至顶网软件频道消息: 2018年5月8日,北京 ——微软亚洲研究院“创新汇”举办了以“智汇八方,赢造未来”为主题的首届创新论坛,来自不同行业的十六家成员企业齐聚一堂,与微软亚洲研究院的顶尖科研人员一同探讨人工智能技术的行业落地,以及如何推动企业业务数字化转型等业内关心的话题。微软亚洲研究院“创新汇”自2017年11月成立以来,短短数月就迎来众多行业领军企业的关注。首批的十六家成员中既有大型国有企业、全球知名外资机构,也有龙头民营企业和初创公司,涉及领域涵盖金融服务、制造、物流、零售、教育与医疗健康等多个行业。
微软亚洲研究院创新论坛现场 “创新汇”成员企业代表合照
微软全球资深副总裁,微软亚太研发集团主席兼微软亚洲研究院院长洪小文博士表示:“以人工智能、大数据、云计算为代表的新兴技术不断发展,让数字化转型成为今天每一家企业、组织乃至政府部门不可忽视的重要议题。面对数字化转型给中国市场带来的巨大机遇,微软亚洲研究院希望以‘创新汇’为平台,推动‘数字化转型即服务(DTaaS)’的理念,充分发挥我们在计算机领域的技术和人才优势,结合各成员企业深厚的行业理解和洞察,共同推动各行业的产业升级与科技创新。“
微软全球资深副总裁,微软亚太研发集团主席兼微软亚洲研究院院长洪小文博士
“‘创新汇’首期招募圆满结束,感谢成员企业对微软亚洲研究院的信任和青睐。目前我们已经与成员企业初步勾画出了一些切合实际的数字化转型方向。例如,金融服务业可聚焦于包括人工智能辅助投资、智能营销、用户画像、风险管理等在内的应用领域的业务创新;制造业和物流业可以针对业务特点,对智能平台建设、生产线检测、业务内容和数据的分析等进行构建、优化和提升;医疗行业则可以从医疗大数据分析、面向患者普及医药知识的对话型机器人、医学影像识别等方面着手。”微软亚洲研究院副院长、“创新汇”负责人潘天佑博士表示。
微软亚洲研究院副院长、“创新汇”负责人潘天佑博士
微软亚洲研究院“创新汇”项目,旨在以微软亚洲研究院雄厚的科研智慧储备为基础,调动前沿科学研究领域的成果,将先进技术、创新思维、多方资源与行业企业的现实需求相互融合,让科研与商业相互促进、相互启发,共发掘数字化转型带来的新机遇。着眼中国市场各行业的发展和需求,“创新汇”致力于面向大型企业、投资机构、政府相关部门构建广泛、深入的合作纽带和跨行业的沟通平台。“创新汇”企业会员每年招募一期,经筛选成为正式成员后,将充分享受由微软亚洲研究院提供的从高端战略洞察、前瞻技术分享、行业前景探讨,到实际业务选题等多样化、多层次的支持与咨询服务。
中国外汇交易中心副总裁许再越表示:“全球范围内,金融服务业是最积极探索以技术创新推动传统业务模式数字化转型的行业之一,科技金融已经成为大势所趋。我们非常高兴加入‘创新汇’,希望借此机会与微软顶尖的科研人员共同探索区块链、人工智能、大数据等技术在金融行业的应用前景,加快中国金融领域相关研究和业务的进展以及完善相关技术标准的制定,逐步建立健全银行间市场技术生态圈。”
远传电信总经理李彬表示:“远传电信是微软在台湾设立的人工智能研发中心的首家电信业合作伙伴,我们希望通过‘创新汇’的平台进一步将微软在人工智能、物联网、云计算等领域的先进技术与我们在电信领域的优势资源相结合,大力提升电信网络的灵活性和可扩展性,强化电信服务品质,并延伸到更多企业实际应用场域,为发展智慧生活、智能商务与智慧城市创造有利环境。“
视源股份(CVTE)创始人兼研究院院长尤天远表示:“数字化转型给制造业企业提出了巨大的技术挑战,但也开启了市场的新机遇。作为商用显示解决方案提供商,我们正在积极探索推动人工智能创新,包括视频内容识别和分析、3D建模,及面向医疗行业的数据分析和诊断解决方案等。在微软亚洲研究院‘创新汇’平台上的深入交流,为我们的技术升级和应用创新开启了更多想象空间。”
码隆科技联合创始人兼CEO黄鼎隆表示:“作为一家专注于深度学习和计算机视觉技术的创业公司,我们与微软之间的渊源与合作由来已久。我们相信技术创新会为零售业创造新的业务模式和广阔的发展机遇,而微软亚洲研究院业内公认的技术及科研水平为我们探索人工智能零售业解决方案提供了一个技术和专家的资源宝库。”
截至2018年5月,微软亚洲研究院“创新汇”首批成员企业包括(按公司名称拼音排序):
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。