微软已经在星期四推出了Cognitive Toolkit 2.0,从而更新了其人工智能框架。
所有投资深度学习的主流公司都有某种打包软件,可帮助开发人员创建神经网络模型。Google已经有TensorFlow,DeepMind发布了Sonnet,Facebook最近宣布推出Caffe2,而Amazon则推出了MXNet。
微软的版本以前被称为CNTK,该系统在去年十月发布了beta版。新的Cognitive Toolkit 2.0已经扩展到支持Python和Keras,这是一种流行的神经网络API。
考虑到Keras是一个高级框架,这是一个很好的举措,允许研究人员快速实验和建立模型。 “(它)抽象了大多数用户不需要了解的许多细节,”使用户免于面对混乱的代码行,Keras的作者及谷歌的工程师François Chollet之前对《The Register》做出了这样的解释。
微软人工智能的优势在于语音识别。去年,由微软首席语音科学家Xuedong Huang(音译:黄学东)率领的团队宣布,他们创立了一个能够以“等同于人类”水平对语音进行抄录的系统。
这个Cognitive Toolkit特别适用于自然语言处理中常用的复现神经网络和长的短期记忆网络,这并不奇怪。微软使开发人员更轻松地使用Keras分支到不同类型的神经网络。
它还将包括Java语言绑定和压缩经过训练的模型的新工具,这样在运行诸如图像识别等应用程序时所需的资源就更少。
它已经被应用于像Cortana这样的内部应用程序,这是微软的数字助理,也是微软让人工智能变得更容易访问这个更广泛的目标的一部分。
该工具包是开源的,可以在这里(https://github.com/microsoft/cntk)找到。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。