视 频实录:感谢2016年世界智能制造大会对我的邀请。由于本人不能到场参会,对此我深表歉意,我是孔翰宁,德国工程院院士,我们主要研究由创新驱动的可持 续发展这个主题,并向创新体系内的所有利益相关者,特别是政府,建言献策。2008/2009年金融危机后,我们曾寻求保持德国制造业竞争力的方法,并通 过工业4.0这个专业词语发布了相关理念,从历史上来看,工业生产历经数次变革,期限是蒸汽时代,接着是电气时代,然后是近50年的自动化,我们在各领域 取得显著进步,如微电子、机器人、光子、机器学习、云计算和实时分析,由此引发展下面一次,即第四次工业革命。它的特点是智能,超联通,自主。物联网正进 入工厂中,将智能产品,智能机器与操作智能设备的工人连接起来,德国企业已经成功将自动化、和信息通讯技术引入生产过程,如今,有90%企业处于工业 3.0阶段,在生产车间中,向工业4.0的转变将会是一种渐进式的演化,而由数据驱动的新商业模式将是真正革命性的转变。
数据成为独立的经 济商品,具有价值,是创新型和盈利性商业模式的基础,物联网、互联网将持续快速增长,即使离开工厂,智能产品仍通过互联网互想联通,并在使用过程中交换海 量数据,这些大数据被加工成智能数据,用于控制、保持或提升改进智能产品和服务。这些智能算法生成的知识构成了新商业模式的基础,这种通过实时分析和人工 智能进行的整合与提炼,通常常在数字平台上完成,这些数字平台将很快成为主流的交易市场,好些企业已经将其智能产品连接到互联网上,并开始收集和分析数 据,德国的一个案例是,通过SAP HANA驱动的西门子云平台,它通过开放式的数字生态系统将设备管理与易连接性,数据存储系统和向智能服务开放的应用商店连接起来,开放式数字生态系统的 质量和建立速度,将是成功施行新商业模式的关键因素。此外,必须解决资金、可靠性、数据安全和知识产权保护等问题,为了确保全球制造业的进步,通过引入开 放式国际标准来确保解决方案的互操作性,以及信息技术与数据安全规则的和谐共存性,都需要政策制定者在国内及国际上的支持,2016年世界智能制造大会通 过应对标准化、信息安全和创新商业模式等问题,将为这些创新技术的实施和数据驱动商业解决方案的进步做出重要贡献。祝2016年世界智能制造大会取得圆 满成功,祝未来的事业更辉煌!
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。