至顶网软件频道消息: 长久以来,人工智能和机器学习一直被吹捧为实现自动化和提高生产力的灵丹妙药,但很多技术挑战阻碍了人们的采用。从2007年职业生涯初期开始,Google应用人工智能技术总监Ron Bodkin就一直参与开发和部署机器学习。现在,工作十多年中,Bodkin终于看到这项技术开始走向成熟。
Bodkin说:“现在我们正处于这样一个阶段,很多公司将这些资产放在一起。你可以获得令人惊叹的云资源,就像Google提供的这些资源一样,不仅可以处理大量信息,而且开始真正采取行动,因为......与大数据演进并行的是算法的演进,以及获取大量数字数据的途径。”
在近日举行的BigData SV活动上,Bodkin谈到了人工智能从概念到产品化的演进。
这项不断成熟的技术开始结出硕果
在机器学习技术发展的早期,人们有一种误解,认为所有的数据都可以简单地被获取,而且其价值可以被轻易地提取出来。然而,根据Bodkin的说法,释放机器学习潜力的关键,是所使用的数据的质量。
“你必须至少有一定的数据结构;你必须尽力调整数据,以便获得有效的结果,”Bodkin说。
谷歌也在扩展自己的内部数据科学和机器学习基础设施,用于自己的产品,着重于以云服务的方式提供谷歌的技术。Bodkins的Applied AI团队负责与其他公司合作,利用这些服务(如自然语言处理或图像识别)提供价值。
“我们已经为我们自己的产品建立了这种强大的能力,我们现在可以为客户提供这些能力,客户也在说,我如何利用这些能力?我如何与谷歌合作?我如何使用这些产品?我如何使用这些功能?”Bodkin说。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。