微软刚刚宣布Windows 10的下一个主要版本将支持人工智能(AI)和机器学习(ML)。但是,抛开市场炒作的因素,微软知道人工智能和机器学习真正的重担是在云端的开源软件上。这就是微软Azure的首席技术官Mark Russinovich在加利福尼亚州Sonoma召开的Linux基金会的开放源代码领袖峰会(Open Source Leadership Summit,OSLS)上传递的消息。
Russinovich开宗明义地表示:
人工智能科技和技术正在经历复兴。开源技术和社区的库和框架推动了自我教育机器学习开发人员的增长。云的计算能力使得大数据集的处理成本变得高效且普遍。随着越来越多的研究不断地被完成并在整个社区共享,我们将继续看到会有更多的智能应用程序采用各种各样的开放源代码技术,这些技术跨越了所有的处理平台。
具体而言,他举了两个微软正在使用云计算和开源软件来帮助客户提供解决方案的例子。第一个例子是劳斯莱斯的飞机发动机使用机器学习来跟踪它们的磨损状况。然后,这些数据将与人工智能一起用于发动机的主动维护。
微软还利用了大约二分之一的云计算和开源软件来支持DiagnosticX智能疾病预测架构(DiagnosticX Intelligent Disease Predictive Architecture),这是一个测试版的程序。它的首个用途就是检查来自美国国立卫生研究院(National Institute of Health,NIH)的X光数据库的X光图片。然后使用Visual Studio for AI和Azure Machine Learning将这些数据提供给诸如Core ML、Google TensorFlow和ONNX之类的开源机器学习和人工智能分析程序。最终的结果可以使用网页界面读取,可以用来诊断肺炎。
为什么要使用这些科技手段?因为X光机比放射科医生多得多。仅仅在美国,就有50,000名儿童死于肺炎,任何能够帮助及时发现这种致命疾病以便进行治疗的工具都是一种胜利。
Russinovich表示,是什么使得这些程序能够被创建出来?是云计算。我们之前没有取得太多进展,是因为只有到了现在,云计算才给了人工智能和机器学习开发人员一直需要的东西。也就是随需应变的、可扩展的计算能力,而且成本低廉,具有几乎无限的存储空间和高速GPU处理器,例如英伟达的Tesla K80和P100s。
综合下来,这为人工智能和机器学习开发人员提供了他们进行实验一直需要的资源。正如Russinovich所说的那样:“人工智能和机器学习是艺术,我们需要进行尝试。”
根据Russinovich的说法,实现这一目标的工具、程序和框架几乎都是开源的。“从MySQL PostgreSQL、Hadoop、Cassandra和NoSQL数据库开始,它们都是完全开源的。对于分析和预测,你可以使用Rand SPARK。而最受欢迎的深度学习库TensorFlow、Keras和Caffe也都是开源的。”
Russinovich继续表示:“早在2007年,机器学习专家就认为开放源代码是人工智能和机器学习的正确方法。现在两者都是基于开源的。”
在开放源代码和云计算之间,Russinovich认为人工智能和机器学习改变了每个行业,这不是营销炒作。
好文章,需要你的鼓励
TechCrunch Disrupt 2025 AI舞台将汇聚塑造科技未来的领军人物,顶尖风投将揭示在快速变化的AI领域获得融资的关键。来自Apptronik、ElevenLabs、Hugging Face、Runway等创新企业的领导者将分享前沿洞见,探讨AI如何重塑创意过程、改变物理世界、变革国防安全和重新定义人际关系。10月27-29日,五大主题舞台将在旧金山呈现科技创新的未来图景。
西班牙研究团队提出了一种创新的AI自我纠错方法SSC,让人工智能学会识别和修正规则中的漏洞。当AI发现自己在钻空子获得高分时,它会反思规则的合理性并主动改进。实验显示这种方法将AI的"钻空子"行为从50-70%降低到3%以下,同时提升了回答质量。这项技术有望让AI从被动执行指令转变为能够质疑和改进指令的智能协作伙伴。
英超联赛与微软达成五年战略合作伙伴关系,推出AI驱动的Premier League Companion服务,为全球球迷提供个性化体验。该服务利用Azure OpenAI技术,整合30多个赛季的统计数据、30万篇文章和9000个视频,帮助球迷发现和了解更多内容。未来还将为Fantasy Premier League引入个人助理经理功能,并通过Azure AI优化比赛直播体验和赛后分析。
这篇文章详细解析了Long、Shelhamer和Darrell在2015年CVPR会议上发表的开创性研究"全卷积网络用于语义分割"。文章以通俗易懂的方式,将这项复杂的技术比作艺术家的绘画过程,解释了如何让计算机不仅识别图像中有什么物体,还能精确标出每个物体的位置和边界。研究团队通过将传统分类网络改造为全卷积形式,并巧妙运用上采样和跳跃连接技术,实现了高效准确的像素级图像理解。这一突破为自动驾驶、医学影像和增强现实等领域带来了革命性变化,奠定了现代计算机视觉的重要基础。