至顶网软件频道消息: 微软发布了Embedded Learning Library,为开发人员提供了Raspberry Pi和其他开发者面板的预先训练好的图像识别模型。
Embedded Learning Library (ELL)的早期预览现在可以在GitHub上使用,它是微软将其机器学习软件小型化工作的一部分,使其适用于使用极低工号芯片、不连接到云端的设备上各种设备。
正如该公司在博客文章中解释的那样,微软研究实验室的一个团队正在努力压缩其机器学习模型,使其能够在体积不不超过面包屑的ARM处理器Cortex-M0上工作。
微软的目的是将机器学习推送到未连接到互联网的设备,如脑植入物。微软的Pix iPhone照片应用程序的新艺术功能在设备上使用人工智能,但其计划是使其能够运行在功能更弱的芯片上,例如脑植入,这些芯片可能需要在没有网络连接的情况下工作。
目前的压缩工作让机器学习模型缩小了10到100倍,但是要使其能够在Cortex M0上运行,模型需要缩小1000到10,000倍。
然而,今天,ELL可用于相对强大和庞大的Raspberry Pi、Arduinos、BBC微处理器和其他的微控制器。
这些设备的ELL依赖于为云训练的压缩机器学习模型,而在Cortex-M0上使用的训练算法中的工作则针对特定场景进行过调整。
研究人员测试过的最小的器件是具有2千字节RAM的单板计算机Arduino Uno。
微软研究机器学习和优化部门的主要研究人员Ofer Dekel在他的院子里训练了计算机视觉模型来处理松鼠问题。Dekel将模型部署在一个与网络摄像头连接的Raspberry Pi 3上,当它检测到一只松鼠时,它会打开喷淋系统。
他在GitHub上为制造商们提供了开始使用类似系统的说明,该系统识别对象并打印描述其内容的标签。
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。