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
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。