初夏的银川还有一份清凉,但银川市第三十一中学的学生们,正在火热的进行着亚马逊云科技Amazon DeepRacer全自动驾驶赛车的实践。
2021年亚马逊云科技就发起了“AI在未来”公益计划项目,项目由亚马逊云科技与中国光华科技基金会共同合作开展、专注于青少年人工智能和机器学习素质和能力培养的一个公益项目。
通过亚马逊云科技全球领先的人工智能学习工具Amazon DeepRacer全自动驾驶赛车为基石,依托中国光华科技基金会在社会化动员、项目化推进方面的优势而落地执行。
5月9日,银川市第三十一中学也成为了“AI在未来”公益计划项目校,同时也落地了“AI在未来”公益计划首个人工智能体验中心。中国光华科技基金会、亚马逊云科技、宁夏团区委、银川市政府和银川团市委的各方代表共同见证了“AI在未来”项目校的落成。
新学年,新提升
今年“AI在未来”公益计划项目已经进入第二学年,截至目前,共有65所学校的超过6500名学生参与到了项目中,第二学年共有四个省份的40所学校参与到项目中。
少年智则国智,我们相信科技创新的根本在于人。亚马逊全球副总裁、亚马逊云科技大中华区执行董事张文翊表示,亚马逊云科技希望通过“AI在未来”公益计划将丰富的全球教育和培训资源带给更多中西部学校的学生,点亮他们的科技梦想。
亚马逊云科技正与中国光华科技基金会一起,持续扩大项目的覆盖范围,将人工智能体验中心打造成同学们交流学习的大本营,支持他们在科技探索的道路上乘风破浪、勇敢追梦。
“我们有信心携手亚马逊云科技,将‘AI 在未来’项目打造成在公益行业在科技教育领域的标杆,也希望亚马逊云科技和社会各界持续关注中西部地区科普教育事业的发展。”中国光华科技基金会党委书记、理事长梅峰说道。
基于第一学年的经验,项目在第二学年进行了两方面的提升,包括课程内容的提升和项目设计的丰富性。
课程内容上,适当减少理论课程,更多上手实践;为每个省份配备人工智能体验中心;加大教师培训力度,给学生提供更长时间、更充分、更个性化和更具指导性的培训,最终能够提升孩子的学习体验。
项目设计上,引入了人工智能体验中心;以赛促学,增加孩子在校际方面的交流和体验,除了线上还有线下比赛,最终有机会进入夏令营和全国联赛;提供“AI在未来”奖学金;打造轻量化支持模式。
亚马逊云科技大中华区公共关系及企业社会责任副总裁张飒英指出,Amazon DeepRacer是有一定门槛的,把它推向青少年必须从课程上更加适应孩子们的知识水平、学习进度,而且还要能激发孩子的学习兴趣。
“AI在未来”公益计划项目为期三年,涵盖了从老师培训、学生课程的开展、人工智能体验中心的捐赠、相关赛事的开展等,长期对老师和学生进行持续的投入。项目不仅仅是一个简单的比赛,希望学生在学习的过程中不止学习人工智能和机器学习的基础知识,而是锻炼思维、启发创新,将来用这套理论解决现实世界的困难和问题。而且亚马逊云科技也不是简单的捐出硬件,还配备了专人指导,拥有整套课程,以及完整的项目机制,包括合作伙伴来长期支持和跟踪,保证老师和学生能用到、用好,在这个过程中提升自己。
据介绍,体验中心配备电脑、赛车和赛道等设施并培训专业科技老师进行运营,将开放给项目省内所有高中,为学生日常的培训和比赛提供场地、硬件资源与技术支持,让同学们在实践中进一步掌握人工智能知识,在竞技中提升解决真实世界中复杂问题的能力,将项目的影响力和可持续性提升到更高的水平。
本学年,继宁夏之后,亚马逊云科技将与中国光华科技基金会在青海、四川和山西三个项目省落地三家体验中心,帮助更多中西部地区的青少年开启人工智能学习之旅。
Amazon DeepRacer最适合推动学习人工智能
“AI在未来”公益计划是围绕Amazon DeepRacer,通过提供人工智能课程、师资培训、组织Amazon DeepRacer比赛以及夏令营等活动,帮助青少年学习和实践人工智能前沿技术。
Amazon DeepRacer是一款由强化学习、3D 赛车模拟器驱动的 1/18 比例的全自动驾驶赛车。学习者可以在线上模拟器中训练、评估和调整强化学习模型,将自己的模型部署到 Amazon DeepRacer 上进行实践。
亚马逊云科技大中华区数据技术专家团队总监王晓野表示,Amazon DeepRacer的赛道不是直线,所以并不是单纯比速度,核心是要在速度和稳这两者之间取得平衡。
所以操作者需要给Amazon DeepRacer赋予一个“大脑”,这个“大脑”也就是机器学习里所讲的模型。在亚马逊云上的控制台,可以模拟小车整个赛跑过程。同时学生、参赛选手可以利用Amazon DeepRacer上的摄像头收集数据,帮助训练Amazon DeepRacer的“大脑”模型,整个训练背后需要大量的算力,这些都是亚马逊云科技在项目里提供的。
Amazon DeepRacer跟机器学习的关系或者跟AI的关系总结起来主要有三个“一致”,从这三点看来,亚马逊云科技认为通过Amazon DeepRacer来推动学生学习机器学习是最合适的。
第一,原理一致。Amazon DeepRacer背后需要一个跑得快又不出圈的“大脑”,这和如今各行各业应用背后所需的AI能力一模一样,是机器学习的原理,也叫做强化学习或者增强学习。
第二,过程一致。学生学习和改进Amazon DeepRacer算法的过程,比如如何收集数据、训练模型,构建这样的“大脑”等,都和同样运用机器学习原理的互联网推荐算法的过程是完全一致的。
第三,体验一致。学生比赛和学习的过程,需要反复设定目标并反复尝试、调整,最终实现这个目标的过程,这个和真实生活中无论是科研,还是工作感受的体验都是完全一致的。
亚马逊云科技将训练模型的过程进行简化,降低了门槛,学生在没有任何基础或者理论的前提下,也可以以点击的方式,把整个流程跑通,训练出一个模型,让车就可以跑。王晓野说,每个步骤都有一部分定制的能力,包括速度、转角,还可以帮学生生成代码等,学生还可以自己对代码做一些改造。
除了“AI在未来”公益计划以外,亚马逊云科技也通过Amazon DeepRacer针对客户、内部员工进行相关培训。
无论在深入性,还是执行性,“AI在未来”公益计划都是非常独特的公益项目。亚马逊云科技也希望在当下,能够把前沿的科学技术带给更多的孩子,“AI在未来”公益计划项目在当下则具有非常独特和深远的意义。
好文章,需要你的鼓励
浙江大学和吉利汽车研究院联合团队提出的FreeTimeGS是一种创新的动态3D场景重建方法。不同于传统方法,它允许高斯基元在任意时空位置自由出现,并赋予每个基元运动功能,使其能够随时间移动到相邻区域。研究通过4D正则化策略解决了高不透明度基元阻碍优化的问题。在多个数据集测试中,该方法在渲染质量和速度上均大幅超越现有技术,特别是在处理复杂动态场景时,使用单个RTX 4090 GPU能以467 FPS的速度实现1080p实时渲染,为电影制作、游戏和虚拟现实等应用提供了新可能。
这篇研究介绍了"对角线批处理"技术,该技术解决了循环记忆Transformer模型在处理长文本时的并行计算瓶颈。通过重新编排计算顺序,研究团队实现了在不破坏依赖关系的情况下进行并行计算,使LLaMA-1B模型处理长文本的速度提升3.3倍,同时内存使用减少167.1倍。这种纯运行时优化不需要重新训练模型,为实际应用中的长文本处理提供了高效解决方案。
BEVCALIB是一种利用鸟瞰图表示实现激光雷达与相机校准的创新方法,由南加州大学和加州大学河滨分校的研究团队开发。该方法将不同传感器数据转换到共享的BEV空间,并通过几何引导的特征选择实现高精度校准。在KITTI和NuScenes等数据集上,BEVCALIB比现有最佳方法平均提高了47-82%的性能,为自动驾驶和机器人系统提供了可靠的传感器融合基础。
博尔扎诺自由大学研究团队开发的PATS技术通过保留完整运动片段代替随机抽取视频帧,显著提升了AI评估体育技能的能力。该方法在EgoExo4D基准测试中表现出色,攀岩评估准确率提高26.22%,音乐提高2.39%,篮球提高1.13%。PATS能根据不同运动类型自动调整采样策略,为体育训练和人才发展提供了更准确的自动评估技术。