自2017年首届世界智能大会召开后,截至目前,已有257个项目落地天津,引入投资额上千亿元。为了进一步吸引智能科技企业和项目落地,天津市滨海新区设立了300亿元智能科技产业基金,以资本运作为手段,打造了中德工业4.0智能制造中心、集成电路中心等多个智能产业聚集区。同时,还制定实施了进一步集聚人才创新发展的若干措施、企业研发费用税前加计扣除项目鉴定办法。天津市开发区、高新区等功能区也同步出台了打造创新驱动新引擎建设科技创新高地的若干措施、集聚英才和优化人才服务若干措施等,助力智能科技产业加快发展。
为抢抓智能科技产业发展的重大战略机遇,系统谋划“大智能”战略布局,强化顶层设计,形成推动智能科技产业发展的强大合力,天津市委市政府还印发了《关于大力发展智能科技产业推动智能经济发展建设智能社会的实施意见》(津党发〔2017〕44号),出台了“1+10”行动计划,即《天津市加快推进智能科技产业发展总体行动计划和十大专项行动计划》(津政办发〔2017〕112号),围绕智能制造、智能医疗与健康、智能农业、智能文化创意、智能交通、智能商贸物流、智慧城市、智能科技领域军民融合、人工智能科技创新、智能科技产业人才引育等10个领域,加快培育“大智能”创新体系,着力建设“大智能”产业集聚区。通过大力发展智能科技产业,推动传统产业智能化、绿色化改造,积极发展智能制造、服务制造、绿色制造,推动互联网、大数据、云计算、人工智能和实体经济深度融合,尽快形成新的增长点,从而助推经济由高速增长向高质量发展转变,解决目前存在的产业结构偏重偏旧、体制机制活力不够、民营经济发展不充分、发展环境亟待优化、动能转换与高质量发展的要求还不适应等突出问题,加快“一基地三区”建设进程。
结合制定和实施智能科技产业“1+10”行动计划,天津市指出,支持智能科技产业发展的政策措施还不够系统、不够完善、力度还不够大。因此,为推动智能科技产业加快发展,吸引智能科技人才、技术、资本等创新要素集聚津门,支持智能科技企业在津发展壮大,构建智能科技创新高地,天津市委市政府研究制定了加快推进智能科技产业发展的政策措施,打出一套政策“组合拳”。
在制定政策时主要考虑有三点:一是引育结合、突出重点。聚焦智能终端产品、传统产业智能化改造、智能化应用等重点领域,聚焦互联网、云计算、大数据等“软产业”,引进和培育智能科技产业。二是追求领先、力度超前。解放思想,转变观念,对标先进,查找差距,打造智能科技产业政策高地,增强政策措施的效果。三是需求导向,对症下药。深入调研,广泛听取建议,多角度了解各方需求,从企业、科研机构、科技人才最关心的地方入手制定政策措施,增强针对性和有效性。政策措施内容主要包括:进一步加大资金支持力度,设立智能制造专项资金和智能科技产业发展基金,加快企业智能化改造,助力智能科技新兴产业培育发展;吸引和鼓励科研院所来津发展,集聚高端人才,支持创新成果转化;培育引进骨干企业,加快形成新的增长优势;深入开展“互联网+”行动,加快大数据产业发展,促进大数据全业态集聚发展。
据悉,目前相关政策措施正在抓紧研究制订过程中,并已基本成熟,最终文件将在第二届世界智能大会期间发布。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。