至顶网CIO与应用频道 11月21日 北京消息:近日,第五届世界互联网大会在浙江乌镇如期开幕。当日,以“预见互联网未来”为主题的“世界互联网领先科技成果发布活动”也同步举行,这是世界互联网大会第三次面向全球发布领先科技成果,此次共有15项科技成果通过45名国内外知名的互联网业界人士的严格评选并成功入围,SAS高级副总裁及风险研究与定量解决方案部门负责人Troy Haines同样受邀作为推荐委员会成员参与成果评选。
“在评选过程中,我不仅见证了45家企业所彰显出的互联网领域从业者的非凡贡献及杰出创新,更体会到他们对互联网技术创新、绿色、包容、共享理念的不懈坚持。而今天所最终公布的15项科技成果,一方面描绘了互联网创新发展的宏伟蓝图,另一方面也映射出人们对未来美好生活的憧憬。” Troy Haines在发布活动结束后由衷感慨道。
SAS高级副总裁及风险研究与定量解决方案部门负责人Troy Haines (图左)
据悉,自今年7月以来,本次活动评选前期向全球范围内的互联网企业、科研机构、高等院校以及个人发出成果征集邀请,最终收到来自中国、美国、英国、法国、德国、瑞典、爱尔兰、芬兰等20个国家所提交的400余项互联网领域创新成果,其中包括经第三方权威机构认定的理论研究成果、前沿技术研究成果、具有全球影响力的杰出产品、创新性商业模式和综合类成果等。随后,经过第五届世界互联网大会“世界互联网领先科技成果推荐委员会”进行投票,按照得票数推荐产生并报大会组委会审定,最终评选出年度15项代表性领先科技成果。
众所周知,在智能化浪潮的催生下,物联网与人工智能相伴从概念迅速落地生根,两者在创新技术的驱动下,在世界各个角落持续爆发。大势所趋,加速物联网应用和人工智能技术研发无疑是众多互联网企业共同面临的重大课题。而本次活动上所发布的科技成果则涉及人工智能、5G、大数据、云计算、区块链技术等诸多领域,而且超过三分之一的成果均属于物联网与人工智能范畴,这无疑预示着物联网与人工智能的融合势必成为未来互联网企业的创新风向,更印证了SAS高级副总裁兼全球研发负责人Stuart Nisbet在年初的SAS中国用户大会暨商业分析领袖峰会上所提出的“人工智能互联”趋势。他曾表示:“2018年,人工智能和物联网的进一步融合和变革,将创造出人工智能互联(Artificial intelligence of things, AIoT)并加速促进互连性和自动化世界的智能化转型。”
除此以外,本次活动所弘扬的互联网技术创新、绿色、包容和共享理念,也与SAS一直以来所坚持的开放、创新精神不谋而合。Troy Haines表示:“42年以来,我们始终致力于增强创新并让创新技术渗透到每个业务领域,通过数据分析为各行各业创造价值并改善人们的生活。正因如此,SAS同所有互联网业界同仁一样,积极拥抱最新科技趋势,大力发展物联网与人工智能,着力两大创新技术的有机融合,借此推动全球互联网创新生态体系的绿色发展。”
作为国内一年一度的互联网盛会,未来世界互联网大会上还将发布更多引领全球互联网发展的科技创新成果,而这些科技成果将为建设网络空间命运共同体筑石铺路。SAS不仅鼓励新一代互联网人不断创新突破,更倡导在共创互联网世界的同时,也为互联网空间的绿色发展负责,为创造互信共治的智能世界而贡献力量。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。