为中华民族伟大复兴提供源源不断的人才支撑。
教育部高教司司长吴岩
产学合作协同育人项目专家组组长、哈尔滨工业大学副校长徐晓飞教授围绕“产学合作协同育人项目进展与管理规范”作专题报告,详细介绍了产学合作协同育人项目的实施进展和管理规范,并提出应以产学研合作和校企协同育人为重要抓手,构建共同体、营造新生态,面向未来加快新工科人才培养,造就新技术、新产业和新经济的引领者与创造者。
产学合作协同育人项目专家组组长、哈尔滨工业大学副校长徐晓飞教授
慧科集团的首席战略官、慧科研究院院长陈滢博士以“赋能新工科 培育新人才”为题作专题报告。他表示,产学深度融合是实施新工科的必由之路,将产业的理念、技术、资源整合到高校的培养体系、课程、实训以及师资中,同时将高校培养的学生、科研和双创成果带给产业,最大程度共享和优化配置产学资源,助力新工科建设,培养高素质创新人才。
慧科集团首席战略官、慧科研究院院长陈滢博士
随后,堪萨斯大学浣军教授、腾讯云副总裁王涛、天津大学副校长王树新教授、湖北工业大学校长刘德富教授围绕产学合作协同育人和新工科建设作了专题报告和经验分享。
9日下午,来自华为、阿里、百度、中软国际、Google、亚马逊、IBM、首都机场等近百家企业的代表进行了企业项目宣讲和指南介绍。校企双方分行业领域进行了深入交流对接。
据悉,教育部高教司于2014年启动实施产学合作协同育人项目,以产业发展的最新需求推动高校教育教学改革。四年来,项目参与企业数量、征集项目数量、资助经费和参与高校数量均实现指数式增长。截至目前,已有500多家国内外知名企业与近千所高校深度合作,立项近1.8万项,企业支持经费达30亿元。协同育人理念已深入人心,产教融合、产学合作的良好生态正逐步形成,校企合作办学、合作育人、合作就业、合作发展的长效机制正逐步建立。下一步,教育部还将拓展实施产学合作协同育人计划,整合校内外资源,全面提升人才培养质量,助力新时代中国特色、世界水平高等教育强国建设。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。