一群知名的人工智能科学家正在呼吁,要在欧洲建立一个新的跨国人工智能中心,以帮助欧洲与世界其他地区展开竞争。
未来几十年,人工智能将对欧洲和世界其他地区产生深远的影响。很多人认为,这种影响将比工业革命的影响来得更大。
这些科学家们在一封公开信中写道:“欧洲没有与北美和中国保持同步,”他们呼吁建立一个新的European Lab for Learning & Intelligent Systems(ELLIS)。他们认为,欧洲各地的实验室所拥有的人工智能优势,“在世界顶级阵营中发挥作用”,但“几乎所有各地的顶尖人才都在涌向美国”。
的确如此。谷歌、Facebook、微软、亚马逊、苹果和优步这样的公司,正以惊人的速度吸引欧洲的人工智能人才,让他们流连忘返。
例如,谷歌旗下位于伦敦的人工智能实验室DeepMind自2010年成立以来,已雇佣了数十名来自Oxbridge的学生和教授。根据向Companies House提交的文件。谷歌在2016年为约500名员工付出了1.38亿美元,相当于每位员工约276,000美元。
这些科学家们在公开信中写道,应该在欧洲各国建立一些ELLIS中心,并建议每个中心创建成本大约是1亿欧元,并且为每个中心提供年度预算,这笔预算在10年内增加到3000万欧元。
这封信是由剑桥大学信息工程教授、优步首席科学家Zoubin Gharamani和亚马逊柏林的机器学习总监Ralf Herbrich等人签署的。来自苏黎世联邦理工学院和阿姆斯特丹大学等欧洲顶级大学的其他几位学者也在信上签了名。
据《卫报》称:“有些事情必须要做,现在就做。”Ghahramani说:“这将为欧洲提供大规模的中心,不是只有10来位研究人员,而是有数百位来自不同国家的专家。”
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。