现在配眼镜的同学可能不在少数,选完框架,就到了选镜片的环节,一般导购都会问要不要考虑蔡司的镜片。
不仅仅是镜片,蔡司是一家拥有177年历史的光学和光电子领域全球领先的科技集团,作为光学领域的先驱,蔡司一直持续挑战想象力的极限。
为了给客户不断创造价值,蔡司在3年前成立了ZDP(ZEISS Digital Partners)部门,为的是推动蔡司中国的数字化转型,支持蔡司各业务领域用数字化的方式服务蔡司内外部客户,而且数字化创新中心的创新成果还会从中国创新输出到全世界。
作为卡尔蔡司(上海)管理有限公司数字化创新中心负责人李沛昌,他最常说的一句话就是“think outside the box”(创造性思维),因为蔡司在做创新时很多时候是没有目的的。正是抱着这样的思维,蔡司也制定了自己的“2025议程战略”,首先要实现数字化,然后做到数字化创新,最后达成数字化转型,当然这整个过程自然也离不开云和AI。
蔡司的云优先创新方法论
俗话说,船大难转弯。可以想象一家177年历史的企业要做数字化创新肯定不是一件易事,在李沛昌看来,蔡司的创新应该采用云优先,所以还是在3年前,蔡司在中国也与微软开始合作,使用了微软智能云Azure进行创新。同时蔡司还希望用数据驱动做出更多有趣的产品,通过在云上建设数据湖,蔡司也将不同的数据源集中在一起进行分析。
卡尔蔡司(上海)管理有限公司数字化创新中心负责人李沛昌
现在很多企业正在从CAPEX(资本支出)转向OPEX(运营支出),这也是蔡司的一大方向,比如出现一个运营问题,在和跟微软的工程师电话沟通后,不到4个小时就可以解决问题,这也是安全感的体现。
蔡司在选择合作伙伴时,重点考虑的是服务和SLA,现在蔡司的数字化生态,对内对外都是以微软智能云Azure为主,而且还实现了DevOps。李沛昌说,现在每一个数字化项目都会在DevOps上部署,后台是不同的云服务在支撑,之前一个项目几个月都出不了货,现在两个星期就能做出一个MVP(最简化可实行产品)。
预计下半年,蔡司也将转向DevSecOps,将安全要素植入到DevOps平台上,这也是微软正在帮助蔡司在做的事情。
同时蔡司也在AI和ML层面不断推进,蔡司的ChatBots正进入第三代,其中的数据思维和算法也是同微软一起合作,形成了对话的服务模式,而不是简单的一问一答。
在ADOP、CV、Productive Model上,蔡司已经和微软展开了不同的合作,未来李沛昌希望能够把蔡司数据中心和微软数据中心能力结合在一起,帮助蔡司做出第一个自己的生产模式。
让创新再云上不断发生
最近,微软在全球版Azure服务中正式上线了Azure OpenAI服务,从辅助写作(Generative Pre-trained Transformer)、编写代码(Codex)、图片和视频生成(DALL-E 2),到解读数据洞察、分析市场趋势,乃至加速科学研究,目前中国已有三个数据中心区域部署了企业级Azure OpenAI。
Azure OpenAI服务提供了有SLA保证的企业级服务和完善的安全防护措施,同时微软也在积极支持各行业客户,共同探索和开发基于OpenAI的更多创新场景,并帮助企业打造自己专属的业务创新解决方案及应用落地。
“OpenAI并不是微软智能云Azure的第一个大模型的AI服务。”微软公司副总裁,微软大中华区首席运营官康容说道,现在OpenAI非常火,其实微软智能云Azure一直就在提供像大数据分析、数据湖等解决方案。
微软公司副总裁,微软大中华区首席运营官康容
OpenAI培训的数据量远远超过各厂商本来的模型数据量,而且GPT(Generative Pre-trained Transformer)不只是做基本的对话工作,它会自己收集大量的数据,做出新的内容、文字、图片、视频等,这是在模型上最大的突破。
微软智能云Azure提供的是企业级OpenAI模型,其最大的优势是能够帮助像蔡司这样的企业实现安全、合规、合法、可靠等需求,同时还可以帮助微软和合作伙伴的技术人员进行支持。康容表示,企业和普通用户的需求差异非常大,Azure OpenAI服务是一个可开发的平台,企业可以用自己内部数据去进行训练。
比如蔡司使用Azure OpenAI做一个医疗ChatBot,这个ChatBot回答的问题,是另外一个ChatBot都无法理解的,因为它是蔡司用企业级数据培训的。所以未来Azure OpenAI会被应用在各个领域,生成完全不同的图片和视频,协助员工在内部快速、大量的完成数据分析,做出报告。
同时,微软也在持续加大智能云Azure在华投资,刚刚开幕的北三数据中心是微软智能云Azure最新的核心数据中心区域。微软智能云Azure也在持续发展创新,2023年近40项全新的微软全球云端创新科技也将陆续落地中国,其中涉及了基础架构、数据及智能以及云原生应用创新三大领域,进一步满足中国市场对云服务、云创新不断增长的业务需求。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。