当前,人工智能正在以惊人的速度发展。或许在不远的未来,我们就能在移动设备、智能音响以及自动驾驶汽车上遇见更加聪明、体贴的人工智能助手。微软在人工智能的基础研究已经长达40多年,25年前比尔·盖茨创建微软研究院时,就曾设想有一天创造出通用人工智能,一个会看、会听、能讲,并且能够理解人类思维的电脑!
2017年10月31至11月3日,由微软举办的Tech Summit 2017技术暨生态大会将在北京盛大举办。本次年度云端盛典包括了以“云・道”为主题的微软中国合作伙伴大会开场、以“智・远”为主题的147场技术实战和经验分享课程以及人工智能之夜、混合现实之夜、加速器之夜、女性之夜等主题狂欢夜活动。
人工智能将微软Tech Summit 2017的重中之重,目前正在规划中的2017微软技术暨生态大会的一百余场课程中,出镜率最高课程的莫过于人工智能!如今,人工智能正在重新定义微软,微软的目标是普及人工智能全民化(Democratizing AI)——将先进的人工智能技术转化为每个人触手可及的工具、平台和服务。
目前,80%的财富500强在使用微软云、192个国家(几乎是地球上所有国家)超过4亿设备使用Windows 10、140个国家的12亿人通过107种语言在使用微软Office、超过1.45亿用户在使用Cortana,而Skype Translator能实时翻译9种语言的语音电话和50种语言的文字信息!这些,就是微软人工智能的底气!
微软认为,人工智能可以扩展用户能力,释放更多的商业战略和创意,从而予力全球每一个组织、每一个人,成就不凡。微软以人为中心设计人工智能,在人工智能方面的投入包括基础研究、商用产品和解决方案。
在人工智能的基础研究方面,微软成立了人工智能及研究事业部,该部门由全球计算机视觉和计算机图形学专家沈向洋领导。目前,该部门的员工总数已增加到约8000名。该部门汇集了微软研究院最顶尖的人才,以追求人工智能的颠覆性进化。
新的微软研究和发展计划结合了机器学习中的语音认识及人机对话创新、人机交互以及计算机视觉的进展等,以解决人工智能研究中最棘手的挑战。该计划的一个关键在于探索智能的基本原则,包括努力解开人类智力的奥秘,以便来开发更通用、更灵活的人工智能算法。
在人工智能产品和解决方案方面,微软通过利用人工智能、数据和云计算的优势,帮助企业加快数字化转型。
微软Azure云提供认知服务、Bot Framework以及Azure机器学习等功能,加速AI解决方案的开发;通过Azure Cosmos DB、SQL Server 2017、SQL数据仓库、Data Lake等AI数据,Apache Spark、容器服务等AI计算,以及CPU、GPU和FPGA等核心基础设施,微软为用户的AI场景提供全面基础设施;微软还提供数据科学工具、深度学习框架等AI工具,最大限度地提高开发效率。
微软已经将AI融入到自己的应用中,Office 365、Dynamics 365、必应搜索以及Microsoft Translator等都在通过人工智能提高效率,帮助用户提高生产力;而人工智能助手微软小娜、聊天机器人微软小冰,也正帮助用户的工作和生活变得更快捷、更有趣。
今年的微软Tech Summit,围绕微软人工智能,准备了丰富的精华课程,这里有关于人工智能的一切!
传统非互联网企业在移动大时代下,面临业务向移动端转型的诸多挑战。微软Tech Summit 2017将分享,如何运用 Xamarin + Azure AI 提升企业生产力——一方面将传统基于桌面业务迁移到移动端,另一方面则引入Azure 认知服务替代传统人工劳动,为企业节约人力成本、提高劳动产出和提升生产力。
针对企业应用开发过程中,参与者众多、版本复杂、环境复杂、过程复杂等问题,微软Tech Summit 2017将分享,如何利用一套标准化人工智能自动化运维体系实践整个DevOps过程,帮助企业IT简化流程、提高效率、加速发布、节约成本。
还有,传统开发人员如何在日常开发和项目中把深度学习工具用起来?微软Tech Summit 2017将从基础入手,拨开深度学习的神秘面纱,把深度学习中最基本的概念和最常见的模型,以及这些模型所适用的应用场景,进行深入浅出的介绍,让大家对Azure对深度学习支持有更全面的了解。
在微软Tech Summit 2017上不仅有干货满满,精彩纷呈的精华课程,更有人工智能领域顶级工程师、微软总部首席架构师、技术方案专、数据科学家等大佬登台。今年的Tech Summit将是微软在人工智能技术和实践的最集中、最全面、最大规模的分享大会!如果你想了解关于人工智能的一切,就不能错过微软Tech Summit 2017!
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。