蓝色巨人希望凭借其最新人工智能项目再掀技术波澜。
IBM公司的研究人员们已经开发出一套轻量级海浪预测系统,甚至能够在Raspberry Pi设备上运行模拟任务。
一般来讲,对风力、潮汐以及海洋深度等变量进行计算以预测波浪走势可能需要超级计算机的介入。但就在今年夏季,圣母大学与IBM爱尔兰研究院的研究人员们共同开发出一套新型系统,能够利用其它低成本设备实现波浪预测,且具有相当理想的精度水平。
他们开发出的这套预测系统属于一款常规物理学模型模拟器,即近岸波浪模拟或者简称SWAN——这款波浪建模工具由荷兰德尔夫特理工大学最早开发完成。
研究人员们则利用SWAN为深度学习网络创建训练数据,其中供应SWAN的波浪条件数据来自NOAA国家数据浮标中心; 而实时洋流读数以及风力数据则来自IBM所拥有的The Weather公司。
IBM公司研究科学家Fearghal O’Donncha解释称,他们所创建出的这套深度学习模型能够以现有预测系统12000%的速度生成预测结果。
更高的性能表现意味着该模型将能够创建波浪条件的实时预测结果,并在如Raspberry Pi这类轻量化硬件之上运行模拟任务。
根据O'Donncha的介绍,这项进展可通过改变用于训练深度学习模型的数据集,帮助科学家们追踪更为广泛的物理条件、几何形状以及时间尺度等因素。
这亦有可能帮助各类高度依赖于海洋条件的组织机构(例如航运公司、水产养殖企业以及海军等)更轻松地实现波浪预测。IBM公司还将这种对波浪走势的准确预测能力视为发展可再生资源的关键所在。
O'Donncha同时表示,IBM公司所打造的这套人工智能方案的另一大优势,在于其能够利用现有物理模型的输出结果生成训练数据。
与任何其它AI项目一样,研究人员们需要大量标记数据训练深度官瘾网络。通过使用SWAN或者其它模型,他们将能够获得源源不断的标记训练数据。
O'Donncha在接受至顶网采访时解释称,“我们可以利用物理模型生成数千个波场,而后根据实际观测到的浮标数据进行评估,从而衡量模型的准确性。”
每一条物理模型输出结果都作为一份图像,而对应的精度测量则作为该图像的‘标签’。利用这套物理模型,我们即可根据需求生成尽可能多的标记训练数据。”
然而,IBM公司的这套SWAN“替代方案”目前仍然存在一定局限性。该系统只能对加利福尼亚州蒙特利湾的海浪状况作出准确预测。
尽管如此,他们已经能够利用SWAN四年以来生成的12400条不同输出结果证明其预测结果的有效性。这套模型还会考虑到海浪条件的季节性变化因素,例如冬季风力较大等状况。
为了能够将该模型扩展到其它位置,研究人员们还需要重新利用其它风力、潮汐与海洋数据进行训练。但O’Donncha认为,这对于扩展深度学习模型在新领域中的精度而言是一种必要的投入,且与基于物理因素的模型调整并无不同。
O'Donncha解释称,“这方面工作当中,最为复杂的部分是提取数据以进行模型训练。这是因为模型训练本身速度相对较快。”
他指出,The Weather公司能够提供来自一系列位置的数据,而IBM方面则能够为整个美国海岸线等特定位置创建出一套可实际运行的、经过训练的机器学习模型套件。
他同时补充称,“这些模型随后将可根据一套坐标以实现轻松交付,这意味着任何位置皆可进行超高速预测分析。”
但其可能很难预测各类极端性天气事件(例如台风)所引发的海浪变化。
O'Donncha指出,“通过将这些效应添加至物理模型边界的强制条件当中,即可产生包含台风或者其它极端性天气事件的训练数据。”
“其中的挑战在于如何获取由极端事件所引发的海浪变化的对应标签。从定义层面来讲,极端事件显然非常罕见。”
这套深度学习模型能够对海浪条件作出实时预测,并在小如Raspberry Pi的硬件之上运行模拟任务。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。